Generative KI hat in den letzten Jahren bemerkenswerte Fortschritte erzielt. Dies ist auch auf die steigende Zahl von Entwicklern zurückzuführen, die über ein immer umfangreicheres Know-how verfügen. Doch eine Frage brennt Unternehmen wie Investoren unter den Nägeln: Wann lässt sich mithilfe von KI die betriebliche Effizienz auf das nächste Level heben? Aerospike sieht drei wesentliche Ansatzpunkte, die es hierfür 2025 anzupacken gilt.
Künstliche Intelligenz (KI) geht mittlerweile weit über die bekannten Large Language Models (LLMs) GPT-4, Claude, Cohere, Gemini oder Llama hinaus. Diese Modelle verstehen Sprache und Bilder hervorragend und können auch Erkenntnisse extrapolieren. Deutlich erweitert werden die Fähigkeiten von GenAI nun aber durch Small Language Models (SLMs), die sich durch ihre Spezialisierung und Effizienz auszeichnen.
Zudem tragen auf Vektoren oder Wissensgraphen basierende Technologien wie Retrieval-Augmented Generation (RAG) zum Fortschritt generativer KI bei. Denn RAG liefert LLM-basierten Systemen zusätzlichen Kontext, indem die Trainingsdaten um Informationen aus externen, verlässlichen Wissensquellen ergänzt werden.
Damit sind präzisere Antworten und ein besserer Umgang mit Halluzinationen oder falschen Antworten möglich, was für zuverlässigere KI-generierte Ergebnisse sorgt. Darüber hinaus sind mit generativer KI leistungsfähigere Chatbots möglich, mit deren Hilfe Unternehmen sowohl Kosten reduzieren wie auch die Kundenzufriedenheit steigern können.
Aber ist damit das gesamte Potenzial von Generative Artificial Intelligence (GenAI) bereits ausgeschöpft? Keineswegs! Unternehmen und Investoren wenden enorme Summen auf, um die Fähigkeiten der Basis-LLMs zu erweitern und um neue, branchenspezifische SLMs zu trainieren. Und ihre drängendste Frage ist: Wann werden wir mithilfe von generativer KI endlich Effizienzsteigerungen im großen Stil sehen?
1. Größtmögliche Datenmengen vorhalten und managen
Generative KI stützt sich auf unterschiedlichste Informationen: strukturierte, unstrukturierte, interne und externe Daten. Damit ist das Potenzial von GenAI abhängig von dem Datenökosystem, das zum Training, zur Feinabstimmung und für RAG-Prozesse eingesetzt wird.
Für branchen- oder unternehmensspezifische Modelle müssen Unternehmen allerdings gewaltige Datenmengen über lange Zeiträume vorhalten. Denn wir wissen heute noch nicht, welche Fragen wir morgen an die KI haben werden. Und welche Daten es dann braucht, um diese zu beantworten.
„Ein Beispiel für eine solche Fragestellung ist die weltweit neue geopolitische Ausrichtung globaler Lieferketten. Seit sich in der Corona-Pandemie die negative Auswirkung einer zu starken Abhängigkeit von China zeigte, sind neue Lösungen gefragt“, erklärt Lenley Hensarling, Technical Advisor bei Aerospike.
„Doch um alternative Lieferketten zu entwickeln und belastbare Was-wäre-wenn-Szenarien zu erstellen, braucht es beispielsweise Informationen zu Herstellern ähnlicher oder gleichwertiger Komponenten weltweit. Da diese Daten in der Vergangenheit jedoch nicht relevant waren, wurden sie auch nicht vorgehalten. Das gilt es zu ändern.“
Umfangreiche Datenmengen vorzuhalten und zu managen ist künftig nicht mehr optional, sondern zwingend. Erst durch das Verbinden historischer Daten mit aktuellen Erkenntnissen können Unternehmen mithilfe Künstlicher Intelligenz echten Mehrwert generieren, anstatt mit KI nur zu experimentieren.
2. Informationslücken plattformübergreifend schließen
Technologien für GenAI-Datenökosysteme sind zwar vorhanden, werden aber nur punktuell eingesetzt. Echtzeiteinblicke in Transaktions- und IoT-Daten oder das Kundenverhalten existieren häufig lediglich isoliert. Unternehmen werden sich daher 2025 darauf konzentrieren, diese Lücken zu schließen.
Dafür gilt es Datenplattformen so zu erweitern, dass sie Vektordaten, Ähnlichkeitssuche, Wissensgraphen und Rohdatenspeicher für unterschiedliche Datentypen gleichermaßen unterstützen. Damit dies gelingt, braucht es einen Kompromiss zwischen Datenverfügbarkeit und Datenkontrolle.
Während einerseits mehr Informationen für eine breitere Verwendung bereitgestellt werden müssen, müssen andererseits auch gesetzliche Vorschriften eingehalten und sensible Daten geschützt werden. Doch erst die Abkehr von einfachen Chatbot-Anwendungen hin zur echten Integration generativer KI in betriebliche Kernsysteme verspricht neue Erkenntnisse und Möglichkeiten der Unternehmenssteuerung.
Eine Herausforderung dabei ist, dass der Prozess vom Proof-of-Concept über die Teststellung bis hin zum tatsächlichen Einsatz bestehende Systeme stark belastet. Und dabei waren die ersten Gehversuche noch vergleichsweise einfach. Denn ein breiterer KI-Einsatz erfordert nun generative KI-Datenplattformen, die sowohl einen massiven parallelen User-Zugriff unterstützen und gleichzeitig große Datenmengen schnell und kontinuierlich speichern und verarbeiten können.
3. Generative KI durch Echtzeitdaten verbessern
Der tatsächliche Wert von GenAI wird sich erst dann zeigen, wenn Unternehmen KI-Anwendungen in großem Umfang in ihre Kernsysteme integrieren. Bisher haben die meisten Firmen nur vorsichtig mit KI-Tools experimentiert. 2025 wird hier einen Wendepunkt markieren.
Denn Unternehmen werden beginnen, generative KI stärker in ihre Systeme für Kundensupport, Fertigung, Lieferkettenmanagement oder Finanzen zu integrieren. Hierfür braucht es Tools, die zum einen die Datenbereitstellung und -nachverfolgung und zum anderen GenAI-Modelle managen und Aufschluss darüber geben, wie und wo Daten verwendet werden.
Wir wissen mittlerweile, dass allgemeine, generische Antworten oft fehlerbehaftet sind. Damit generative KI effektiv ist, muss sie um spezifische Echtzeitdaten in Form von Vektoren und Graphen erweitert werden. Sowohl In-House-Lösungen von Unternehmen als auch die Lösungsangebote großer Hersteller wie Oracle, SAP und Workday werden diese Erkenntnisse 2025 widerspiegeln.
Fazit
Es braucht robuste Datenökosysteme, damit Unternehmen über das Stadium des Experimentierens hinauskommen und beginnen, GenAI in ihre Kernsysteme zu integrieren. Die Plattformen dafür werden sich in den kommenden Jahren weiterentwickeln und dazu beitragen, die Effizienz und den Geschäftswert von Unternehmen zu steigern. Firmen, welche die Herausforderungen des Datenmanagements und der Plattformintegration erfolgreich meistern, werden im Bereich der KI-Nutzung künftig führend sein.