KI ist nur so leistungsfähig wie die Datenarchitektur, die dahinter steht.
In Folge 52 von „The AI Forecast“ mit dem Titel „Warum LLMs nicht ausreichen und wie AI Fabrics alles verändern werden“ spricht Moderator Paul Muller mit Dr. Jake Trippel, Dekan des College of Business and Technology an der Concordia University in St. Paul sowie Mitbegründer und CTO von Codename 37, darüber, was Unternehmen daran hindert, KI im großen Maßstab einzusetzen:
Isolierte Datenarchitektur
Missverständnis über die Leistungsfähigkeit von maschinellem Lernen, Deep Learning und neuronalen Netzen
Sich anhäufende technische Schulden
Ihr Gespräch reicht von der Wirtschaftlichkeit der Cloud im Vergleich zu On-Premises-Lösungen bis hin zum bevorstehenden Wandel von SaaS-Anwendungen zu Bot-basierten Erlebnissen. Im Folgenden sind wichtige Momente aus ihrer Diskussion aufgeführt.
Warum KI-Architekturen an ihre Grenzen stoßen
Paul: Erzählen Sie uns, was wir in der Vergangenheit im Bereich KI und Datenarchitekturen beobachtet haben und warum wir diese jetzt überdenken müssen.
Jake: Wir haben das Zeitalter der digitalen Transformation durchlaufen, das war die Herausforderung im Umgang mit Daten. Wir blieben in Datensilos, weil unsere Plattformen so konzipiert waren und die Daten so organisiert wurden. Dann haben wir versucht, eine Reihe von Integrationen durchzuführen. Wir haben versucht, all diese App-Integrations-Engines zu implementieren. Wir haben versucht, clevere Lösungen zu finden, aber am Ende haben wir ein riesiges Durcheinander verursacht, indem wir ELT in ETL und System zu System umgewandelt haben.
Kommen wir nun zur Gegenwart. Die Herausforderung besteht nun darin, dass diese Unternehmen einen Anreiz haben, uns in Silos zu halten, denn jetzt kommen KI-Datensilos hinzu, die Daten befinden sich immer noch in Silos, und genau da kommt die Stärke der Cloud ins Spiel. Deshalb sind wir stolz darauf, ein Partner von Cloudera zu sein.
Stellen Sie sich das gleiche Problem vor, nur verstärkt. Ich habe KI-Agenten im Überfluss – großartig – aber sie arbeiten nur innerhalb ihres eigenen Datensilos.
Die Menschen werden mehr wollen. Sie werden Agenten benötigen, die zusammenarbeiten, miteinander reden und gemeinsam argumentieren können. Aber wie soll das gelingen, wenn Ihre Daten immer noch in Datensilos feststecken? Um diesen Data-Mesh-Zustand zu erreichen, ist ein grundlegender Wandel erforderlich, und genau deshalb ist Cloudera eine tolle Lösung, die den Menschen dabei helfen kann.
Warum große Sprachmodelle nicht ausreichen
Paul: Welche Hacks, Best Practices, Tipps oder Tricks verwenden Sie, um das Beste aus Ihren Daten herauszuholen?
Jake: Das Wichtigste ist zu verstehen, dass große Sprachmodelle nicht für alles die Antwort sind. KI ist eine große Welt.
Große Sprachmodelle sind für manche Aufgaben hervorragend geeignet, für andere hingegen völlig ungeeignet. Die Menschen müssen die Leistungsfähigkeit von maschinellem Lernen, Deep Learning und neuronalen Netzen verstehen – denn diese bilden im Grunde das Herzstück der beiden anderen.
Die Kompetenz unserer Zeit besteht heutzutage darin, die richtigen Modelle für die richtigen Anwendungsfälle zu entwickeln oder einzusetzen und Daten schnell zu verarbeiten. Darauf müssen sich die Menschen konzentrieren.
Der kumulative Effekt technischer Schulden
Paul: Wie können Unternehmen Ihrer Meinung und Erfahrung nach pragmatisch damit beginnen, von ihrem bisherigen Standpunkt aus dorthin zu gelangen, wo sie hinwollen? Wie bereinigen sie ihre Daten? Gibt es einen Mechanismus, mit dem sie das tun können, ohne etwas zu beschädigen?
Jake: Das ist eine heikle Frage, deshalb werde ich versuchen, sie ein wenig zu analysieren. Sie sind nicht ohne Grund seit drei Jahrzehnten dabei. Wir sehen immer noch AS/400-Systeme im Einsatz – und sie funktionieren. Das muss man IBM zugestehen.
Die Herausforderung für diese Unternehmen besteht jedoch darin, wie viel Kapital sie aufwenden. Aufgrund des sich verstärkenden Effekts dieser technischen Schulden lässt sich das Problem Jahr für Jahr, Jahrzehnt für Jahrzehnt vor sich herschieben. Die Kosten werden nur steigen.
Aber jetzt haben Sie zumindest Optionen. Wir können die Daten extrahieren und viel mehr damit anfangen als je zuvor. Anstatt alles auf einen Schlag zu ändern, können wir – solange wir Zugriff auf die Daten haben und diesen Zugriff auch weiterhin behalten – nun parallel dazu jede Art von Erfahrung schaffen, die wir uns wünschen.
Warum einige KI-Workloads wieder in die On-Premise-Umgebung verlagert werden
Paul: Was beobachten Sie aktuell bei Ihren Bestandskunden, die neue Workloads implementieren möchten?
Jake: Wir erleben eine massive Rückkehr zu On-Premises. Ich konnte es nicht glauben. Das hätte ich nie vorhergesagt.
Da diese Unternehmen verstärkt an der Entwicklung und dem Training von Modellen arbeiten, ist das Cloud-Kostenmodell einfach zu teuer. Ich habe noch keinen CFO getroffen, der begeistert davon ist, wie viel er pro Monat für das Training dieser Modelle ausgibt.
Also tätigen sie diese Investition. Sie kehren zurück zu den Rechenzentren. Sie schreiben es in den nächsten fünf Jahren ab. Das lässt sich in den Bereichen Medizinprodukte, Finanzdienstleistungen und Luftfahrt beobachten – in der Regel handelt es sich um Hybridlösungen, doch für bestimmte Workloads, insbesondere für Training und Entwicklung, ist dies weitaus kostengünstiger.
KI als Lernverstärker – Vor- und Nachteile
Paul: Was sehen Sie in Bezug auf die akademische Welt und wie wir die Arbeitskräfte der Zukunft vorbereiten?
Jake: KI ist ein Verstärker. Sie wird das Gute verstärken – und sie wird auch das Schlechte verstärken.
Auf der positiven Seite werden die Menschen 10- bis 20-mal schneller lernen als je zuvor. Ich habe Modelle entwickelt, die Bücher in nur drei Sekunden lesen können. Ich kann jetzt in die Daten eintauchen und jede Art von Lernerlebnis schaffen, das ich möchte und das meinem Lernstil angepasst ist.
Der Nachteil ist, dass die Schüler selbst entscheiden – ich muss gar nichts tun. Ich kann die KI meine ganze Arbeit erledigen lassen, und ich werde nichts dabei lernen. Das ist der Teil, der mir Angst macht.
Die wichtigste Fähigkeit unserer Zeit, hoffe ich, ist die Freude am Lernen. Das werden Sie jeden einzelnen Tag Ihrer restlichen Karriere tun müssen.
Hören Sie sich das vollständige Gespräch mit Dr. Jake Trippel auf The AI Forecast auf Spotify, Apple Podcasts und YouTube an.
