Die ewige IT-Strategiefrage

„Make or Buy“ von KI-Modellen

Sollten sie ihre eigenen KI-Modelle entwickeln oder ein fertiges Modell von einem Anbieter kaufen? Viele Unternehmen stehen vor dieser entscheidenden Frage.

Diese Entscheidung ist für KI-Modelle nicht einfach zwischen Schwarz und Weiß zu treffen. Es gibt viele Faktoren, die berücksichtigt werden müssen, bevor man sich für einen Weg entscheidet. Zu diesen zählt die Geschäftsstrategie des Unternehmens, die Risikotoleranz und die entstehenden Kosten. Jedoch auch, inwieweit die vorhandene Datensammlung und die Datenanalyse Methoden des Unternehmens genutzt und in den Dienst der KI gestellt werden kann.

Die „Make or Buy“ Frage gibt es bereits seit langer Zeit im KI-Bereich. Für mächtige Foundation Models wie GPT oder Bard stellt sich die Frage für die meisten Unternehmen nicht wirklich Die Investitionen und Risiken solcher Vorhaben sind für Unternehmen nahezu unlösbar. Ganz zu schweigen von den enormen Datenmengen, die zum Trainieren dieser mächtigen Transformer-Modelle notwendig sind. Setzen wir auf einer abstrakten Ebene an, um uns dem Problem zu nähern.

Als strategischer Begleiter von Unternehmen und KI-Teams haben wir in mehr als 8 Jahren Erfahrungen und relevantes Wissen gesammelt, um Fragen zur „Make or Buy“ Entscheidung zu beantworten. In unserer Beitragsreihe klären wir über die Vor- und Nachteile verschiedener Varianten auf.

Eigene KI-Modelle bauen

Je nach Anwendungsfall gibt es vielerlei Arten von mathematischen Modellen, die Aufgaben des Maschinellen Lernens erfüllen. Von Bilderkennung über Vorhersagen von Zeitreihenbasierten Daten bis hin zu großen Sprachmodellen und NLP (Natural Language Processing). Das Spektrum der Methoden hinter diesen Anwendungsfeldern ist enorm gewachsen.

Entsprechend der konkreten Anforderung bringt die Entwicklung eigener KI-Modelle viele Vorteile mit sich. Unternehmen haben volle Kontrolle über den Entwicklungsprozess und können maßgeschneiderte Lösungen schaffen. Diese sind genau auf ihre spezifischen Bedürfnisse zugeschnitten und in ihre Systemlandschaft integrierbar. Dabei können unternehmenseigene Daten optimal genutzt und in das KI-Modell integriert werden, wobei die Art der Realisierung solcher Projekte exakt auf Compliance Prozesse und Datenschutzanforderungen zugeschnitten werden können.

Auf der anderen Seite stehen jedoch auch Herausforderungen. Der Entwicklungsprozess eines eigenen KI-Modells ist zeitaufwendig und ressourcenintensiv. Insbesondere erfordert die Realisierung, Pflege und Weiterentwicklung der Modelle über die Zeit hinweg fortlaufende Anstrengungen. Diese können nur mit einem festen Team von Fachleuten für maschinelles Lernen und Datenanalyse im Unternehmen oder externen Fachexperten realisiert werden.

Vortrainierte KI-Modelle einkaufen

Die andere Option, nämlich das Kaufen eines vortrainierten KI-Modells, bringt den Vorteil einer schnellen und einfachen Implementierung mit sich. Moderne Sprachmodelle haben die Tür zu innovativen Technologien, wie z.B. die Analyse von Podcasts, geöffnet.

Zu prüfen gilt hierbei, inwiefern der Anbieter auch die Wartung des Modells übernimmt, da dies dem Unternehmen viel Zeit und Mühe ersparen kann. Der Nachteil liegt jedoch darin, dass weniger Möglichkeiten zur Anpassung vorhanden sind. Vortrainierte Modelle sind oft Allzweck-Lösungen, die auf breitem Wissen aufgebaut sind. Sie sind in der Regel nicht auf die speziellen Anforderungen eines einzelnen Unternehmens zugeschnitten. Unternehmensspezifische oder gar schützenswerte Informationen sind nicht im Modell enthalten. Hier gilt es zu überlegen, inwiefern der Anbieter der Modelle entsprechende Services oder Schnittstellen anbietet, um diese unternehmensspezifischen Daten zu integrieren. Das Unternehmen seinerseits muss sich darüber klar werden, inwiefern es die Kontrolle über die Nutzung und den Schutz seiner Daten aus der Hand geben kann, wenn sich für ein externes, angepasstes Modell entschieden wird.

Hybrid-Modelle

Die Komplexität des Themas und die individuellen Bedarfe von Unternehmen führen zu keiner eindeutigen Antwort auf die Frage. Eine derart bedeutsame Entscheidung führt oft zu Überlegungen einer Kombination aus beiden Möglichkeiten. Hybridoptionen stellen oft den optimalen Weg dar, da sie die Vorteile beider Welten vereinen. Sie kombinieren die Flexibilität der individuellen Anpassung mit der Geschwindigkeit und Effizienz vorgefertigter Lösungen. Die Herausforderung liegt darin, reibungslos unterschiedliche Systeme und Daten miteinander zu verknüpfen. Big Data Strategien scheinen in diesem Kontext also unerlässlich zu sein, um nicht blind auf willkürliche Ziele zuzusteuern. Hybridansätze ermöglichen es, bewährte KI-Modelle zu nutzen und gleichzeitig maßgeschneiderte Anpassungen über Daten und Workflow-Integrationen einzubringen. Dieser Weg kann je nach Bedarf und Datenlage zwischen Standardlösungen und individuellen Anforderungen ausbalanciert werden.

Jedes Unternehmen sollte eine eigene Strategie bereits vor dem Start in das „Abenteuer KI“ individuell erarbeiten, so dass auf die „Make or Buy“ Frage eine bedarfsgerechte Antwort gefunden wird. Die rein technische Betrachtung von datengesteuerten Lösungen, sowie strategische Fragen rund um das Geschäftsmodell, die Marktentwicklungen, das Personal, die Daten-Infrastruktur und Datensicherheit sowie die zu erwartenden Kosten spielen eine enorme Rolle.

Aber keine Sorge! Kein Unternehmen muss diesen Weg, die Implementierung von künstlicher Intelligenz, allein beschreiten. epicinsights begleitet Unternehmen in jedem Schritt ihrer KI-Initiativen seit 8 Jahren. Durch maßgeschneiderte KI-Workshops adressieren wir individuelle Bedürfnisse von Unternehmen und bauen eine Roadmap zur Beantwortung der „Make or Buy“ Frage auf.