Ihr Geschäft wird sich auf Hunderte von AI -Modellen verlassen. Hier ist der Grund

In der heutigen Technologielandschaft, in der Unternehmen häufig mehrere Cloud-Dienste und Datenbanken für unterschiedliche Bedürfnisse jonglieren, zeichnet sich ein wachsender Trend ab, mehrere KI-Modelle für verschiedene Zwecke zu nutzen. Eine kürzliche Umfrage unter über 1.000 IT-Entscheidern zeigt, dass die fortschrittlichsten KI-Anwender derzeit Hunderte von Modellen gleichzeitig verwalten.

Wir sind in das Zeitalter des „Multi-Modell-KI“ eingetreten. Laut der von Vultr gesponserten Umfrage von S&P Global Market Intelligence liegt die durchschnittliche Anzahl der verwendeten KI-Modelle bei 158, mit der Erwartung, dass diese Zahl im nächsten Jahr auf 176 steigen wird.

Die Umfrage ergab auch, dass die fortschrittlichsten KI-Nutzer derzeit mit durchschnittlich 175 Modellen arbeiten, mit Prognosen, diese Zahl im kommenden Jahr um 14 % auf 200 Modelle zu erhöhen. Diejenigen auf dem zweithöchsten Reifegrad der KI-Nutzung erwarten ein jährliches Wachstum der Modellzahlen um 18 %. Darüber hinaus entwickeln zwei Drittel der befragten Manager (66 %) entweder eigene Modelle oder nutzen Open-Source-Optionen.

Es gibt gute Gründe, mehrere Modelle für verschiedene Anwendungen zu verwenden. Beispielsweise hebt eine Studie des MIT ein System hervor, das drei Modelle verwendet, die auf Sprach-, Sicht- und Aktionsdaten trainiert wurden, um Robotern bei der Planung und Ausführung von Aufgaben in Haushalts-, Bau- und Fertigungsumgebungen zu helfen. „Jedes Grundmodell erfasst einen anderen Aspekt des Entscheidungsprozesses und arbeitet zusammen, wenn Entscheidungen getroffen werden müssen“, erklärten die MIT-Forscher.

Dieser Trend führt zu einem sogenannten „Ensemble“-Ansatz bei KI, bei dem mehrere Modelle zusammenarbeiten, um Ergebnisse zu erzeugen, wie Erica Dingman in einem MovableInk-Post beschrieb. „Der Unterschied zwischen der Verwendung eines einzelnen Modells und eines Ensemble-Modells ist wie der Vergleich eines Solo-Violinisten mit einem vollständigen Orchester“, bemerkte sie. „Während jedes Instrument seinen Wert hat, erschaffen sie zusammen etwas wirklich Magisches.“ Darüber hinaus kann die Verwendung vielfältiger Datensätze und das kontinuierliche Aktualisieren und Trainieren eines Ensembles von Modellen dazu beitragen, Verzerrungen in KI-Ergebnissen zu verringern oder zu beseitigen.

Die weitreichende Akzeptanz und Vielfalt der Systeme, die KI-Modelle unterstützen, treiben diese Verbreitung voran. Laut der Umfrage von S&P und Vultr wird KI zunehmend am Edge eingesetzt. „Verteilte KI-Architekturen, bei denen der Edge eine entscheidende Rolle in Anwendungen spielt, die die Infrastruktur eines Unternehmens umfassen, werden wahrscheinlich zum Standard“, erklärten die Autoren der Umfrage. Eine überwältigende Mehrheit (85 %) der IT-Entscheider hält diesen Wandel in ihren Umgebungen für wahrscheinlich oder sehr wahrscheinlich, wobei 32 % ihn als „äußerst wahrscheinlich“ einschätzen.

Die Umfrage identifizierte Organisationen, die bei der KI-Einführung führend sind, und bezeichnete sie als solche mit „transformativen KI-Praktiken“. Die Hälfte dieser führenden Unternehmen schneidet auf operativer Ebene „deutlich besser“ ab als ihre Branchenkollegen. Nahezu alle dieser Führungskräfte berichteten von Verbesserungen ihrer Leistung von 2022 bis 2023 in verschiedenen Metriken, einschließlich Kundenzufriedenheit (90 %), Umsatz (91 %), Kostensenkung/Margenausweitung (88 %), Risikomanagement (87 %), Marketing (89 %) und Marktanteil (89 %).

In allen befragten Organisationen wird erwartet, dass die KI-Ausgaben die allgemeinen IT-Ausgaben übertreffen. Nahezu neun von zehn Unternehmen (88 %) planen, die KI-Ausgaben im Jahr 2025 zu erhöhen, wobei 49 % moderate bis signifikante Steigerungen erwarten.

Das schnelle Wachstum der KI-Nutzung bringt jedoch Herausforderungen mit sich, insbesondere in Bezug auf bestehende IT-Infrastrukturen. „Wenn es um KI-Aktivitäten mit hohem Bedarf wie Echtzeit-Inferenz geht, sind die Befragten besorgt, dass ihre derzeitige Infrastruktur möglicherweise nicht ausreicht“, stellten die Autoren der Umfrage fest. Die drei Hauptsorgen umfassen unzureichende CPU- oder GPU-Ressourcen (65 %), Probleme mit der Datenlokalität (53 %) und Speicherleistungsprobleme (50 %).

Die qualitativen Daten der Umfrage spiegelten diese Bedenken wider, wobei die Befragten Verzögerungen bei der Terminplanung für GPU-Instanzen mit höherer Kapazität in öffentlichen Clouds und mögliche Auswirkungen auf die Datenverfügbarkeit erwähnten. Darüber hinaus wächst die Sorge um die Kosten der Infrastruktur. „Kosten werden oft zu einem dringlicheren Problem, sobald Projekte in Produktion sind. Historisch gesehen hatten Organisationen Schwierigkeiten, diese Kosten genau vorherzusagen“, schlossen die Autoren.