Meine Erfahrungen mit strategischer Entscheidungsfindung bei der Implementierung von KI
Die Implementierung von Lösungen im Bereich Künstliche Intelligenz (KI) und Maschinelles Lernen (ML) erfordert wichtige Entscheidungen. Eine der wichtigsten ist die Frage, ob kommerziell erhältliche große Sprachmodelle (LLMs) genutzt oder ein eigenes Modell entwickelt werden sollen. Obwohl auch Hybridmodelle existieren, konzentriert sich diese Diskussion auf diese beiden Hauptansätze. Für diese Entscheidung spielen mehrere kritische Faktoren eine Rolle, darunter die spezifischen Ziele der Initiative, die Bedeutung von KI/ML für ihren Erfolg, die verfügbaren Kompetenzen und Ressourcen, das prognostizierte Wachstum und die Nutzung sowie Budgetüberlegungen.
Unter Berücksichtigung dieser Faktoren stellt sich die Frage: Wann ist ein wirtschaftswissenschaftlicher LLM der richtige Weg?
- Zeitliche Einschränkungen: Die sofortige Einsatzfähigkeit eines kommerziellen LLM kann die Bearbeitungszeit deutlich verkürzen. Benötigen Sie schnelle Ergebnisse oder möchten Sie einen Machbarkeitsnachweis (Proof of Concept, POC) zur Bewertung des Nutzens von KI/ML erbringen, kann ein kommerziell erhältliches LLM den Prozess beschleunigen. Es unterstützt einen „Fail-Fast“-Ansatz für Innovationen, indem es schnelles Testen ohne Infrastrukturaufbau oder Modelloptimierung ermöglicht.
- Ressourcenengpässe : Ob Sie bestehende KI/ML-Projekte optimieren oder ganz von vorn beginnen möchten – der Einsatz von KI und ML eröffnet exponentiell wachsende Möglichkeiten. Die Bereitstellung von Ressourcen für alle zukünftigen Chancen ist jedoch unpraktisch. Ein kommerziell erhältliches LLM kann diesen Prozess vereinfachen und den Ressourcenaufwand reduzieren. Es kann Ihren Bedarf an Folgendem verringern: Technisches Fachwissen: Wenn Ihnen das Fachwissen im Bereich maschinelles Lernen und natürliche Sprachverarbeitung fehlt, kann der Einsatz eines kommerziellen LLM die technische Belastung verringern und die Lücke schließen, bis Sie interne Ressourcen einstellen oder schulen können. Rechenressourcen: Während das Training von LLMs erhebliche Rechenleistung erfordert, werden kommerzielle LLMs auf einer robusten Infrastruktur gehostet und ermöglichen so eine bedarfsgerechte Skalierung. Wartung und Updates: Anbieter kommerzieller LLMs übernehmen in der Regel Updates, Wartung und Verbesserungen, wodurch Sie Zeit, Ressourcen und letztendlich Kosten sparen.
- Skalierbarkeit und Kostenmanagement : Bei neuen Projekten ist die Wachstumsprognose eine Herausforderung. Nur wenige Unternehmen erreichen perfekte Wachstumsprognosen. Daher ist die Minimierung von Investitionsausgaben und Liquiditätsbelastung entscheidend, um negative Kundenerlebnisse zu vermeiden. Der Einsatz eines kommerziellen LLM ermöglicht einen kostengünstigen Start und reduziert das Risiko, bis die Leistungsfähigkeit unter Beweis gestellt ist und die Akzeptanz steigt.
Die Abstimmung von Umfang und Kosten kann eine Herausforderung darstellen, insbesondere bei neuen Initiativen ohne etablierten Markt. Der Einsatz eines kommerziellen LLM (Level-to-Level-Management) minimiert Risiken, indem die Kosten an den aktuellen Bedarf angepasst werden und die Handhabung signifikanter Umfangsänderungen vereinfacht wird, ohne dass die Infrastruktur verwaltet werden muss.
Bei Proactis haben wir kommerzielle LLM-Systeme eingesetzt, um mehrere Proof-of-Concepts zu beschleunigen und eine Lösung im Vergleich zur Entwicklung eines internen Dokumenten-LLM-Systems etwa 12 Monate früher auf den Markt zu bringen. Dieser Ansatz ermöglicht es uns, die Infrastrukturkapazität optimal anzupassen und die Modellfunktionen entsprechend dem Produktwachstum und der Kundenakzeptanz zu skalieren.
Angesichts der bisherigen Ausführungen erscheint es naheliegend, insbesondere in der Anfangsphase ausschließlich kommerzielle LLM-Studiengänge in Betracht zu ziehen. Diese sind jedoch nicht immer die optimale oder in jedem Fall praktikable Option.
Wann sollten Sie also die Erstellung Ihres eigenen Dokumenten-LLM in Betracht ziehen?
Wenn Sie zu den ursprünglichen Faktoren zurückkehren, die bei der Entscheidung für den richtigen Weg zu berücksichtigen sind, sollten Sie sich vor Augen führen, was Sie letztendlich erreichen wollen.
Bei Proactis beispielsweise arbeiten wir an einer Reihe von Projekten, die darauf abzielen, Wissen zu nutzen, das Teil unserer DNA ist und in den letzten 20 Jahren entwickelt wurde. Es ist Teil unseres Erfolgsrezepts, mit dem wir unsere Kunden auf eine Weise bedienen, die die Konkurrenz übertrifft.
Bei einem früheren Unternehmen untersuchten wir den Einsatz von KI und maschinellem Lernen zur Verbesserung fortschrittlicher Preisalgorithmen für Initiativen wie Markteintritte und die Festlegung von Preisschwellen oder Verhandlungsgrenzen für langfristige Verträge. Ziel ist es, Lieferanten vor erheblichen Marktschwankungen (z. B. steigenden Rohstoffkosten, etwa für Stickstoffdünger nach der Pandemie) zu schützen und sicherzustellen, dass Kunden von Preisanpassungen profitieren, wenn die Produktionskosten deutlich sinken.
Keiner dieser Anwendungsfälle eignet sich für kommerzielle LLM-Studiengänge, weder für dokumentenorientierte noch für mathematikbezogene. Die Anforderungen sind zu spezifisch, und die Ergebnisse der verfügbaren LLM-Studiengänge erfüllen nicht die notwendigen Anforderungen zur Unterstützung der kommerziellen Ziele.
Einige der wichtigsten Faktoren:
- Spezielle Datenanforderungen: Beide Beispiele beinhalten hochspezialisierte Daten und Prozesse. Daher ist die Entwicklung eines spezifischen Modells und der damit verbundene Zeitaufwand für Schulungen erforderlich, um dessen Potenzial voll auszuschöpfen. Da diese Beispiele gleichzeitig Schlüsselelemente einer Geschäftsstrategie zur Zielerreichung darstellen, sind der Zeit- und Investitionsaufwand maßgeblich für den Erfolg der Initiative.
- Anpassung und Kontrolle: Kommerzielle Lernmodellsysteme (LLMs) bieten zwar Möglichkeiten zur Anpassung von Prozess und Ergebnis, diese sind jedoch systembedingt eingeschränkt. Dies liegt oft daran, dass kommerzielle LLMs eine breite Nutzerbasis anstreben und so den Ertrag der Investitionen des ursprünglichen Anbieters maximieren wollen. Mit einem selbst entwickelten LLM behalten Sie die volle Kontrolle und können alle Aspekte – von der Architektur über den Prozess bis hin zu den Trainingsdaten – flexibel optimieren. Sie können das Modell kontinuierlich anpassen und optimieren, ohne die Einschränkungen kommerzieller LLMs hinsichtlich Upgrades, Releases oder Leistungsbeschränkungen.
- Kostenüberlegungen : Wir haben die anfänglichen Einrichtungskosten als Vorteil eines kommerziellen LLM-Modells angeführt. Warum sollte dies auch hier relevant sein? Die anfängliche Investition ist zwar höher, wenn man ein eigenes LLM-Modell entwickelt, langfristig kann dies jedoch kostengünstiger sein. Dies gilt insbesondere bei hohem Nutzungsaufkommen oder wenn Sie die vielfältigen Funktionen eines kommerziellen Abonnementmodells nutzen möchten. Würden Sie beispielsweise ein Basispaket eines kommerziellen LLM-Modells mit einem Festpreis pro Seite für 1000 Seiten nutzen, wären die Kosten für die Nutzung individueller Elemente im selben Modell etwa viermal so hoch wie der Basispreis pro Seite für dieselbe Anzahl von 1000 Seiten. Die Preisgestaltung kommerzieller LLM-Modelle hängt von Volumen und Funktionsumfang ab. Wenn Sie also ein hohes Druckvolumen verarbeiten oder einen Großteil der angebotenen Funktionen nutzen möchten, ist ein eigenes LLM-Modell möglicherweise die bessere Wahl.
- Datenschutz und Datensicherheit : Die Verwaltung Ihres eigenen Modells gewährleistet, dass sensible Daten im Unternehmen verbleiben und somit das Risiko von Datenschutzverletzungen oder Missbrauch potenziell reduziert wird. In vielen Fällen werden die von einem kommerziellen LLM verarbeiteten Daten nicht gespeichert und entweder sofort oder nach einer festgelegten Frist gelöscht. Allerdings wurden die Daten bereits außerhalb Ihres Unternehmens übertragen. Es gibt Daten innerhalb von Unternehmen, bei denen das Risiko einer Datenschutzverletzung schwerwiegende Folgen hätte oder bestenfalls den Ruf des Unternehmens erheblich beeinträchtigen würde. Die Art der zu verarbeitenden Daten ist ein Schlüsselfaktor für die Wahl des Sicherheitskonzepts.
Zusammenfassung
Es gibt Momente, in denen die Entscheidung ganz einfach ist: Entweder man wählt einen kommerziellen LLM-Abschluss oder man baut sich sein Studium selbst auf.
Nutzen Sie einen kommerziellen LLM, wenn Sie eine schnelle, zuverlässige und skalierbare Lösung ohne tiefgreifende Anpassungen benötigen und auf vorhandenes Fachwissen und Infrastruktur zurückgreifen möchten.
Erstellen Sie Ihr eigenes LLM, wenn Sie spezielle Anpassungen benötigen, die volle Kontrolle über Modell und Daten wünschen, in langfristige Einsparungen investieren möchten oder besondere Anforderungen an die Datenverwaltung haben. Vielleicht möchten Sie auch Innovationen in Ihrem Unternehmen fördern und dies als Wettbewerbsvorteil nutzen oder zur Wertsteigerung Ihres Unternehmens beitragen.
In meinen letzten drei Unternehmen haben wir beide Ansätze genutzt, um die Gesamtstrategie des Unternehmens voranzutreiben, und auch bei Proactis verfolgen wir aktuell Initiativen, die beide Wege beschreiten. Indem Sie diese Faktoren sorgfältig abwägen, können Sie eine fundierte Entscheidung treffen, die mit Ihren strategischen Zielen und den operativen Fähigkeiten Ihres Unternehmens übereinstimmt.
Ein letzter Hinweis: Ein einzelner Ansatz ist möglicherweise nicht für den gesamten Lebenszyklus einer Funktion oder eines Produkts geeignet. Bei Proactis haben wir beispielsweise einen Proof of Concept (POC) entwickelt und durch die Nutzung eines erstklassigen kommerziellen Dokumentenmanagementsystems (LLM) einen sehr schnellen Markteintritt erzielt. Wir gehen jedoch davon aus, dass wir zu einem späteren Zeitpunkt auf unser eigenes Modell umsteigen möchten. Mit dem Wachstum der Datenmengen und der angestrebten Funktionen in diesem Geschäftsbereich wird voraussichtlich eine Kombination aus Kostenstruktur und der Möglichkeit, unsere Bedürfnisse zu erfüllen, den Ausschlag für einen Wechsel geben.
Wir haben dies frühzeitig im Lösungsdesignprozess erkannt und einen Architekturansatz gewählt, der einen relativ einfachen Wechsel zwischen Modell und Quelle ermöglicht. Dadurch können wir die Vorteile beider Ansätze optimal nutzen und so Kundenerlebnis und -wert kontinuierlich steigern.
Erfahren Sie mehr darüber, wie Proactis KI einsetzt.