Experten-Interview: Fundament für KI & Machine Learning
Künstliche Intelligenz kann generell genutzt werden, um komplexe Muster in Daten zu erkennen und zu nutzen, um Aufgaben zu automatisieren, Entscheidungen oder Vorhersagen zu treffen und neue, informative Erkenntnisse zu generieren. Das alles erfordert die Verarbeitung von sehr vielen Daten nahezu in Echtzeit. Jan Unger, SE Manager Container & Virtualization Services, beantwortet Fragen zu Machine Learning und der zusammenhängenden Infrastruktur.
Jan, wie unterscheidet sich Deep Learning von «klassischen» Machine-Learning-Modellen?
«Klassische» Machine-Learning-Modelle eignen sich sehr effektiv für klar definierte analytische Aufgaben und Problemstellungen. Sie analysieren Daten nach definierten Techniken, um ein spezifisches Problem zu lösen. Beispielsweise lineare Regression, Entscheidungsbäume, Support Vector Machines etc. Sie eignen sich, wenn die Beziehungen zwischen Eingabedaten und Zielvariablen gut verstanden sind und wenn aus einer geringen Menge an Daten gelernt werden muss. Deep Learning hingegen verwendet tiefe (vielschichtige) neuronale Netze. Sie sind in der Lage, aus einem Datensatz Merkmale auf verschiedenen Abstraktionsebenen zu extrahieren und zu lernen. Es eignet sich für die Anwendung mit grossen und komplexen Datensätzen, vor allem, wenn es um Anwendungsbereiche wie Bild- und Spracherkennung, natürliche Sprachverarbeitung und das Erzeugen von Inhalten geht, kurz: generative KI und Large-Language-Modelle. Es erfordert aber auch deutlich mehr Rechenleistung als Machine Learning, insbesondere für den Trainingsprozess.
Und mit welchen Methoden werden GenAI-Modelle darauf trainiert, Muster in Datensätzen zu erkennen?
Hier gibt es viele unterschiedliche Methoden, die sich hauptsächlich in sogenannte «unüberwachte» oder «selbstüberwachte» Lernverfahren einordnen lassen. Sie ermöglichen es den Modellen, die Wahrscheinlichkeitsverteilung der Trainingsdaten zu verstehen und damit neue ähnliche Datenpunkte zu generieren. Die aktuell vermutlich bekannteste Methode sind Transformer. Sie verwenden selbstüberwachende Mechanismen, um alle Wörter in der Eingabe miteinander in Beziehung zu setzen und daraus langfristige Abhängigkeiten und komplexe Strukturen im Text zu lernen. Somit ist diese Methode sehr mächtig, wenn es um die Generierung von Texten geht. Generative Pre-trained Transformer ist das wohl prominenteste Beispiel hierfür. Abschliessend ist wichtig, zu bemerken, dass die Entwicklung in dem Bereich derzeit rasend schnell voranschreitet und wir verfolgen diese intensiv mit grossem Interesse.
Und zum Schluss: Welche Voraussetzungen müssen Unternehmen für eine Accelerated Infrastructure erfüllen?
Mit Innovation auf Accelerated Infrastructure erzielen unsere Kunden einen Wettbewerbsvorteil. So nutzen sie diese beispielsweise für Simulationen in der Forschung oder um bestmögliche Antworten auf Fachfragen aus einer grossen Menge von gesammelten Informationen zu erhalten. Eine äusserst wichtige Voraussetzung ist, dass Unternehmen eine klar formulierte Geschäftsstrategie haben und die Ausrichtung der IT auf diese abstimmen. Aus unserer Erfahrung ist es essenziell, dass die KI-Strategie ein Fokusthema in der Geschäftsleitung ist. Dadurch werden die Investitionen, Entwicklung und Ausbildung von Mitarbeitenden sowie das Erlangen der erforderlichen Kompetenzen auch auf die Unternehmensstrategie ausgerichtet. Der Ressourcenbedarf hängt jeweils stark von den Anforderungen ab. Auch hier gibt es unterschiedliche Entwicklungen und Möglichkeiten. Angefangen von spezifischen Hardwarebeschleunigern über GPUs, TPUs, DPUs, Smart NICs etc., optimierte Ethernet-Netzwerke, einen leistungsfähigen Storage bis hin zu grossen homogenen GPU-Clustern für das Training von komplexen Modellen. Diese werden dann auch in der Regel über Infiniband direkt miteinander vernetzt. Auch der orchestrierende Software-Stack spielt eine wichtige Rolle. In vielen Fällen bietet sich die Einführung einer Container Platform in diesem Kontext aus zahlreichen Gründen an, unter anderem Effizienz, automatisierte Bereitstellung, Flexibilität, Skalierung und Verfügbarkeit.
Ist Ihre Infrastruktur bereit für Künstliche Intelligenz?
Wir begleiten und beraten Sie auf dem ganzen Weg, von der Planung bis zur Implementierung.
Hier finden Sie mehr Informationen über unsere Expertise.
Oder kontaktieren Sie Jan Unger ungeniert unter unger@netcloud.ch. Er hilft Ihnen gerne weiter.