Implementierung von KI-Lösungen: Eigenentwicklung oder Plattformansatz?

Künstliche Intelligenz (KI) ist heutzutage allgegenwärtig. So nutzen beispielsweise Unternehmen im Gesundheitswesen KI, um die Entwicklung neuer Medikamente zu beschleunigen und die Ergebnisse einer Diagnose durch präzisere medizinische Bildverarbeitung für den Patienten zu verbessern.

Einzelhandel ermöglicht KI fortschrittliche Bestandsvorhersagen und personalisierte Produktempfehlungen für die Verbraucher, und Energieunternehmen setzen auf KI-Technologie, um Energie effizienter zu produzieren und zu liefern.

Deep Learning befähigt Unternehmen heute, innovative, marktreife Produkte und Lösungen zu entwickeln. Diese Technologie treibt einen technologischen Wandel voran, der mittlerweile jedes Unternehmen, jeden Markt und jede Branche betrifft. In den nächsten zehn Jahren werden sich die Einführung, der Einsatz und die Innovationen von Deep Learning weiter beschleunigen. So wird einem aktuellen PwC-Bericht zufolge aufgrund KI-basierter Innovationen das Bruttoinlandsprodukt in Deutschland bis 2030 um mehr als 10 Prozent steigen. Unternehmen, die jetzt nicht Schritt halten, werden die Vorteile dieser Technologie nicht nutzen können.

Wie können sich Unternehmen auf diesen Wandel vorbereiten? Es gibt zwei Hauptansätze für den Einsatz von KI: Unternehmen können sich entweder dafür entscheiden, ihre eigenen KI-Modelle und die Systemumgebung von Grund auf neu zu entwickeln, oder sie können einen Plattformansatz wählen und die Arbeit externen Experten überlassen.

Der DIY-Ansatz: KI in Eigenregie aufbauen

Der „Do-it-yourself”-Ansatz ist eine gängige Strategie für viele Unternehmen, die zum ersten Mal KI einsetzen wollen. Dieser Ansatz eignet sich möglicherweise gut für große Unternehmen, die über die Größe, den Umfang und die Ressourcen verfügen, die für einen unternehmensweiten und langfristigen Einsatz erforderlich sind. Andere Unternehmen erzielen damit möglicherweise nicht den gleichen Erfolg. Proprietäre KI-Implementierungen verschaffen Firmen vor allem dann einen Wettbewerbsvorteil, wenn die Modelle besser abschneiden als die der Konkurrenz. Dies ist besonders für Unternehmen von Vorteil, die sich auf die Bereiche Spitzenforschung und experimentelle Forschung konzentrieren.

Der DIY-Ansatz geht mit einigen Nachteilen einher:

• Zeit: Die Entwicklung, Erprobung und Implementierung maßgeschneiderter KI-Lösungen können mehr als ein Jahr dauern. Das ist ein großes Problem, wenn der Innovationswettlauf in Wochen oder Monaten und nicht in Jahren gemessen wird. Selbst wenn es einem Unternehmen gelingt, eine eigene KI-Lösung zu entwickeln, ist es extrem zeitaufwändig, mit neuen Trainingsmodellen, Techniken und dem Tempo der Datenentwicklung Schritt zu halten.
• Fachkenntnisse: Der Mangel an Mitarbeitern mit KI-Expertise belastet Unternehmen in allen Branchen. Die KI-Teams sind jetzt schon überfordert, wenn sie versuchen, der steigenden Nachfrage von internen KI-Projekten, die spezielle Fachkenntnisse voraussetzen, zu bedienen. Hinzu kommt, dass der Bedarf, hochqualifizierten KI-Talente wie z.B. Entwicklern, Ingenieure, Forscher und Datenwissenschaftler einzustellen, für viele Unternehmen eine große Herausforderung bedeutet, da zwischenzeitlich ein hochgradiger Mitbewerb bei der Rekrutierung dieser begehrten Mitarbeiter entbrannt ist.

   

• Einschränkungen der Flexibilität: Wenn Unternehmen versuchen, maßgeschneiderte KI-Lösungen zu entwickeln, sind sie oft an bestimmte Systeme gebunden, die wiederum auf bestimmten Programmiermodellen basieren. Der Wunsch, auf eine andere Lösung umzusteigen, die den Anforderungen besser entspricht, wird angesichts früherer Investitionen in Zeit, Geld und organisatorisches Wissen äußerst mühsam.

   

• Kosten: Die Kosten für die Einstellung von Mitarbeitern mit der richtigen Expertise (einschließlich des Budgets für Personalbeschaffung, Gehälter, Sozialleistungen und Mitarbeiterbindung), die Suche nach der richtigen Software für den jeweiligen Bedarf im Unternehmen und die Aktualisierung der technischen Infrastruktur summieren sich schnell auf unabsehbare Dimensionen.

Aber auch wenn die KI-Initiativen durch den DIY-Ansatz im Unternehmen ins Rollen kommt, gibt es weitere Herausforderungen: Das Team muss die KI-Modelle kontinuierlich pflegen und bewerten, Implementierungen unterstützen und abstimmen und über die schnelllebigen Entwicklungen in der Welt des Deep Learning auf dem Laufenden bleiben. Doch die meisten Unternehmen verfügen wahrscheinlich nicht über einen großen Mitarbeiterstab an Daten-Experten oder über große Budgets für KI-Projekte. Sie können auch nicht Monate oder gar Jahre warten, bis die KI-Initiative erste Ergebnisse liefert. Diese Herausforderungen zusammengenommen hindern die meisten Unternehmen daran, KI-Initiativen aus eigener Kraft zu skalieren.

Der Plattform-Ansatz: Einbindung von externen KI-Experten

Aufgrund der oben geschilderten Stolpersteine bei der Implementierung von KI-Lösungen scheint der Plattformansatz die bessere Option für die meisten Unternehmen zu sein. Die Zusammenarbeit mit einem vertrauenswürdigen Partner senkt die Hürden für den Einsatz von KI und ermöglicht es, KI-Projekte schneller, mit reduzierter Komplexität und zu einem Bruchteil der Kosten zu starten.

Durch die Nutzung einer integrierten KI-Software-Hardware-Plattform, die bereits mit vorgefertigten Deep-Learning-Modellen ausgestattet ist und als Service (As-a-Service) bereitgestellt wird, können sich Unternehmen auf Innovation und Ergebnisse konzentrieren. So müssen sie sich nicht mit der Komplexität für Training und Feinabstimmung der Modelle befassen oder mit der Einstellung von Talenten, die für den Aufbau robuster Lösungen von Grund auf erforderlich sind, beschäftigen. Außerdem bietet Outsourcing die nötige Flexibilität, um neue Lösungen einfach zu testen und zu integrieren, wenn die Geschäftsanforderungen wachsen.

Eventuell haben Führungskräfte in Unternehmen Bedenken, dass Dritte mit sensiblen und vertraulichen Daten arbeiten, und setzen mehr Vertrauen in die Sicherheit ihres eigenen Systems. Diese Denkweise ist jedoch nicht mehr zeitgemäß, da Unternehmen heute in allen Bereichen immer wieder von Datenschutzverletzungen betroffen sind und dementsprechend Vorsorge treffen. Obwohl es fast unmöglich ist, allein mit den Sicherheitsbedrohungen Schritt zu halten, verstärken Anbieter angesichts der neuen Bedrohungen ihre Sicherheitskonfigurationen und Compliance-Maßnahmen ständig. Das Dataflow-as-a-Service-Modell von SambaNova beispielsweise kann KI-Systeme hinter der Firewall eines Unternehmens bereitstellen und ermöglicht so den Einsatz auch in hochsicheren Branchen wie dem öffentlichen Sektor und dem Finanzwesen.

Die Einbindung externer Experten öffnet den Zugang zu Deep Learning auch für Unternehmen jenseits der ganz großen Player und Hyperscaler, denn wenn sie ihre KI-Initiativen schneller implementieren und skalieren können, wird sich der Wert der Investition schnell zeigen.

Die Zukunft der KI ist hier und jetzt

Welchen Weg Unternehmen auch einschlagen werden, eines ist sicher: KI ist in allen Marktsegmenten angekommen und verändert ganze Unternehmen und Branchen. Der Beginn der KI-Reise in Unternehmen darf nicht davon abhängen, ob es einfacher ist, Experten einzustellen (wann auch immer das sein mag, wenn überhaupt) oder ob das KI-Team neue Modelle trainieren kann. Wenn Unternehmen jetzt abwarten, besteht die Gefahr, dass sie zurückfallen. Wenn sie mit KI und ihren Mitbewerbern mithalten wollen, sollten sie den effizientesten Weg wählen, um KI in großem Maßstab umzusetzen.

Es hat Vor- und Nachteile, KI-Systeme selbst zu entwickeln oder mit einem Partner zusammenzuarbeiten. Die Entscheidung für oder gegen einen bestimmten Ansatz hängt von den individuellen Bedürfnissen und Anforderungen im Unternehmen unabhängig von der Unternehmensgröße ab. Um die Möglichkeiten der KI nutzen zu können brauchen Unternehmen nur den richtigen Ansatz und den richtigen Partner.