KI as a Service

Die wichtigsten Plattformen im Vergleich
Die Implementierung von Künstliche- Intelligenz-Lösungen hat es in sich. Warum Entscheider keinesfalls den Alleingang wagen sollten, und welche KI-Plattform was fürs B2B-Geschäft taugt: ein Überblick.
TEXT: Ingo Steinhaus

Wer die zahlreichen Veröffentlichungen zu Künstlicher Intelligenz (KI) und maschinellem Lernen verfolgt, könnte leicht zu dem Schluss kommen: einfach mal loslegen und ausprobieren. Immerhin gibt es bereits erste Spielwiesen für Deep-Learning-Anwendungen. Man nehme eines der bekannten Frameworks wie „Tensorflow“ von Google oder das „Microsoft Cognitive Toolkit“, setze ein paar Entwickler in einen Computerraum, und nach kurzer Zeit steht die Anwendung. Die Praxis sieht oftmals anders aus. Vor allem zwei Hürden sollten Digitalchefs bedenken, bevor sie ihrer Geschäftsführung einen Vorschlag für den Einsatz einer KI-Anwendung unterbreiten: Zunächst die enorme Rechenleistung, die neuronale Netzwerke benötigen. Hier dürften sogar die IT-Chefs von Großunternehmen ins Schwitzen geraten, obwohl sie über eigene Rechenzentren verfügen. Meist ist die vorhandene Infrastruktur durch den Alltagsbetrieb stark ausgelastet und hat keinerlei Reserven mehr, selbst für kleine KI-Experimente. Denn diese erfordern nicht nur einen entsprechend großen Datensatz, die Datenmengen müssen auch in Verbindung miteinander gebracht werden. Die zweite Hürde sind die passenden Entwickler. Sie gehören zu den derzeit begehrtesten Fachkräften aus Informatik und Mathematik. Die Entwicklung von KI-Anwendungen setzt zunächst den Aufbau eines neuronalen Netzes und der Funktionen für Deep Learning voraus. Dieser Aufgabe ist längst nicht jede Entwicklungsabteilung gewachsen, da es nicht annähernd genug KI-Entwickler mit der gewünschten Expertise gibt.

Um die Einstiegshürden so gering wie möglich zu halten, setzen deshalb immer mehr Unternehmen auf Cloud-Anbieter. Ob bereits markterprobte Machine- Learning-Ansätze oder eher experimentelle KI-Verfahren: eine Cloud-Lösung ist skalierbar, gerade für erste spielerische Experimente also sinnvoll. Sobald es dann um die Anwendung in geschäftskritischeren Bereichen geht, können die Lösungen ebenfalls auf der vormals gewählten Plattform laufen.

WACHSENDER MARKT: DEEP LEARNING AS A SERVICE

Durch den steigenden Bedarf hat sich ein wachsender Markt für KI-Plattformen gebildet, „Deep Learning as a Service“ gewissermaßen. Dabei handelt es sich um Cloud-Versionen der bekannten Frameworks für Deep Learning, beispielsweise Amalia (IP Soft), Einstein (Salesforce), Holmes (Wipro, Indien) oder Watson (IBM). Ähnlich wie herkömmliche Cloud-Dienste werden sie häufig nach dem Prinzip „Pay per Use“ abgerechnet. Vor allem bekannte Anbieter wie Microsoft oder Amazon setzen bei ihren KI-Lösungen darauf und bieten sie zusätzlich zu ihren bisherigen Diensten an. Abgerundet werden solche Angebote durch andere, nicht auf neuronalen Netzen basierende Formen von maschinellem Lernen.

Vorreiter bei der Vermarktung von KI ist der IBM-Konzern, für den Kooperationen mit Unternehmen längst Alltag sind und der Watson in die hauseigene Cloud-Plattform „Blue Mix“ integriert hat. Auf der diesjährigen Hannover Messe stellte das Unternehmen eine Entwicklung für die Qualitätskontrolle in Produktionsstätten vor, bei der Watson die Bilder von hochauflösenden Kameras auswertet und nach Anzeichen von Herstellungsfehlern sucht. Hier zeigt sich bereits das Arbeitsprinzip der neuen KI-Plattformen: Der Lösungsanbieter kümmert sich um die Erfassung, Übertragung und Auswertung der Daten, so dass der jeweilige Industriebetrieb lediglich die Kriterien für die Auswertung definieren muss. Ähnlich wie bei Software as a Service oder Cloud-Diensten sorgt der Anbieter für Hardware, Software und die Entwicklung spezifischer Anpassungen.

TRAINING: SERVICEPLATTFORM ÜBERNIMMT VORARBEIT

Doch KI-Plattformen haben noch weitere Vorteile, wie Sven Guhr, Senior Manager bei Sopra Steria Consulting, betont. „Sie besitzen nicht nur eine leistungsfähige IT-Infrastruktur, sondern können auch vortrainierte Deep-Learning- Modelle anbieten.“ Denn in vielen Anwendungsbereichen sind bereits im Vorfeld für das Training eines neuronalen Netzwerks erhebliche Datenmengen notwendig, etwa bei der Sprachverarbeitung oder der Bilderkennung. Ein Beispiel: Google hat für den Aufbau seines neuen Übersetzungsdienstes die übersetzten Dokumente der Europäischen Kommission als Trainingsmaterial eingesetzt und daraus Abermillionen Paare aus Ausgangstext und Übersetzung abgeleitet. Ähnlich viel Vorarbeit ist auch in anderen Bereichen notwendig, etwa beim Aufbau eines Chatbots für Marketing und Vertrieb oder für die Sentiment-Analyse von Beiträgen in Blogs und sozialen Netzwerken, um das Image der Marke zu ermitteln. Die Neuronetze müssen hier nach dem Prinzip des Supervised Learning vor dem Einsatz mit ausreichend kategorisierten Texten gefüttert werden.

„Durch KI-Anwendungen sind in den Unternehmen Innovationssprünge möglich, deren Bedeutung heute noch gar nicht zu ermessen ist.“

Die Vorarbeit der Anbieter von KI-Plattformen erlaubt nun eine recht schnelle Entwicklung. Die Nutzer müssen das neuronale Netz nicht mehr aufwendig trainieren, da es in Form eines Chatbots bereits in der Lage ist, Dialoge zu führen. Es muss lediglich durch ein „Nachtraining“ an die spezifischen Bedürfnisse des jeweiligen Anwendungsgebiets angepasst werden. „Dadurch kommen die Unternehmen recht schnell zu Ergebnissen“, sagt Guhr. Sie könnten mit dem Einsatz von Deep Learning rasch erste Erfahrungen sammeln und erhielten so schnell einen funktionsfähigen Prototyp für die KI-Anwendung.

Doch obwohl die Plattformen bereits sehr viel Vorarbeit leisten und ein Gros der Entwicklung übernehmen, funktioniert der Einsatz von Deep-Learning-Algorithmen weder nach dem „Plug and Play“- noch nach dem „One size fits all“-Prinzip. Zum einen kann, wer sich einmal für einen Serviceprovider entschieden hat, sich nur schwer wieder von diesem lösen. Zum anderen ist der nachfolgende Aufwand für die Integration in die eigene Systemlandschaft und das Trainieren sehr konkreter unternehmensspezifischer Inhalte immer noch recht hoch. So ist beispielsweise bei industriellen Anwendungen wie Condition-Monitoring und Predicitve Maintenance eine genaue Anpassung an die eintreffenden Daten notwendig. Ein einfaches Beispiel: Die Vibrationen einer Maschine können bestimmte Fehler anzeigen. Doch jedes Gerät hat eine eigene Vibrationssignatur, die in einem ersten Schritt als Grundrauschen in die Anwendung eingespeist werden muss. Erst nach einiger Zeit erkennt die Software Fehler und Probleme zuverlässig. Das Training findet also vor Ort statt und gehört bereits zum Einsatz der Lösung. Sie wird dadurch im Laufe der Zeit immer besser, da sich die Datenbasis stetig vergrößert.

SPEZIELLE ANWENDUNG ODER GRÖSSTMÖGLICHE SYNERGIEN

Darüber hinaus erfordert der Einsatz von Deep Learning in der Industrie vor allem Sensorik, eine Netzanbindung der überwachten Anlagen sowie die Integration der ermittelten Daten in die KI-Anwendung. IoT- und KI-Plattformen sind also sehr nahe Verwandte. Einige Anbieter wie beispielsweise Microsoft (Azure ML) oder T-Systems (Amalia) haben gleichfalls IoT-Lösungen entwickelt, der einfache Datenaustausch ist hier bereits eingebaut. Auch die anderen Plattformen setzen ganz unterschiedliche Akzente. IBM betreibt nicht nur einige medienwirksame Vorzeigeprojekte, sondern hat individuelle Lösungen für verschiedene Industriebranchen entwickelt. Einstein von Salesforce dagegen richtet sich in erster Linie an Vertrieb und Marketing. Dieses System analysiert Daten aus der hauseigenen CRM-Lösung, klassifiziert sie automatisch und leitet sie an die richtigen Servicemitarbeiter weiter. Andere Plattformen wie Holmes vom indischen Technologieunternehmen Wipro sind eher eine Art Werkzeugkasten. Sie bieten die Verarbeitung natürlicher Sprache, die Mustererkennung in Bildern und ganz allgemeine Algorithmen für maschinelles Lernen an. Amazon (AWS) versteht seine KI-Services als klassische Entwicklungsplattform, die alle bekannten Frameworks anbietet – auch von eigentlich konkurrierenden Unternehmen wie Facebook oder Google. Da dies generell die Unternehmenspolitik von AWS ist, sind hier die meisten Synergien möglich. So bietet beispielsweise Bosch seine „IoT Suite“ auch in der Amazon-Cloud an, so dass der Datenaustausch leicht in die Wege zu leiten ist.

Die Big Player erweitern ihre Machine- Learning-Angebote ständig, entweder durch den fleißigen Zukauf von Start-ups oder durch das Abwerben von Experten an Universitäten. Dabei verfolgt beispielsweise Google keinen branchenorientierten Ansatz, sondern möchte im Wesentlichen Cloud-KI in skalierbarer und standardisierter Form verkaufen. Dies ist auch die Strategie von Microsoft; der IT-Gigant bietet zudem nutzerfreundliche Werkzeuge für die Entwicklung, das Training und das Management von Neuronetzen an.

Welche Plattform für welchen Zweck geeignet ist, ergibt sich deshalb nur aus dem ganz konkreten Anwendungsgebiet im Industriekontext und muss vor dem Beginn eines KI-Projekts penibel geprüft werden. Wenn die Anforderungen an die Lösung und die Leistungen der KI-Plattform zur Deckung gebracht werden, können die Projekte ein Erfolg werden. Analysten mit KI-Expertise sind daher durchaus positiv gestimmt: „Durch KI-Anwendungen sind in den Unternehmen Innovationssprünge möglich, deren Bedeutung heute noch gar nicht zu ermessen ist“, meint Carlo Velten, Geschäftsführer des Beratungsunternehmens Crisp Research.

Nach seiner Ansicht befindet sich der Markt im Moment noch am Anfang und in einer Experimentierphase. Ob Chatbots tatsächlich den Kundenkontakt revolutionieren werden, wie ihre Verfechter behaupten, ist noch offen – es gibt bislang nicht genügend Erfahrungen damit. Eines lässt sich jedoch nach Ansicht des Analysten bereits jetzt sagen: Besonders zukunftsträchtig sind KI-Plattformen, die in Branchenlösungen integriert sind. „Wer dabei Vorreiter ist, wird unter Garantie einen großen Erfolg haben“, meint Velten. Passgenaue Lösungen für echte Probleme von Unternehmen sind zurzeit noch selten, aber es ist nur eine Frage der Zeit, bis alle Plattformen so etwas anbieten.