Use Cases für KI: Vorbereitung auf Ihr erstes KI-Pilotprojekt

16. Dezember 2024Deb Richardson5 Minuten (Lesedauer)

In unserem vorherigen Artikel haben wir sechs Dinge besprochen, die Sie tun sollten, bevor Sie Ihr erstes Projekt im Bereich künstliche Intelligenz starten, darunter alles von der Bewertung der KI-Bereitschaft Ihres Unternehmens bis hin zur Entwicklung einer Innovationskultur. Im Folgenden zeigen wir Ihnen, wie Sie Ihr erstes generatives KI (gen AI)-Pilotprojekt vorbereiten und starten können.

Laden Sie das E-Book „Open the Future“ herunter

Wenn Sie glauben, dass Sie bereit sind, Ihr erstes Projekt zur Entwicklung einer KI-App zu starten, müssen Sie zunächst einige Use Cases für KI identifizieren, auswählen und priorisieren. Um dies effektiv zu tun, sollten Sie:

Beginnen Sie mit einem Problem, nicht mit einer KI-Lösung.
Brainstormen Sie zu Problemen, die mithilfe von gen KI gelöst werden könnten.
Skalieren Sie das, was Sie bereits können.
Wenden Sie KI für kleine, spezifische Aufgaben an.
Stellen Sie sicher, dass Sie über die Daten verfügen, die Sie benötigen.

Sehen wir uns einmal an, wie diese Technologien zum Erfolg Ihrer KI-Projekte beitragen können.

Beginnen Sie mit einem Problem, nicht mit einer KI-Lösung

Da das Interesse an KI explodiert ist und jeder nach Wegen sucht, diese neuen Technologien in seinen Organisationen einzusetzen, scheitern viele KI-Projekte, weil sie am Ende Lösungen sind, die auf der Suche nach einem Problem sind.

Nehmen wir an, jemand möchte mit KI-Tools spielen und startet ein Experiment, das scheinbar nützlich sein könnte. Einige andere sind von dem Projekt begeistert und investieren am Ende sehr viel Zeit, Geld und Ressourcen in die Entwicklung einer vollwertigen KI-Anwendung. Doch beim Launch setzt die Realität ein, denn am Anfang des Projekts stand kein klar definiertes und eindeutig umgrenztes Problem. Die KI-Anwendung verfolgt keinen bestimmten Zweck und wird schließlich aufgegeben.

In diese Falle kann man leicht geraten, aber es kann oft vermieden werden, indem echte geschäftliche Probleme oder Nutzerprobleme, bei deren Behebung gen KI helfen kann, eindeutig identifiziert werden.

Brainstormen Sie zu Problemen, die mithilfe von gen KI gelöst werden könnten

Sie haben nun ein funktionsübergreifendes KI-Team zusammengestellt, um gemeinsam zu diskutieren, wie KI in Ihrer Organisation konkrete Auswirkungen erzielen kann.

Hier finden Sie einige Fragen, die Sie zu Beginn stellen sollten:

Wie kann uns gen KI helfen, die Produktivität zu steigern, die Kosten zu reduzieren oder das Kundenerlebnis zu verbessern?
Welche repetitiven oder zeitintensiven Aufgaben oder Prozesse könnten wir mit gen KI automatisieren?
Wie kann gen KI die IT-Erlebnisse für unsere Kunden personalisieren?
Gibt es bisher ungenutzte Möglichkeiten, die wir mithilfe von gen KI erschließen können?
Verfügen wir über Daten, die wir über Jahre hinweg sammeln und die wir mithilfe von gen KI besser nutzen könnten?
Gibt es bestehende Risiken oder Unbekannte, die wir mithilfe von gen KI besser verstehen oder mindern könnten?
Welchen Geschäftswert oder welche organisatorischen Stärken könnten wir durch gen KI steigern oder erweitern?

Skalieren Sie das, was Sie bereits können

Wenn Sie über KI-Modelle nachdenken, müssen Sie natürlich auch darüber nachdenken, was Sie eigentlich modellieren möchten.

Wenn Sie beispielsweise einen herausragenden Kundenservice haben, der Ihre Kunden begeistert, sollten Sie versuchen herauszufinden, wie Sie diesen so modellieren können, dass die Servicequalität mithilfe von KI verbessert werden kann. Können Sie KI verwenden, um Prozesse zu automatisieren, sodass jeder Kunde jederzeit den bestmöglichen Kundenservice erhält, unabhängig davon, wie oder wann er Ihr Unternehmen kontaktiert? Gibt es in Ihrem Unternehmen Wissensdatenbanken, die modelliert werden können, damit Ihre Kundenservice-Agenten selbst auf Anfragen reagieren können?

Welche anderen herausragenden Merkmale Ihrer Organisation könnte KI bei der Automatisierung und Skalierung unterstützen?

Wenden Sie KI für kleine, spezifische Aufgaben an

Viele KI-Projekte scheitern, weil von der KI-Technologie verlangt wird, dass sie zu viel auf einmal kann. Gen KI-Anwendungen sind am effektivsten, wenn sie klar definierte Ziele und Grenzen haben.

Einfachere, spezifische Aufgaben verringern auch das Risiko, dass die KI Fehler oder Halluzinationen produziert. KI ist nicht in der Lage, den Kontext zu verstehen (ohne spezifische Eingabeaufforderungen oder Erweiterung der trainierten Daten des Modells) und ist schlecht darin, allgemeine Verallgemeinerungen vorzunehmen. Dies kann zu Schwierigkeiten bei der Bewältigung komplexerer Ausgaben oder Aufgaben führen.

Anstatt zu versuchen, mit KI neue lange Originalinhalte zu generieren, ist es beispielsweise besser, ein zweckgebundenes KI-Modell zu entwickeln, das auf dem Styleguide Ihres Unternehmens basiert und Ihren menschlichen Autoren hilft, ihre Arbeit effizienter zu bearbeiten.

Stellen Sie sicher, dass Sie über die Daten verfügen, die Sie benötigen

Ein KI-Modell ist nur so gut wie die Daten, die zu seinem Training verwendet werden. Die Entwicklung der nächsten tollen Idee für eine KI-App ist ja gut und gerne. Aber es nützt nichts, wenn die benötigten Daten entweder nicht vorhanden sind oder von geringer Qualität sind.

Wenn Sie einen bestimmten KI-Use Case im Sinn haben, sollten Sie mit Ihrem funktionsübergreifenden KI-Team ein Brainstorming darüber durchführen, welche Daten benötigt werden, um ein Modell für diesen Use Case effektiv zu trainieren. Bewerten Sie dann die verfügbaren Datenquellen, um festzustellen, ob die Daten vorhanden, leicht zugänglich und von ausreichend Qualität sind.

Richtlinien für den Start von KI-Pilotprojekten

Unser E-Book „Mit Open Source in die Zukunft: Ein Guide für Führungskräfte im Zeitalter konstanter Innovation“ geht ausführlicher darauf ein. Wenn Sie aber bereit sind, Ihr erstes KI-Pilotprojekt zu starten, sollten Sie Folgendes berücksichtigen.

Wählen Sie Ihre KI-Plattform mit Bedacht aus

Mit der Geschwindigkeit des Wandels und der Entwicklung in der KI-Branche können Sie Ihre KI-Projekte zukunftssicher gestalten, indem Sie KI-Lösungen auswählen, die auf offenen Plattformen aufbauen, die Flexibilität und Auswahl bieten.

Beginnen Sie mit einem kleinen KI-Projekt

Wir haben bereits darüber gesprochen, wie wichtig es ist, einen klar definierten und gut umgrenzten KI-Use Case zu haben. Doch wie immer gilt es, klein und fokussiert zu beginnen, bis Ihr Team oder Ihre Organisation mehr Erfahrung mit der Entwicklung von KI-Modellen und gen KI-Anwendungen hat.

Messen, iterieren und überwachen Sie Prozesse

Definieren Sie Ihre Erfolgsbedingungen im Voraus, damit Sie wissen, was Sie tatsächlich erreichen möchten und ob Sie damit erfolgreich sind. Stellen Sie sicher, dass Sie Messwerte verwenden, mit denen Sie die Auswirkungen Ihres Projekts messen und den Fortschritt regelmäßig überprüfen können. Wenn Sie wissen, was funktioniert und was nicht, können Sie fundierte Entscheidungen darüber treffen, wie Ihre KI-Anwendung im Laufe der Entwicklung verbessert werden kann.

Achten Sie außerdem auf Datendrift und stellen Sie sicher, dass die Daten, für die Ihr Modell trainiert wurde, mit den Daten in der Produktion konsistent sind. Diese Art von inkonsistenten Daten kann dazu führen, dass sich das Verhalten Ihres Modells im Laufe der Zeit ändert.

Ziehen Sie Partnerschaften in Betracht

Wie wir bei Red Hat gern sagen: „Niemand innoviert allein“. Nehmen Sie sich die Zeit, vertrauenswürdige Partner zu identifizieren, die Ihre Erfolgschancen unterstützen und mit denen Sie in Zukunft wachsen können.

Wie Red Hat helfen kann

Unsere lange Geschichte der Open Source-Vorreiterrolle und der Upstream-Beiträge von Red Hat setzt sich auch in dieser neuen KI-Ära fort. Wir sind nicht nur Vorreiter bei offenen KI-Plattformen, sondern bieten auch anbieterunabhängige Lösungen an, mit denen Kunden die Vorteile der Hybrid Cloud für Bereitstellung, Hosting und Skalierung ihrer KI-Anwendungen voll ausschöpfen können.

Weitere Informationen zu den Vorteilen von Red Hat finden Sie in diesem E-Book. Hier finden Sie vorab eine kurze Übersicht über unser Angebot:

Bewährte Führungsqualitäten im Bereich Open Source
Die Freiheit und Flexibilität für Innovation ohne Einschränkungen
Eine für viele zugängliche und anpassbare KI
Tiefe Verwurzelung in der breiteren Community und im Ökosystem
Branchenführende Expertise und Erfahrung
Unternehmensgerechter Support und Sicherheit

Red Hat AI

In Kombination bieten Red Hat Enterprise Linux (RHEL) AI und Red Hat OpenShift AI eine voll funktionsfähige Plattform für Entwicklung, Tuning und Hosting von KI-Modellen, die genauso bereitgestellt, verwaltet und skaliert werden kann wie Sie es von anderen containerisierten Anwendungen gewohnt sind.

RHEL AI umfasst:

Open Source-lizenzierte LLMs, die unter der Apache 2.0-Lizenz vertrieben werden und branchenführende Transparenz bei Trainingsdatensätzen und Modellgewichtungen bieten
Eine unterstützte Lifecycle-Distribution von InstructLab, die eine skalierbare, kosteneffektive Lösung zur Verbesserung und Feinabstimmung von LLM-Funktionen bietet
Ein bootfähiges Image von RHEL, das gängige KI-Bibliotheken wie PyTorch und eine Reihe hardwareoptimierter Beschleuniger enthält
Unternehmensgerechter technischer Support von Red Hat
Open Source Assurance Rechtsschutz für alle Red Hat Kunden mit aktiven, bezahlten Red Hat Software-Subskriptionen

Weitere Informationen über RHEL AI finden Sie hier: RHEL vs. RHEL AI: Was ist der Unterschied?

Sprechen Sie mit Red Hat

Mit der technologischen Basis von Linux, Containern und Automatisierung gibt Ihnen die Open Hybrid Cloud-Strategie von Red Hat die Flexibilität, Ihre KI-Anwendungen dort auszuführen, wo Sie sie benötigen.

Wenn Sie mehr erfahren möchten, kontaktieren Sie uns oder sprechen Sie mit einem Mitarbeiter von Red Hat.