In mancher Hinsicht ist der Artificial Intelligence Act der EU durchaus umstritten. Aber gleichzeitig wird der AI-Act vor allem für kleinere Unternehmen und Start-ups eine große Hilfe sein. Mittel- und langfristig wird er für mehr Transparenz und Erklärbarkeit von KI-Anwendungen sorgen. Strikte Regeln unter anderem auch in Datenschutz und Sicherheit bedeuten gleichzeitig eine einfachere und risikoärmere Anwendung von Lösungen, vor allem wenn im Unternehmen keine entsprechenden KI-Expert:innen angestellt sind. Der AI-Act könnte also schon bald den Weg für einen Ausbau der effizienten Nutzung von KI in deutschen Unternehmen ebnen.
Hohe Kosten als hohe Hürde
Laut einer BITKOM-Studie zur Nutzung von Künstlicher Intelligenz in deutschen Unternehmen halten zwei Drittel KI für die wichtigste Zukunftstechnologie unserer Zeit, jedes vierte Unternehmen will hier investieren. Allerdings setzen bisher nur acht Prozent auf KI-basierte Anwendungen.
Der Nutzen von KI scheint also auf der Hand zu liegen. Bislang fehlen aber die praktischen Schritte, die Technologie auch gewinnbringend einzusetzen. Viele Unternehmen wissen nicht, welche Lösungen für sie in Frage kommen und wie sie sie einsetzen können. Der AI-Act macht KI-Anwendungen verständlicher － und erleichtert den Einsatz auch für nicht-Fachkräfte.
Allein mit einem besseren Verständnis ist es jedoch nicht getan. Denn der Aufbau einer entsprechenden technischen Grundlage kann schnell viel Geld kosten: Hohe Rechenleistung, geschultes Personal und spezielle Hardware sind die drei größten Kostenpunkte beim Aufbau einer guten KI-Anwendung. Speziell die nötige Rechenleistung stellt für viele Unternehmen eine große Herausforderung dar. Denn sind die Systeme trainiert und in Betrieb, benötigen sie die teuer angeschaffte Hardware oft nicht mehr.
Professionelle SaaS-Anbieter unterstützen Unternehmen bei Implementierung, dem Roll-out, der täglichen Anwendung sowie der Cybersicherheit － ohne dass die eigene Rechenleistung teuer ausgebaut werden muss. Cloud-Computing ist daher eine gute Lösung.
KI aus der Cloud: privat, public oder hybrid?
Bereits 2019 nahmen laut einer IDC-Studie 61 Prozent der befragten Unternehmen cloudbasierte KI-Dienste in Anspruch. 43 Prozent der befragten Firmen bevorzugten die Private Cloud. Heute dürfte diese Zahl allein schon aufgrund des deutlichen Anstiegs der Cloudnutzung in deutschen Unternehmen (vgl. BITKOM-Studie) noch höher sein.
Doch auch wenn in Deutschland die Private Cloud einen hohen Stellenwert genießt, eignet sich die Public Cloud für KI-Anwendungen sogar besser. Sie ist deutlich flexibler und kann Arbeitsspeicher, Rechenleistung und permanenten Speicher je nach Bedarf zur Verfügung stellen. Mit dieser Flexibilität ergibt sich ein nahezu unbegrenztes Maß an Anpassungsfähigkeit. Als Hybrid Cloud in Kombination mit dedizierten (also physischen) Servern können sogar besonders kritische Daten in gesicherter Umgebung verarbeitet und genutzt werden.
Gleichzeitig bietet die Public Cloud insbesondere kleineren Unternehmen und Start-ups meist ein höheres Maß an Sicherheit und kontrolliertem Zugriff als ein eigenes Rechenzentrum. Deutsche und europäische Anbieter mit Rechenzentren in Deutschland oder Europa erfüllen zudem alle notwendigen Datenschutzvorgaben.
Trainingsdaten sind die Grundlage für eine gute KI
KI-basierte Software ist genauso kontrollierbar, wie traditionelle Anwendungen auch. Die Basis bilden die Informationen, anhand derer die KI lernt. Die Qualität der sogenannten Trainingsdaten spielt also eine besonders große Rolle. Die Trainingsdaten bringen dem Algorithmus bei, was für ihn wichtig ist und worauf er seinen Fokus legen soll. Man kann sagen, Trainingsdaten bilden das Weltbild der KI. Alles, was sich im späteren Lernprozess entwickelt, basiert auf genau diesen Informationen. Mit etablierten Datenaufbereitungstools von SaaS- oder Cloud-Providern können die Trainingsdaten qualitativ aufbereitet werden, damit die KI später bessere Ergebnisse liefert.
Damit die folgenden komplexen Berechnungen zu einem optimalen Ergebnis führen, braucht es im nächsten Schritt eine passende Kombination von CPUs und GPUs. Cloud-Provider setzen häufig auf von GPU-gestützte VMs und Container. Zusätzliche Rechendienste wie Batch-Verarbeitung, Container-Orchestrierung und Serverless Computing werden zur Parallelisierung und Automatisierung von maschinellen Lernaufgaben eingesetzt.
Schneller zum Erfolg mit vorkonfigurierte VM-Vorlagen
Für einen schnellen Einstieg bieten Cloud-Provider auch eigene KI-Tools an, die in der Regel direkt in die Nutzeroberflächen integriert sind. Die Einrichtung und Installation der richtigen Data-Science-Umgebung ist komplex, weshalb Kunden ohne eigene Expert:innen in der Regel vorkonfigurierte VM-Vorlagen nutzen können.
Für Einsteiger in die Datenverarbeitung gibt es eine Fülle an Assistenten und Tools, die die Komplexität von Modellen des maschinellen Lernens abstrahieren und in der Anwendung vereinfachen.
Fazit: Künstliche Intelligenz sichert den Erfolg
Mittel- und langfristig sichert KI die Wettbewerbsfähigkeit. Daher ist es wichtig, sich schon heute mit den bestehenden technischen Möglichkeiten vertraut zu machen und mit SaaS- und Cloud-Anbietern erfahrene Partner zu suchen. Die Implementierung einer Public Cloud-Struktur liefert einen Ankerpunkt für die Entwicklung und Nutzung sicherer KI-Anwendungen. Zusammen mit den Vorteilen in Sachen Transparenz, die der AI-Act mit sich bringen wird, brauchen Unternehmen KI nicht zu fürchten － ganz im Gegenteil: Sie sind dazu entworfen, Unternehmen und Arbeitnehmer:innen in ihrer täglichen Arbeit zu unterstützen.
Autor:
Als CEO von gridscale verantwortet Henrik Hasenkamp die Strategie und Ausrichtung des europäischen Infrastructure- und Platform-as-a-Service-Anbieters gridscale, der es sich zum Ziel gesetzt hat, mit innovativen Technologien die Basis für komplexe Cloud-Lösungen zu schaffen.
Aussagen des Autors und des Interviewpartners geben nicht unbedingt die Meinung der Redaktion und des Verlags wieder
