Klein beginnen und dann erweitern: KI erfolgreich einzusetzen, ist keine geheimnisvolle Sache

Das Wichtigste im Überblick:

  • Unternehmen, die bei ihrer KI-Strategie mit einer Machbarkeitsstudie im kleinen Rahmen beginnen, werden langfristig eher erfolgreich sein.

  • Erfolgreiche Pilotprojekte sind eine solide Basis, von der aus der Rahmen von KI-Projekten erweitert werden kann.

  • Eine vorhandene Intel® Xeon® Plattform kann als Sprungbrett für den erfolgreichen KI-Einsatz dienen.

author-image

Das Tempo und die Tragweite von bahnbrechenden KI-Fortschritten nimmt zu, doch die Unternehmen, die jetzt erst mit KI beginnen, hinken keinesfalls hinterher.

Die größten Chancen sind zwar noch längst nicht genutzt, doch eine kürzlich veröffentlichte Studie von Harvard Business Review ergab, dass ein ambitionierter, alles verändernder Griff nach den Sternen „eher weniger erfolgreich ist als einfache Projekte, die Geschäftsprozesse verbessern“.

Intel gewinnt aus seiner Arbeit mit Kunden dieselbe Erkenntnis. Diejenigen, die mit KI den größten Erfolg haben, beginnen mit Machbarkeitsstudien im kleineren Rahmen und nutzen dafür die vorhandene IT-Infrastruktur. Ihr gegenwärtiges, auf Intel® Xeon® Prozessoren basierendes Rechenzentrum bietet ideale Möglichkeiten, den Nutzen der KI unter Verwendung einer flexiblen Grundlage mit wettbewerbsfähigen Gesamtbetriebskosten zu prüfen. Wenn die Lösung später erweitert werden soll, können die Unternehmen ihr Augenmerk auf die Feinabstimmung der Kombination von Rechenleistung, Software-Optimierungen und Speicherbandbreite des Prozessors richten, die so wichtig für die KI-Leistungsfähigkeit ist.

Bei seiner KI-spezifischen Zusammenarbeit mit Kunden stellt Intel fest, dass diejenigen, die mit KI den größten Erfolg haben, mit Machbarkeitsstudien im kleineren Rahmen beginnen und dafür die vorhandene IT-Infrastruktur nutzen.

Klein einsteigen und später skalieren bringt den Erfolg

Ein kleines Pilotprojekt mit Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) einer französischen Krebsforschungseinrichtung erbrachte bahnbrechende erste Ergebnisse und Erkenntnisse, wodurch es zur Ausgangsbasis für eine umfangreichere Nutzung für diesen Anwendungsfall wurde.

Bevor die Organisation ihre Lösung entwickelte, brauchten 30 Personen sechs Monate, um Patientenakten durchzusehen und geeignete Kandidaten für klinische Studien zu finden. Bei dem Pilotprojekt lernte das System aus Daten von 24 Millionen Akten und 1,25 Millionen Patienten und klassifizierte neue und bisher nicht gesichtete Daten auf der Basis dieser Erkenntnisse. Die Einrichtung glaubt, dass dieses System den gesamten Vorgang auf einen Tag verkürzen könnte.

Das Team will nun seine Lösung, die auf hochleistungsfähigen Clustern mit Intel® Xeon® Prozessoren läuft, dadurch skalieren, dass die Suchfunktion vertieft, die Benutzeroberfläche verbessert, die Leistung weiter optimiert und die Anzahl der Benutzer und Standorte erweitert wird.  

Eine französische Krebsforschungseinrichtung startete ein Pilotprojekt, um mithilfe von KI Patienten zu finden, die sich für eine klinische Studie eignen und ging davon aus, dass das System eine Arbeit, mit der normalerweise 30 Mitarbeiter sechs Monate lang beschäftigt sind, in nur einem Tag erledigen kann.

Automatisierung entsprechend dem Lebenstempo

Ein anderes Beispiel aus dem Bereich der Bilderkennung zeigt, welche grundlegenden Veränderungen KI-Projekte entfalten können, die nach erfolgreichen ersten Machbarkeitsstudien ausgeweitet werden.

Ebenfalls im medizinischen Bereich treffen Radiologen Tag für Tag klinische Entscheidungen, ob die jeweiligen Aufnahmen von Patienten symptomatisch für Krebserkrankungen sind. Allerdings hätten Sie ein Problem damit, zu beschreiben, wie man alle Krebsarten in beliebigen Aufnahmen, die zu beliebigen Patienten gehören, unabhängig von der Bildqualität oder -drehung erkennt. Genau das ist es aber, was ein Deep-Learning-System mit Bilderkennung anhand einer ausreichenden Datenmenge erlernen und automatisieren kann und was es schließlich ermöglicht, Aufnahmen mit lebensrettender Geschwindigkeit und Genauigkeit zu verarbeiten und potenzielle Krebserkrankungen anzuzeigen.1

Auf Deep Learning basierende Bilderkennungssysteme können die Erkennung von Krebserkrankungen erlernen und automatisieren, um dann mit lebensrettender Geschwindigkeit und Genauigkeit potenzielle Krankheitsfälle anzuzeigen.

Drei Faktoren bestimmen die KI-Leistungseigenschaften2

Die Leistungsfähigkeit der KI wird durch eine Kombination von Rechenleistung, Software-Optimierungen und Speicherbandbreite bestimmt, und die Intel®-Architektur in Ihrem Rechenzentrum kann Ihnen mit der Hardware, die Sie bereits kennen, die KI-Technik bieten, die Sie benötigen.

Intels Data-Science-Team schrieb unlängst über seine Arbeit mit der Bildklassifizierung für die Medizin und Biowissenschaften:

„Dadurch, dass sie größere Speicherkapazitäten unterstützen, sind CPU-basierte Deep-Learning-Systeme besonders dafür geeignet, dem Speicherbedarf nachzukommen, der mit dem Trainieren neuronaler Netze für große Bilder verbunden ist, und den Umfang der Bildserien zu bewältigen ... wir haben gezeigt, dass ein CPU-basiertes System einen Speicherbedarf von mehr als 40 GB für eine Klassifizierung mikroskopischer Aufnahmen aus der Praxis bewältigen konnte.“

Bezüglich der Software hat Intel es durch die Optimierung einer Reihe von Deep-Learning-Bibliotheken für viele der bekanntesten KI-Frameworks Datenwissenschaftlern und Entwicklern ermöglicht, mit den von ihnen bevorzugten Tools für die Intel-Hardware zu arbeiten. Zu diesen Frameworks zählen TensorFlow*, Theano* und andere.

Dazu kommt BigDL, eine Distributed-Deep-Learning-Bibliothek für Spark*, die direkt auf bestehenden Spark- oder Apache-Hadoop*-Clustern eingesetzt werden kann. Sie gestattet es, vortrainierte Torch*-Modelle in das Spark-Framework zu laden und ermöglicht eine effiziente Skalierung, um Datenanalysen auf Big-Data-Niveau durchzuführen.

Wie gut ist Ihre Organisation auf KI vorbereitet?

Intel arbeitet mit vielen Unternehmen zusammen, die künstliche Intelligenz einsetzen möchten, und die kontinuierliche Optimierung von Hardware und Software bedeutet, dass die KI von fast jedem Unternehmen genutzt werden kann.

Unabhängig davon, wie weit Sie mit Ihrer KI-Implementierung fortgeschritten sind, bietet Ihnen Intels Portfolio an Hardware und Software ein reichhaltiges Instrumentarium für den Aufbau einer möglichst kosteneffektiven Architektur für KI-Aufgaben, und Sie können sofort damit beginnen.

Wählen Sie zur Unterstützung Ihrer KI-Lösung die bestmögliche Infrastruktur-Strategie


Informieren Sie sich, wie Sie Ihre KI-Lösung am besten auf der Grundlage der bestehenden und zugänglichen IT-Infrastruktur bereitstellen können

Whitepaper herunterladen

Künstliche Intelligenz

Lösungen mit Intel®-Technik unterstützen Unternehmen dabei, schneller Lösungen zu finden, den Betrieb zu automatisieren und bessere Erkenntnisse zu gewinnen.

Weitere Infos

Aufbau einer KI-Machbarkeitsstudie

Entdecken Sie, was eine effektive KI-Machbarkeitsstudie ausmacht.

Infografik anzeigen

Produkt- und Leistungsinformationen

1https://ai.intel.com/teaching-machines-image-classification-health-life-sciences-intel-xeon-scalable-processors-lab-coats/ 
2

Die Funktionsmerkmale und Vorteile von Intel® Techniken hängen von der Systemkonfiguration ab und können geeignete Hardware, Software oder die Aktivierung von Diensten erfordern. Die Leistungsmerkmale variieren je nach Systemkonfiguration. Kein Produkt und keine Komponente bieten absolute Sicherheit. Informieren Sie sich beim Systemhersteller oder Fachhändler oder auf https://www.intel.de.