Mit BRIESO-Modell zum Geschäftserfolg GenAI: der Weg von der Cloud in den produktiven Einsatz

Anbieter zum Thema

Cloudera

netfiles GmbH

Nutanix Germany GmbH

Cloudgermany.de GmbH

Bei der Integration von Generativer KI (GenAI) haben Unternehmen die Aufgabe, Datensilos, Kosten, Qualität und Geschäftsziele unter einen Hut zu bekommen. Dazu setzen viele mit eigenen Test-Modellen in der Cloud an. Doch die große Hürde ist, diese KI-Projekte sinnvoll in den produktiven Einsatz zu übertragen.

Dabei hilft das BRIESO-Modell, um alle wichtigen Eckpunkte vor der Implementierung zu berücksichtigen. Außerdem können Unternehmen mit diesem Modell den Grundstein für die eigene KI-Strategie legen und finden somit die passende Plattform für eine effiziente und nachhaltige Umsetzung.

Die Deloitte-Umfrage zum Einsatz von GenAI in der Praxis zeigt, dass 56 Prozent der befragten Firmen kurzfristig das Ziel verfolgen, Effizienz und Produktivität zu steigern. Bereits über ein Drittel berichtet dabei von erheblichen Vorteilen durch ihre KI-Initiativen. Einzelne Branchen wie die Pharmaindustrie und das Rechtswesen haben beachtliche Fortschritte erzielt, doch dies ist nur die Spitze des Eisbergs.

Die volle Leistungsfähigkeit von GenAI wird erst sichtbar, wenn Unternehmen die Experimentierphase hinter sich lassen und beginnen, diese Technologie nachhaltig in ihre Arbeitsabläufe zu integrieren. Um von der Technologiewelle zu profitieren, ohne von ihr überrollt zu werden, sind jedoch einige Hürden zu überwinden – insbesondere dann, wenn es um Kosten und Vertrauen geht. Der Schlüssel dazu liegt in einer soliden Daten-Roadmap, die die Leistungsfähigkeit der Cloud optimal nutzt.

Kosten und Vertrauen als größte Hürden

Auch in Bezug auf GenAI gilt das altbewährte Motto „Garbage In, Garbage Out“: Wenn das KI-Modell auf unzuverlässigen Daten basiert, sind keine nützlichen Ergebnisse zu erwarten. Die aktuelle Herausforderung besteht darin, dass die Datenverwaltung und -sicherheit in vielen Unternehmen unzureichend für die Technologie ist. Wichtige Informationen sind oft in Silos eingeschlossen. Das macht sie nahezu unbrauchbar, sodass die KI ohne aufwendige und teure Integration kaum sinnvoll zu nutzen ist. Sobald die Trainingsdaten von schlechter Qualität sind und den entscheidenden Geschäftskontext vermissen lassen, kann dies zu Halluzinationen führen – zu widersprüchlichen, irrelevanten oder falschen Ergebnissen.

Ein weiterer Aspekt sind die hohen Kosten, die GenAI-Projekte verursachen, wenn sie intern umgesetzt werden. Ein einzelner hochmoderner Grafikprozessor (GPU), der auf Large Language Models (LLMs) ausgelegt ist, kostet rund 30.000 US-Dollar. Will ein Unternehmen ein KI-Modell mit 175 Milliarden Parametern trainieren, benötigt es möglicherweise 2.000 solcher GPUs.

Cloud-GPUs als KI-Beschleuniger

In der Cloud „GaaS geben“

Aus diesen Gründen gewinnt die Cloud-Infrastruktur als Grundlage für KI-Anwendungen weiter an Attraktivität. Cloud-Anbieter verfügen über GPU-Ressourcen, die es ermöglichen, GenAI-Projekte zu skalieren. Bevor Unternehmen sich an einen Cloud-Anbieter wenden, können sie zunächst eigenständig mit einem KI-Modell und den eigenen Daten experimentieren und nach dieser Findungsphase auf eine cloudbasierte Implementierung ihres GenAI-Projekts durch einen Cloud-Anbieter umsteigen.

Das BRIESO-Modell für den Weg in die Umsetzung

Doch wie können Firmen ihre GenAI-Projekte aus dem Versuchsstadium in die Umsetzung überführen, wenn sie sich für eine Cloud-Implementierung entschieden haben? Mit dem BRIESO-Modell gelingt es:

• Aufbauen (Build): Zunächst gilt es, eine moderne Datenarchitektur und ein universelles Unternehmensdatennetz zu schaffen. Unternehmen sollten ortsunabhängig, ob lokal oder in der Cloud, Transparenz und Kontrolle über ihre Daten erlangen. Eine einheitliche Struktur hilft, Daten korrekt zuzuordnen, zu sichern und die Einhaltung von Vorschriften zu gewährleisten. Bei der Auswahl von Tools darf nicht nur der aktuelle Bedarf evaluiert, sondern sollte auch die Skalierbarkeit für zukünftiges Wachstum bedacht werden. Open-Source basierte Lösungen können dabei große Flexibilität bieten.

• Verfeinern (Refine): Die Datenauswahl ist an die aktuellen Geschäftsanforderungen anzupassen. Hierbei ist es wichtig, zukünftige Bedürfnisse so genau wie möglich vorherzusehen. So können Unternehmen vermeiden, unnötige Daten zu migrieren. Denn sie bieten keinen Mehrwert und führen zu steigenden Projektkosten.

• Identifizieren (Identify): Unternehmen sollten herausfinden, wie sie die Cloud gezielt nutzen können. Eine Analyse der Arbeitsprozesse lässt erkennen, wo der größte Nutzen liegt. Es ist wichtig, Daten standortunabhängig zu verknüpfen, um Projekte zu optimieren. Hierbei sind auch zukünftige Anwendungsmöglichkeiten zu berücksichtigen.

• Experimentieren (Experiment): Vorgefertigte KI-Frameworks von Drittanbietern sollten vor der Übernahme getestet werden. So lässt sich sicherstellen, dass sie den spezifischen Geschäftsanforderungen des Unternehmens entsprechen. Es gibt verschiedene Optionen wie Bedrock von AWS, Hugging Face, OpenAI (ChatGPT) und die KI-Plattform von Google (Vertex). Unternehmen sollten sich Zeit nehmen, um die beste Wahl zu treffen. Das ausgewählte Modell muss nahtlos in die vorhandenen Unternehmensdaten integriert werden, um den Erfolg des Projekts zu gewährleisten.

• Skalieren und Optimieren (Skale and Optimize): Nachdem Unternehmen eine passende Plattform gewählt haben, ist es empfehlenswert, ein bis zwei Anwendungsfälle für die Umsetzung in ein Produktionsmodell auszuwählen. Dieser Prozess sollte fortlaufend optimiert und die Kosten für GPUs im Auge behalten werden, da sie stark steigen können. Wenn die KI-Fähigkeiten des Unternehmens wachsen, sollte nach Möglichkeiten gesucht werden, die Nutzung noch weiter zu optimieren. Ein flexiblerer Ansatz bei einer einheitlichen KI-Plattform kann langfristigen Erfolg sichern.

Die Zukunft von GenAI ist vielversprechend

IT- und Unternehmensleiter sind überzeugt vom transformativen Potential der GenAI-Anwendungen. Von verbessertem Kundenservice über nahtloses Lieferkettenmanagement bis hin zu optimierten DevOps – die Optionen sind vielfältig. Bis KI-Modelle schließlich in die Unternehmensstrategien integriert werden, gilt es, eine moderne Datenarchitektur zu schaffen. Denn sie ist der Ausgangspunkt für jedes erfolgreiche GenAI-Projekt. Basierend auf einer KI-tauglichen Architektur folgen Unternehmen am besten dem BRIESO-Modell. In dessen Kreislauf entwickelt sich die Zukunft.

(ID:50250820)