KI im Cloud Computing: 5 Gründe, warum Ihr Unternehmen sie braucht

Künstliche Intelligenz aus der Cloud

1. Teil: „Künstliche Intelligenz aus der Cloud“

Künstliche Intelligenz aus der Cloud Autor: Bernd Reder Shutterstock / whiteMocca Mit Artificial Intelligence as a Service lassen sich KI-Projekte schneller umsetzen. Für die meisten Unternehmen ist klar, dass an Künstlicher Intelligenz (KI) und maschinellem Lernen (ML) kein Weg vorbeiführt. „Noch vor drei bis vier Jahren befanden wir uns in der Phase des ‚Kennenlernens‘. Heute sagen über 80 Prozent der Verantwortlichen, dass der Einsatz von KI mittelfristig zu Wettbewerbsvorteilen führt“, erklärt Benedikt Bonnmann, Leiter Line of Business Data & Analytics bei Adesso. Diese Daten stammen aus der Studie „KI – eine Bestandsaufnahme“ des IT-Dienstleisters. Für Bonnmann ist KI kein „Hype-Thema“, das in ein paar Jahren wieder verschwindet: „Künstliche Intelligenz ist eines der Felder, auf dem sich die Zukunftsfähigkeit von Unternehmen und des gesamten Standorts Deutschland entscheidet“, ergänzt er. Google, das über seine Google Cloud Platform eine große Palette von KI-Services vermarktet, sieht das ähnlich: „Wir verstehen Künstliche Intelligenz vor allem als transformatorische Kraft im Unternehmen, die alles und jeden verändern kann. Damit ist KI nicht länger ein Teil der IT-Strategie, sondern der Unternehmensstrategie“, betont Stefan Ebener, Head of Customer Engineering für Google Cloud. Doch wie können Unternehmen und öffentliche Einrichtungen mit akzeptablem Aufwand Use-Cases und Anwendungen im Bereich KI entwickeln? Laut Cloud-Service-Providern, Beratungshäusern und IT-Dienstleistern sind KI-Services aus der Cloud (Artificial Intelligence as a Service, AIaaS) eine tragfähige Option, um dieses Ziel zu erreichen. Das Bereitstellungsmodell ist dasselbe wie bei Office-Paketen, IT-Sicherheitslösungen und Geschäfts-Software: Die KI- und Machine-Learning-Lösungen inklusive der erforderlichen Server, Storage-Komponenten und Netzwerksysteme stehen über eine Public Cloud zur Verfügung. Nutzer können solche Services bei einem großen Cloud-Provider (Hyperscaler) buchen, also bei Amazon Web Ser­vices (AWS), Google (Google Cloud Platform) und Microsoft (Azure). Doch auch IT-Dienstleister und Provider wie IBM, Capgemini, Adesso, OVHcloud und Lufthansa Industry Solutions stellen AIaaS zur Verfügung. Teils greifen sie dabei auf die Plattformen der Hyperscaler zurück. „Global AI Adoption Index 2021“, IBM und Morning Consult Quelle: AI as a Service – Einsatz weltweit

2. Teil: „Die Vorteile von AI as a Service“

Die Vorteile von AI as a Service Solche KI-Angebote aus der Cloud stoßen in Deutschland auf reges Interesse, erläutert Julian Staub, Technology Consultant bei Lufthansa Industry Solutions (LHIND): „Die Bereitschaft zum AIaaS-Einsatz ist hoch. Das gilt vor allem für kleinere Unternehmen und Behörden, die meist wenig Expertise im Bereich KI haben.“ Solche Nutzer erhalten Staub zufolge ein Lösungspaket, das sie bei KI und maschinellem Lernen (ML) technisch gesehen in „die gleiche Liga“ aufsteigen lässt wie größere Unternehmen. Im Detail schätzen deutsche Unternehmen den geringeren Zeitaufwand, den das Umsetzen von KI-Projekten mithilfe der Cloud erfordert, so Rüdiger Eberlein, Chief Technology Officer Insights & Data beim IT- und Beratungshaus Capgemini. Dazu tragen vorgefertigte Funktionsbausteine für KI-Lösungen bei, die sich in einer Cloud sofort nutzen lassen. „Vorteilhaft ist außerdem die einfache Skalierbarkeit bei ressourcenintensiven Aufgaben wie dem Training von Machine-Learning-Modellen“, weiß Eberlein. Lins, S., Pandl, K. D., Teigeler, H., Thiebes, S., Bayer, C., Sunyaev, A.: „Artificial Intelligence as a Service“. Institut AIFB, Karlsruher Institut für Technologie (KIT). In: SpringerLink, 2021 Quelle: Elemente eines AIaaS-Stacks Wichtig sei bei AIaaS zudem das Unterstützen agiler Arbeitsweisen. So lassen sich mit AIaaS Ideen ohne große Investitionen und lange Einkaufsprozesse validieren. „Im Fall eines positiven Ergebnisses lässt sich die KI-Lösung rasch erweitern, Stichwort Skalierbarkeit. Bleiben dagegen die Erfolge aus, kann ein Unternehmen den Versuch abbrechen, ohne dass weitere Kosten anfallen“, so Eberlein. Vorteile und Herausforderungen von AI as a Service Vorteile: Große Auswahl von Tools, Modellen und Frameworks, vor allem bei den Cloud-Hyperscalern

Schnelle Bereitstellung von KI- und Machine-Learning-Services

Zugang zu vorgefertigten Funktionsbausteinen und Modellen, die sich sofort nutzen lassen

Möglichkeit, mit überschaubarem personellen und finanziellen Aufwand Erfahrungen mit KI und ML zu sammeln

Hohe Flexibilität

Hohe Zuverlässigkeit, Sicherheit und Skalierbarkeit von Cloud-Plattformen, auch in Bezug auf Rechenleistung, Storage- und Netzwerkressourcen

Unterstützung agiler Arbeitsweisen wie MLOps und DataOps Herausforderungen: Mangelndes Know-how in den Bereichen KI, Machine Learning und Data Science: Abhilfe durch Aus- und Weiterbildung eigener Mitarbeiter, unter anderem durch cloudbasierte Trainingskurse

Data Governance: Daten verteilen sich auf separate, abgeschottete Datensilos. Lösung: Einrichtung einer übergreifenden Data Fabric

Unzureichende Datenqualität

Schutz von Daten und Einhaltung von Datenschutzvorgaben (DSGVO). Lösung: Hybrid-Clouds mit On-Premise-Verarbeitung von sensiblen Informationen. Zudem Nutzung von Cloud-Ressourcen und Providern, die regionale Speicherung und Verarbeitung von KI-/ML-Daten und -Modellen anbieten. Das ist mittlerweile auch bei Hyperscalern wie AWS, Google und Microsoft gegeben

Abhängigkeit von einem einzelnen Cloud-Service-Provider. Abhilfe: Einsatz von KI-/ML-Lösungen, die auf Plattformen mehrerer Provider laufen. Außerdem Zusammenarbeit mit IT-Dienstleistern, die solche Multi-Cloud-Modelle anbieten und auch deren Betrieb übernehmen können (Managed Service) Tabelle öffnen

3. Teil: „Für Fachabteilungen und Entwickler“

Für Fachabteilungen und Entwickler Bei KI als Cloud-Service sind mehrere Ansätze zu unterscheiden, von Programmierschnittstellen (APIs) für Cognitive Computing über schlüsselfertige KI- und Machine-Learning-Anwendungen bis hin zu Entwicklungs-Tools, Frameworks und Managed Services (siehe Kasten „Vier Typen von AIaaS“). „Bei User-zentrierten AI-Lösungen nutzt der Anwender fertige Tools und Assets, um ein Geschäftsproblem zu lösen“, sagt Marlene Heinrichs, Manager MVP Team (Minimum Viable Product, d. Red.) von IBM Deutschland, Österreich und Schweiz. Ein Vorteil ist, dass auch technisch weniger versierte Business-User solche Werkzeuge bedienen und an ihre Anforderungen anpassen können. Dazu tragen Ansätze wie Low-Code und No-Code bei. Solche vortrainierten und sofort einsatzbereiten AIaaS-Produkte „aus der Steckdose“ stellen beispielsweise Anbieter wie AWS, Google und Microsoft, aber auch IBM und andere Service-Provider über ihre Cloud-Plattformen bereit. „Es handelt sich in unserem Fall um ein Portfolio von Microservices, die als Baukasten zur Verfügung stehen“, so Heinrichs. Solche Services kann ein Nutzer beispielsweise mit eigenen Apps kombinieren und diese um KI-Funktionen erweitern. Entwickler, Data Scientists und Analysten können zusätzlich auf spezielle AIaaS-Angebote zugreifen, die für technisch anspruchsvollere Projekte ausgelegt sind. Sie erlauben es, KI-Modelle zu erstellen, zu testen und zu verwalten. Zu dieser Kategorie zählt etwa das Tool-Set Watson Studio von IBM. Vier Typen von AI as a Service Das Beratungs- und IT-Unternehmen BMC Software unterscheidet vier Typen von AI-as-a-Service-Angeboten: Application Programming Interfaces (APIs) für Cognitive Computing (Computermodelle, die menschliche Denkprozesse simulieren): Diese APIs ermöglichen es, solche Modelle zu nutzen, ohne den dazugehörigen Code neu zu entwickeln. Einsatzfelder sind das Erkennen von Gesichtern und Emotionen sowie Computer-Vision (Bildanalyse und -verarbeitung).

(Computermodelle, die menschliche Denkprozesse simulieren): Diese APIs ermöglichen es, solche Modelle zu nutzen, ohne den dazugehörigen Code neu zu entwickeln. Einsatzfelder sind das Erkennen von Gesichtern und Emotionen sowie Computer-Vision (Bildanalyse und -verarbeitung). Chatbots und virtuelle Assistenten: Dazu zählen Sprachassistenten wie Amazon Alexa oder Apple Siri. Sie können Informationen bereitstellen, die der Nutzer per Spracheingaben anfordert. Zu den Technologien, die dabei zum Einsatz kommen, zählen Natural Language Processing (NLP), Knowledge-Mapping (Über­setzen von Wissen und Informationsflüssen in gra­fische Darstellungen) und Suchfunktionen.

Dazu zählen Sprachassistenten wie Amazon Alexa oder Apple Siri. Sie können Informationen bereitstellen, die der Nutzer per Spracheingaben anfordert. Zu den Technologien, die dabei zum Einsatz kommen, zählen Natural Language Processing (NLP), Knowledge-Mapping (Über­setzen von Wissen und Informationsflüssen in gra­fische Darstellungen) und Suchfunktionen. Frameworks für KI und maschinelles Lernen: Sie erlauben es Entwicklern, eigene KI-und Machine-Learning-Modelle zu erstellen, ohne dass dazu große Datenmengen erforderlich sind. Beispiele für solche Frameworks sind Tensorflow (aus der Google-Familie, Microsoft CNTK (Cognitive Toolkit), Amazon Machine Learning, Google Cloud AutoML, Caffe und PyTorch.

Sie erlauben es Entwicklern, eigene KI-und Machine-Learning-Modelle zu erstellen, ohne dass dazu große Datenmengen erforderlich sind. Beispiele für solche Frameworks sind Tensorflow (aus der Google-Familie, Microsoft CNTK (Cognitive Toolkit), Amazon Machine Learning, Google Cloud AutoML, Caffe und PyTorch. Gemanagte KI- und ML-Services: Anders als Frameworks stellen Managed Services vorgefertigte Modelle und Vorlagen (Templates) bereit. Hinzu kommen Benutzerschnittstellen, mit deren Hilfe Entwickler per Drag and Drop aus solchen Modulen KI-Modelle und KI-basierte Fragestellungen erarbeiten können. Dies reduziert den Entwicklungsaufwand und die Zeit, bis Anwendungen zur Verfügung stehen.

Tabelle öffnen

4. Teil: „Hyperscaler oder IT-Dienstleister?“

Hyperscaler oder IT-Dienstleister? Cloud-Hyperscaler und IT-Dienstleister stellen Nutzern neben einem umfassenden Portfolio von KI-Anwendungen auch die erforderlichen Server-, Storage- und Netzwerkressourcen via Cloud zur Verfügung. „Wir bieten einfach ein starkes Gesamtpaket“, unterstreicht beispielsweise Stefan Ebener von Google. „Anwendungen wie Google Maps, Assistant, Voice und Chrome OS sind Cloud-Applikationen. Daher können wir sagen, dass wir bereits seit mehr als 20 Jahren sicher und verlässlich mit der Cloud arbeiten.“ Dies komme auch den Nutzern von KI, Machine Learning und Deep Learning zugute. Doch naturgemäß sehen IT-Dienstleister, die ihren Kunden mit AIaaS einen Mehrwert bieten möchten, die Angebote von großen Cloud-Service-Providern kritisch: „Hyperscaler setzen bei KI vor allem auf eine technische Lösung, also die Tools, mit denen Anwender mit der Nutzung von Künstlicher Intelligenz starten können. Einen echten Service bieten sie jedoch nicht“, erklärt Julian Staub von LHIND. Den stelle dagegen ein IT-Dienstleister wie Lufthansa Industry Solutions in Form von KI-Service-Paketen bereit. „Ein Bestandteil eines solchen Pakets ist, dass Kunden die Möglichkeit haben, KI-Services zu individualisieren und an konkrete Aufgabenstellungen anzu­passen.“ Auch der europäische Service-Provider OVHcloud mit Hauptsitz in Frankreich setzt auf ergänzende Angebote: „Wir bieten eine Alternative auf Basis von Open-Source-Technologien und eines KI-Ökosystems“, erläutert Falk Weinreich, General Manager Central Europe des Providers. Zielgruppe sind Unternehmen und öffentliche Auftrag­geber, die über die Cloud effizientere Wege suchen, um KI-Modelle zu entwickeln und zu trainieren, und gleichzeitig auf die Daten-Governance und Compliance Wert legen. Ihnen gibt OVHcloud über die eigene Cloud KI-Lösungen an die Hand. Hinzu kommen Platform-as-a-Service-Tools (PaaS), die ein Anwender für den Aufbau und das Hosting von KI-Projekten benötigt. „ML Serving ist beispielsweise darauf ausgerichtet, KI-Modelle in Betrieb zu nehmen. AI Training stellt wiederum Computing-Ressourcen mit CPU- und Grafikprozessoren für Test- und Pre-Production-Phasen bereit“, berichtet Weinreich. Hochleistungs-Hardware für AIaaS Nutzer können somit aus der Cloud nicht nur KI- und ML-Frameworks und vorgefertigte Modelle beziehen, sondern auch die Infrastruktur. Auch dabei ist es wichtig, dass ein Anwender mehrere Optionen hat, so Intel: „Aus etlichen Beispielen haben wir gelernt, dass es keine universelle Lösung für eine KI-Infrastruktur gibt. Vielmehr kommen die Nutzung vorhandener Hardware, der Aufbau einer Plattform, die KI unterstützt, sowie das Outsourcing in die Cloud in Betracht“, sagt Stephan Gillich, Direktor Künstliche Intelligenz GTM für den Raum EMEA bei der Datacenter Group von Intel. „Eventuell ist auch eine Hybrid-Lösung aus lokaler Hardware unter Einbeziehung der Cloud für bestimmte Workloads der richtige Weg.“ Deshalb hat Intel mit Habana Gaudi ein System für das Training von Deep-Learning-Algorithmen entwickelt. Es steht sowohl als Service über die AWS-Cloud als auch in Form einer On-Pre­mise-Lösung zur Verfügung. Auch KI-/ML-Lösungen von Nvidia sind über Cloud-Portale zugänglich. Dazu gehören Grafikprozessoren (GPUs) wie A100, V100 und T4, darauf basierende Hochleistungsrechner (DGX-Systeme) sowie Software-Kataloge und KI-/ML-Frameworks wie Modulus für das Training von KI- und Deep-Learning-Modellen. Einen ähnlichen Ansatz dürfte AMD wählen, das im November 2021 mit Instinct MI eine GPU-Linie für High-Performance-Computing, KI und Machine Learning präsentierte.

5. Teil: „Wir empfehlen beim Einsatz von KI grundsätzlich hybride Modelle“

Wir empfehlen beim Einsatz von KI grundsätzlich hybride Modelle Über seine Plattform Azure stellt Microsoft eine große Zahl von KI- und Machine-Learning-Services zur Verfügung. Dennoch plädiert Alexander Britz, Head of Digital Business Transformation & Artificial Intelligence bei Microsoft Deutschland, beim Einsatz von KI und ML für ein Hybrid-Cloud-Modell – und das nicht nur als Gründen des Datenschutzes. com! professional: Herr Britz, wie hoch ist derzeit die Bereitschaft von Unternehmen in Deutschland, Künstliche Intelligenz und Machine Learning einzusetzen? Alexander Britz: Zwischen der Erkenntnis, dass KI eine Schlüsseltechnologie ist, und der konkreten Umsetzung von KI-Projekten gibt es in Deutschland noch eine deutliche Diskrepanz. Je kleiner ein Unternehmen, desto größer ist oft diese Lücke. Hier gibt es also noch viel Potenzial. Ein Hemmnis für die Einführung von KI in mittelständischen Unternehmen ist der Mangel an Fachkräften und damit einhergehend das fehlende Know-how. Hier können Unternehmen aktiv gegensteuern, etwa durch Qualifizierungsangebote für die Mitarbeiter. com! professional: In welchen Bereichen können Unternehmen und öffentliche Einrichtungen in erster Linie von KI profitieren? Britz: KI ist nicht eine einzige Technologie, sondern ein Sammelbegriff für verschiedene Ansätze. Künstliche Intelligenz spielt mittlerweile in nahezu allen Bereichen unseres Lebens eine wichtige Rolle. Im Wesentlichen reden wir über drei Anwendungsfelder: erstens die Analyse und Interpretation von Daten in Form von Zahlen, Text, Sprache, Bildern und Videos, zweitens maschinelles Lernen aus Daten. Hinzu kommt als dritter Bereich die menschliche Interaktion, etwa über Sprachassistenten, Chat-Bots und Natural Language Processing. com! professional: Wie bewertet Microsoft die Bereitschaft seitens Unternehmen und Behörden, KI aus der Cloud (AI as a Service) einzusetzen? Britz: Entscheidend ist, welche Daten in der Cloud auf welche Weise verarbeitet werden. Wir haben zum Beispiel mit dem Land Nordrhein-Westfalen und der Zentral- und Ansprechstelle Cybercrime NRW bei den Ermittlungen wegen sexualisierter Gewalt gegen Kinder und Jugendliche eine Möglichkeit geschaffen, Daten lokal in den Rechenzentren der Strafverfolgungsbehörden zu abstrahieren und zu anonymisieren. Dieses Material kann sowohl lokal (On-Premise) als auch in den deutschen Rechenzentren der Microsoft Cloud mit einer KI-gestützten Analyse ausgewertet werden. Wir betrachten also nicht allein die Plattform, sondern gehen auch vom Use-Case aus. com! professional: Bedeutet dies, dass für viele Anwender ein hybrides Modell die beste Lösung ist, bei dem KI-Anwendungen sowohl über eine Public Cloud als auch das eigene Rechenzentrum bereitgestellt werden? Britz: Wir empfehlen grundsätzlich hybride Modelle. Bei ihnen erfolgt beispielsweise das Training der Algorithmen in der Cloud. Die Daten­erhebung und -auswertung kann wiederum im eigenen Rechenzen-

trum oder am Rand der IT-Infrastruktur erfolgen, also dem Edge. Dort kommt es weniger auf die Konnektivität als auf geringe Latenzzeiten an. Daher sind dort lokale KI-Instanzen erforderlich. Die am Edge erhobenen Daten lassen sich anschließend wieder in die Cloud hoch­laden, um die KI-Modelle zu trainieren und die Intelligenz am Edge weiter zu optimieren. com! professional: Und wie lässt sich ein hybrides Modell in der Praxis umsetzen? Britz: Das ist beispielsweise mit einer Lösung wie Azure Stack möglich. Sie ermöglicht KI-Echtzeitanalysen in jeder lokalen Infrastruktur und stellt dadurch eine „Edge Intelligence“ bereit. In Verbindung mit einer hybriden Cloud-Plattform wie Azure Stack Hub funktioniert das sogar ohne Internetverbindung. com! professional: Was müssen Anwender tun, damit cloudbasierte oder hybride KI-Services den gewünschten Nutzen bringen? Britz: Wichtig sind konsistente, gut gepflegte und vollständige Daten. Denn ein Algorithmus kann nur so gut analysieren, wie es die Daten erlauben. Auch eine Datenkultur ist wichtig: Daten- und Wissenssilos im Unternehmen sind kontraproduktiv. Für produktive KI braucht ein Unternehmen zudem die Bereitschaft der Mitarbeiter, Daten und Wissen zu teilen. Und es ist die „richtige“ Lösung erforderlich: AIaaS bietet für jeden Anwendungsfall Services, die sich in bestehende Infrastrukturen integrieren lassen. Das Anpassen an Strukturen und Bedürfnisse sowie das Entwickeln und Testen von Minimum Viable Prototypes (MVP) ist daher eine der wichtigsten Aufgaben bei KI-Projekten. Hier sollten Unternehmen nicht sparen.

6. Teil: „Daten und Einsatz in der Praxis“

Daten und Einsatz in der Praxis Doch unabhängig davon, ob ein Anwender KI und ML aus einer Cloud bezieht oder in Eigenregie entsprechende Ressourcen aufbauen will, muss er zuvor „Hausaufgaben“ erledigen. Dazu gehört nach Einschätzung von Marlene Heinrichs von IBM die wachsende Komplexität der Datenbestände. „Heute sind Unternehmen gezwungen, Daten an einem einzigen Ort zu konsolidieren. Dies kann kostspielig sein, zu Qualitätsproblemen führen und Bedenken bezüglich des Datenschutzes und der Daten-Governance aufwerfen.“ Die Lösung ist aus Sicht von IBM eine Data Fabric. Mit einer Data Fabric können Anwender Daten unabhängig davon nutzen, wo diese gespeichert sind. Rüdiger Eberlein von Capgemini sieht im Operationalisieren von erstellten Machine-Learning-Modellen eine der größten Herausforderungen. „Diese Modelle müssen in die IT-Anwendungslandschaft integriert werden, damit sie im Geschäftsbetrieb eingesetzt werden können.“ Dabei helfen Konzepte wie DataOps (Data Operations) und MLOps (Machine Learning Operations). „Solche Ansätze werden jedoch von KI-Diensten in der Cloud besser unterstützt als von solchen, die On-Premise bereitgestellt werden“, gibt Eberlein zu bedenken. Tabelle: Tabelle öffnen

7. Teil: „Datenschutz und Vendor-Lock-in“

Datenschutz und Vendor-Lock-in Nach wie vor wichtig, aber nicht mehr so dominant wie noch vor zwei bis drei Jahren ist die Frage, ob Cloud-Angebote wie AIaaS den Datenschutz- und Compliance-Vorgaben entsprechen, die in der EU gelten. „Anbieter haben auf Bedenken in Bezug auf die Datensicherheit und den Datenschutz mit tragfähigen Lösungen reagiert“, führt Benedikt Bonnmann von Adesso an. „Außerdem tragen Zertifizierungen durch unabhängige Einrichtungen und Behörden dazu bei, dass das Vertrauen in die Cloud wächst.“ Anwender, die auf Nummer sicher gehen möchten, haben zudem die Möglichkeit, KI und Machine-Learning im Rahmen einer Hybrid-Cloud zu betreiben. Und um bei AIaaS einen Vendor-Lock-in zu vermeiden, bietet sich der Multi-Cloud-Ansatz an: „Das Problem lässt sich lösen, indem man Cloud-Dienste von Drittanbietern nutzt, die auf den Cloud-Infrastrukturen der drei ‚Großen‘ gleichermaßen laufen, also AWS, Microsoft und Google“, betont Rüdiger Eberlein von Capgemini. „Die Angst vor einer Abhängigkeit von einem Cloud-Anbieter wird daher überbewertet.“

8. Teil: „Fazit & Ausblick“

Cloud Computing – Sorgenkind oder Erfolgsfaktor für KMU? (KIW)

Unter dem Titel „Mittelstand-Digital Spotlight: Cloud & KI“, setzt die Begleitforschung des Förderschwerpunkts „Mittelstand-Digital“ die „Spotlight“ – Webinar-Reihe fort. In der dreiteiligen Veranstaltungsreihe geben Expert:innen einen Einblick in die Nutzung der Technologien Cloud und Künstliche Intelligenz (KI) im Mittelstand.

Cloud Computing ist für kleine und mittlere Unternehmen noch immer ein zweischneidiges Schwert. Man nutzt es an bestimmten Stellen und weiß die Vorteile durchaus zu schätzen. Doch den finalen Schritt den eigenen IT-Bedarf komplett in die Cloud auszulagern wagen die Wenigsten. Dabei bietet Cloud Computing viele Möglichkeiten, um insbesondere die Unternehmen zu entlasten, die sich keinen eigenen IT-Administrator im Betrieb leisten können. Zusätzlich bieten manche Anbieter auch die Möglichkeit, anspruchsvolle KI-Anwendungen zu entwickeln und schnell von der Erprobung zur produktiven Anwendung zu skalieren. Bei aller Begeisterung für diese Technologie darf der Blick auf die IT-Sicherheit nicht vernebelt werden. IT-Sicherheit spielt – wie auch in der unternehmenseigenen IT-Landschaft –beim Einsatz von Cloud Computing ebenso eine wichtige Rolle. IT-Sicherheit muss immer mitgedacht werden und ist bei Cloudlösungen sogar meist höher als „On Premise“. Beim Einsatz von Cloud Computing sind jedoch andere sicherheitsrelevante Rahmenbedingungen zu berücksichtigen.

Im ersten Teil der Spotlight-Seminarreihe „Cloud & KI“ erhalten die Teilnehmenden Informationen über die Vor- und Nachteile von Cloud Computing-Technologien. Dabei wird der Einsatz der Technologie in einem kleinen und mittleren Unternehmen insbesondere aus strategischer Sicht betrachtet. Beispiele aus der Praxis helfen dabei, die Einsatzmöglichkeiten auch für kleinere Unternehmen greifbarer zu machen. Im Anschluss widmet sich das Seminar dem Schwerpunkt „Cloud und IT-Sicherheit“.

Ablauf:

16.00 Uhr: Begrüßung und Einleitung

16:10 Uhr: Vor- und Nachteile von Cloud Computing

16:25 Uhr: Cloud Computing im produktiven Einsatz in KMU

16:35 Uhr: Cloud Computing und IT-Sicherheit: Worauf ist zu achten?

17:05 Uhr: Ausblick auf die weiteren Seminare

17:10 Uhr: Outro und Überleitung zur Vernetzung

Referenten:

Prof. Andreas Johannsen & Daniel Kant (Mittelstand 4.0-Kompetenzzentrum IT-Wirtschaft)

Alexander Bose (Mittelstand 4.0-Kompetenzzentrum Lingen)

Teilnehmende sollten mindestens über Grundkenntnisse zum Thema Cloud Computing verfügen. Diese Erklärvideo der Mittelstand 4.0-Agentur Cloud liefert hierzu eine gute Basis. Fachkenntnisse sind nicht erforderlich.

Die Teilnahme am Seminar ist kostenfrei. Wir freuen uns über Ihre Anmeldung! Diese Veranstaltung findet im Rahmen der Webinar-Reihe „Mittelstand-Digital Spotlight: Cloud & KI“ und in Kooperation mit der Begleitforschung von Mittelstand-Digital statt.

ANMELDUNG

KI im Cloud Computing: 5 Gründe, warum Ihr Unternehmen sie braucht

Mit intelligenten Assistenten, selbstfahrenden Autos und Konversations-Bots, die geschickt in ihren Alltag eingebunden sind, erkennen die Menschen oft nicht, wie weit verbreitet künstliche Intelligenz (KI) und Cloud Computing in der heutigen Zeit sind.

Laut einer aktuellen McKinsey-Studie wird das KI-Wachstum voraussichtlich steigen und einen Wert von bis zu schaffen 15,4 Billionen Dollar pro Jahr in einer Reihe von Branchen. Ein beträchtlicher Teil dieses Werts wird aus KI-gestützten Cloud-Computing-Bemühungen von Unternehmen stammen.

Ein zunehmender Bedarf an Business Resiliency Planning inmitten der jüngsten globalen Umstellung auf Cloud-Technologie hat viele Unternehmen dazu gezwungen, ihre IT-Budgets für KI-Investitionen zu priorisieren. Viele planen, ihre KI-Bereitstellungskosten zu erhöhen 55% um ihre Cloud-Infrastruktur zu stärken und ein höheres Maß an Computing, Flexibilität und Widerstandsfähigkeit gegen Cyber-Bedrohungen zu erreichen.

Was ist KI im Cloud-Computing?

Künstliche Intelligenz (KI) ist im Wesentlichen ein Zweig der Informatik, in dem die menschliche Fähigkeit, zu denken und autonome Entscheidungen zu treffen, in Maschinen repliziert oder simuliert wird.

Kombination von Cloud Computing mit KI-Technologie macht den Prozess für Unternehmen und Organisationen effizienter, strategischer und aufschlussreicher. Denken Sie an den Prozess der Herstellung von Backmischungen, bei dem die Roboter die optimale Backpulvermenge basierend auf dem Gesamtgewicht der Charge anpassen! Oder der Schwierigkeitsgrad der anstehenden Fragen, wenn Sie eine GMAT- oder GRE-Prüfung ablegen.

KI im Cloud-Computing hilft Unternehmen, enorme Datenmengen zu verwalten, indem sie nach nützlichen Mustern und Erkenntnissen sucht. Es hilft auch, Redundanzen in Arbeitsabläufen zu identifizieren, damit Sie sie für eine schnellere Kundenlieferung optimieren können.

Viele führende Cloud-Anbieter haben den Einsatz von KI erleichtert, indem sie Lösungen angeboten haben, die es einfacher machen, KI-Systeme zu entwickeln, zu implementieren und zu testen, ohne dass große Investitionen erforderlich sind.

Here’s how the top vendors are contributing.

The symbiosis between cloud and AI is accelerating the adoption of bothsagen Deloitte-Analysten.

Dies impliziert, dass Ihre Organisation in investiert Cloud-Technologie Um den aktuellen Anforderungen der Branche gerecht zu werden, sollte es an der KI-Front nicht zurückbleiben.

Sehen wir uns an, wie künstliche Intelligenz Ihre Geschäftsabläufe verbessern kann!

5 Vorteile von KI im Cloud Computing

Automatisierte Prozesse

Der Eingriff von KI in Cloud Computing kann dazu beitragen, Kernroutineaufgaben zu automatisieren, um die Produktivität zu steigern. Einige Wissenschaftler sagen sogar voraus, dass KI autonom und selbstständig genug werden kann, um Probleme in aktuellen Prozessen vorherzusagen, Schwachstellen in eigenen und verwandten Systemen zu überwachen und sich bei Bedarf selbst zu heilen. Mit der Zeit kann seine analytische Fähigkeit Prozesse optimieren, sodass sich Ihre Mitarbeiter auf strategischere Initiativen konzentrieren können.

Ein Beispiel ist die Amerikanische Krebs Gesellschaft das Google Cloud ML Engine für die automatisierte Analyse von Gewebebildern verwendet. Der Einsatz von Automatisierung ermöglicht die Mustererkennung in digitalen Bildern von Brustkrebsgeweben und beseitigt menschliche Einschränkungen wie Ermüdung und Voreingenommenheit von Pathologen für eine genaue Diagnose. Es trägt auch dazu bei, wertvolle Testmuster zu bewahren, indem es Bilddaten in der Cloud sichert.

Ununterbrochener Zugriff auf Informationen

Im Gegensatz zu On-Premise-Umgebungen können Cloud-Datenbanken Datenmengen speichern, die leicht zugänglich und nicht in Silos getrennt sind. KI verbessert die Integrierbarkeit weiter, indem sie die Cloud- und Serverlandschaften zusammenführt. Dies macht es ideal für Hybrid-Cloud-Infrastrukturen, bei denen Konnektivität und nahtloser Zugriff auf Daten von jedem Gerät aus entscheidend sind. Unternehmen, die KI im Cloud Computing einsetzen, können die digitale Transformation problemlos durchführen, da ihnen alle relevanten Daten zur Verfügung stehen.

Ein führender Konkurrent für integrierbare KI ist Twilio, eine Cloud-basierte Kommunikationsplattform, die es Softwareentwicklern von B2B-Kunden ermöglicht, verschiedene Kommunikationskanäle zu integrieren, z. B. Textnachrichten sowie Telefon- und Videoanrufe über APIs. Diese Konnektivität ermöglicht einen nahtlosen Zugriff auf Kundensupportdaten, sodass seine Kunden datengesteuerte Entscheidungen treffen können.

Kosteneinsparungen

Ein wesentlicher Vorteil der Cloud-KI ist die Kosteneffizienz. Cloudbasierte Softwarelösungen sind in der Regel abonnementbasiert. Das bedeutet, dass Sie nur für die benötigte Funktionalität und Speicherkapazität bezahlen. Darüber hinaus entfallen alle Infrastrukturkosten, die mit der Unterhaltung und Wartung von Rechenzentren vor Ort für den Geschäftsbetrieb verbunden sind. Eine intelligente Datenanalyse hilft auch bei der Kostenoptimierung, indem Ineffizienzen in Ihren aktuellen Prozessen lokalisiert werden.

2017, Walmart begann mit der Verwendung von Robotern, die von Bossa Nova hergestellt wurden, um seine Bestandsprüfungen durchzuführen. Die mobilen Roboter waren in der Lage, Regale auf Bestandslücken zu scannen und festzustellen, welche Gänge aufgefüllt werden mussten – wodurch Kosteneinsparungen bei entgangenen Verkäufen ermöglicht wurden.

Verbessertes Datenqualitätsmanagement

Die Cloud verfügt über ein riesiges Datenrepository, von denen viele oft voller Rauschen sind und für die Anforderungen eines Unternehmens nicht relevant sind. Um Daten nützlich zu machen, können Sie dedizierte Tools für künstliche Intelligenz verwenden, die große Datenmengen sichten, katalogisieren, aufnehmen und zu wertvollen Erkenntnissen verarbeiten, die einem Unternehmen beim Wachstum helfen können. Sie überwachen auch Daten im Laufe der Zeit, damit Ihr Management Trends in wichtigen Geschäftskennzahlen erkennen und Strategien nach Bedarf anpassen kann. KI kann die Qualität Ihrer Daten verbessern und Ihnen helfen, fundierte Entscheidungen zu treffen.

Tamr, ein Datenvereinheitlichungsunternehmen auf Unternehmensebene, ermöglicht seinen Kunden, hochwertige Datensätze in ihren Betrieb zu integrieren. Es hilft seinen Kunden, datengesteuerte digitale Transformationsbemühungen zu leiten.

Proaktive Cloud-Sicherheit

Da Unternehmen immer mehr Cloud-Anwendungen nutzen, wird die Bedrohung durch Datenrisiken und Sicherheitsverletzungen zu einem Hauptanliegen. Künstliche Intelligenz kann Anomalien in Ihrer Cloud erkennen und blockieren, wodurch verhindert wird, dass schädlicher Code in Ihr System eindringt. KI überprüft und filtert auch Informationen, die von verschiedenen Standorten und Endpunkten eingehen. Es hilft Unternehmen, proaktive Sicherheitsvorfallmaßnahmen über Business Intelligence zu implementieren.

Ein Beispiel ist CrowdStrike, ein Cloud-basiertes SaaS-Unternehmen für Endpunktsicherheit. Seine Falcon-Plattform nutzt KI, um aktive Indikatoren für Cyberangriffe zu erkennen, und präsentiert Netzwerkadministratoren umsetzbare Erkenntnisse, damit sie vorbeugende Maßnahmen ergreifen können, bevor es zu einem Verstoß kommt.

Checkliste für die Implementierung von KI in der Cloud-Strategie

Nachdem Sie nun wissen, wie wichtig KI für Ihre Cloud-Strategie ist, wollen wir uns ein paar Möglichkeiten ansehen, wie Sie sie erfolgreich implementieren können.

Bewerten Sie die IT-Anforderungen verschiedener Abteilungen, die KI implementieren möchten. Bestimmen Sie ihre Bedürfnisse, Herausforderungen und Ziele und teilen Sie sie dem Senior Management mit, um zu entscheiden, wie viel Sie in die KI-Initiativen investieren möchten.

Listen Sie die wichtigsten Kennzahlen auf, die Sie verwenden, um den Erfolg Ihrer Geschäftsinitiativen zu ermitteln. Geben Sie dieselben Metriken an, um den Erfolg Ihrer KI-Projekte zu identifizieren.

Modernize your IT infrastructure durch den Ersatz von Legacy-Technologien durch skalierbare Software. Stellen Sie außerdem sicher, dass Ihre aktuellen Data Warehouses in der Lage sind, KI-Aktivitäten zu speichern.

Stellen Sie KI-Plattformen mit maschinellem Lernen und prädiktiven Analysefunktionen bereit, die Ihre Geschäftsprozesse automatisieren und Ihre Daten in Erkenntnisse umwandeln können.

Investieren Sie in leistungsstarke Hardware. Netzwerke und Speicher für KI-Projekte erfordern in der Regel Geräte, die eine hohe Bandbreite und niedrige Latenz unterstützen.

Übernehmen Sie mit dedizierter IT-Asset-Management-Software die Verantwortung für KI-Initiativen

Wenn Sie sich in die Welt der KI im Cloud-Computing wagen, wird die effiziente Verwaltung von Hardware- und Software-Assets zu einer obersten Priorität. Verlegte IT-Geräte oder Software, die nicht mehr konform ist, können Ihre KI-Projekte möglicherweise verzögern und Sie Tausende von Dollar an verlorenen Investitionen kosten.

Um den Überblick über Ihre Hardware- und Softwareressourcen zu behalten, investieren Sie in Dedicated IT-Asset-Management-Software. Eine effektive Nachverfolgung Ihrer IT-Infrastruktur stellt sicher, dass Ihnen alles zur Verfügung steht, um zeitgerechte Projekte sicherzustellen und eine wertvolle Wirkung zu sehen.