Cloud Computing

Intelligenz als Dienstleistung

Dass Unternehmen von Künstlicher Intelligenz (KI) profitieren können ist nichts Neues, dass solche Projekte nicht unbedingt extrem teuer und aufwändig sein müssen, hingegen schon. Im Interview erklärt Constantin Gonzalez, Principal Solutions Architect bei AWS, wie KI as a Service (KIaaS) funktioniert.

Constantin Gonzalez, Principal Solutions Architect bei AWS,

Constantin Gonzalez, Principal Solutions Architect bei AWS

ITD: Herr Gonzalez, was ist unter dem Modell KIaaS zu verstehen?
Constantin Gonzalez:
Moderne Cloud-Services bieten heute Applikations-Bausteine und Entwicklungswerkzeuge für Künstliche Intelligenz (AI oder KI) und Maschinelles Lernen (ML) an, die vollständig automatisch verwaltet sind und daher ohne Investitions-, Installations- oder Verwaltungskosten verfügbar sind. Amazon Web Services (AWS) hält diesbezüglich die größte Auswahl an AI/ML-Services für Unternehmen bereit, von personalisierten Empfehlungen und Forecasts über Bild-/Video-/Sprach-Analysen, Übersetzungen und Transkriptionen bis hin zu Entwicklungs-, Trainings- und Betriebs-Umgebungen für eigene ML-Modelle. Dazu gehört auch eine Menge an Infrastrukturbausteinen wie moderne CPUs, GPUs und spezialisierte ML-Prozessoren. Diese Services können ganz leicht mit bestehenden Anwendungen integriert werden, ohne dass spezielle Machine-Learning-Erfahrungen für die Nutzung benötigt würden.

ITD: Wie kann KIaaS Unternehmen dabei unterstützen, KI-Projekte aufzusetzen?
Gonzalez:
Praktisch alle Unternehmen und Start-ups sind an KI interessiert. Vielen Unternehmen fehlt jedoch neben der Infrastruktur schlichtweg das entsprechende Know-how, um von Grund auf eigene KI- oder ML-Lösungen erfolgreich zu entwickeln. Die Cloud verringert diese Einstiegshürde deutlich: Es bedarf weder Investitionen in neue technische Ressourcen noch in eine moderne Infrastruktur. Entwickler erhalten bei Bedarf sofortigen Zugriff auf schnelle und hochwertige KI-Werkzeuge und können sich damit ihre eigene KI-Lösung zusammenstellen, ohne dass Unternehmen zwingend KI-Spezialisten und Data Scientists zum Aufbau der nötigen Modelle beschäftigen müssen.

ITD: Für welche Art von Unternehmen kommt das Modell in Frage?
Gonzalez:
Dieses Modell eignet sich für Unternehmen aus allen Branchen. Das gilt für große Unternehmen genauso wie für kleine Start-ups. Mit KI aus der Cloud können sie direkt in ihr Projekt starten und Innovationen schneller voranbringen, anstatt erst kostenintensiv die Grundvoraussetzungen hierfür im Unternehmen schaffen zu müssen. Auch wenn im Unternehmen KI- und Data-Science-Know-how bereits vorhanden ist, helfen KI-Services aus der Cloud, diese Mitarbeiter von Standardaufgaben zu entlasten und den Kopf frei für neue Innovationen zu bekommen. Dadurch können Teams schneller und häufiger neue Ideen ausprobieren. Schlägt ein Versuch fehl, können sie Cloud-Ressourcen jederzeit ohne Bedenken rückgängig machen, so dass Experimentieren mit KI ohne Investition in Infrastruktur möglich wird.

ITD: Wie lässt sich bei KIaaS-Modellen die Datensicherheit gewährleisten?
Gonzalez:
Bei AWS wissen wir, dass der Datenschutz und die Datensicherheit unseren Kunden ein sehr großes Anliegen sind. Daher übergeben wir ihnen standardmäßig die Inhaberschaft und Kontrolle über ihre Inhalte. Dies wird ermöglicht durch einfache, jedoch leistungsstarke Tools. Kunden können so bestimmen, wo ihre Kundeninhalte gespeichert werden, die Inhalte ihrer Kunden während der Übertragung oder Speicherung schützen und den Zugriff auf die AWS-Services und -Ressourcen verwalten.

ITD: Wie aufwändig ist es, ohne Vorkenntnisse z.B. einen Chatbot einzurichten, der NLP-Algorithmen nutzt?
Gonzalez:
Chatbot-Services wie etwa Amazon Lex übernehmen die Umwandlung von Sprache in Text und die Interpretation von Texten mithilfe von NLP-Methoden automatisch. Sie erkennen daraus sogenannte „Intents“, also Absichtserklärungen, die in der Sprache ausgedrückt wurden, sowie „Slots“, also Platzhalter für variable Objekte eines Intents. Wenn ein Chatbot-Nutzer zum Beispiel sagt: „Ich möchte bitte einen Flug von München nach Seattle buchen“, wäre der Intent der, eine Flugbuchung zu veranlassen und die Slots wären „München“ für den Startflughafen und „Seattle“ für den Zielflughafen. Intents und Slots können dann mithilfe traditionell programmierter Logik (zum Beispiel in einer Skript-Sprache) verarbeitet oder in einen vorhanden Workflow eingespeist werden. Ergeben sich bei der Abarbeitung Rückfragen, kann der Chatbot-Service mithilfe von KI-Services aus der Cloud Texte in natürliche Sprache verwandeln, um fehlende Angaben vom Benutzer zu erfragen. Dabei schließt sich der Kreis und die Antwort des Nutzers wird wieder dem aktiven Intent zugeordnet oder es wird ein neuer Intent erzeugt.

Auf diese Art muss ein Chatbot-Entwickler lediglich seinen Prozess in Form von Intents, Slots und herkömmlicher Programmlogik modellieren. Diese Logik kann in einer beliebigen Programmiersprache relativ einfach formuliert werden.

ITD: Um KI- oder ML-Projekte zum Erfolg zu führen, benötigt man saubere und hochwertige Daten – kann ein Unternehmen ohne nennenswerte KI-Erfahrung überhaupt entscheiden, welches „brauchbare“ sind?
Gonzalez:
Moderne Testverfahren für ML beinhalten auch eine Qualitätskontrolle der gelernten Modelle über Test- und Validierungsläufe. Diese überwachen laufend die Verbesserung des Modells während des Lernprozesses. Danach kann ein Validierungsprozess anhand von „frischen“ Daten, die während des Lernprozesses nicht benutzt wurden, kontrollieren, dass das Modell eine echte Abstraktion der Lerndaten erzeugt hat, ohne lediglich den Testdatensatz „auswendig“ zu lernen („Overfitting“).

Schlägt der Validierungsprozess fehl, kann es sein, dass das ML-Modell nicht gut genug zum Anwendungsszenario passt oder dass die Datenqualität nicht ausreichend ist. Dann kann man versuchen, die Daten besser aufzubereiten, ein anderes Modell zu wählen, oder mehr Daten für den Lernprozess zu sammeln. Eine gewisse Erfahrung mit ML-Algorithmen und -Verfahren ist also schon nötig, diese kann man jedoch relativ schnell über Online-Kurse, Literatur oder durch Experimentieren sammeln.

ITD: Was sollten Unternehmen beachten, die komplexere Anwendungen nutzen möchten, die z.B. eine Vorverarbeitung der Daten erfordern?
Gonzalez:
Für Unternehmen ist es besonders wichtig, Kompetenz in der Sammlung, der Weiterverarbeitung und in der Verwaltung großer Datenmengen aufzubauen. Moderne Services aus der Cloud können Unternehmen die technische und betriebliche Arbeit für die Schaffung geeigneter Werkzeuge abnehmen und so Einstiegshürden abbauen – die Anwendungskompetenz bleibt jedoch bei den Unternehmen. Dies ist durchaus im Interesse moderner Unternehmen: Wer über Datenkompetenz verfügt, kann schneller digitale Lösungen entwickeln und daraus langfristig einen Wettbewerbs-Vorteil schaffen. Hier rücken zunehmend sogenannte „Data Lakes“ in den Mittelpunkt: Ein Data Lake umfasst die zentrale Sammlung und Verwaltung aller Datenquellen im Unternehmen und dient damit als Grundlage für die digitale Wertschöpfung. Cloud-Services wie AWS Lake Formation können Unternehmen beim Aufbau ihrer Data Lakes unterstützen, so dass diese sich stärker auf ihre Kernkompetenzen fokussieren können.

ITD: Oftmals wird gesagt, das KIaaS im Prinzip nur mit Standard-Lösungen arbeitet und wenig Raum für innovative Ansätze bietet – wie beurteilen Sie das?
Gonzalez:
Die Nutzung von AI-Services ist nicht auf einzelne Standard-Services beschränkt: AI-Services können untereinander, mit anderen Cloud-Services oder mit eigenen Entwicklungen beliebig kombiniert werden, um mächtige IT-Architekturen zu schaffen, die schnell und einfach Mehrwerte liefern. So können Unternehmen beispielsweise mit ein paar wenigen Cloud-Services Systeme aufbauen, die automatisch Videos nach Bildszenen verschlagworten und die darin gesagten Texte mit NLP-Methoden analysieren. Es ist durchaus realistisch, dass wir bald Anwendungen in der Cloud sehen, die aus Dutzenden oder Hunderten miteinander verschalteten AI-Services bestehen, die gemeinsam eine innovative Lösung für ein Business-Problem liefern. In solchen Architekturen kommt es auf das innovative Design des Gesamtsystems an, auch wenn die AI-Bausteine darin standardisiert sind.

ITD: Macht das Verwenden von KIaaS eine ausgereifte KI-Strategie, z.B. auch das Hinzuziehen externen KI-Berater, überflüssig?
Gonzalez:
Nein. Moderne Web- und Applikations-Server machen keine Web-Entwickler überflüssig, moderne Frameworks für mobile Applikationen machen keine App-Entwickler überflüssig und genauso machen moderne AI-Services aus der Cloud keine Data Scientists oder ML-Spezialisten überflüssig. Vielmehr erweitern sie die Möglichkeiten für alle die, die moderne Anwendungen in der Cloud bauen wollen: Vom einfachen Skript-Entwickler, der ohne KI-Kenntnisse mithilfe von fertigen AI-Services neue Anwendungen bauen kann zum hochstudierten KI-Experten, der sich mit AI-Services den Kopf frei hält, um an neuen Deep-Learning-Methoden zu forschen.

ITD: Ab wann sollte ein Data Scientist hinzugezogen werden?
Gonzalez: Data Scientists sind eine neue und stark wachsende Gruppe von Mitarbeitern, die in jedem Unternehmen, das digitale Lösungen baut, einen starken Beitrag zum Erfolg leisten können. Moderne Big Data- und AI/ML-Services aus der Cloud helfen zwar Unternehmen, bestimmte Standard-Aufgaben ohne Hinzuziehen eines Data Scientists zu lösen, wer jedoch schneller zu neuen, innovativen Lösungen kommen möchte, der tut gut daran, mit Data Scientists zusammenzuarbeiten. Das hilft auch, eigene Kompetenzen schneller aufzubauen.

Bildquelle: AWS

©2019Alle Rechte bei MEDIENHAUS Verlag GmbH

Unsere Website verwendet Cookies, um Ihnen den bestmöglichen Service zu bieten. Durch die weitere Nutzung der Seite stimmen Sie der Verwendung zu. Weitere Infos finden Sie in unserer Datenschutzerklärung.

ok