Gesponserte Funktion Künstliche Intelligenz (KI) dominiert in letzter Zeit die Schlagzeilen in Wirtschaft und Technologie. Sie können keine Nachrichtenseite besuchen, ohne eine Geschichte darüber zu lesen, wie KI die Art und Weise, wie wir Geschäfte machen, verändern wird.
Natürlich ist fast jedes Unternehmen bestrebt, seine Reise in die KI zu beginnen oder voranzutreiben, aber die meisten wissen nicht so recht, wie sie vorgehen sollen.
KI hat bereits große Auswirkungen auf moderne Unternehmen. Tatsächlich, laut Statistiken von AuthorityHacker35 Prozent der Unternehmen haben KI eingeführt, 77 Prozent der Geräte verwenden irgendeine Form von KI und neun von zehn Unternehmen unterstützen den Einsatz von KI, um sich Wettbewerbsvorteile zu verschaffen. Es wird erwartet, dass KI bis 10 einen Beitrag von 15.7 Billionen US-Dollar zur Weltwirtschaft leisten wird. Und wie bei jeder neuen Technologie wird es Arbeitsplätze geben, die verloren gehen, und Arbeitsplätze, die neu geschaffen werden. KI könnte bis 2030 möglicherweise 85 Millionen Arbeitsplätze abbauen, auf der anderen Seite aber auch 2025 Millionen neue Arbeitsplätze schaffen.
Unternehmen, die KI zum ersten Mal einführen oder ihre bestehende Nutzung ausweiten möchten, stehen sowohl auf der Personal- als auch auf der Technologieseite vor mehreren Herausforderungen. Es gibt auch regulatorische und ethische Bedenken hinsichtlich der Technologie. Und da KI-Systeme auf Daten basieren, stehen Unternehmen unweigerlich vor der Sorge, die Qualität, Relevanz und Verfügbarkeit der Informationen sicherzustellen, die sie in die KI-Algorithmen einspeisen. Sicherzustellen, dass diese Datensätze korrekt, aktuell und so umfassend wie möglich sind, wird wahrscheinlich eine dauerhafte Herausforderung darstellen. Gleiches gilt für die Bewältigung der Komplexität der erforderlichen Hardware, Infrastruktur und Energiebereitstellung sowie der damit verbundenen Kosten.
Die Herausforderungen meistern, um die Früchte zu ernten
Matt Armstrong-Barnes, Cheftechnologe für KI bei HPE, glaubt, dass Unternehmen oft den Fehler machen, sich der KI ohne einen strategischen Plan zu nähern. „Sie greifen die Technologie zu schnell an. Sie haben keine gemeinsame Strategie“, sagt er. „Sie schaffen interessante wissenschaftliche Projekte, aber sie schaffen keinen geschäftlichen Mehrwert.“
Zuallererst müssen Unternehmen eine KI-Strategie entwickeln, die Anwendungsfälle identifiziert und priorisiert und sicherstellt, dass sie echte Probleme angehen und nicht nur etwas bauen, das im Labor leben und sterben wird. Zu diesem Prozess gibt es natürlich praktische Fragen: „Wie werden Sie diese KI-Plattformen aufbauen?“ Wie wollen Sie sie überwachen?“ Armstrong-Barnes fragt. „Wie stellen Sie sicher, dass sie weiterhin effizient arbeiten? Wie werden Sie erkennen, dass Sie Vorteile erzielt haben, von denen Sie dachten, dass sie sie erreichen würden? Wie verteilen Sie das Budget richtig, um Initiativen zu finanzieren?“
Es besteht kaum ein Zweifel daran, dass das Stellen der richtigen Fragen und ein solider Plan dazu beitragen können, die Zeit zu verkürzen, die benötigt wird, um die Vorteile der KI zu erkennen. Aber jedes KI-System vom experimentellen Modell zu einem tatsächlich funktionierenden Modell zu bringen, stellt auch eine große Herausforderung dar. „Die größten Herausforderungen liegen bei der ‚Operationalisierung‘, also der Art und Weise, wie man ein KI-System von der ersten Datenerfassung über die Erstellung eines Modells bis hin zur Produktionsbereitstellung erhält“, erklärt Armstrong-Barnes.
Und es ist wichtig, sicherzustellen, dass die Mitarbeiter über die richtigen Fähigkeiten verfügen. Ein Hauptaugenmerk wird darauf liegen, Mitarbeiter mit den richtigen Eigenschaften zu gewinnen und zu halten oder mit einer Organisation zusammenzuarbeiten, die dieses Fachwissen bereitstellen kann. „Es gibt immer noch viele Missverständnisse darüber, was die Technologie leisten kann, daher fördert Bildung nicht nur Fähigkeiten, sondern auch die Akzeptanz“, fügt er hinzu.
Ein Ansatz, den Unternehmen verfolgen können, um einige der Qualifikations- und Infrastrukturprobleme zu lösen, besteht darin, Partnerschaften zu suchen, rät er: „Sie können zusammenarbeiten, um diese Fähigkeiten einzubringen; Partner für den Zugriff auf Infrastruktur, Plattform und Modelldienste.“
Eine KI-native Architektur besteht aus vielen Schichten. Zu den Komponenten von KI-Infrastrukturdiensten können beispielsweise GPUs und Beschleuniger sowie Rechen-, Speicher- und Netzwerkelemente, Container und virtuelle Maschinen sowie KI-Bibliotheken gehören. Ebenso können KI-Plattformdienste ML-Anwendungen sowie Daten-, Entwicklungs- und Bereitstellungsdienste integrieren. Und vergessen wir nicht die Modelldienste, die grundlegende Modelle, Feinabstimmung, Vektorspeicher und Eingabeaufforderungen umfassen, sowie KI-Geschäftsdienste, die die Vertrauenswürdigkeit fördern sollen, indem sie Vorurteile und Abweichungen beseitigen, um wertvolle Anwendungsfallpräsentationen zu liefern.
Laut Angaben des Unternehmens hat HPE bereits ein robustes, auf den Menschen ausgerichtetes Framework entwickelt, das auf Kundenanforderungen angewendet werden kann und sich auf Datenschutz, Inklusivität und Verantwortung konzentriert.
„Das bedeutet, dass Sie sich auf die Daten und das Geschäftsproblem konzentrieren können“, sagt Armstrong-Barnes.
Es geht nur um die Daten
Beim Entwerfen und Bereitstellen von KI-Systemen kann es von entscheidender Bedeutung sein, sich auf die Daten zu konzentrieren. Unternehmen werden jeden Tag von einem Daten-Tsunami heimgesucht. KI ermöglicht es ihnen, versteckte Muster in diesen Daten zu finden, was dazu beiträgt, dass sie schneller daraus Nutzen ziehen können. Dann können sie deutlich fundiertere Entscheidungen über die Anwendungen, Prozesse und Dienste treffen, die sie entwickeln oder verbessern möchten.
Ein wesentlicher Bestandteil dieses datenzentrierten Fokus ist eine solide Strategie für die Erfassung, Verwaltung und Überwachung der Daten – eine, die eng auf das Unternehmen abgestimmt ist, eine Datenkultur aufbaut und Elemente rund um Governance, Datenqualität, Datenschutz und Metadaten, sagt HPE.
„Sie müssen verstehen, was das Unternehmen zu erreichen versucht“, erklärt Armstrong-Barnes. „Sie müssen verstehen, wie Sie die Datenqualität steigern, wer darauf zugegriffen hat, wie Sie sie entsorgen und welche Metadaten Sie speichern.“
Ein weiteres Problem, das die Daten darstellen können, sind Silos. Wenn Daten gesperrt sind, kann es problematisch sein, sie zu extrahieren und einen Nutzen daraus zu ziehen. Und sobald diese Daten zugänglich und verfügbar sind, stellt sich die Frage des Trainings der Daten, die die KI-Plattformen informieren. Beim Aufbau von KI-Systemen gibt es auf hoher Ebene mehrere Phasen: Datenerfassung; Verfeinerung der Daten, um sie für die Modellkonstruktion vorzubereiten; Erstellen der Modelle; Tuning der Modelle; und sie dann einzusetzen. Jede dieser Phasen bringt spezifische Herausforderungen mit sich.
Laut HPE kann der Einsatz einer KI-nativen Architektur von HPE Greenlake jedoch einen großen Beitrag dazu leisten, die richtige Grundlage für die Beschleunigung dieser Prozesse zu schaffen. Und die Machine Learning Development Environment (MLDE) des Unternehmens soll auch dazu beitragen, die Komplexität und Kosten der Entwicklung von Machine-Learning-Modellen zu reduzieren.
Das Training dieser KI-Modelle erfordert auch erhebliche Rechenleistung. Wenn Unternehmen dazu übergehen, KI einzuführen oder verstärkt einzusetzen, müssen sie zunächst über die technologische Kapazität verfügen, um diese Belastung zu bewältigen. Die HPE GreenLake-Plattform kann diese Kapazität in Form einer leistungsstarken Verarbeitungsarchitektur und einer optimierten Datenpipeline bereitstellen, die Unternehmen benötigen, um den Zugriff auf hochwertige, relevante Daten für die Erstellung und Bereitstellung von KI-Modellen und Workloads sicherzustellen.
Erfolgreiche Projekte können den Weg ebnen
Es ist oft hilfreich, einen Blick auf Unternehmen zu werfen, die bei der Einführung und Implementierung von KI bereits gute Arbeit geleistet haben, um sich orientieren zu können. Eines davon ist das in Seattle, WA ansässige E-Sport-Team Evil Geniuses. Im Laufe seiner 25-jährigen Geschichte hat das Unternehmen Teams in verschiedenen E-Sports-Spielen wie Call of Duty, Fortnite, Halo, Rocket League und VALROANT vertreten. Die Teams von Evil Geniuses waren recht erfolgreich. Das Call of Duty: WWII-Team des Unternehmens gewann beispielsweise die Call of Duty-Meisterschaft 2018 und das VALORANT-Team gewann die VALORANT Champions 2023.
„Wir sind hier, um das Gesicht des Gamings zu verändern“, sagt Chris DeAppolonio, CEO von Evil Geniuses. „Wir sind eine E-Sport- und Gaming-Entertainment-Organisation. Wir spielen professionell Spiele auf der ganzen Welt. Technologie und Daten sind das Rückgrat unseres Handelns. Unsere Spiele basieren auf Einsen und Nullen. Sie basieren auf Daten, und wie verarbeiten wir diese und gewinnen daraus Erkenntnisse?“
Eines der dringendsten Anliegen von Evil Geniuses ist die Identifizierung potenzieller Profispieler. Das Unternehmen verarbeitet große Mengen komplexer Daten, um Talente auf der ganzen Welt zu finden. „Wir wollen Daten über diesen zukünftigen Profi finden“, sagt er. Und es scheint zu funktionieren. „Wir wollen gewinnen. Wir wollen bessere Talente finden. Wir wollen mit Trainern und Scouts effizienter sein. Wir können Erkenntnisse nutzen, um den nächsten Superstar zu entdecken.“
Die Zukunft der KI sieht – sowohl aus Sicht der Produktivität als auch des Geschäftsnutzens – vielversprechend aus. „KI ist ein Mannschaftssport, es geht um Fähigkeiten“, sagt Armstrong-Barnes von HPE. „Wenn es um die erfolgreiche Implementierung von KI-Systemen geht, besteht ein Ansatz darin, mit einer Organisation zusammenzuarbeiten, die über Erfahrung beim Aufbau skalierbarer, effizienter und effektiver KI-Systeme verfügt. Mit einer jahrzehntelangen Erfahrung im Bereich KI bietet HPE die Tools, Techniken und Fähigkeiten, um KI-Initiativen zu beschleunigen.“
Wenn ein Unternehmen datengesteuert ist und die Daten und deren Verwendung vollständig versteht, kann es einen anwendungsfallzentrierten Ansatz verfolgen, um herauszufinden, wie es seine Daten mit KI-Techniken kombinieren kann, um den Geschäftswert zu steigern. Sobald dieses Verständnis vorhanden ist, wird es einfacher, auf den Vorteilen aufzubauen.
Armstrong-Barnes rät Unternehmen zum Aufbau von Plattformen, die es ihnen ermöglichen, klein anzufangen, aber über alle Grundlagen verfügen, um bei Bedarf eine Skalierung zu ermöglichen. Dann müssen sie nur noch herausfinden, was sie tun möchten und wie es einen Mehrwert schafft und mit der Zeit mit ihren Bedürfnissen wächst. HPE betont seine Fähigkeit, „KI-Fabriken“ zu bauen, die Hardware, Software und Dienste kombinieren, die die unternehmensweite Skalierbarkeit bieten, unterstützt durch integrierte Systeme, die den Endbenutzern das Leben erleichtern.
„Sie möchten bereits auf dem Weg zur KI mit Ihren Konkurrenten mithalten“, sagt er. „Das Hinzufügen von Partnern zu Team AI ist ein entscheidender Erfolgsfaktor, wenn es darum geht, eine KI-native Architektur aufzubauen, die sich an Ihre Bedürfnisse anpasst und es Ihnen ermöglicht, sich auf Ihre Daten- und Geschäftsherausforderungen zu konzentrieren, anstatt sich auf die Komplexität der zugrunde liegenden Grundlagen zu konzentrieren.“
Gesponsert von HPE.
- SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
- PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
- PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
- PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
- PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
- Quelle: https://go.theregister.com/feed/www.theregister.com/2024/04/18/getting_on_board_with_ai/
