So wie die meisten Unternehmen Multi-Cloud-Optionen und mehrere Datenbanken für unterschiedliche Zwecke bevorzugen, gibt es für jeden Bedarf ein Modell der künstlichen Intelligenz (KI). Eine Umfrage unter mehr als 1.000 IT-Entscheidungsträgern ergab, dass die fortschrittlichsten KI-Anwender Hunderte von Modellen gleichzeitig nutzen.
Wir befinden uns jetzt im Zeitalter der „Multimodell-KI“. Die durchschnittliche Anzahl verschiedener KI-Modelle, die derzeit im Einsatz sind, beträgt 158. Prognosen zufolge wird diese Zahl im nächsten Jahr auf 176 KI-Modelle ansteigen Umfrage von S&P Global Market Intelligence und unterstützt von Vultr.
Außerdem: Erleichtern KI-Tools die Gründung eines neuen Unternehmens? 5 Faktoren, die es zu berücksichtigen gilt
Die fortgeschrittensten Benutzer geben an, dass durchschnittlich 175 Modelle im Einsatz sind, was einem Anstieg von 14 % auf 200 Modelle pro Jahr entspricht. Die Befragten mit dem zweithöchsten KI-Reifegrad prognostizierten ein Wachstum der Anzahl von Modellen um 18 % gegenüber dem Vorjahr. Zwei Drittel der befragten Manager (66 %) bauen oder entwickeln eigene Modelle oder verwenden Open-Source-Modelle.
Es gibt praktische Gründe, mehrere Modelle in verschiedenen Anwendungsfällen anzuwenden. Bericht vom MIT befasst sich beispielsweise mit einem Beispiel eines Systems, das drei auf Sprach-, Seh- und Aktionsdaten trainierte Modelle verwendet, um Robotern bei der Entwicklung und Ausführung von Plänen für Haushalts-, Bau- und Fertigungsaufgaben zu helfen. „Jedes der verwendeten Grundmodelle erfasst einen anderen Teil des Entscheidungsprozesses und arbeitet dann zusammen, wenn es an der Zeit ist, eine Entscheidung zu treffen“, sagten die MIT-Forscher.
Was sich abzeichnet, ist ein „Ensemble“-Ansatz für KI, bei dem mehrere Modelle gleichzeitig in jeder Ausgabe arbeiten, wie Erica Dingman in erklärt pos für MovableInk. „Der Unterschied zwischen einem Einzelmodell-Ansatz und einem Ensemble-Modell ähnelt dem Unterschied zwischen einer einzelnen Violine und einem ganzen Orchester“, sagte er.
„Während jedes Instrument einen Mehrwert bietet, schaffen mehrere Instrumente zusammen etwas wirklich Magisches.“ Darüber hinaus kann die Verwendung mehrerer Datensätze und „eines Satzes kontinuierlich aktualisierter und trainierter Modelle“ dazu beitragen, Verzerrungen in der KI-Ausgabe zu reduzieren oder zu beseitigen.
Außerdem: Wann ist der richtige Zeitpunkt, in KI zu investieren? 4 Möglichkeiten, die Ihnen bei der Entscheidung helfen
Auch die weite Verbreitung und Vielfalt von Systemen, die KI-Modelle unterstützen oder von ihnen unterstützt werden, unterstützt die Verbreitung dieser Modelle. Umfragen von S&P und Vultr zeigen beispielsweise, dass KI immer mehr an den Rand rückt.
„Verteilte KI-Architekturen, bei denen der Edge die Hauptkomponente von Anwendungen ist, die sich über die Infrastruktur eines Unternehmens erstrecken, werden wahrscheinlich zur neuen Norm werden“, so die Autoren der Umfrage. Die Mehrheit (85 %) der befragten IT-Entscheidungsträger gab an, dass dieser Wandel in ihrer Umgebung wahrscheinlich oder sehr wahrscheinlich eintreten wird, wobei 32 % diesen Wandel für „sehr wahrscheinlich“ hielten.
Die Autoren der Studie deckten auf, was sie als Organisationen bezeichnen, die im KI-Bereich führend sind – Organisationen mit „transformationellen KI-Praktiken“. Die Hälfte dieser Transformatorenunternehmen schnitt im Vergleich zu Unternehmen auf operativer Ebene „viel besser“ ab als ihre Branchenkollegen. Fast alle Transformatorenunternehmen gaben an, dass sie ihre Leistung im Zeitraum 2022 bis 2023 im Vergleich zum Vorjahr in Bezug auf Kundenzufriedenheit (90 %), Umsatz (91 %), Kostensenkung/Margenerweiterung (88 %), Risiko (87 %) und Marketing verbessert haben. 89 %) und Marktanteil (89 %).
Außerdem: Agile Entwicklung kann die Kraft der generativen KI freisetzen – hier erfahren Sie, wie
Bei allen befragten Unternehmen wird der Umfrage zufolge erwartet, dass die KI-Ausgaben die allgemeinen IT-Ausgaben übersteigen. Fast neun von zehn Unternehmen (88 %) beabsichtigen, ihre KI-Ausgaben bis 2025 zu erhöhen, wobei 49 % moderate bis deutliche Steigerungen erwarten.
Hinter diesen steigenden Zahlen verbergen sich jedoch Herausforderungen im Zusammenhang mit den Anforderungen an die bestehende IT-Infrastruktur. „Bei der Betrachtung stark nachgefragter KI-Aktivitäten wie Echtzeit-Inferenz äußerten die Befragten Bedenken, dass die bestehende Infrastruktur dieser Aufgabe nicht gewachsen sein würde“, sagten die Autoren der Umfrage. Die drei größten Bedenken sind unzureichende CPU- oder GPU-Ressourcen (65 %), Probleme beim Datenstandort (53 %) und Probleme mit der Speicherleistung (50 %).
„Wir sehen, dass sich dies in den qualitativen Daten widerspiegelt. Die Befragten äußerten Bedenken hinsichtlich der Planungsverzögerungen bei GPU-Instanzen mit höherer Kapazität in öffentlichen Clouds und den möglichen Auswirkungen auf die Datenverfügbarkeit“, sagten die Autoren.
Außerdem: Mehr als nur Programmieren: KI bringt eine neue Generation von Berufsbildern hervor
„Wir stellen außerdem zunehmende Bedenken hinsichtlich der Auswirkungen der Infrastrukturkosten fest. Sobald ein Projekt in Produktion ist, werden die Kosten oft zu einem dringlicheren Problem. In der Vergangenheit hatten Unternehmen nur begrenzte Möglichkeiten, Kosten effektiv einzuschätzen.“
