AI as Service – Wie KI in der Cloud zum Erfolg wird

Artificial Intelligence (AI) ist weltweit eines der Topthemen im Technologiebereich. Dies zeigt sich besonders an der Marktentwicklung. So soll der europäische KI-Markt laut der Studie „AI in Europe – Ready for Take-off des European Information Technology Observatory (EITO) auf zehn Milliarden Euro anwachsen. Neben Hard- und Softwareherstellern könnten davon besonders die Dienstleister profitieren, darunter auch die Cloud-Anbieter.

Es ist wie bei fast jedem Hype-Thema. Studien sprießen wie Pilze aus dem Boden und in der Regel überschlagen sie sich mit Zahlen über beste Marktaussichten. Beim Thema Künstliche Intelligenz ist es nicht anders. 72 Prozent der Unternehmensverantwortlichen beschäftigen sich laut der EY-Studie „Artificial Intelligence in Europe – How 307 Major Companies Benefit from AI” mit KI.

In Europa würden sich 41 Prozent in konkreten KI-Pilotphasen befinden und 31 Prozent hätten KI sogar schon in einzelne oder mehrere Geschäftsprozesse integriert. Sie nutzen dafür ein breites Angebot an marktfähigen KI-Lösungen für Machine Learning, Sprach- und Bilderkennung oder Lösungen für Chatbots zur Kundenberatung.

Umsetzungs-Blocker: Ressourcen, Personal, IT

Trotz aller Euphorie schüttet eine weitere Studie ein wenig Wasser in den Wein. So hat eine Untersuchung von IDC Mitte 2019 herausgefunden, dass nur etwa 30 Prozent der Unternehmen eine Erfolgsquote von 90 Prozent bei KI-Projekten erreichen. Die meisten berichteten über Fehlerraten von 10 bis 49 Prozent. Woran scheitern KI-Projekte? Bei mehr als einem Viertel mangelt es an qualifiziertem Personal und unrealistischen Erwartungen an die Technologie.

Bei einem weiteren knappen Viertel fehlt es in Projekten an den notwendigen Daten oder die Datenqualität reicht nicht aus. Was hinzu kommt: KI-Projekte stellen neue Herausforderungen an die IT. Sie benötigen große Rechenleistung, was mit mehr CPUs, GPUs, DSPs und anderen Beschleunigern erreichbar ist. Aber Rechenpower kostet Geld. Und wenn Unternehmen am Anfang ihrer KI-Karriere stehen, sind Investitionen in Hard- und Software aus finanziellen Gründen mit Risiken behaftet.

„Für kleine und mittelständische Unternehmen kann der Aufbau von performanten und skalierbaren AI-Systemen schnell zu einer teuren Angelegenheit werden. Schließlich benötigt das Training von Algorithmen und der spätere Betrieb der entsprechenden Analytics-Systeme Unmengen an Rechenleistung.

Im eigenen Keller, Serverraum oder Rechenzentrum ist es unmöglich, die dafür benötigte Rechenkraft rechtzeitig und punktgenau bereitzustellen. Welche, nebenbei bemerkt, anschließend in der Regel nicht mehr benötigt wird“, sagt Gartner-Analyst Rene Büst.

KI aus der Private, Public oder Hybrid?

Die Alternative: KI aus der Cloud. Aber aus welcher Cloud? Private, Public oder Hybrid. Insgesamt nehmen laut der Studie „Künstliche Intelligenz in Deutschland 2019“ von IDC 61 Prozent der befragten Unternehmen cloudbasierte KI-Dienste in Anspruch, da die Cloud IT-Ressourcen bedarfsgerecht bereitstellt. 43 Prozent der befragten Firmen bevorzugt für den Betrieb der KI-Plattform die Private Cloud-Variante.

Unter anderem aus Gründen der Datensicherheit, die sie in einer Public Cloud vermissen. Eine Studie von Bitkom Research und KPMG bestätigt diese Zahlen. Laut „Cloud-Monitor 2021“ nutzen nur zwei Prozent der befragten Unternehmen die Public Cloud für KI-Projekte. Immerhin ein Viertel plant oder diskutiert den Einsatz der Public Cloud.

Warum ist Public Cloud für KI- und Machine Learning-Initiativen besser geeignet als Private Cloud? Und wie genau kann das Unternehmen den Betrieb reibungslos und ohne allzu große Störungen migrieren? Im Vergleich zu Private Cloud und On-Premise-Konfigurationen ist Public Cloud deutlich flexibler. Mit dieser Flexibilität ergibt sich ein nahezu unbegrenztes Maß an Anpassungsfähigkeit.

Public Cloud bietet insbesondere kleinen und mittelständischen Unternehmen meist ein höheres Maß an Sicherheit und kontrolliertem Zugriff als das eigene Rechenzentrum. Und bei deutschen und europäischen Public-Cloud-Anbietern, die ihre Rechenzentren in Deutschland oder Europa betreiben, liegen die Nutzer auch bei den Datenschutzvorgaben auf der sicheren Seite.

Passgenaue Kombination aus CPUs und GPUs

Die beiden kritischen Säulen von KI und maschinellem Lernen sind die Daten als Input für Modelle und die Berechnung auf Basis statistischer Algorithmen. Diese Daten liegen in verschiedenen Formen vor: relationale Datenbanken, unstrukturierte Daten, die als Binärobjekte gespeichert sind, Notizen in NoSQL-Datenbanken oder Rohdaten aus Datenseen. Die komplexen Berechnungen erfordern eine passende Kombination von CPUs und GPUs.

Im aktuellen Kontext sind GPUs teurer als CPUs. Cloud-Anbieter bieten Cluster von GPU-gestützten VMs und Containern über ein Pay-by-Use-Modell an. Zusätzliche Rechendienste wie Batch-Verarbeitung, Container-Orchestrierung und Serverless Computing werden zur Parallelisierung und Automatisierung von maschinellen Lernaufgaben eingesetzt.

Public Cloud-Anbieter stellen APIs und Dienste zur Verfügung. Cognitive Computing-APIs wie Vision, Sprache, Übersetzung, Textanalyse und Suche sind für Entwickler verfügbar. Sie können mit nur einem API-Aufruf einfach in Anwendungen integriert werden.

Vorkonfigurierte VM-Vorlagen

Neben dem Angebot der APIs und der Infrastruktur bieten Cloud-Anbieter auch KI-Tools an. Diese Tools sind eng int der Daten- und Rechenplattform integriert. Da die Einrichtung und Installation der richtigen Data-Science-Umgebung komplex ist, bieten Cloud-Anbieter vorkonfigurierte VM-Vorlagen an.

Für Einsteiger in die Datenverarbeitung gibt es Assistenten und Tools, die die Komplexität von Modellen des maschinellen Lernens abstrahieren. Da die Effizienz eines maschinellen Lernmodells stark von der Datenqualität abhängt, bieten Public Cloud-Anbieter Datenaufbereitungstools an, die die Aufgabe des Extrahierens, Transformierens und Ladens (ETL) übernehmen.

Angesichts der exponentiell wachsenden Entwicklung der KI ist es für Organisationen jetzt an der Zeit, die Grundlagen in Form einer Public Cloud zu schaffen. Als kosteneffizienteste Option für Unternehmen, die Unterstützung für ihre KI-Technologien suchen, ist die Public Cloud die effizienteste Option. Wer Budgets frei setzt, die in physische Rechenzentren und traditionelle Infrastrukturen investiert wurden, kann sie in KI-Know-how investieren.