Pizza-as-a-Service: Künstliche Intelligenz in Pizzastücken serviert

Albert Barrons charmantes Pizza-Modell erklärt auf wunderbar einfache Weise die verschiedenen Cloud-Ansätze – IaaS, PaaS und SaaS – und verknüpft das Thema dabei gekonnt mit etwas, das jeder liebt: Pizza. Und mal ehrlich, wer kann schon Pizza widerstehen?

Künstliche Intelligenz als Dienstleistung – das Pizza-Modell für die KI-Welt

Die Infrastruktur ist das Fundament unserer KI-Pizza – sie bildet die Basis, auf der alles aufbaut. Diese Schicht umfasst die Hardware und Software, die das Training von KI-Modellen überhaupt erst möglich machen, wie etwa Grafikprozessoren (GPUs), Tensor-Prozessoren (TPUs) und verteilte Rechenressourcen.

Darauf folgt die Schicht der Datenwissenschaft. Hier wird das Rezept für die KI-Pizza entwickelt: Die richtigen Zutaten (Merkmale) werden ausgewählt und das Modell so optimiert, dass es leistungsfähig und präzise wird. Der Algorithmus übernimmt dabei die Rolle der Soße auf der Pizza und verteilt sich über die Daten, um die Aromen – sprich: das Wissen – hervorzubringen. Mithilfe verschiedener Lernansätze, sei es überwachtes, unüberwachtes oder verstärkendes Lernen, sorgt der Algorithmus dafür, dass das Modell kontinuierlich besser wird.

Die Daten, essenziell für den gesamten Prozess, sind wie der Käse auf einer Pizza: Sie dürfen einfach nicht fehlen. Die Trainingsdaten bringen die verschiedenen Elemente der KI zusammen und liefern die nötigen Informationen für das Lernen. Schließlich kommt das Modell selbst ins Spiel, dargestellt durch die Beläge. Jedes Merkmal als Belag verleiht der KI-Pizza Individualität, und erst durch die Kombination entsteht das vollständige Geschmacksprofil – die Vorhersagefähigkeit und Leistung des Modells. Je nach Rezept und Ansatz kann das fertige Modell als Datei oder API bereitgestellt werden.

Dieses Pizza-Modell veranschaulicht den gesamten Entwicklungsprozess der KI und zeigt auf, wie die einzelnen Zutaten und Schritte zusammenspielen, um eine erfolgreiche und leistungsfähige KI-Lösung zu schaffen. Schauen wir uns jetzt die Details der Zutaten an...

Pizza as a Service by roosi

Maschinelles Lernen

Im Kontext des „klassischen“ maschinellen Lernens ist es die Aufgabe des Datenwissenschaftlers, die passenden Algorithmen auszuwählen, die Daten vorzubereiten und zu bereinigen, Feature Engineering durchzuführen und das Modell zu wählen. Dies kann mit der Arbeit eines Kochs verglichen werden, der eine Pizza von Grund auf kreiert. Was die verwendeten Werkzeuge, Bibliotheken und Plattformen betrifft, genießt der Datenwissenschaftler volle Flexibilität. Genau wie „Pizza als Service“ den Prozess der Zubereitung einer Mahlzeit vereinfacht, hilft das Verständnis der Machine-Learning-Pipeline durch diese Analogie, die Schritte zu verdeutlichen, die notwendig sind, um ein erfolgreiches KI-Modell zu servieren:

• Infrastruktur (Pizzaofen): Die Infrastruktur (Server, GPUs usw.) wird vom Nutzer oder der Organisation verwaltet und konfiguriert. Das ist vergleichbar mit dem Einrichten eines eigenen Pizzaofens, um die Pizza zu backen.
• Datenwissenschaft (Pizzabäcker): Der Datenwissenschaftler ist wie der Pizzakoch, der in jeden Schritt tief involviert ist – von der Datenbereinigung über das Feature Engineering bis hin zur Modellauswahl und -optimierung – und das KI-Rezept von Grund auf erstellt.
• Daten (Pizzateig/Käse): Daten sind die Grundlage, genauso wie Teig und Käse die Basis für Pizza bilden. Sie werden manuell gesammelt, bereinigt und vorbereitet und stellen die wesentlichen Zutaten für das KI-Modell dar.
• Algorithmus (Pizzasoße): Der Algorithmus ist wie die Pizzasoße, die sich durch die Daten verteilt und deren Geschmack verstärkt. Die Auswahl des richtigen Algorithmus ist entscheidend, genauso wie die Perfektionierung der Soße, um die Pizza abzurunden.
• Modell (Pizzabelag): Das Modell stellt den letzten Schliff dar – den Belag. Es wird auf Basis der Daten und des Algorithmus entwickelt, optimiert und evaluiert, so wie ein Koch die Beläge für den perfekten Pizzageschmack verfeinert.

Benutzerdefinierte KI-Dienste von Anbietern

Amazon benutzerdefinierte KI-Dienste

Amazon (AWS) stellt vielseitige, anpassbare Dienste bereit, die vortrainierte Modelle erweitern und eine individuelle Anpassung mit eigenen Daten ermöglichen. Die daraus resultierende Individualisierung stellt sicher, dass KI-Dienste präziser auf die spezifischen Anforderungen des jeweiligen Kontexts zugeschnitten sind, was ihre Funktionalität optimiert. Hier ist ein Überblick über die wichtigsten benutzerdefinierten KI-Dienste von Amazon in diesem Bereich:

• Amazon SageMaker: Ein vollständig verwalteter Dienst, der Entwicklern ermöglicht, benutzerdefinierte Machine-Learning-Modelle in großem Maßstab mithilfe ihrer eigenen Datensätze zu erstellen, zu trainieren und bereitzustellen.
• Amazon Personalize: Ein Machine-Learning-Dienst, der die Erstellung personalisierter Empfehlungssysteme basierend auf Nutzungsdaten ermöglicht.
• Amazon Lex: Ein Dienst zur Erstellung von Gesprächsschnittstellen mithilfe von Sprache und Text, der Entwicklern ermöglicht, benutzerdefinierte Chatbots für spezifische Interaktionen zu entwickeln.
• Amazon Rekognition (Custom Labels): Ein Dienst zur Analyse von Bildern und Videos, der es Benutzern ermöglicht, Modelle zu trainieren, um spezifische Objekte oder Szenen zu erkennen, die für ihre Geschäftsanforderungen relevant sind.
• Amazon (Custom Terminology): Ein Übersetzungsdienst, der benutzerdefinierte Terminologie unterstützt, um sicherzustellen, dass spezifische Begriffe für bestimmte Geschäftskontexte genau übersetzt werden.

Google benutzerdefinierte KI-Dienste

Google bietet eine Reihe anpassbarer Dienste an, die die Fähigkeiten vortrainierter Modelle erweitern und es ermöglichen, diese mit Ihren spezifischen Daten zu personalisieren. Diese Personalisierung stellt sicher, dass KI-Dienste besser auf Ihre individuellen Anforderungen abgestimmt sind und in Ihrem spezifischen Kontext genauer arbeiten können. Hier ist ein Überblick über die wichtigsten benutzerdefinierten KI-Dienste von Google in diesem Bereich:

• Google Cloud AI Platform: Eine einheitliche Plattform, die es Nutzern ermöglicht, benutzerdefinierte Machine-Learning-Modelle mit ihren eigenen Daten zu erstellen, zu trainieren und bereitzustellen. Sie unterstützt verschiedene Frameworks wie TensorFlow und PyTorch.
• AutoML: Eine Reihe von Machine-Learning-Produkten, die es Nutzern ermöglicht, benutzerdefinierte Modelle für Bild-, Text- und Videodaten ohne umfangreiche Programmierkenntnisse zu erstellen, die auf ihre spezifischen Bedürfnisse zugeschnitten sind.
• Dialogflow: Eine Plattform für das Verständnis natürlicher Sprache, die für den Aufbau von Gesprächsschnittstellen entwickelt wurde. Sie ermöglicht Entwicklern, benutzerdefinierte Chatbots und Sprachanwendungen zu erstellen, die die Absichten der Nutzer verstehen.
• Google Vision AI (benutzerdefinierte Modelle): Bietet die Möglichkeit, benutzerdefinierte Bild­erkennungsmodelle zu trainieren, die spezifische Objekte und Labels erkennen können, die auf die Bedürfnisse des Nutzers zugeschnitten sind, zusätzlich zu vortrainierten Modellen.
• Google Natural Language API (benutzerdefinierte Modelle): Ermöglicht benutzerdefinierte Entitätserkennung und Stimmungsanalyse basierend auf nutzerspezifischen Datensätzen, um das Verständnis bestimmter Begriffe und Kontexte, die für spezielle Branchen relevant sind, zu verbessern.

Microsoft benutzerdefinierte KI-Dienste

Microsoft eröffnet eine Vielzahl anpassbarer Dienste, die vortrainierte Modelle erweitern und es Ihnen ermöglichen, diese individuell mit eigenen Daten zu personalisieren. Diese Anpassung stellt sicher, dass KI-Dienste präziser auf Ihre spezifischen Bedürfnisse abgestimmt sind, sodass sie in Ihrem jeweiligen Kontext genauer funktionieren. Im Folgenden finden Sie einen Überblick über die wichtigsten benutzerdefinierten KI-Dienste von Microsoft in diesem Bereich:

• Azure AI Custom Speech: Passen Sie Spracherkennungsmodelle an, um branchenspezifische Terminologie oder Akzente zu verstehen und die Fähigkeit zur Spracherkennung in verschiedenen Umgebungen und Szenarien zu verbessern.
• Custom Vision: Passen Sie Bildklassifizierungs- und Objekterkennungsmodelle an, um spezielle Objekte oder Muster zu erkennen, die für Ihr Unternehmen relevant sind, und verbessern Sie so die Genauigkeit und Zuverlässigkeit des Modells.
• Custom Translator: Trainieren Sie Übersetzungsmodelle mit den Dokumenten Ihres Unternehmens, um branchenspezifische Fachsprache zu erfassen und sicherzustellen, dass Übersetzungen den beabsichtigten Sinn und Kontext beibehalten.

Vortrainierte KI-Dienste von Anbietern

Amazon vortrainierte KI-Dienste

Amazon Web Services (AWS) bietet eine breite Palette von KI- und ML-Diensten (künstliche Intelligenz und maschinelles Lernen) an, die ähnliche Funktionen wie die Azure AI-Dienste abdecken. Im Folgenden finden Sie einen Überblick über die wichtigsten AWS-Dienste in diesem Bereich:

• Amazon Rekognition: Ein Bild- und Videoanalysedienst, der gebrauchsfertige Funktionen für Gesichtserkennung, Objekterkennung und Szenenanalyse bietet, ohne dass ein benutzerdefiniertes Training erforderlich ist.
• Amazon Comprehend: Ein Dienst für die Verarbeitung natürlicher Sprache (NLP), der automatisch Erkenntnisse wie Entitäten, Schlüsselbegriffe, Stimmungen und Sprache aus Texten extrahiert, ohne dass benutzerdefinierte Modelltrainings erforderlich sind.
• Amazon Polly: Ein Text-to-Speech-Dienst, der Text mithilfe vortrainierter Deep-Learning-Modelle in lebensechte Sprache umwandelt und eine Vielzahl von Stimmen und Sprachen anbietet.
• Amazon Translate: Ein neuronaler maschineller Übersetzungsdienst, der sofortige Übersetzungen in mehrere Sprachen liefert und vortrainierte Modelle für qualitativ hochwertige Übersetzungen verwendet.
• Amazon Textract: Ein Dienst, der automatisch Text und Daten aus gescannten Dokumenten extrahiert und vortrainierte Funktionen zur Erkennung von Text, Tabellen und Formularen bietet.
• Amazon Kendra: Ein intelligenter, auf maschinellem Lernen basierender Suchdienst, der die natürliche Sprachsuche und Informationssuche aus verschiedenen Datenquellen ermöglicht.

Google vortrainierte KI-Dienste

Google umfasst ebenfalls eine umfassende Suite von KI- und Machine-Learning-Diensten, die Entwicklern und Unternehmen die Erstellung intelligenter Anwendungen ermöglicht. Ähnlich wie Azure und AWS stellt Google Cloud Dienste in den Bereichen Sprach-, Text-, Bild- und Videoverarbeitung sowie maschinelles Lernen zur Verfügung. Hier ist ein Überblick über die wichtigsten Google KI-Dienste und deren Anwendungsbereiche:

• Google Cloud Vision API: Ein leistungsstarker Bildanalysedienst, der vortrainierte Modelle für die Objekterkennung, Bildbeschriftung, Gesichtserkennung und optische Zeichenerkennung (OCR) bietet, ohne dass benutzerdefiniertes Training erforderlich ist.
• Google Cloud Natural Language API: Ein Dienst, der Text durch Entitätserkennung, Stimmungsanalyse und Syntaxanalyse analysiert und versteht, und Einblicke in Dokumente und soziale Medien liefert, ohne dass benutzerdefinierte Modelle benötigt werden.
• Google Cloud Translation API: Ein cloudbasierter Übersetzungsdienst, der vortrainierte neuronale maschinelle Übersetzungsmodelle verwendet, um sofortige Übersetzungen in mehrere Sprachen zu liefern.
• Google Cloud Speech-to-Text: Wandelt Audio in Text um, indem vortrainierte Modelle verwendet werden, die verschiedene Sprachen und Dialekte unterstützen, und ermöglicht so Echtzeit-Transkriptionen und Spracherkennung ohne zusätzliches Training.
• Google Cloud Text-to-Speech: Ein Dienst, der geschriebenen Text mithilfe vortrainierter Deep-Learning-Modelle in natürlich klingende Sprache umwandelt und eine große Auswahl an Stimmen und Sprachen bietet.
• Google AutoML Tables: Ein Dienst, der es Nutzern ermöglicht, benutzerdefinierte Machine-Learning-Modelle für strukturierte Daten zu erstellen und das Modelltraining und die Auswertung zu automatisieren, ohne tiefgehende Kenntnisse im Bereich maschinelles Lernen zu benötigen.

Microsoft vortrainierte KI-Dienste

Die Microsoft Azure AI-Dienste umfassen leistungsstarke KI-Modelle, die auf sehr großen Datensätzen trainiert wurden. Azure AI bietet eine breite Palette von Diensten, die verschiedene Aspekte der künstlichen Intelligenz abdecken. Hier sind einige spezifische Beispiele für Microsoft Azure AI-Dienste:

• Azure AI Vision: Bietet Funktionen wie optische Zeichenerkennung (OCR), Bildanalyse, Gesichtserkennung und räumliche Analyse.
• Azure AI Speech: Bietet Funktionen wie Sprach-zu-Text, Text-zu-Sprache, Übersetzung und Sprechererkennung.
• Azure AI Language: Unterstützt die Entwicklung von Anwendungen mit fortschrittlichen Fähigkeiten im Bereich des natürlichen Sprachverständnisses.
• Azure AI Search: Verbessert mobile und Webanwendungen mit cloudbasierten, KI-gesteuerten Suchfunktionen.
• Azure AI Content Safety: Ermittelt unerwünschte Inhalte, um die Qualität und Sicherheit von Materialien sicherzustellen.
• Azure AI Translator: Nutzt KI-Technologie zur Übersetzung von mehr als 100 Sprachen und Dialekten.
• Azure AI Document Intelligence: Verwandelt Dokumente in intelligente, datengesteuerte Lösungen.
  Video Indexer: Extrahiert verwertbare Erkenntnisse aus Videos.

Große Sprachmodelle (LLMs)

Große Sprachmodelle (LLMs) wie OpenAIs GPT-4 stellen einen bedeutenden Fortschritt in der künstlichen Intelligenz dar. Diese Modelle sind in verschiedenen Bereichen hervorragend, von Sprachverständnis bis hin zur multimodalen Verarbeitung, und zeigen bemerkenswerte kognitive Fähigkeiten. Im Folgenden sind die Hauptmerkmale aufgeführt, die LLMs so einflussreich machen:

• Umfassende Wissensbasis: LLMs werden auf Datensätzen trainiert, die ein breites Spektrum an Themen, Sprachen und Formaten abdecken, wodurch sie ein tiefes Verständnis der menschlichen Sprache und des Kontexts erwerben.
• Fortgeschrittenes Verständnis: Mit der Fähigkeit, menschenähnlichen Text zu verarbeiten und zu generieren, können LLMs Aufgaben ausführen, die ein Verständnis von Nuancen, Sarkasmus und kulturellen Referenzen erfordern.
• Multimodale Fähigkeiten: Einige LLMs, wie GPT-4, gehen über Text hinaus, indem sie Inhalte basierend auf Bildern interpretieren und generieren und so die Lücke zwischen visuellen und sprachlichen Daten schließen.
• Hohe kognitive Leistung: LLMs haben in verschiedenen professionellen und akademischen Benchmarks menschenähnliche Leistungen gezeigt, einschließlich des Bestehens von Prüfungen mit Ergebnissen im obersten Prozentbereich.

Anpassung von großen Sprachmodellen

Große Sprachmodelle werden nach ihrer Veröffentlichung in der Regel nicht mit benutzerdefinierten Trainingsdaten weiter optimiert. Es gibt jedoch Möglichkeiten, sie durch Prompt Engineering und Retrieval-Augmented Generation (RAG) anzupassen. Im Folgenden sind zwei zentrale Methoden zur Verfeinerung des Modellverhaltens aufgeführt:

• Prompt Engineering: Durch das sorgfältige Erstellen und Optimieren von Prompts kann das Verhalten des Modells angepasst werden, um spezifischere oder kontextbezogene Antworten zu liefern.
• Retrieval-Augmented Generation (RAG): Diese Methode kombiniert das Sprachmodell mit externen Wissensdatenbanken. Vor der Textgenerierung wird dem Modell relevante Information aus einer Datenbank zugeführt, sodass es Antworten auf der Grundlage aktueller oder benutzerdefinierter Inhalte liefern kann.

Diese Techniken ermöglichen eine flexible Anpassung von LLMs, ohne dass eine umfangreiche Nachschulung erforderlich ist.