Die Power der Daten: der AWS Generative AI-Ansatz

Artur, warum plötzlich dieser Hype um Generative AI?

Wir haben sozusagen einen Kipppunkt erreicht: Es sind mittlerweile riesige Datenmengen verfügbar, mit denen KI- und ML-Modelle trainiert werden können. Gleichzeitig ist die Computerpower so weit ausgereift, dass sich auch kleinere Use Cases zu erschwinglichen Kosten umsetzen lassen. Die Modelle werden exponentiell immer besser, wodurch sich die Entwicklung weiter beschleunigt. Dies ist die technologische Sicht. Aus kommerzieller Sicht ergeben sich nun auch unzählige konkrete Anwendungsszenarien und die Unternehmen haben begriffen, dass, wenn sie jetzt beginnen, mit AI zu experimentieren, sie noch eine Vorreiterrolle in ihrer Branche haben und als erste messbare Geschäftserfolge dank der neuen Technologie erzielen können – sei es, dass sie Geschäftsrisiken reduzieren, wenn sie defekte Teile in einer Produktionskette besser und schneller erkennen, ihre Umsätze steigern, wenn sie Produkt- und Service-Empfehlungen personalisieren, die betriebliche Effizienz oder die Produktivität ihrer Mitarbeitenden steigern, deren Ressourcen für kreativere Arbeiten freigesetzt werden. 

Welchen Rat gibst Du Unternehmen, die möglichst rasch das Potenzial von AI erschliessen wollen?

Man muss nicht sofort das Geschäftsmodell des gesamten Unternehmens umstellen. Es empfiehlt sich, mit Pilotprojekten oder PoC-Konzepten zu starten. Das KI-Team im Unternehmen sollte aber sehr breit und interdisziplinär aufgestellt sein; es gehören neben KI-Experten auch Datenanalysten, Enterprise-Architekten, Cloud-Spezialisten und Know-how-Träger aus den Fachbereichen dort hinein. 

Welche Hilfsmittel gibt es?

AWS bietet eine Vielzahl von Tools, mit denen Kunden die ersten Schritte zur Einführung von Generative AI machen können. Zudem hat AWS sein «Cloud Adoption Framework» (CAF) bereits an die Erfordernisse von Künstlicher Intelligenz (KI) und Machine Learning (ML) angepasst. Mit CAF-KI ist nun schon ein ganzer Katalog an Best Practices verfügbar, von dem man sich bei der Umsetzung eigener KI-Projekte inspirieren lassen kann. Als AWS Premier Tier Services Partner kennen wir bei der T-Systems das gesamte AWS-Ökosystem und haben Erfahrung, wie das Framework sich in konkreten Projekten praktisch anwenden lässt. 

Was braucht es an Infrastruktur für den Einsatz von KI?

AWS verfügt über ein ausgereiftes Portfolio auf allen drei Ebenen des Stack: leistungsstarke Infrastrukturen für kosteneffizientes ML-Training, Entwickler-Tools für Erstellung und Training der Modelle, unzählige Services, aus denen Kunden die für sie geeigneten KI-Funktionen auswählen können. Wie bei der Einführung eines jeden Cloud-Services muss dafür eine sichere und gut organisierte Umgebung geschaffen werden. Das Einrichten einer Landing Zone etwa braucht unter Umständen Zeit und Admin-Aufwand. Es müssen Accounts erstellt und verwaltet sowie Regeln für Sicherheit und Compliance festgelegt werden. Wer sich damit nicht auseinandersetzen will, setzt am besten auf ein Managed-Services-Angebot, wie wir bei der T-Systems es bieten. Damit erhalten Unternehmen Zugang zu Infrastrukturressourcen, Plattformen und vortrainierten Modellen sowie Beratung auf Basis unserer eigenen Data-Science-Expertise, mit der wir sie bis zum PoC begleiten können. 

Was sind die Risiken?

KI ist datengetrieben. Umso umsichtiger muss mit allen datenschutzrelevanten Vorgaben umgegangen werden. AWS ermöglicht AWS Kunden die Nutzung der AWS Services in Übereinstimmung mit dem Schweizerischen Datenschutzgesetz (DSG) und der Datenschutzgrundverordnung der EU (DSGVO). Unternehmen mit spezifischen regulatorischen Anforderungen, die sich noch unsicher sind, aber dennoch nicht auf die hochskalierbaren Cloud Services verzichten wollen, finden ebenfalls bei lokalen Managed Services Providern ihr «Unterkommen». 
Zudem gilt es, die Kosten im Griff zu behalten. Mit FinOps setzt sich eine neue Methodik im finanziellen Cloud-Management mit einem interdisziplinären Ansatz durch. Im Unternehmen müssen komplett neue Prozesse, Reportings und vor allem ein neues Verständnis der verantwortlichen Mitarbeiter für die neue Art der Ressourcenbeschaffung aus der Cloud und deren kostenstellenkonforme Abrechnung entwickelt werden. Bei PaaS-Angeboten ist eine nächste Kapazitätserweiterung nur immer einen Klick entfernt, was sich bei «pay as you use»-Modellen jeweils unmittelbar in den Kosten widerspiegelt. Wir helfen demzufolge auch bei der Wahl des richtigen Kostenmodells für den Bezug von KI-Services.

Wie geht es weiter?

 AWS ist heute mit mehr als 240 Services, darunter nun auch KI- und ML-Dienste, das umfangreichste und am weitesten verbreitete Cloud-Angebot der Welt. Und kontinuierlich kommen neue Services hinzu. AWS selbst tut Einiges dafür, den Gebrauch seiner Dienste zu vereinfachen. Mit AWS Bedrock und seinem Managed Service für generative AI wird über einen einfachen API-Aufruf zudem der Zugang zu einer kuratierten Auswahl führender vortrainierter KI-Basismodelle eröffnet, was die Entwicklung von Anwendungen erleichtert und die Einstiegshürden senkt. Langjährige Partner des AWS Partner Networks (APN) wie T-Systems sind mit all diesen Neuerungen vertraut und sind in der Lage, aus der ganzen Fülle die am besten geeigneten Use Cases auszuwählen und den Kunden durch den gesamten KI-Journey zu navigieren. 
Unsere Expertise erstreckt sich von der Beratung und Migration von Services in die Cloud als auch die Orchestration von Multicloud-Umgebungen. Wir können mit der Telekom Data Science Platform sogar eine eigene Ende-zu-Ende-Umgebung für Data Science und KI-Entwicklung bereitstellen, in das der Kunde über ein benutzerfreundliches Interface seine eigenen Daten hochladen und für individuelle KI- und ML-Projekte nutzbar machen kann. 

»Hier mehr erfahren«