-
Generative KI
Die generative KI ist bereit.
Sind Sie es auch?Intel® Innovativ bis ins Detail
-
-
-
Ausgangspunkt
Ein neues Zeitalter generativer KI
Generative KI (GenAI) wird von Unternehmen und Einzelpersonen in großem Umfang genutzt und führt so zu erheblichen gesellschaftlichen Auswirkungen. KI für den Privatgebrauch wie ChatGPT und DALL-E begeistert mit der Fähigkeit zur Generierung von Inhalten. Unternehmen können sich von generativer KI jedoch noch mehr versprechen, z. B. gesteigerte Produktivität, Kostensenkung und eine Transformation der Arbeitsweise.
-
Unternehmenstransformation durch generative KI
Generative KI bringt zwar Vorteile, aber auch neue Herausforderungen und Risiken mit sich. In ihren Bemühungen um die Vorreiterrolle in generativer KI können Unternehmen das Vertrauen ihrer KundInnen und wertvolle Daten nicht aufs Spiel setzen.
-
-
-
Die entscheidende Rolle Ihrer Daten für generative KI
Daten und Risiken gehen Hand in Hand. Daten treiben Ihre Initiativen in generativer KI voran. Andererseits müssen Sie auch die potenziellen Risiken des Hostings von generativen KI-Modellen in Public Clouds berücksichtigen, unter anderem den Verlust und die Verletzung geistigen Eigentums sowie Datenlecks, Datenschutzprobleme, Verstöße gegen die Compliance, Glaubwürdigkeits- und Integritätsverlust und Voreingenommenheit.
-
-
Risikomanagement und Nutzensteigerung
Zu Beginn müssen Investitionen in Technologie und Schulung aufeinander abgestimmt werden, um den betrieblichen Reifegrad zu steigern, Risiken zu senken, die Kontrolle zu verbessern und den Nutzen für Ihr Unternehmen zu maximieren. Mit unternehmenstauglicher generativer KI haben Sie die Kontrolle darüber, wer auf Ihre Daten zugreift.
-
-
Risiko von unausgereifter und unternehmenstauglicher generativer KI im Verhältnis zum betrieblichen Reifegrad
-
-
-
Zum Erfolg mit generativer KI
Auch wenn bereits Hunderte von Anwendungsfällen in allen möglichen vertikalen Märkten zutage gefördert wurden, können Sie mit den passenden Anwendungsfällen für Ihr Unternehmen schneller Erfolge erzielen.
-
-
-
-
-
-
KI für Ihre Daten
Nutzen der richtigen Daten
Die besten Anwendungsfälle stützen sich auf umfangreiche Daten und Ihre KI-Bereitschaft. Gleichzeitig benötigen sie die richtige Mischung aus Kompetenzen, Budgets und Ressourcen zur Unterstützung. Es ist wichtig, dass die Geschäfts- und IT-Teams die Prioritäten zusammen festlegen.
Private Instanzen großer Sprachmodelle (LLMs) mit generativer KI wie Llama 2 oder Falcon bieten zwar Vorteile bei Geschwindigkeit und Bereitstellung, können aber auch höhere Kosten und andere Nachteile mit sich bringen. In jedem Fall wird die interne generative KI wahrscheinlich den größten Nutzen für Ihre frühen Bemühungen bieten.
-
-
-
Erstellen von Inhalten
-
Suche in natürlicher Sprache
-
Codegenerierung
-
Supportassistent
-
Design und Datenerstellung
-
Dokumentautomatisierung
-
-
-
-
Modelle generativer KI basierend auf Ihren Daten
-
-
In Bezug auf die Workload-Platzierung unterscheidet sich generative KI nicht von anderen Workloads. Um die besten Ergebnisse zu erzielen, sollten Sie sie in der Umgebung einsetzen, die für Ihre geschäftlichen und technischen Anforderungen am sinnvollsten ist.
Das folgende Diagramm vermittelt Konzepte und Frameworks der Workload-Platzierung für generative KI.
-
-
-
5 Gründe für den Einsatz von KI für Ihre Daten
-
-
Workload-Platzierung für generative KI in Private und Public Clouds
-
-
Datenmanagement für generative KI
Die meisten Unternehmen verfolgen bei ihrer Strategie der generativen KI einen zweistufigen Ansatz. Sie experimentieren mit taktischen Bereitstellungen, um zu lernen und nicht abgehängt zu werden, und entwickeln gleichzeitig eine langfristige Strategie für die vielen Anwendungsfälle, die sich im Laufe der Zeit herauskristallisieren werden. Dieser Ansatz erfordert daher eine zweistufige Datenmanagementstrategie.
DATENVORBEREITUNGDATENTECHNIK -
-
-
Datenvorbereitung
-
Kurzfristig: Datenvorbereitung
Die Datenvorbereitung umfasst das Identifizieren von Datenvolumen und das Festlegen von Datenanforderungen, gefolgt von der Bereinigung, Kennzeichnung und Anonymisierung der Daten und dann deren Normalisierung über Datenquellen hinweg. Darüber hinaus müssen Datenpipelines erstellt werden, um die Daten in ein Modell zu integrieren.
-
-
-
Datentechnik
-
Langfristig: Datentechnik
Unternehmen benötigen ein gut strukturiertes Datenrepository, z. B. einen Data Lake oder ein Data Lakehouse, um ihre Daten in Modelle generativer KI zu integrieren. Durch den iterativen Aufbau des Data Lake erweitern Sie schrittweise die Funktionen des Datenrepositorys für generative KI, während das Team seine Kompetenzen in Datenmanagement und generativer KI ausbaut.
-
-
-
-
-
-
„Durch die Zusammenarbeit [mit Dell Technologies] können Unternehmen ihre eigenen KI-Systeme aufbauen, indem sie die tollen Innovationen der Open-Source-Community nutzen und gleichzeitig von der Sicherheit, Compliance und Performance von Dell Systemen profitieren.“
-
-
-
-
-
-
KI DER RICHTIGEN GRÖẞE
Festlegen der Infrastruktur und richtigen KI-Größe
Basierend auf Ihren eindeutigen Daten können Sie bereichs- und unternehmensspezifische Anwendungsfälle verwenden. Durch Aufgaben oder Funktionen, für die nur Sie die Daten haben, schaffen Sie so einen Nutzen für die Branche. Die verschiedenen Arten generativer KI erfordern entsprechende Einstiegspunkte und Investitionen für den Erfolg. LLMs, die mit riesigen Textmengen trainiert wurden, sind wie Enzyklopädien: Sie sind zwar hilfreich für den allgemeinen Gebrauch, eignen sich jedoch möglicherweise nicht zum Beantworten spezifischer Fragen zu Ihren Unternehmensdaten.
-
-
-
Ihre Daten verbessern die Effizienz und den Nutzen generativer KI erheblich
-
Ein Vergleich der Modelltypen, einschließlich unternehmensspezifischer Modelle, bereichsspezifischer Modelle und großer Sprachmodelle (LLMs)
-
-
-
KI-Bereitstellungsmodelle: Bewerten des Kosten-Nutzen-Verhältnisses
Die ersten drei Bereitstellungsmodelle unten werden von Unternehmen derzeit am häufigsten implementiert: Diese fangen mit der „Modellaugmentierung“ an und entscheiden sich letztendlich für die „Feinabstimmung von Modellen“. Für welches KI-Modell Sie sich entscheiden, hängt vom Grad der Data-Science-Bereitschaft Ihres Unternehmens, den Bereitstellungsmustern und den damit verbundenen Implikationen ab.
-
Vorab trainiertes Modell
Dieser Ansatz wird als „Prompt Engineering“ bezeichnet. Dabei wird dem vorab trainierten Modell eine Frage gestellt und ein Ergebnis erhalten.
Beispiel: ChatGPTModellaugmentierung
Optimieren Sie Ihr Modell generativer KI, indem Sie Ihre Daten hinzufügen und somit zusätzlichen Kontext für die Antworten bereitstellen. Dies geschieht z. B. durch Inferencing, das Anwendungsfälle wie Retrieval-Augmented Generation (RAG) umfasst.
Feinabstimmung von Modellen
Dazu gehören die Anpassung der Modellgewichtung und die Integration Ihrer Daten. Dies führt zwar zu verbesserten Ergebnissen, erfordert aber auch einen höheren Aufwand während der Einrichtung.
Modelltraining
Dafür wird ein spezifisches Modell entwickelt und mit einem Datenvolumen trainiert. Dies erfordert in der Regel die meiste Arbeit und die meisten Ressourcen und wird häufig nur für die Lösung komplexer Probleme verwendet.
Aufwand Kosten Nutzen und
DifferenzierungDatenintegration Infrastruktur Client – Server Client – Server GPU-optimiert Große GPU-Bereitstellung Kompetenzen IT-Betrieb EntwicklerIn Data Scientist(s) Data Scientist(s)
-
Auswahl der richtigen Infrastruktur für Ihr Modell
Die Infrastruktur für die Bereitstellung der generativen KI hängt größtenteils von den Rechenanforderungen ab, die von Modelltyp, Modellgröße und Anzahl der NutzerInnen beeinflusst werden. Darüber hinaus muss die erforderliche Storage-Kapazität für Daten berücksichtigt werden, die für Bereitstellung, Training und Modellverfeinerung verwendet werden.
-
Einfluss von Modelltyp, Modellgröße und Anzahl der NutzerInnen auf die Infrastruktur für die Bereitstellung generativer KI
-
-
-
-
-
Schnelleres Umsetzen der KI-Strategie
Frühzeitige Erfolge
RAG (Retrieval-Augmented Generation) ist ein idealer Einstiegsanwendungsfall für viele Unternehmen, da auf zusätzliche Ressourcen wie die eigenen Daten zugegriffen wird, um ein Modell ohne erneutes Training zu erweitern. Erfahren Sie mehr zur Einrichtung von RAG-Anwendungsfällen zur Verbesserung Ihres Unternehmens und Ihrer Daten.
-
RAG-Anwendungsfall
Anwenden von RAG auf ein benutzerdefiniertes PDF-Datenvolumen
-
DELL VALIDATED DESIGN FÜR RAG
Bereitstellen eines digitalen Assistenten auf der Dell APEX Cloud Platform for Red Hat OpenShift
-
-
Schnellere Umsetzung mit Dell
Dell unterstützt Sie mit einem ganzheitlichen End-to-End-Ansatz vom Schreibtisch bis zum Rechenzentrum dabei, Barrieren aus dem Weg zu räumen und Strategien generativer KI unternehmensweit einzuführen.
-