Was ist AI as a Service?

„Artificial Intelligence as a Service“ bezeichnet sofort einsatzbereite KI-Tools. Sie ermöglichen es Unternehmen, KI-Verfahren zu einem Bruchteil der Kosten zu implementieren und zu skalieren.

Das Konzept „Everything-as-a-Service“ lässt sich auf jede Art von Software anwenden. Diese Softwarelösungen sind leicht zugänglich und können – dank Cloud-Computing – einfach über ein Netzwerk genutzt werden. In den meisten Fällen ist die Software direkt am Markt verfügbar. Sie lässt sich mit wenigen Anpassungen fast sofort einsetzen, selbst wenn sie nicht speziell auf das eigene System zugeschnitten ist.

Cloud-Dienste sind heute leicht zugänglich; damit ist auch KI für breitere Kreise verfügbar geworden. Unternehmen können riesige Datenmengen erfassen und speichern. Genau hier kommt „AI-as-a-Service“ ins Spiel.

Artificial Intelligence as a Service (AIaaS) ist ein von Drittanbietern bereitgestelltes KI-Angebot, das ausgelagert werden kann. Zudem ermöglicht AI as a Service Einzelpersonen und Unternehmen, für verschiedenste Zwecke mit KI zu experimentieren. Es sind keine hohen Anfangsinvestitionen erforderlich, und das Risiko ist geringer. Durch Experimente lassen sich verschiedene Public-Cloud-Plattformen ausprobieren, was beim Testen unterschiedlicher Algorithmen für maschinelles Lernen hilft.

In diesem Blogbeitrag erläutern wir, was AI as a Service ist, und betrachten die Vorteile, Herausforderungen sowie Anwendungsbereiche dieses Konzepts.

Wichtige Architekturkomponenten

KI-Infrastruktur

Die KI-Infrastruktur unterstützt die zugrundeliegenden KI- und ML-Modelle. Daten und Rechenleistung sind die beiden Säulen dieser Modelle.

KI-Daten

Werden große Datenmengen auf statistische Algorithmen angewendet, so stellen KI-Daten ein funktionales Modell des maschinellen Lernens (ML) dar. Diese Modelle lernen aus Mustern in vorhandenen Daten. Die Menge der Daten bestimmt dabei die Genauigkeit der Vorhersagen. So werden beispielsweise Deep-Learning-Netzwerke mit einer Vielzahl von Arztbriefen trainiert. Dies unterstützt ihre Weiterentwicklung und ermöglicht das Erkennen medizinischer Notfälle, von Krebs oder Tumoren.

KI-Computing

Zu den KI-Computing-Diensten gehören virtuelle Maschinen, Serverless Computing und Batch-Verarbeitung. Diese Rechenverfahren tragen dazu bei, die Parallelverarbeitung zu verbessern und ML-Aufgaben zu automatisieren. Apache Spark ist beispielsweise eine Engine für die Echtzeit-Datenverarbeitung mit einer skalierbaren ML-Bibliothek. Daten, die in virtuellen Maschinen und Containern für Berechnungen genutzt werden, helfen beim Training von ML-Modellen.

Dienstleistungen im Bereich Künstliche Intelligenz

Public-Cloud-Anbieter stellen APIs und Dienste bereit. Diese Dienste sind direkt verfügbar und erfordern für ihre Nutzung keine kundenspezifischen ML-Modelle. Sie profitieren von der zugrundeliegenden Infrastruktur, die sich im Besitz des Cloud-Anbieters befindet.

Kognitives Rechnen

Cognitive-Computing-APIs umfassen Spracherkennung, Textanalyse, Sprachübersetzung und Suchfunktionen. Entwickler greifen über REST-Endpunkte auf diese Dienste zu und integrieren sie mit einem einzigen API-Aufruf in Anwendungen.

Kundenspezifische Rechenlösungen

APIs erfüllen in Standardfällen ihren Zweck. Cloud-Anbieter setzen zunehmend auch auf maßgeschneiderte Computing-Lösungen. Dadurch erhalten Nutzer die Möglichkeit, Cognitive Computing mit eigenen Datensätzen zu nutzen. In diesem Szenario dienen die Daten der Anwender dazu, kognitive Dienste zu trainieren. Zudem verringert dieser maßgeschneiderte Ansatz den Zeit- und Arbeitsaufwand für die Auswahl geeigneter Algorithmen sowie für das Training der spezifischen Modelle.

Konversationelle KI

Die Welt macht sich zunehmend mit virtuellen Assistenten vertraut, da Endanwender KI annehmen. Daher unterstützen Cloud-Anbieter Entwickler dabei, Bots mithilfe von Bot-Diensten plattformübergreifend zu integrieren. Auch Web- und Mobilentwickler erweitern ihre Anwendungen mithilfe dieser Dienste um digitale Assistenten.

KI-Tools

Neben APIs und Infrastruktur bieten Cloud-Anbieter verschiedene Tools an. Diese Tools unterstützen Data Scientists und Entwickler. Zudem fördern sie die Nutzung von virtuellen Maschinen, Speicherlösungen und Datenbanken und sind auf Rechen- sowie Datenplattformen abgestimmt.

Zauberer

Für angehende Data Scientists stehen Assistenten zur Verfügung. Sie tragen dazu bei, die Komplexität beim Training von ML-Modellen zu verringern. Im Backend fungieren diese Tools als mandantenfähige Entwicklungsumgebung.

Integrierte Entwicklungsumgebung (IDE)

Vorausschauende Cloud-Anbieter investieren massiv in IDEs und portable Lösungen. Diese IDEs tragen dazu bei, das Testen von Modellen für maschinelles Lernen zu vereinfachen.

Tools zur Datenaufbereitung

Die Leistungsfähigkeit von ML-Modellen hängt zudem stark von der Datenqualität ab. Um eine maximale Effizienz der ML-Modelle zu gewährleisten, stellen Public-Cloud-Anbieter Tools zur Datenaufbereitung bereit. Diese Werkzeuge können auch ETL-Aufgaben (Extrahieren, Transformieren und Laden) übernehmen. Die Ergebnisse dieser ETL-Prozesse werden anschließend zu Trainings- und Bewertungszwecken in die ML-Pipeline eingespeist.

Rahmenwerke

Cloud-Anbieter stellen sofort einsatzbereite VM-Vorlagen zur Verfügung, die auf Frameworks wie TensorFlow, Apache MXNet und Torch basieren. Dies ist sinnvoll, da die Einrichtung, Installation und Konfiguration einer Data-Science-Umgebung oft komplex ist.

Solche VMs ermöglichen das Training komplexer neuronaler Netze und ML-Modelle – insbesondere durch GPU-Unterstützung. Auch Anbieter öffentlicher Clouds setzen verstärkt auf KI, um mehr Kunden für ihre Plattformen zu gewinnen. In den kommenden Jahren könnte sich „AIaaS“ (KI als Dienstleistung) als entscheidender Faktor im Bereich Computing und Datendienste erweisen.

Vorteile von AIaaS

Für erfolgreiche KI- und ML-Anwendungen sind zahlreiche parallele Systeme und leistungsstarke GPUs erforderlich. Vor der Einführung von AIaaS waren Unternehmen mit hohen Kosten für die Erstinvestition und die laufende Wartung konfrontiert. AIaaS ermöglicht es Unternehmen zudem, die Leistungsfähigkeit des maschinellen Lernens zu deutlich geringeren Kosten zu nutzen. So können sie sich weiterhin auf ihr Kerngeschäft konzentrieren. Zudem entfallen Schulungen und Ausgaben in Bereichen, die lediglich der Unterstützung von Entscheidungsprozessen dienen.

Hochwertige Infrastruktur zu niedrigen Kosten

Flexibilität

Neben den geringeren Kosten bietet das nutzungsbasierte AIaaS-Modell ein hohes Maß an Transparenz. Für den Betrieb von Machine-Learning-Anwendungen ist zudem eine hohe Rechenleistung erforderlich; allerdings benötigen Sie diese Leistung womöglich nur zeitweise und müssen die KI nicht durchgehend laufen lassen.

Benutzerfreundlichkeit

Obwohl viele KI-Lösungen Open Source sind, sind sie nicht immer einfach zu handhaben. Bei entsprechenden Dienstleistungen – insbesondere im Bereich Machine Learning – empfinden viele Nutzer das System als „Black Box“: Man kennt zwar die Eingabe und die Ausgabe, versteht aber die internen Abläufe nicht.

Zu diesen Abläufen gehört beispielsweise, welche Algorithmen zum Einsatz kommen und welche davon aktualisiert werden, sowie die Frage, welche Versionen zu welchem ​​Zeitpunkt gelten. Dies kann zu Verwirrung oder Missverständnissen hinsichtlich der Stabilität der Daten oder der Ergebnisse führen.

Skalierbarkeit

Mit AIaaS können Sie zunächst kleinere Projekte in Angriff nehmen. Dies hilft Ihnen zu beurteilen, ob der Ansatz für Sie geeignet ist, und vermittelt Ihnen ein besseres Verständnis Ihrer spezifischen Anforderungen. Zudem können Sie Ihren Service feinjustieren sowie – je nach Projektanforderungen und zunehmender Erfahrung mit Ihren eigenen Daten – die Kapazitäten nach oben oder unten anpassen.

Herausforderungen im Zusammenhang mit AIaaS

Verringerte Sicherheit

KI und maschinelles Lernen erfordern riesige Datenmengen. Hierfür muss Ihr Unternehmen diese Daten an Drittanbieter weitergeben. Um zu verhindern, dass unbefugt auf Daten zugegriffen, diese weitergegeben oder manipuliert werden, müssen die Datenspeicherung, der Datenzugriff sowie die Datenübertragung zu Servern abgesichert werden.

Vertrauen

Da Sie mit einem oder mehreren Dritten zusammenarbeiten, sind Sie darauf angewiesen, dass diese Ihnen die benötigten Informationen bereitstellen. Dies ist an sich kein Problem, kann jedoch zu Verzögerungen oder anderen Schwierigkeiten führen, sollten Probleme auftreten.

Verringerung der Transparenz

Bei AIaaS erwerben Sie den Dienst, nicht jedoch den Zugriff darauf. Manche vergleichen solche Serviceangebote – insbesondere im Bereich des maschinellen Lernens (ML) – mit einer „Black Box“: Man kennt zwar die Ein- und Ausgabedaten, ist sich jedoch der internen Abläufe nicht bewusst – etwa darüber, welche Algorithmen zum Einsatz kommen, ob diese aktualisiert werden und welche Versionen für welche Daten gelten. Dies kann zu Unklarheiten oder Missverständnissen hinsichtlich der Stabilität Ihrer Daten oder der Ergebnisse führen.

Daten-Governance

Bestimmte Branchen können einschränken, ob oder wie Daten in einer Cloud gespeichert werden dürfen. Dies kann zudem verhindern, dass Ihr Unternehmen bestimmte Arten von AIaaS nutzt.

Langzeitkosten

Bei jedem „As-a-Service“-Angebot können sich die Kosten summieren – und AIaaS bildet da keine Ausnahme. Wenn Sie sich intensiver mit KI und maschinellem Lernen befassen, suchen Sie womöglich nach komplexeren Lösungen. Diese sind oft teurer und erfordern die Einstellung sowie Schulung von Personal mit spezifischem Fachwissen. Doch wie bei allem können sich diese Kosten auch als lohnende Investition für Ihr Unternehmen erweisen.

Anwendungsfälle für Artificial Intelligence as a Service

Bilderkennung

Bilderkennungssysteme analysieren Bilder, um Orte, Personen und Objekte zu identifizieren und daraus Schlüsse zu ziehen. Diese KI-gestützten Systeme werden von Duos Technology eingesetzt, um die Inspektion von Zügen während der Fahrt auf den Gleisen zu automatisieren.

Empfehlungssysteme

Diese Systeme schlagen einem bestimmten Kunden auf der Grundlage von Mustern und Präferenzen die relevantesten Inhalte vor. Dies ist bei Taboola der Fall, wo die KI-Modelle kontinuierlich trainiert werden, um Inhaltsempfehlungen in enormem Umfang bereitzustellen. Dabei werden passende Empfehlungen ausgespielt – und das 30 Milliarden Mal täglich auf 4 Milliarden Webseiten, bei einer Verarbeitung von bis zu 150.000 Anfragen pro Sekunde.

Verarbeitung natürlicher Sprache

NLP-Systeme nutzen computergenerierte Sprache und Texte. Sie interagieren in Echtzeit mit Kunden. Converge Technology Solutions unterstützte eine internationale Entwicklungsbank bei der Implementierung KI-gestützter NLP-Systeme, um Kommunikationsbarrieren innerhalb der Organisation zu überwinden. Die Organisation ist an 29 Standorten in Nord- und Südamerika tätig und nutzt vier Sprachen.

Aufdeckung von Betrug

Ein KI-System erkennt unbefugte Finanzaktivitäten und verhindert Betrug. MasterCard veranschaulicht die Leistungsfähigkeit dieser KI-gestützten Systeme am besten. Das Unternehmen prüft jede Transaktion anhand von 1,9 Millionen Regeln und verarbeitet zudem 165 Millionen Transaktionen pro Stunde mithilfe von Algorithmen für maschinelles Lernen. All dies geschieht in Millisekunden.

Autonome Fahrzeuge

Autonome Fahrzeuge erhöhen die Sicherheit. Sie nutzen Technologien, die es ihnen ermöglichen, ihre Umgebung wahrzunehmen, zu erfassen und darauf zu reagieren. Dies gilt auch für die Systeme von OTTO Motors. OTTO Motors digitalisiert den Materialfluss – und zwar durch den Einsatz modernster autonomer Technologie.

Abschluss

Als wachsender Markt bietet AIaaS zahlreiche Vorteile, von denen frühe Anwender bereits profitieren. Doch die damit verbundenen Nachteile zeigen auch, dass noch viel Raum für Verbesserungen besteht.

Bei der Entwicklung von AIaaS gibt es zwar noch Hürden, doch ist das Konzept ebenso wichtig wie andere „As-a-Service“-Angebote. Indem diese Dienste nicht mehr nur in den Händen weniger liegen, können weitaus mehr Unternehmen von der Leistungsfähigkeit von KI und ML profitieren.