‹ Zurück

Die Implementierung von generativen Modellen bietet verschiedene Ansätze. Gartner hat hierzu ein sehr gutes Schaubild erstellt. Unternehmen können zwischen Consume (Konsumieren), Embed (Einbetten), Extend (Erweitern) oder Build (Eigenentwicklung von Foundation-Modellen) wählen. Das Schaubild von Gartner kann bei der Entscheidung des passenden Ansatzes sehr hilfreich sein.

 

1. Consume: Nutzung vorgefertigter Modelle ohne Anpassungen.

2. Embed: Integration von GenAI in Anwendungen ohne Modelltraining.

3. Extend: Feinabstimmung oder Nutzung von Retrieval-Augmented Generation (RAG) zur Anpassung der Modelle.

4. Build: Aufbau eigener Modelle durch Datensammlung und Training.

 

Praxistipp

Um die richtige Entscheidung zu treffen, ist eine gründliche Einschätzung der eigenen Ressourcen unerlässlich. Daten- und KI-Themen benötigen in der Praxis andere Ressourcen und Technologie-Stacks als die klassische Softwareentwicklung. Während AI/KI oft als Buzzwords verwendet werden, dürfen der Anwendungsfall und der Kundennutzen nicht vernachlässigt werden – sie bleiben zentrale Bestandteile jeder Initiative und sollten im AI/KI-Hype nicht untergehen.

Für breite Anwendungsfälle wie Bilderkennung oder Textgenerierung lohnt es sich meist nicht, ein eigenes Modell zu entwickeln. Stattdessen gibt es viele Anbieter, die Foundation-Modelle nutzen und auf individuelle Anwendungsfälle feinabstimmen oder man Konsumiert direkt ein Foundation-Modell. Dies ist ein kosteneffizienter Ansatz, der schnelle und effektive Ergebnisse liefert.

 

Make-or-Buy Entscheidung: Wichtige Faktoren

Bei der Entscheidung, welches Ansatz der passende ist sind klassische Make or Buy Fragen zu beantworten:

 

1. Kosten: Die Entwicklung eigener Modelle kann hohe initiale Kosten verursachen. Der Kauf vorgefertigter Modelle kann kurzfristig kosteneffizienter sein.
2. Zeit: Die Zeit bis zur Marktreife ist bei vorgefertigten Modellen kürzer. Eigenentwicklung erfordert mehr Zeit für Training und Optimierung.
3. Komplexität: Die Eigenentwicklung erfordert technisches Know-how und Ressourcen für Datensammlung und -aufbereitung. Externe Modelle werden von einer großen Zahl nutzern und spezailiserten Unternehmen weiterentwickelt.
4. Flexibilität: Eigene Modelle bieten mehr Flexibilität und Anpassungsmöglichkeiten an spezifische Bedürfnisse. Externe Modelle lassen sich kostengünstiger vertesten.
5. Wettbewerbsvorteil: Eigenentwickelte Modelle können einen einzigartigen Wettbewerbsvorteil bieten.
6. Skalierbarkeit: Berücksichtige, wie gut sich die Lösung skalieren lässt und ob sie zukünftigen Anforderungen gerecht wird.
7. Datenschutz: Eigene Modelle bieten bessere Kontrolle über die Daten und deren Sicherheit.
8. Integration: Überlege, wie einfach sich die Lösung in bestehende Systeme und Workflows integrieren lässt.

 

Indem diese Faktoren sorgfältig abgewogen werden, können Unternehmen eine fundierte Entscheidung treffen, die ihre Geschäftsziele und Ressourcen berücksichtigt.

 

Fazit

Die Entscheidung zwischen dem Konsumieren, Einbetten, Erweitern oder Eigenentwickeln von generativen KI-Modellen erfordert eine sorgfältige Abwägung der vorhandenen Ressourcen und spezifischen Bedürfnisse. Effizienz ist dabei von zentraler Bedeutung, um Kosten zu kontrollieren, niedrige Latenzzeiten sicherzustellen. Für weit verbreitete Anwendungsfälle wie Bilderkennung oder Textgenerierung ist der Einsatz vorgefertigter bzw. Fine-Getunten Modellen oft der kosteneffizienteste Ansatz. Durch die Berücksichtigung von Faktoren wie Kosten, Zeit, Komplexität, Flexibilität, Wettbewerbsvorteil, Skalierbarkeit, Datenschutz und Integration können Unternehmen fundierte Entscheidungen treffen, die ihre Geschäftsziele optimal unterstützen.