Generative KI ist in aller Munde. Viele Unternehmen experimentieren derzeit mit der Künstlichen Intelligenz, die für die Erstellung neuer, origineller Inhalte verantwortlich ist. Wie sie dabei wirklich Mehrwert schaffen, erklärt Experte Clément Stenacin in einem Gastbeitrag.
Vitor Miranda / Stock.adobe.com
Die Grenzen herkömmlicher Chatbot-Funktionen verschieben sich durch generative KI und immer mehr. Organisationen versuchen, das Potenzial sinnvoller KI-Anwendungen auszuschöpfen. Laut Gartner experimentieren inzwischen 70 Prozent der Unternehmen mit generativer KI. Zugleich wächst aber laut KPMG die Unsicherheit: 90 Prozent der Entscheider haben demnach Bedenken bei der Nutzung von KI. Wie können diese Bedenken sinken und generative KI das Potenzial tatsächlich entfalten? Was können Organisationen machen, damit es nicht beim Versuch bleibt, sondern generative KI im Unternehmensalltag Prozesse effektiver macht?
Chat GPT entwickelt sich rasant weiter
Ein kurzer Rückblick: Nur wenige Monate nach Chat GPT stellte Open AI bereits das dritte Upgrade der KI-Blockbuster-Plattform vor: GPT-4, nach eigenen Angaben das "fortschrittlichste System", das sicherere und nützliche Antworten liefert. GPT-4 analysiert Bilder und imitiert Sprache. Damit ist GPT-4 die Grundlage für Chatbots und andere Systeme. Doch durch das rasante Tempo, in dem sich KI aktuell weiterentwickelt, entstehen auch neue Herausforderungen für Unternehmen. Einerseits will man dem Wettbewerber einen Schritt voraus sein, indem man neue KI-Tools nutzt, andererseits müssen Unternehmenslenker verantwortungsvoll entscheiden.
Die meisten haben inzwischen damit begonnen, eine Liste potenzieller Anwendungsfälle zusammenzustellen und sie anhand von Praktikabilität, geschäftsrelevanten Auswirkungen und Risiken zu bewerten. Aber wie können Unternehmen GPT-4 und andere vergleichbare neue Technologien optimal für ihre Unternehmensprozesse nutzen? Wie gelingt es, generative KI möglichst einfach und im industriellen Maßstab auf laufende Anwendungsfälle zu übertragen? Der nachhaltige Erfolg hängt insbesondere an vier Maßnahmen.
Mit generativer KI Anwendungen in Echtzeit skalieren
Statt generative KI im Alleingang für jeden Anwendungsfall individuell anzupassen, können Organisationen auf bestehende Lösungen zugreifen. Viele Anwendungsfälle sind für unterschiedliche Organisationen gleich. Beispielsweise datenschutzgerechtes, automatisiertes Generieren von Erkenntnissen über die Leistung von Industriemaschinen; das rechtskonforme, automatisierte Erstellen von Werbe-E-Mails, einschließlich hochpräziser Produktempfehlungen; oder das Abfragen komplexer Dokumente und Verträge, um die Arbeit von Kundenberatern zu beschleunigen. Die Reihe ließe sich fortsetzen. Die Quintessenz: Es lohnt sich nicht für jede einzelne Organisation Ressourcen in die Entwicklung entsprechender eigener Lösungen zu stecken - Standardisierung schont in diesem Fall viele Ressourcen. In laufenden Anwendungen wird generative KI in die Daten- und Machine-Learning-Workflows eines Unternehmens eingebettet sein.
Die zugrunde liegende Technologie verstehen
Um generative KI effektiv einsetzen zu können, sollten Unternehmen verstehen, wie sie funktioniert, welche Fähigkeiten sie hat und wo ihre Grenzen liegen. So können große Sprachmodelle, Large Language Models (LLMs), wie sie in Chat GPT verwendet werden, Textinhalte produzieren, die dem eines Menschen ähneln. Doch LLMs stoßen auch an ihre Grenzen. Da sie Quellen nicht zitieren können und teils ungenau arbeiten, kann es schwerfallen, zu erklären, wie Ergebnisse zustande kommen und woher Informationen stammen. Beides limitiert die Einsatzmöglichkeiten in Unternehmen. Ursache für die Grenzen der neuen Generation von LLMs ist, dass sie weitgehend mit generischen Daten ausgebildet wurden. Für gewöhnlich verfügen sie also nicht über das oft erforderliche unternehmensspezifische Wissen. Auch besteht immer die Gefahr, dass solche LLMs unangemessene Inhalte produzieren.
Aufrüsten bei Governance
Für Unternehmen ist es an der Zeit, eine KI-Governance zu entwickeln und umzusetzen. Dafür sollten Organisationen Prozesse ausarbeiten, die eine Balance zwischen Schnelligkeit, Fokus sowie Risikomanagement herstellen. Denn einerseits profitieren Organisationen, wenn sie neue Technologien rasch nutzen, andererseits müssen sie Mehrwert generieren und Gefahren minimiert werden. Eine Governance sorgt für eine gründliche und rasche Abwägung im Vorfeld. Anhand ihrer Leitlinien bewerten Organisationen den Nutzen - beispielsweise eine deutlich schnellere Datenanalyse -, wägen diesen mit erforderlichen Ressourcen und mit der neuen Technologie verbundenen Risiken ab. Gerade letzteres darf bei GPT-4 nicht zu kurz kommen: Denn obwohl bereits einige junge Tech-Unternehmen erfolgreich LLM in ihre unternehmerischen Abläufe integriert haben, ist ein solcher Umstieg oft unbeschrittenes Terrain mit ganz unterschiedlichen Herausforderungen. Daher sollte jedes Unternehmen für sich und von Fall zu Fall selbst entscheiden, inwieweit es bereit ist, für potenzielle Vorteile ein Risiko in welchem Umfang einzugehen.
Skalierbare Infrastruktur vorbereiten
Häufig wird nicht bedacht, dass die leistungsfähigsten LLM-Modelle wirklich riesig sind. Die neuen Modelle, GPT-3 und GPT-4, sind größer als herkömmliche Modelle für maschinelles Lernen und dürften weiter exponentiell wachsen. Entwicklung und Betrieb solcher Modelle ist für fast alle Unternehmen mit Ausnahme der größten Technologieunternehmen zu kostspielig. Im Falle der Open-AI-Modelle handelt es sich zudem um Closed-Source-Modelle, die nur über eine kostenpflichtige API als "Model-as-a-Service" verfügbar sind.
Da es den meisten Unternehmen an Ressourcen mangelt, um diese Modelle selbst zu entwickeln, kann es sinnvoll sein, mit einem kleineren, quelloffenen Großsprachenmodell wie BERT, Flan, GPT-J oder anderen Anbietern wie Hugging Face zu arbeiten. Durch eine Anpassung dieser Modelle an interne, spezifische Daten können Unternehmen einen erheblichen geschäftlichen Nutzen erzielen:
- Die Ergebnisse sind spezifischer und für das Unternehmen relevanter. Diese Modelle sind besonders leistungsfähig beim so genannten "few-shot learning". Few-Shot Learning ist ein Teilbereich des maschinellen Lernens und umfasst eine Reihe von Algorithmen, die bei der Entwicklung eines KI-Modells mit einer kleinen Menge von Trainingsdaten eingesetzt werden. Diese Methoden können unterschiedliche Aufgaben auch mit wenigen Daten lösen und dadurch das Labeln der Datensätze zu einem Großteil überflüssig machen.
- Es ermöglicht einem KI-Modell, neue Daten zu erkennen und zu klassifizieren, nachdem es mit wenigen Trainingsinstanzen konfrontiert wurde.
- Kontrollmöglichkeiten verbessern sich, unerwünschte oder unangemessene Ergebnisse lassen sich einfacher verhindern, die Antwort wird relevanter.
- Alle Daten bleiben innerhalb der Firewall des Unternehmens, wodurch die Anforderungen an die Vertraulichkeit und die Datenaufbewahrung erfüllt werden.
- Kontrollierte Kosten für den Betrieb des Modells, da das Unternehmen nicht mehr von Änderungen der API-Preise eines gewinnorientierten Anbieters abhängig ist.
Generative KI braucht geeignete Infrastruktur
Generell sei gesagt: Ein solches Modell hat nicht so umfassende Fähigkeiten wie ein großes Allzweck-Sprachmodell wie GPT-4, zudem sind wahrscheinlich viele der Fähigkeiten für gezielte Unternehmensanwendungen irrelevant. Obwohl die anfängliche Einrichtung eines quelloffenen Modells spezielle Fachkenntnisse erfordert, können diese Modelle anschließend im gesamten Unternehmen eingesetzt werden und nahezu alle Geschäftsbereiche bedienen. Bevor Organisationen allerdings in ein solches Modell investieren, sollten sie zunächst eine geeignete Infrastruktur aufbauen.
Dafür können Unternehmen zwischen verschiedenen Optionen wählen: von Open-Source-Modellen im eigenen Haus bis hin zur ausschließlichen Nutzung von sogenannten "Model-as-a-Service". Intelligente Ansätze ermöglichen es Unternehmen, einerseits die für sie richtige Strategie zu wählen, andererseits aber auch flexibel zu bleiben und sich an neue Technologien und sich ändernde Marktbedingungen auch zukünftig anpassen zu können.
Viele Unternehmen sind von der Leistungsfähigkeit von Chat GPT fasziniert und suchen nach einem Weg, durch den Einsatz dem Wettbewerb zu enteilen. Doch der Aufbau eines umfassenden Verständnisses, die Etablierung von Governance und die Bereitstellung einer intelligenten Infrastruktur sind unerlässlich, um das durchaus vielversprechende Potenzial zu nutzen. Die Einführung von GPT-4 ist ein Meilenstein in der Geschichte der künstlichen Intelligenz, aber damit die Technologie einen echten Mehrwert für Unternehmen schafft, müssen Unternehmen die damit verbundenen Möglichkeiten auch voll und ganz ausschöpfen.