Künstliche Intelligenz (KI) ist ein breites Teilgebiet in der Informatik, das darauf abzielt, anhand von Modellen und Algorithmen Maschinen bestimmte Aufgaben durchführen zu lassen, die normalerweise menschliche Intelligenz erfordern. Maschinen sollen in der Lage sein, selbstgesteuert zu lernen, Entscheidungen zu treffen und Probleme zu lösen, ohne dass ein Mensch diese vorhergesagt und mit einer expliziten Programmierung abgefangen hat.

Das grosse Interesse an generativer KI

Seit «GenAI» – generative KI – in Kombination mit «Large Language Models» (LLM) der breiten Bevölkerung als Service zur Verfügung gestellt wurde, hat es nicht nur im privaten, sondern auch im geschäftlichen Umfeld grosses Interesse geweckt. GenAI ist in der Lage, den Kontext der gegebenen Informationen zu erfassen, und basierend auf den ihr zur Verfügung stehenden Daten neue Inhalte und Informationen zu generieren. Sogenannte multimodale Modelle sind imstande, verschiedene Arten von Daten wie Texte und Bilder als Eingabe zu verwenden, aber auch als Ausgabe zu generieren.

«Data is the new fuel»

Ein Mensch kann durch das Beobachten lernen und Muster erkennen. Eine Maschine kann das bisher nur auf der Basis von Daten. Umso grösser und qualitativer diese Datenbasis ist, desto besser kann ein Modell lernen, also trainiert werden. Beim Training eines generativen Modells werden komplexe Muster in den Daten erkannt und entsprechend gewichtet. Einfach gesagt: Bei generativen Modellen werden neue Daten als Antwort auf eine Frage mithilfe von Wahrscheinlichkeitsverteilungen erzeugt. Modelle können also nur so gut sein wie die Daten, mit denen sie trainiert werden.

«AI is the Accelerator»

Im geschäftlichen Kontext kann künstliche Intelligenz in einer sehr breiten Ausprägung angewendet werden. Es können Prozesse, Analysen und Entscheidungsfindungen in vielen Branchen automatisiert, beschleunigt und optimiert werden. Hierfür existieren zahlreiche Beispiele aus der Praxis für Analysen, Vorhersagen und Simulationen in der Industrie, etwa (teil-)autonomes Fahren und Assistenzsysteme, im Finanzsektor (Risikoanalysen und Prognosen), im Gesundheitswesen (Forschung und Simulation) oder im Government (automatisierte Kundenservices mit Chatbots).

Accelerated Infrastructure

Während etwa für das Erkennen von komplexen Mustern mit Machine-Learning-Techniken die aktuelle Datacenter-Infrastruktur-­Hard­ware in vielen Fällen noch ausreicht, wird es für GenAI-Anwendungen in der Zukunft oft nicht mehr der Fall sein. Die parallele Verarbeitung von grossen Datenmengen in Echtzeit machen es notwendig, das klassische Infrastrukturkonzept von Servervirtualisierung auf Commodity-Hardware mit CPUs, PCIe, klassischen Netzwerkkarten sowie Ethernet-Netzwerken zu erweitern oder generell zu überarbeiten. Der Umfang der empfohlenen Massnahmen ist von der Geschäftsstrategie, den Unternehmenszielen sowie der daraus abgeleiteten IT-Anforderungen und verfügbaren Budgets abhängig.
Accelerated Infrastructure zielt primär darauf ab, Innovationen zu fördern, Problemstellungen zu lösen und die Time-to-Market deutlich zu verkürzen, um den Unternehmen einen nachhaltigen Wettbewerbsvorteil zu ermöglichen.

« Die KI-Strategie muss Fokusthema in der Geschäftsleitung sein »

Im Interview erklärt Jan Unger, SE Manager Container & Virtualization Services bei Netcloud, welche Voraussetzungen Unternehmen für eine Accelerated Infrastructure erfüllen müssen, welche Vorteile sich dadurch ergeben, und wie sich Deep Learning von klassischem Maschine Learning unterscheidet. Interview: Tanja Mettauer

Wie unterscheidet sich Deep Learning von «klassischen» ­Machine-Learning-Modellen?

Jan Unger: «Klassische» Machine-Learning-Modelle eignen sich sehr effektiv für klar definierte analytische Aufgaben und Problemstellungen. Sie analysieren Daten nach definierten Techniken, um ein spezifisches Problem zu lösen. Beispielsweise lineare Regression, Entscheidungsbäume, Support Vector Machines etc. Sie eignen sich, wenn die Beziehungen zwischen Eingabedaten und Zielvariablen gut verstanden sind und wenn aus einer geringen Menge an Daten gelernt werden muss. Deep Learning hingegen verwendet tiefe (vielschichtige) neuronale Netze. Sie sind in der Lage, aus einem Datensatz Merkmale auf verschiedenen Abstraktionsebenen zu extrahieren und zu lernen. Es eignet sich für die Anwendung mit grossen und komplexen Datensätzen, vor allem, wenn es um Anwendungsbereiche wie Bild- und Spracherkennung, natürliche Sprachverarbeitung und das Erzeugen von Inhalten geht, kurz: generative KI und Large-Language-Modelle. Es erfordert aber auch deutlich mehr Rechenleistung als Machine Learning, insbesondere für den Trainingsprozess.

Mit welchen Methoden werden GenAI-Modelle darauf trainiert, Muster in Datensätzen zu erkennen?

Hier gibt es viele unterschiedliche Methoden, die sich hauptsächlich in sogenannte «unüberwachte» oder «selbstüberwachte» Lernverfahren einordnen lassen. Sie ermöglichen es den Modellen, die Wahrscheinlichkeitsverteilung der Trainingsdaten zu verstehen und damit neue ähnliche Datenpunkte zu generieren. Die aktuell vermutlich bekannteste Methode sind Transformer. Sie verwenden selbstüberwachende Mechanismen, um alle Wörter in der Eingabe miteinander in Beziehung zu setzen und daraus langfristige Abhängigkeiten und komplexe Strukturen im Text zu lernen. Somit ist diese Methode sehr mächtig, wenn es um die Generierung von Texten geht. Generative Pre-trained Transformer ist das wohl prominenteste Beispiel hierfür. Abschliessend ist wichtig, zu bemerken, dass die Entwicklung in dem Bereich derzeit rasend schnell voran schreitet und wir verfolgen diese intensiv mit grossem Interesse.

Welche Voraussetzungen müssen Unternehmen für eine ­Accelerated Infrastructure erfüllen?

Mit Innovation auf Accelerated Infrastructure erzielen unsere Kunden einen Wettbewerbsvorteil. So nutzen sie diese beispielsweise für Simulationen in der Forschung oder um bestmögliche Antworten auf Fachfragen aus einer grossen Menge von gesammelten Informationen zu erhalten. Eine äusserst wichtige Voraussetzung ist, dass Unternehmen eine klar formulierte Geschäftsstrategie haben und die Ausrichtung der IT auf diese abstimmen. Aus unserer Erfahrung ist es essenziell, dass die KI-Strategie ein Fokusthema in der Geschäftsleitung ist. Dadurch werden die Investitionen, Entwicklung und Ausbildung von Mitarbeitenden sowie das Erlangen der erforderlichen Kompetenzen auch auf die Unternehmensstrategie ausgerichtet. Der Ressourcenbedarf hängt jeweils stark von den Anforderungen ab. Auch hier gibt es unterschiedliche Entwicklungen und Möglichkeiten. Angefangen von spezifischen Hardwarebeschleunigern über GPUs, TPUs, DPUs, Smart NICs etc., optimierte Ethernet-Netzwerke, einen leistungsfähigen Storage bis hin zu grossen homogenen GPU-Clustern für das Training von komplexen Modellen. Diese werden dann auch in der Regel über Infiniband direkt miteinander vernetzt. Auch der orchestrierende Software-Stack spielt eine wichtige Rolle. In vielen Fällen bietet sich die Einführung einer Con­tainer Platform in diesem Kontext aus zahlreichen Gründen an, unter anderem Effizienz, automatisierte Bereitstellung, Flexibilität, Skalierung und Verfügbarkeit.

Ist Ihre Infrastruktur bereit für künstliche Intelligenz? Erfahren Sie hier mehr darüber, wie Netcloud das nötige Fundament baut