Die 5 wichtigsten KI-Dienstleister
AI as a Service ist kein kleines Unterfangen. Während neuere Anbieter wie Nvidia, OpenAI und auch einige Managed-Services-Anbieter auf den Plan treten, sind die wichtigsten Akteure im Bereich KI-Dienstleistungen in erster Linie die Cloud-Hyperscaler. Sie verfügen über die Ressourcen, um AIaaS im Enterprise-Maßstab zu supporten.
Amazon Web Services (AWS) hat eine breite Palette von KI-Dienstleistungen im Angebot, angefangen bei vorgefertigten, sofort einsetzbaren Services, die den Start eines KI-Projekts erleichtern und den Bedarf an erfahrenen Datenwissenschaftlern und KI-Entwicklern minimieren können. Zu diesen Services gehören beispielsweise:
Amazon Translate (Echtzeit-Übersetzungen),
Amazon Rekognition (Bild- und Videoanalyse),
Amazon Polly (Text-to-Speech) und
Amazon Transcribe (Speech-to-Text).
Zu den Tools im Bereich Managed Infrastructure gehören:
Amazon SageMaker (Machine-Learning-Modelle erstellen, trainieren und bereitstellen),
Amazon Machine Learning Drag-and-Drop-Tools und -Templates (ML-Modelle einfacher bereitstellen),
Amazon Comprehend (Natural Language Processing),
Amazon Forecast (akkurate Zeitreihenvorhersagen) und
Amazon Personalize (personalisierte Produkt- und Content-Vorschläge).
Im Bereich generative KI bietet AWS:
Amazon Lex (KI-Chatbots erstellen),
Amazon CodeGuru (Code analysieren und optimieren) sowie
Amazon Kendra (intelligente Suchen).
Microsofts Azure KI Services richten sich an Entwickler und Datenwissenschaftler und basieren auf Anwendungen wie SQL Server, Office und Dynamics. Dabei haben die Redmonder künstliche Intelligenz in verschiedene Business-Apps integriert - sowohl in der Cloud als auch On-Premises.
Bekanntermaßen ist Microsoft eine enge Partnerschaft mit ChatGPT-Entwickler OpenAI eingegangen. Entsprechend sind viele KI-Anwendungen auf dem Azure-Marktplatz zu finden. Darüber hinaus steht ein OpenAI Service mit vortrainierten Large Language Models wie GPT-3.5, Codex und DALL-E 2 zur Verfügung.
Zu den vorgefertigten AI Services im Angebot von Microsoft zählen etwa:
Spracherkennung,
Textanalyse,
Übersetzung,
Bildverarbeitung und
ML-Modell-Deployment.
Der KI-Service von Google ist auf Data Analytics fokussiert und bietet Tools wie BigQuery und AI Platform sowie den Service AutoML, der Benutzern mit eingeschränkten Coding-Fähigkeiten ermöglicht, automatisch Modelle zu erstellen. Google Cloud bietet zudem die Plattform Vertex AI, um KI-Workflows zu optimieren und Entwicklung und Bereitstellung zu vereinfachen. Dazu gehört auch eine breite Palette von Services mit vorgefertigten Lösungen, benutzerdefiniertem Modelltraining und Generative-AI-Werkzeugen. Mit der Vertex AI Workbench stellt Google außerdem eine kollaborative KI-Projektumgebung für Datenwissenschaftler und Entwickler zur Verfügung.
Die vorgefertigten KI-Lösungen von Google Cloud umfassen:
Dialogflow (Plattform, um Chatbots und virtuelle Assistenten zu entwickeln),
Natural Language API (Sentiment-Textanalysen, Entity-Extraktion etc.),
Vision AI (Objekterkennung in Bildern und Videos),
Translation API (maschinelle Übersetzungen in verschiedenen Sprachen) sowie
Speech-to-Text und Text-to-Speech (Konversionen zwischen gesprochener Sprache und Text).
Was Generative AI angeht, bietet Vertex AI Search and Conversation eine Tool-Sammlung, die speziell darauf konzipiert ist, GenAI-Applikationen wie Suchmaschinen und Chatbots zu entwickeln. Diese Suite enthält mehr als 130 vortrainierte Foundational-LLMs wie PaLM und Imagen, um Texte und/oder Bilder zu generieren.
Darüber hinaus hat Google auch den Bard-Nachfolger Gemini im Programm, der (demnächst) in drei verschiedenen Versionen erhältlich ist:
Gemini Nano für Smartphones,
Gemini Pro sowie
Gemini Ultra, das sich noch in der Entwicklung befindet und wesentlich leistungsfähiger als die Pro-Version sein soll.
IBMs Watsonx, ist ein umfassendes KI-Tool- und -Dienstleistungsangebot, das für seinen Fokus auf die Automatisierung komplexer Geschäftsprozesse und seine branchenspezifischen Lösungen, insbesondere für das Gesundheits- und Finanzwesen, bekannt ist. Watsonx.ai Studio ist das Herzstück dieser Plattform, auf der Sie KI-Modelle trainieren, validieren, abstimmen und einsetzen können - sowohl für maschinelles Lernen als auch für generative KI. Ein Data Lakehouse gewährleistet dabei ein sicheres und skalierbares Speichersystem für Ihre Daten (sowohl strukturierte als auch unstrukturierte).
IBMs AI Toolkit ist eine Sammlung vorgefertigter Tools und Konnektoren, die die Integration von KI in Ihre bestehenden Workflows erleichtern. So lassen sich Tasks automatisieren, Erkenntnisse aus Daten gewinnen und intelligente Applikationen erstellen. Watsonx enthält auch eine Reihe vortrainierter KI-Modelle, die Sie direkt und ohne Training einsetzen können. Diese Modelle decken verschiedene Tasks ab - beispielsweise:
Natural Language Processing,
Computer Vision und
Spracherkennung.
Oracle liegt bislang weit hinter den Cloud-Hyperscalern zurück, bringt jedoch einige Vorteile mit, die Sie auf dem Schirm haben sollten - in erster Linie, weil es ein Riese in Sachen Business-Anwendungen und -Datenbanken ist. Alle On-Premises installierten Anwendungen können in die Cloud verlagert werden, um eine hybride Konfiguration zu verwirklichen. Das erleichtert es erheblich, Ihre lokalen Daten zu Data-Preparation- und Schulungszwecken in die Cloud zu verlagern. Oracle hat sehr stark in GPU-Technologie investiert, die derzeit das wichtigste Mittel zur KI-Datenverarbeitung darstellt. Wenn Sie also KI-Anwendungen auf Nvidia-Technologie laufen lassen wollen, können Sie sich an Oracle wenden. Ein weiterer gewichtiger Vorteil: Die KI-Dienstleistungen von Oracle sind mit die günstigsten.
Die Oracle Cloud Infrastructure (OCI) AI Services decken ein breit gefächertes Portfolio von Tools und Services ab, um Unternehmen mit diversen KI-Funktionen zu versorgen. Ähnlich wie im Fall von IBMs Watsonx handelt es sich nicht um einen einzigen Service, sondern um eine Sammlung von Funktionen, die unterschiedliche Anforderungen erfüllen - darunter:
Betrugserkennung und -prävention,
Spracherkennung sowie
Sprach- und Textanalyse.
Oracles Generative-AI-Services unterstützt LLMs wie Cohere und Llama 2 und ermöglicht Anwendungsfälle wie:
Schreib-Assistenten,
Textzusammenfassungen,
Chatbots oder
Code-Generierung.
Die Machine Learning Services von Oracle bieten Tools für Datenwissenschaftler, um ML-Modelle zu erstellen, zu trainieren und zu managen. Dabei werden populäre Open-Source-Frameworks wie TensorFlow und PyTorch unterstützt. Mit OCI Data Science ist es schließlich möglich, virtuelle Maschinen mit vorkonfigurierten Umgebungen für Data-Science-Aufgaben bereitzustellen - inklusive Jupyter-Notebooks und Zugang zu beliebten Bibliotheken, die die Datenexploration und den Modellentwicklungs-Workflow vereinfachen. (fm)
- 1. Datenmangel
Datenprobleme gehören zu den häufigsten Gründen für das Scheitern von Artificial-Intelligence-Initiativen. Das belegt auch eine Studie des Beratungsunternehmens McKinsey, die zu dem Schluss kommt, dass die beiden größten Herausforderungen für den KI-Erfolg mit Daten in Zusammenhang stehen. <br /><br /> Demnach haben viele Unternehmen einerseits Probleme damit, ihre Daten richtig einzuordnen, um die Machine-Learning-Algorithmen korrekt programmieren zu können. Wenn Daten nicht richtig kategorisiert werden, müssen sie manuell richtig klassifiziert werden – was oft zu zeitlichen Engpässen und einer erhöhten Fehlerrate führt. Andererseits stehen viele Unternehmen vor dem Problem, nicht die richtigen Daten für das anvisierte KI-Projekt zur Verfügung haben. - 2. Training, das ins Leere läuft
Laut einer Untersuchung von PricewaterhouseCoopers verfügt mehr als die Hälfte der befragten Unternehmen über keinen formalen Prozess für das vorurteilsfreie Training von KI-Systemen. Schlimmer noch: Nur 25 Prozent der befragten Unternehmen würden demnach die ethischen Implikationen eines Artificial-Intelligence-Systems vor der Implementierung priorisieren. <br /><br /> Unternehmen steht eine Vielzahl von Bilddaten-Sets zu Trainingszwecken zur Verfügung – sowohl auf kostenloser als auch auf kommerzieller Basis. Dabei sollten Firmen allerdings unbedingt darauf achten, dass ein solches Datenset auch die für ihre Zwecke relevanten Daten enthält. - 3. Problemfall Datenintegration
In manchen Fällen ist nicht Datenmangel die wesentliche Hürde für den Einsatz von Künstlicher Intelligenz, sondern das genaue Gegenteil: zu viele Daten – an zu vielen Orten. <br /><br /> Solche Datenintegrations-Fauxpas können sich nachhaltig negativ auswirken. Dabei geht es nicht in erster Linie um technische Hürden, sondern beispielsweise darum, Compliance- und Datenschutzanforderungen gerecht zu werden. - 4. Datenunterschiede
Wenn Unternehmen für das Training von Artificial-Intelligence-Systemen nicht auf aktive, transaktionale sondern auf historische Daten zurückgreifen, entstehen Probleme. Denn ein System, das auf Grundlage eines historischen Snapshots trainiert wurde, wird im Zusammenspiel mit Echzeit-Daten nicht besonders zuverlässig performen. <br /><br /> Nach Ansicht von Andreas Braun, Managing Director und Partner bei der Boston Consulting Group, können Sie diese Problemstellung vermeiden, indem Sie Ihre Data Scientists aus dem Silo holen: Insbesondere wenn es um KI-Modelle geht, die mit Live-Daten arbeiten, bietet sich eine direkte Integration in die Produktionsumgebung an – diese geht im Regelfall auch wesentlich schneller vonstatten. - 5. Unstrukturierte Daten
Laut einer aktuellen Umfrage von Deloitte verlassen sich 62 Prozent der Unternehmen immer noch auf Spreadsheets – nur 18 Prozent profitieren bereits von unstrukturierten Daten wie Produktbilder, Audiodateien von Kunden oder Social-Media-Kommentare. Dazu kommt, dass viele der historischen Datensätze in Unternehmen den für den KI-Einsatz nötigen Kontext vermissen lassen. <br /><br /> Dabei kommt das Beratungsunternehmen auch zu der Erkenntnis, dass Unternehmen, die unstrukturierte Daten nutzen, ihre Geschäftsziele im Schnitt um 24 Prozent übertreffen konnten. - 6. Kulturelle Mangelerscheinungen
Daten außen vorgelassen, sind es vor allem organisatorische Herausforderungen, die dem Erfolg mit Künstlicher Intelligenz entgegenstehen. Die Mitarbeiter aus den Fachbereichen müssen direkt mit den Kollegen aus der Technik zusammenarbeiten und der übergeordnete Kontext sollte dabei stets im Fokus stehen.
Dieser Beitrag basiert auf einem Artikel unserer US-Schwesterpublikation Computerworld.