„Viele Branchen untersuchen, wie klassisches, deterministisches oder wissenschaftlich-technisches High-Performance-Computing in Verbindung mit KI oder maschinellem Lernen genutzt werden kann, um ein gemischtes Modell zu entwickeln, das effizienter ist“, sagt Addison Snell, CEO von Intersect360 Research.
Das Training von KI-Modellen beinhaltet einen kritischen Prozess, der als „Inferenz“ bekannt ist. Insbesondere die generative KI benötigt einen größeren Datensatz, um ihre Algorithmen zu verbessern.
Wichtige Erkenntnisse
Erstens:„Mir ging ein Licht auf, als ich erkannte, dass es heute keine Standardlösung gibt, die für alle passt, es sei denn, man ist in einer relativ einfachen Branche tätig“, sagt Rui Lopes, Direktor für die Bewertung neuer Technologien bei Elekta, einem Hersteller von Präzisionsstrahlentherapielösungen.
Zweitens: In der Benchmark-Umfrage der AI InfrastructureView 2021 wurde festgestellt, dass speziell entwickelte, aber unzureichende Infrastrukturen eine häufige Ursache für das Scheitern von KI-Projekten sind. Im Zusammenhang mit einer Studie, die zeigt, dass sich die Computing-Anforderungen für groß angelegte KI-Modelle von 2016 bis 2022 alle 10,7 Monate verdoppelt haben, unterstreicht das die zunehmenden Anforderungen der KI-Technologie.
Investitionstrends
John-David Lovelock, Senior Analyst bei Gartner, betont: „In den Jahren 2023 und 2024 werden nur sehr wenige IT-Ausgaben auf generative KI entfallen.“ Trotzdem investieren Unternehmen weiterhin in KI und Automatisierung, um die betriebliche Effizienz zu steigern und Personallücken in der IT zu schließen.
Laut einer Umfrage der AI Infrastructure Alliance aus dem Jahr 2022 legt ein Großteil der Unternehmen (43 %) beim Einstieg in die KI den Schwerpunkt auf die Sammlung, Kuratierung und Bereinigung von Daten als ersten Schritt.
Langlebigkeit der Daten
Verschiedene Sektoren verlangen unterschiedliche Aufbewahrungsfristen für Daten. Im Gesundheitswesen können Daten bis zu einem Jahrhundert lang aufbewahrt werden, entsprechend der Lebenserwartung und dem erweiterten Nutzen von Patienteninformationen. Andere Unternehmen hingegen bewahren ihre Daten beispielsweise 15 bis 20 Jahre lang auf, was sich an den Wirtschaftszyklen und globalen Krisen orientiert.
Legacy-Systeme und Datenerhalt
Orlando Ribas Fernandes, CEO und Mitbegründer von Fashable, stellt eine Analogie auf: „So wie Textverarbeitungsprogramme zu alltäglichen Werkzeugen wurden, um die allgemeine Produktivität zu steigern, wird KI zu einem alltäglichen Werkzeug für Unternehmen werden, um Innovationen zu fördern.“
Ein kritischer Punkt ist die Umstellung der IT-Systeme, einschließlich der ERP-Systeme. Unzureichende Aufmerksamkeit während dieser Migrationsphase kann zu vorzeitigen Datenverlusten führen und die Bereitschaft für eine effektive KI-Nutzung senken.
Große Unternehmen sind aufgrund ihrer riesigen historischen Datenbestände gut positioniert, um KI-Fortschritte voranzutreiben. Ein Beispiel dafür ist der Übergang innerhalb der SAP-Kundenbasis vom ECC-System zur neueren S/4HANA-Anwendung. Legacy-Systeme, die für die Speicherung unschätzbarer historischer Daten von entscheidender Bedeutung sind, sind mit Bedrohungen wie technischen Schulden und erhöhten Schwachstellen konfrontiert, wie die jüngsten Sicherheitslücken in der Curl-Bibliothek (CVE-2023-38545 und CVE-2023-38546) zeigen.
Fehlinterpretationen des Datenschutzes haben außerdem zu drastischen Praktiken der Vorratsdatenspeicherung geführt, die oft unnötige Massenlöschungen von Daten zur Folge haben.
Lösungen wie ELSA
ELSA von TJC bietet einen maßgeschneiderten Ansatz für die Verwaltung von Legacy-Systemen, der eine sichere Dekommissionierung bei gleichzeitigem Schutz wichtiger Daten und der Einhaltung von Datenschutzstandards ermöglicht. Damit ist ELSA ein entscheidender Faktor für die Wahrung der Datenintegrität, die für künftige KI-Möglichkeiten unerlässlich ist. Weitere Informationen zu ELSA finden Sie unter https://www.tjc-group.com/resource/elsa-by-tjc-for-legacy-system-decommissioning/.
Fazit
Derzeit konzentrieren sich die Ausgaben für KI auf KI-Modelle, doch Analysten prognostizieren einen bemerkenswerten Anstieg der Budgets für generative KI um das Jahr 2025. Damit dieses immense Potenzial jedoch voll ausgeschöpft werden kann, sind der Schutz und die sorgfältige Verwaltung der Daten von Legacy-Systemen von größter Bedeutung. Lösungen wie ELSA von TJC zeichnen sich dadurch aus, dass sie moderne Technologien in Verbindung mit einer flexiblen, zweckgebundenen Infrastruktur bieten. Solche innovativen Lösungen sind entscheidend für den Schutz von Legacy-Anwendungen und stellen sicher, dass die riesigen Reserven historischer Daten erhalten bleiben und bei der Entwicklung und Erweiterung von KI-Funktionen effektiv genutzt werden.
Gleich nach der Veröffentlichung dieses Artikels stieß ich auf diesen aktuellen Artikel von McKinsey Digital: https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-data-dividend-fueling-generative-ai
Punkt Nr. 4 steht in direktem Zusammenhang mit diesem Blogpost: „Konzentration auf die Sicherung der unternehmenseigenen Daten und den Schutz personenbezogener Informationen bei gleichzeitiger aktiver Überwachung eines fluiden regulatorischen Umfelds“. Der Artikel von McKinsey befasst sich eingehender mit der Förderung der generativen KI. Die Quintessenz bleibt dieselbe: Keine Daten, kein Treibstoff. Kein Treibstoff, keine Dividende.
