Künstliche Intelligenz aus der Cloud

Die Vorteile von AI as a Service

von - 08.03.2022
Solche KI-Angebote aus der Cloud stoßen in Deutschland auf reges Interesse, erläutert Julian Staub, Technology Consultant bei Lufthansa Industry Solutions (LHIND): „Die Bereitschaft zum AIaaS-Einsatz ist hoch. Das gilt vor allem für kleinere Unternehmen und Behörden, die meist wenig Expertise im Bereich KI haben.“ Solche Nutzer erhalten Staub zufolge ein Lösungspaket, das sie bei KI und maschinellem Lernen (ML) technisch gesehen in „die gleiche Liga“ aufsteigen lässt wie größere Unternehmen.
Im Detail schätzen deutsche Unternehmen den geringeren Zeitaufwand, den das Umsetzen von KI-Projekten mithilfe der Cloud erfordert, so Rüdiger Eberlein, Chief Technology Officer Insights & Data beim IT- und Beratungshaus Capgemini. Dazu tragen vorgefertigte Funktionsbausteine für KI-Lösungen bei, die sich in einer Cloud sofort nutzen lassen. „Vorteilhaft ist außerdem die einfache Skalierbarkeit bei ressourcenintensiven Aufgaben wie dem Training von Machine-Learning-Modellen“, weiß Eberlein.
Elemente eines AIaaS-Stacks
(Quelle: Lins, S., Pandl, K. D., Teigeler, H., Thiebes, S., Bayer, C., Sunyaev, A.: „Artificial Intelligence as a Service“. Institut AIFB, Karlsruher Institut für Technologie (KIT). In: SpringerLink, 2021 )
Wichtig sei bei AIaaS zudem das Unterstützen agiler Arbeitsweisen. So lassen sich mit AIaaS Ideen ohne große Investitionen und lange Einkaufsprozesse validieren. „Im Fall eines positiven Ergebnisses lässt sich die KI-Lösung rasch erweitern, Stichwort Skalierbarkeit. Bleiben dagegen die Erfolge aus, kann ein Unternehmen den Versuch abbrechen, ohne dass weitere Kosten anfallen“, so Eberlein.
Vorteile und Herausforderungen von AI as a Service
Vorteile:
  • Große Auswahl von Tools, Modellen und Frameworks, vor allem bei den Cloud-Hyperscalern
  • Schnelle Bereitstellung von KI- und Machine-Learning-Services
  • Zugang zu vorgefertigten Funktionsbausteinen und Modellen, die sich sofort nutzen lassen
  • Möglichkeit, mit überschaubarem personellen und finanziellen Aufwand Erfahrungen mit KI und ML zu sammeln
  • Hohe Flexibilität
  • Hohe Zuverlässigkeit, Sicherheit und Skalierbarkeit von Cloud-Plattformen, auch in Bezug auf Rechenleistung, Storage- und Netzwerkressourcen
  • Unterstützung agiler Arbeitsweisen wie MLOps und DataOps
Herausforderungen:
  • Mangelndes Know-how in den Bereichen KI, Machine Learning und Data Science: Abhilfe durch Aus- und Weiterbildung eigener Mitarbeiter, unter anderem durch cloudbasierte Trainingskurse
  • Data Governance: Daten verteilen sich auf separate, abgeschottete Datensilos. Lösung: Einrichtung einer übergreifenden Data Fabric
  • Unzureichende Datenqualität
  • Schutz von Daten und Einhaltung von Datenschutzvorgaben (DSGVO). Lösung: Hybrid-Clouds mit On-Premise-Verarbeitung von sensiblen Informationen. Zudem Nutzung von Cloud-Ressourcen und Providern, die regionale Speicherung und Verarbeitung von KI-/ML-Daten und -Modellen anbieten. Das ist mittlerweile auch bei Hyperscalern wie AWS, Google und Microsoft gegeben
  • Abhängigkeit von einem einzelnen Cloud-Service-Provider. Abhilfe: Einsatz von KI-/ML-Lösungen, die auf Plattformen mehrerer Provider laufen. Außerdem Zusammenarbeit mit IT-Dienstleistern, die solche Multi-Cloud-Modelle anbieten und auch deren Betrieb übernehmen können (Managed Service)
Verwandte Themen