NET 6-7/2025

28 www.net-im-web.de 06-07/25 Unternehmen in der Praxis meist durch ein komplexes Geflecht von Datenpipe- lines ausgebremst. Um den administrati- ven Aufwand zu reduzieren und den Mit- arbeitern die mühsame Datenaufbereitung beziehungsweise das Suchen, Prüfen und Bereinigen zu ersparen, sind neue Ansätze gefragt – sowohl auf technischer als auch auf organisatorischer Ebene. Neues Daten-Verständnis Moderne Management-Plattformen bieten mit ihrer Analytics-Engine eine einheit- liche Sicht auf alle Daten, unabhängig von deren Speicherort. Mit einer solchen Plattform ist es möglich, Analysen direkt amEntstehungsort durchzuführen, ohne die Daten zuvor in monolithischen Strukturen sammeln zu müssen. Gleichzeitig sorgen intelligente Caching-Mechanismen dafür, dass die darunter liegenden Systeme nicht überlastet werden. Damit entfällt in der Regel eine aufwändige und kostenintensive Modernisierung der IT ebenso wie die Pflege unzähliger ETL-Prozesse (Extract, Transform, Load) zur Zusammenführung der Daten. EinmodernerDatenmanagement- Ansatz sieht zudem vor, dass ausgewählte Datenproduzenten in den Fachbereichen – und nicht ausschließlich die IT – die Verantwortung für die Pflege und Auf- bereitung der benötigten Informationen übernehmen. Daten werden sozusagen als Produkt betrachtet, wodurch sichergestellt wird, dass die Nutzer stets auf aufbereitete, qualitativ hochwertige und genau auf ihre Bedürfnisse zugeschnittene Datensätze zu- greifen können. Bislang sind in der Regel nur Rohinformationen oder Datenbank- zugänge verfügbar. Optimale Modellwahl Die Entwicklung und regelmäßige An- passung des richtigen KI-Modells ist ein weiterer wichtiger Aspekt. Angesichts der Möglichkeiten, die die Technologie bietet, denken viele Unternehmen jedoch zu groß. Das heißt, sie wollen beispielsweise ihre GenAI-Systeme mit möglichst allen verfüg- baren Informationen füttern, auch wenn dies für den gewünschten Anwendungs- fall gar nicht notwendig ist. Entsprechend groß und leistungsfähig, so zumindest der weit verbreitete Glaube, muss auch die zugrundeliegende IT-Infrastruktur sein. In der Folge explodieren die Kosten, und Projektlaufzeiten verlängern sich. Fakt ist: Für den internen Einsatz, etwa bei Chatbots oder digitalen Assisten- ten, sind kleinere Modelle, die bereits mit fachspezifischemWissen vortrainiert sind, meist die bessere Wahl. Dieses Basiswissen kann dann durch Fine-Tuning oder denEin- satz von Retrieval Augmented Generation (RAG) gezielt mit unternehmensinternen Daten angereichert werden. Während das Fine-Tuning eine tiefere Integration be- triebsspezifischer Informationen in das Modell ermöglicht – allerdings auch mehr Rechenleistung und Zeit für das erneute Training mit neuemWissen benötigt –, hat RAG den Vorteil, dass das Modell jederzeit auf aktuelle Informationen zurückgrei- fen kann. Hier fließt das interne Wissen aus Datenbanken und Dokumenten wie Handbüchern oder technischenDokumen- tationen in eine Vektordatenbank ein, aus der mit Hilfe von GenAI die benötigten Informationen aufbereitet werden. Ein Nachteil ist jedoch, dass dasModell Schwie- rigkeiten mit fach- oder firmenspezifischen Begriffen und Formulierungen sowie dem kontextuellenVerständnis haben kann. Eine Kombination beider Ansätze ist daher in der Regel die ideale Lösung. Mehrere Optionen für die IT Um sich die Anschaffung neuer Hardware für die rechenintensiven KI-Modelle zu sparen, experimentieren viele Unternehmen zunächst mit der Cloud. Diese hat jedoch mehrere Nachteile: Je nach gewähltem Modell drohen Probleme mit der Data Governance. Zudem vertragen sich viele Anwendungsfälle nicht mit den hohen Latenzen, die bei der Übertragung in die Cloud automatisch entstehen. Darüber hinaus werden die tatsächlichen Kosten für diese Transfers sowie die benötigten Speicher- und Rechenressourcen häufig unterschätzt – insbesondere wenn Projekte später skaliert werden. On-Premises-Infra- strukturen sind daher meist von Anfang an die bessere Wahl. Denn es gilt: Nicht die Daten müssen zur KI, sondern die KI zu den Daten. Schließlich entsteht die Hälfte aller Informationen bereits am Edge. Angesichts der vielfältigen Her- ausforderungen ist die Einbindung eines erfahrenen Systemhauses oder IT-Dienst- leisters eine sinnvolle Investition. Deren Experten unterstützenUnternehmen dabei, geeignete Anwendungsfälle zu identifizieren, das Datenmanagement zu modernisieren sowie die richtigen KI-Modelle und Infra- strukturkomponenten auszuwählen. Dabei wird stets darauf geachtet, dass die IT exakt auf den jeweiligen Anwendungsfall zuge- schnitten ist und sich einfach skalieren lässt, ummit dem Business zu wachsen. Flexible Finanzierungsmodelle wie Pay-per-Use oder As-a-Service helfen zudem, hohe Anfangs- investitionen und teure Überkapazitäten zu vermeiden. Sogenannte validierte Designs, die erprobte und getestete Komponenten in einer optimalen Konfiguration kombinie- ren, erleichtern den Einstieg. Sie umfassen neben Hardwarekomponenten ein breites Spektrum an KI-Modellen, Frameworks, fertigen Anwendungen und Services, die sich nahtlos in bestehende IT-Strukturen integrieren lassen. Einerseits werden da- durch Risikenminimiert, und es muss nicht alles von Grund auf neu entwickelt werden. Stattdessen können sich Unternehmen auf spezifische Anpassungen konzentrieren, so zum Beispiel das Feintuning eines GenAI- Modells mit internem Wissen oder das Training eines Machine-Learning-Modells zur Optimierung von Logistikprozessen. KI funktioniert nur mit sorgfältiger Planung