Triple KI: Was KI an den IT-Anforderungen ändert

Blogreihe Data Science
Blogreihe Data Science
Triple KI – Data Science durchgängig gedacht! Claudia Dukino und Damian Kutzias promovieren zu der Frage, wie datenbasierte Projekte erfolgreich zu anwendbaren KI-Lösungen umgesetzt werden können. In einer gemeinsamen Blogreihe bündelt das KI-Tandem seine Kompetenzen und Forschungsergebnisse und veranschaulicht, wie die Verzahnung von Prozessen, Tätigkeiten und Technologien von der Ideengenerierung bis hin zur Inbetriebnahme neuer Lösungen in Unternehmen Mehrwerte schaffen kann.

Mit neuen Technologien können auch neue Anforderungen einhergehen. Auch bei KI stellt sich nun die Frage, ob die KI-Systeme lediglich eine andere Form von IT-Systemen sind, oder ob sich etwas ändert. CPUs sind digitale Allzweckwaffen, können also auch KI! Gängige Programmiersprachen sind ebenfalls Allzweckwaffen, können also auch KI! Die Systeme vieler Unternehmen versprechen »KI von der Stange«, können also auch KI! Alles richtig, oder?!

Grundsätzlich stimmt das alles, wie viel davon in der Praxis jedoch trotzdem zur Herausforderung werden kann, hängt wie so oft vom Anwendungsfall ab:

Perspektive Hardware

In den meisten Unternehmen sind die Serversysteme mit CPUs, Hauptspeicher und Festplattenspeicher ausgestattet. Für einen Großteil klassischer Softwaresysteme und Anwendungen ist das völlig hinreichend. Mit verstärktem Einsatz von künstlicher Intelligenz ändern sich jedoch die Anforderungen an die Rechenkapazitäten: Eine große Menge ähnlicher und parallel ausführbarer Berechnungen sind für KI-Modelle üblich, besonders beim Trainieren von Modellen. Diesen Anforderungen werden GPUs (Grafikkarten) deutlich besser gerecht als CPUs. Der Unterschied kann durchaus bei ein oder mehreren Zehnerpotenzen in der Geschwindigkeit liegen und ist so gravierend, dass für besonders rechenintensive KI-Verfahren und Datensätze sogar spezielle Hardware, so genannte TPUs (Tensor-Prozessoren), zum Einsatz kommen können.

Die eingeschränkte Verfügbarkeit von Hardware aufgrund des aktuellen Chipmangels sowie die volatile Preisentwicklung schaffen neue Herausforderungen. Über die letzten Jahre sind Grafikkarten für die Berechnung von Krypto-Währungen immer attraktiver geworden, durch künstliche Intelligenz steigt der Bedarf ebenfalls und Lieferengpässe durch Corona tun das ihrige dabei: Kosten von etwa 200 Prozent der unverbindlichen Preisempfehlungen der Hersteller sind längst keine Seltenheit mehr. Es empfiehlt sich also, frühzeitig Bedarfe zu klären und diese Aspekte in die Wirtschaftlichkeitsbetrachtung mit einfließen zu lassen.

Perspektive Technologie

Grundsätzlich sind die meisten Programmiersprachen universell einsetzbar. Dennoch haben sich für verschiedene Einsatzgebiete technologie- oder branchengetriebene Schwerpunkte entwickelt. Sprachen wie Python oder R haben mittlerweile einen Ruf als »KI-Sprachen«, was neben der Verwendung durch entsprechende Programmier-Communities auch an der Verfügbarkeit KI-spezifischer Softwarepakete liegt. Während bekanntere und ältere KI-Verfahren in den meisten Sprachen verfügbar sind, werden die neusten Verfahren zuerst oft nur in den datenaffinen Sprachen umgesetzt und bereitgestellt. Wie bei anderen Technologien lassen sich auch Programmiersprachen und Softwarepakete durchaus kombinieren, doch mehr Technologie heißt gleichzeitig auch höhere Anforderungen an das Know-how der Mitarbeitenden und mehr Wartungsaufwand für die bestehenden Systeme.

Perspektive Angebote

KI ist mittlerweile deutlich mehr als ein Hype und hat es in die Softwareangebote vieler Unternehmen geschafft. Lässt man das Marketing auf sich wirken, so mag der Eindruck entstehen, dass KI bereits oft »von der Stange« funktioniert. Wenngleich es sicherlich bereits viele gute Systeme gibt, sollte man sich über eine Tatsache nicht hinwegtäuschen lassen: Ein guter KI-Service braucht gute Daten und sollen es die eigenen sein, wird man um den Aufwand der Sammlung, Erzeugung und Aufbereitung der Daten nicht herumkommen.

Fazit

Doch was heißt das nun für die Praxis? Soll man sich von diesen Perspektiven abschrecken lassen? Im Gegenteil! Wichtig ist an dieser Stelle lediglich, ein KI-Projekt, egal ob beim Zukauf einer Lösung oder eigener Entwicklung, nicht als klassisches Softwareprojekt zu betrachten. Berücksichtigen Sie stattdessen die Besonderheiten der KI, beginnend bei Zieldefinition und Anforderungsanalyse über die Technologieauswahl bis hin zum einsatzfähigen System, um Risiken zu vermeiden und Potenziale richtig einschätzen zu können.

Dieser Beitrag ist Teil einer Blog-Reihe, in der wir (Claudia Dukino und Damian Kutzias aus dem Bereich Digital Business) uns in den kommenden Monaten mit den Herausforderungen datenbasierter Projekte beschäftigen und dazu Mensch, Technik und Organisation im Einklang betrachten werden.

Leselinks:

Damian Kutzias

Damian Kutzias

Damian Kutzias unterstützt als wissenschaftlicher Mitarbeiter dabei, KI-basierte Prototypen zu entwickeln und Projektideen durchgängig umzusetzen. Seine Schwerpunkte sind (IoT-)Architekturen, die Analyse zeitabhängiger Daten sowie Data Science-Vorgehensmodelle, also Methodik zur strukturierten Durchführung datenbasierter Projekte.

Autorenprofil

Kommentar hinzufügen

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.