Das maschinelle Lernen (ML) hat in den letzten Jahren eine rasante Entwicklung und Verbreitung erfahren, die durch eine Reihe von Faktoren angetrieben wird.
Es gibt keinen Mangel an Meinungen darüber, warum künstliche Intelligenz (KI) und ML im Wachstum sind. Ein aktueller Bericht von McKinsey nennt die Industrialisierung von ML und angewandter KI als einen der Top-Trends für das Jahr. In einer Sitzung auf der AWS re:Invent-Konferenz erläuterte Bratin Saha, VP und GM für KI und maschinelles Lernen bei Amazon, die sechs Haupttrends, die der Cloud-Riese sieht und die dazu beitragen, Innovation und Akzeptanz im Jahr 2022 und darüber hinaus zu fördern.
AWS gibt an, über 100.000 Kunden für seine KI/ML-Services zu haben. Diese Services sind auf drei Ebenen verteilt: ML-Infrastrukturservices, die es Unternehmen ermöglichen, ihre eigenen Modelle zu erstellen; SageMaker, das Tools für die Erstellung von Anwendungen bereitstellt, und zweckgebundene Services für bestimmte Anwendungsfälle, wie z. B. Transkription.
„Das maschinelle Lernen hat sich von einer Nischenaktivität zu einem integralen Bestandteil der Geschäftsabläufe von Unternehmen entwickelt“, sagte Saha während der Sitzung.
Trend 1: Die Modelle werden immer ausgefeilter
Saha sagte, dass in den letzten Jahren die Raffinesse von ML-Modellen exponentiell zugenommen habe. Die Verwendung des Begriffs „exponentiell“ ist auch keine Übertreibung.
Eine Möglichkeit, die Komplexität von Modellen des maschinellen Lernens zu messen, besteht darin, die Anzahl der Parameter in ihnen zu zählen. Saha erklärte, dass Parameter als Wertvariablen betrachtet werden können, die in ML-Modelle eingebettet sind. Im Jahr 2019, so Saha, hatten die modernsten ML-Modelle etwa 300 Millionen Parameter. Im Jahr 2022 haben die besten Modelle bereits mehr als 500 Milliarden Parameter.
„Mit anderen Worten: In nur drei Jahren hat sich die Komplexität der Modelle für maschinelles Lernen um das 1.600-fache erhöht“, so Saha.
Diese massiven Modelle werden heute gemeinhin als Basismodelle bezeichnet. Mit dem Ansatz der Basismodelle kann ein ML-Modell einmal mit einem großen Datensatz trainiert und dann für eine Vielzahl verschiedener Aufgaben wiederverwendet und angepasst werden. Auf diese Weise können Unternehmen von der höheren Komplexität profitieren, wobei der Ansatz einfacher zu übernehmen ist.
„[Foundation-Modelle] reduzieren die Kosten und den Aufwand für das maschinelle Lernen um eine Größenordnung“, so Saha.
Trend 2: Datenwachstum
Zum Trainieren von ML-Modellen werden immer größere Datenmengen und unterschiedliche Datentypen verwendet. Dies ist der zweite wichtige Trend, den Saha identifiziert hat.
Unternehmen erstellen jetzt Modelle, die auf strukturierten Datenquellen wie Text sowie auf unstrukturierten Datentypen wie Audio und Video trainiert wurden. Die Möglichkeit, verschiedene Datentypen in ML-Modelle zu integrieren, hat zur Entwicklung mehrerer Services bei AWS geführt, die beim Training von Modellen helfen.
Ein solches Tool, das Saha hervorhob, ist SageMaker Data Wrangler, das Benutzern hilft, unstrukturierte Daten mit einem Ansatz zu verarbeiten, der sie für ML-Training geeignet macht. AWS hat diese Woche auf der re:Invent-Konferenz auch neue Unterstützung für Geodaten in SageMaker hinzugefügt.
Trend 3: Industrialisierung des maschinellen Lernens
Bei AWS ist auch ein Trend zur zunehmenden ML-Industrialisierung zu beobachten. Das bedeutet eine stärkere Standardisierung von ML-Tools und ‑Infrastruktur, die es Unternehmen ermöglicht, Anwendungen einfacher zu erstellen.
Saha sagte, dass die ML-Industrialisierung wichtig ist, weil sie Unternehmen hilft, die Entwicklung zu automatisieren und zuverlässiger zu machen. Ein industrieller, gemeinsamer Ansatz ist entscheidend für die Skalierung, wenn Unternehmen mehr Modelle entwickeln und einsetzen.
„Sogar innerhalb von Amazon verwenden wir SageMaker für die Industrialisierung und die Entwicklung von maschinellem Lernen“, so Saha. „Zum Beispiel werden die komplexesten Alexa-Sprachmodelle jetzt auf SageMaker trainiert.“
Trend 4: ML-gestützte Anwendungen für spezifische Anwendungsfälle
ML wächst auch aufgrund von zweckgebundenen Anwendungen für bestimmte Anwendungsfälle.
Saha sagte, dass AWS-Kunden den Anbieter gebeten haben, gängige ML-Anwendungsfälle zu automatisieren. AWS (und andere Anbieter) bieten jetzt zum Beispiel Dienste wie Sprachtranskription, Übersetzung, Text-to-Speech und Anomalieerkennung an. Diese bieten Unternehmen eine einfachere Möglichkeit, ML-gestützte Dienste zu nutzen.
Die Stimmungsanalyse in Live-Audioanrufen ist zum Beispiel ein neuer, komplexer Anwendungsfall, den AWS jetzt mit den Echtzeit-Anrufanalysefunktionen seines Amazon Transcribe-Service unterstützt. Saha sagte, dass die Funktion Spracherkennungsmodelle verwendet, um die Kundenstimmung zu verstehen.
Trend 5: Verantwortungsvolle KI
Es gibt auch einen wachsenden Trend und Bedarf an verantwortungsvoller KI.
„Mit dem Wachstum von KI und ML geht die Erkenntnis einher, dass wir sie verantwortungsvoll einsetzen müssen“, so Saha.
Aus der Sicht von AWS muss eine verantwortungsvolle KI mehrere Schlüsseleigenschaften aufweisen. Ein System muss fair sein und für alle Benutzer gleichermaßen funktionieren, unabhängig von Rasse, Religion, Geschlecht und anderen Benutzermerkmalen. ML-Systeme müssen auch erklärbar sein, damit Unternehmen verstehen, wie ein Modell funktioniert. Außerdem sind Governance-Mechanismen erforderlich, die sicherstellen, dass verantwortungsvolle KI praktiziert wird.
Trend 6: ML-Demokratisierung
Der letzte wichtige Trend, der ML vorantreiben wird, ist die Demokratisierung der Technologie, die mehr Menschen Zugang zu Werkzeugen und Fähigkeiten verschafft.
„Kunden sagen uns, dass sie … oft Schwierigkeiten haben, alle benötigten Data-Science-Talente einzustellen“, so Saha.
Die Antworten auf die Herausforderung der Demokratisierung liegen nach Ansicht von Saha in der weiteren Entwicklung von Low-Code und der Verwendung von fallgesteuerten Tools sowie in der Bildung.
„AWS investiert auch in die Ausbildung der nächsten Generation von Entwicklern für maschinelles Lernen“, sagte Saha. „Amazon hat sich verpflichtet, bis 2025 mehr als 29 Millionen Menschen dabei zu helfen, ihre technischen Fähigkeiten durch kostenlose Cloud-Computing-Schulungen zu verbessern.
Quelle: venturebeat
Erfahren Sie hier mehr über Lösungen im Bereich Data Management oder besuchen Sie eines unserer kostenlosen Webinare.
