KI-Services: Build vs. Buy

KI-Services: Besser von der Stange oder von Hand?

Der Trend zu Künstlicher Intelligenz (KI) ist weltweit ungebrochen und viele Unternehmen suchen nach neuen Anwendungsfeldern oder haben KI bereits im Einsatz. Dabei wird KI von den meisten Unternehmen als wesentlicher Faktor für einen nachhaltigen Geschäftserfolg gesehen. Kommt der Punkt, an dem die Überlegungen konkreter werden und der Use Case identifiziert ist, soll der erste Prototyp möglichst schnell umgesetzt werden. Schon ergibt sich die nächste Frage. Setze ich auf KI-Services von der Stange oder auf Eigenentwicklung? Mit welchen Überlegungen Sie hier starten sollten, wollen wir Ihnen gerne aufzeigen.

8 Punkte, die Sie bei der Auswahl Ihrer KI-Services beachten sollten

Verfügbarkeit

Prüfen Sie in Ihrem Use Case die einzelnen Prozesse und Arbeitsschritte und finden Sie heraus, ob es für Ihre Anforderungen den geeigneten Service bereits gibt. Es gibt fertige KI-Services, die auf einer großen und stabilen Datenbasis sehr gut trainiert sind. Gute Beispiele dafür sind Sprach- oder OCR Texterkennung wie IBM Watson Speech to Text oder auch der Chatbot mit dem IBM Watson Assistent. Immer dann, wenn Ihre Anforderungen an den Service und seine Verwendung nicht zu spezifisch sind und es ein großer Aufwand wäre, diesen selbst zu trainieren, dann ist der Einsatz eines vorgefertigten Service sinnvoll.

Genauigkeit

Setzen Sie für Ihren Use Case möglichst genaue Ziele, wie beispielsweise die Minimierungsrate bei der Fehlersuche. Überlegen Sie, wie hoch muss die Erkennungsrate zwingend für dieses Ziel sein. Reichen Ihnen 80 % oder müssen es annähernd 100 % sein? Bedenken Sie, den fertigen Service können Sie mit Ihren Daten trainieren, aber der Machine Learning Algorithmus dahinter kann im Normalfall nicht angepasst werden. Bei einem individuell für Ihre Problemstellung entwickelten Service kann die gesamte Pipeline ganz genau daran angepasst werden und auch das letzte Quäntchen mögliche Genauigkeit ausgeschöpft werden. Ein gutes Beispiel hierfür ist die Bilderkennung. Soll der Service für eine Bild-Kategorisierung genutzt werden, um Menschen, Tiere oder Pflanzen zuzuordnen, ist das meistens schnell mit einem Service abbildbar. Sollten aber Produkte aus einem Produktkatalog zugeordnet werden, dann ist eine Eigenentwicklung wahrscheinlich sinnvoller.

Geschwindigkeit  

Ihr Use Case bestimmt hierzu die Vorgabe. Wollen Sie beispielsweise eine Qualitätsprüfung innerhalb eines Produktionsprozesses mittels einer Bilderkennung durchführen, so muss der Algorithmus sehr schnell eine Antwort darüber geben, was erkannt wurde. Andernfalls würde der Prozess gestört werden. Ein Service, der über die Cloud kommunizieren muss, ist immer weniger performant als ein Service, der auf einer lokalen Maschine vorgehalten wird. Das kann vor allem dann zur Herausforderung werden, wenn die Internet-Bandbreiten für Ihren Standort nicht ausreichend sind.

Kosten                                                                                                                                                                       

Ein KI-Service aus der Cloud ist relativ schnell verfügbar und wird je nach Anwendungsgebiet mit monatlichen Gebühren berechnet. Bei IBM beispielsweise können Sie mithilfe eines Kostenschätzers die voraussichtlichen Kosten der IBM Cloud®-Produkte für Ihren Bedarf ermitteln. Hier fallen die Kosten über die gesamte Laufzeit der Nutzung an. Bei einer Individual-Entwicklung werden Sie mehr Aufwand und Kosten zu Beginn haben, die sich dann im Betrieb reduzieren, vorausgesetzt es wurde sauber programmiert und es müssen nicht stetig Änderungen durchgeführt werden.

Ressourcen                                                                                                                                                            

Fest steht, dass Unternehmen nach wie vor den Mangel an qualifizierten Fachkräften als Hindernis bei der Umsetzung der KI-Projekte ansehen. Soll eine eigene Entwicklung betrieben werden, dann prüfen Sie, ob die geeigneten Ressourcen vorhanden sind und auch zeitlich zur Verfügung stehen. Bei einer Individual-Entwicklung und dem Einsatz von Open Source Libraries werden Sie sehr viel mehr dieser Ressourcen benötigen als bei der Nutzung von Cloud-Services. Alternativ können Sie zweigleisig fahren. Holen Sie sich Unterstützung von einem externen Dienstleister und nutzen Sie Projekte zum Skillaufbau im eigenen Unternehmen.

Qualität                                                                                                                                                                   

Man kann nicht generell sagen, dass die fertigen KI-Services qualitativ besser sind. Dennoch spricht vieles für die Anbieter wie IBM, deren Services basierend auf riesigen Datenmengen trainiert sind und stetig weiterentwickelt werden. Es gibt aber auch Open Source Libraries, die in Python eingebunden werden können, mit der Möglichkeit der Nachbearbeitung. Diese sind beispielsweise auf trainierten Algorithmen von Google aufgesetzt. Google hat für viele Standard Use Cases neuronale Netze entwickelt. Teilweise kann man diese verwenden und davor oder danach eigene Netze schalten und so auch mit Open Source Mitteln viel vortrainiertes Wissen nutzen und es sehr flexibel in die gewünschte Pipeline einbauen.

Testphase                                                                                                                                                                 

Um herauszufinden, ob ein Service für die Ihre Anforderungen passt, sind Tests unumgänglich. Bei IBM beispielsweise haben Sie die Möglichkeit, die KI-Services in der Cloud kostenfrei zu testen. Das bietet Ihnen schnell die Chance festzustellen, ob der Service das leisten kann, was Sie erwarten. Das ist bei einer Eigenentwicklung immer aufwendiger, da sie erst selbst einen Service mit der dazugehörigen Datenbasis erzeugen müssen. Sollten Sie trotzdem eine Eigenentwicklung in Betracht ziehen, kann Ihnen ein externer Dienstleister hierbei mit seiner Erfahrung bei den Tests zur Seite stehen.

Wartung

Bei der individuellen Entwicklung erfolgt der Support durch den Entwickler. Er liefert Ihnen das Ergebnis und Änderungen bzw. Weiterentwicklungen erfolgen durch ihn bzw. durch den Dienstleister, für den er arbeitet. Bei der Nutzung der KI-Services aus der Cloud erfolgt die Weiterentwicklung durch den Hersteller und Sie partizipieren automatisch daran, mit allen Vor- und Nachteilen. Sinnvoll ist es hierbei, auf gute Partner der Hersteller zu setzen, die durch ihr exzellentes Netzwerk zusätzlich Fragestellungen direkt beim Hersteller platzieren können. Diese Möglichkeit gibt es bei Open Source Produkten meist nicht.

Fazit

Wir freuen uns, wenn unsere Denkanstöße Sie in die Lage versetzen, je nach Anwendungsfall die richtige Vorgehensweise einschlagen zu können.

Unabhängig davon, ob Sie sich entscheiden, Cloudservices oder speziell für Sie entwickelte Microservices zu nutzen, sind diese immer ein integrierter Teil eines größeren Prozesses. Ein Standard Use Case kann meistens in etliche Aufgaben aufgeteilt werden. Jede dieser Aufgaben wird programmatisch von einem Microservice übernommen. Manche dieser Services generieren Output via Machine Learning Algorithmen, andere halten sich an starre Regeln, um beispielsweise das Vorbearbeiten von Inputdaten oder die Weiterverarbeitung von Output-Daten des Machine Learning Services zu übernehmen. Es muss eine zentrale Applikationslogik implementiert werden, um die Microservices zu koordinieren und für die entsprechende Anbindung der Interfaces und Backend-Systeme zu sorgen. Nur als Teil eines solchen Prozesses können Machine Learning Komponenten nutzbar gemacht werden und einen wirklichen Mehrwert bringen.

Es ist also wichtig, den Use Case in Unteraufgaben mit klaren Zielen zu teilen. Ist das erledigt, können unterschiedliche Services für die einzelnen Aufgaben evaluiert werden. Dabei wird sehr schnell klar, wo die Knackpunkte des Prozesses liegen und welche Art von Service an welcher Stelle notwendig ist. Im Zuge dessen wird automatisch die Machbarkeit des Projekts festgestellt. Falls es umsetzbar ist, ist nach dieser Evaluation auch ein vernünftiges Pricing möglich.

Wie komplex das Erstellen dieses Proof of Concept ist, hängt von Ihrem Use Case ab. Deswegen kontaktieren Sie uns bei jeglichen Fragen, wir beraten Sie gerne.

Ihr Anspechpartner:

Jörg Kremer ai bi

Jörg Kremer

Head of Consulting und KI-Experte

Jörg Kremer
KONTAKT

Beratungstermin vereinbaren.