Ein Geschäftsmann sitzt in einem modernen Büro an einem Schreibtisch, schaut auf eine Datenanzeige auf einem Desktop-Monitor und tippt auf einer Tastatur

Beschleunigen Sie die Anpassung generativer KI-Modelle

Erfahren Sie mehr über die Modellanpassungstechniken, die Ihrem Unternehmen dabei helfen können, generative KI (GenAI)-Funktionen schnell und kostengünstig bereitzustellen.

Auf einen Blick

  • 80 % der Unternehmen werden bis 2026 generative KI verwenden.1

  • Die Anpassung von handelsüblichen Grundmodellen kann Ihnen helfen, die Entwicklung generative KI-Modelle zu beschleunigen.

  • Retrieval-augmented Generation (RAG) (abruferweiterte Generierung) und Feinabstimmung des Modells bieten zwei verschiedene Wege zur Anpassung.

  • Generative KI-Modelle kostengünstig und skalierbar bereitzustellen, erfordert die richtigen Hardware- und Softwaretechnologien.

  • In der Intel® Tiber™ Developer Cloud können Sie praktische Erfahrungen mit dem umfassenden Intel® AI Portfolio sammeln.

author-image

Von

Skalierbare und nahtlose generative KI ist eine Priorität für Unternehmen. Es ist jedoch schwierig, anzufangen und zu ermitteln, wie man angepasste Ergebnisse einer generativen KI erzielen kann. Lassen Sie uns untersuchen, wie grundlegende Modelle einen optimierten Pfad bieten, der Ihnen dabei helfen kann, in kürzerer Zeit für die Bereitstellung bereit zu sein.

Navigieren Sie zum Wendepunkt für generative KI.

80 % der Unternehmen werden bis 2026 generative KI verwenden,1 und Ihr Unternehmen – wie viele andere – ist wahrscheinlich im Rennen, um mit dieser neuen Technik Werte und Chancen zu nutzen. Im Zentrum jeder KI-Initiative steht das Modell selbst. Unternehmensorganisationen müssen schnell und kosteneffizient bestimmte KI-Funktionen aktivieren, die für ihr Unternehmen einzigartig sind.

Heute verlassen sich Unternehmensorganisationen auf zwei primäre Methoden, um maßgeschneiderte generative KI-Funktionen zu ermöglichen. Sie können sich dafür entscheiden, ein grundlegendes Allzweckmodell durch weitere Schulungen zu verfeinern. Oder sie können eine Technik implementieren, die als Retrieval-Augmented Generation (RAG) bekannt ist, die benutzerdefinierte Ausgaben erleichtert, indem sie grundlegende Modelle mit bestimmten Datensätzen verbindet.

Retrieval-Augmented Generation im Vergleich zur Feinabstimmung des Modells

RAG und Fine-Tuning beschleunigen beide den Weg zu maßgeschneiderten KI-Funktionen, aber sie tun dies auf verschiedene Weise.

Bei der Fine-Tuning-Methode verfeinern Unternehmen handelsübliche Modelle mit ihren einzigartigen Datensätzen. Das grundlegende Modell bietet einen Ausgangspunkt, was bedeutet, dass Ihr Team nicht die großen Mengen an Zeit und Daten benötigt, die für die Entwicklung von Grund auf erforderlich sind. Die Verarbeitungsanforderungen für das Fine-Tuning sind weniger intensiv als das Training von Grund auf, sodass Sie wahrscheinlich keine umfangreichen Rechenleistungen (wie einen GPU-Cluster) benötigen, um das ausgewählte grundlegende Modell zu optimieren.

Andererseits verbindet RAG Modelle mit relevanten Daten aus Ihren einzigartigen, proprietären Datenbanken, um unternehmensspezifische, aktuelle Informationen zu erhalten und zu analysieren. Dieser zusätzliche Kontext informiert die endgültige Ausgabe und führt wie das Fine-Tuning zu den hochspezifischen Ergebnissen, die Unternehmensorganisationen benötigen. Kritisch ist, dass das Modell nicht fein abgestimmt oder im RAG-Paradigma weiter trainiert wird. Stattdessen ist sie durch Abrufmechanismen mit den erforderlichen Wissensdatenbanken verbunden.

Beide Ansätze bieten deutliche Vorteile. Hocheffektive RAG-basierte Implementierungen können mit schlankerer Hardware als Fine-Tuning erreicht werden. RAG reduziert auch das Risiko von Halluzinationen, kann Quellen für seine Ausgaben bereitstellen, um die Erklärbarkeit zu verbessern, und bietet Sicherheitsvorteile, da vertrauliche Informationen sicher in privaten Datenbanken aufbewahrt werden können.

Es ist wichtig zu beachten, dass diese Ansätze auch zusammen verwendet werden können. Weitere Informationen zu RAG finden Sie in diesen Leitfäden:
 

  • Was ist RAG?: Erfahren Sie, wie RAG funktioniert, und erkunden Sie die wesentlichen Elemente einer RAG-Implementierung.
  • Implementierung von RAG: Hier erhalten Sie Schritt-für-Schritt-Anleitungen dazu, wie Sie den RAG-Ansatz verwenden können, einschließlich Tipps für die Erstellung einer Wissensdatenbank.

Entdecken Sie gängige grundlegende Modelle

Sowohl RAG als auch die Feinabstimmung des Modells beruhen auf grundlegenden Modellen als zentrale Elemente. Während es für Ihr Unternehmen eine immer wachsende Anzahl von serienmäßig produzierten grundlegenden Modellen gibt, die für Sie verfügbar sind, stellen diese sechs einige der leistungsstärksten und beliebtesten Angebote dar, die heute verwendet werden:
 

 
Indem Sie Ihre generative KI-Lösung für Unternehmen auf diesen grundlegenden Modellen basieren, können Sie die Zeit bis zur Wertschöpfung für die KI-Investitionen Ihres Unternehmens erheblich verbessern.

Natürlich ist die Wahl eines Modells ein komplexer Prozess, der stark von Ihren Anforderungen und Geschäftsrealitäten abhängt. Praktische Experimente sind eine der besten Möglichkeiten, um sich mit diesen Standardangeboten vertraut zu machen. Alle sechs dieser Modelle stehen Ihrem Team zur Verfügung, um über die Intel® Tiber™ Developer Cloud zu bewerten.

Hardware-Empfehlungen

Im Allgemeinen erfordert die Anpassung eines handelsüblichen Modells weniger Rechenleistung als das Training eines Modells von Grund auf. Je nach Ihren Anforderungen können Sie die erforderlichen Workloads möglicherweise über Allzweck-Hardware ausführen, die Ihr Unternehmen bereits besitzt. Oder Sie können sich für spezialisierte KI-Hardware entscheiden, um anspruchsvollere Workloads zu bewältigen. Im Fall von RAG werden Sie wahrscheinlich basierend auf Ihrem Durchsatz und Ihren Latenzanforderungen zwischen Hardware-Typen wählen. Intel bietet beschleunigte KI-Hardware für die gesamte Palette von Anpassungsanforderungen:
 

 
Bei der Bereitstellung von feinabgestimmten Modellen bieten die neuesten Intel® Xeon® Prozessoren und Intel® Gaudi® KI-Beschleuniger eine optimierte Bereitstellungsplattform, die kosteneffektive Inferenz ermöglicht.

Sie und Ihr Team können die Leistung in der gesamten KI-Pipeline mit einer Reihe von Hardwaretypen über die Intel® Tiber™ Developer Cloud testen.

Software-Tools

Bei beiden Anpassungsansätzen spielen Software-Tools und Entwicklungsressourcen eine integrale Rolle bei der Entwicklung und Bereitstellung. Ohne die richtigen Tools können Sie während der Bereitstellung langwierigen Entwicklungszeiten und Kopfschmerzen gegenüberstehen, insbesondere wenn es mit einem heterogenen Hardware-Mix zu tun hat.

Um diese Herausforderungen zu lösen, bietet Intel ein End-to-End-Entwicklungsportfolio für KI. Unsere Sammlung von Ressourcen und Tools kann Ihnen dabei helfen, generative KI mit optimierten Ergebnissen zu entwickeln, zu skalieren und bereitzustellen.

Zum Beispiel ermöglicht unsere optimierte PyTorch-Bibliothek mit nur wenigen Code-Zeilen die aktuellsten Intel® Software- und Hardware-Optimierungen für PyTorch nutzen.

Wenn Sie die Anpassung über den RAG-Ansatz verfolgen, können integrierte RAG-Frameworks wie LangChain, LLamaIndex und fastRAG von IntelLab Ihre Bemühungen optimieren und beschleunigen. RAG-Frameworks ermöglichen es Ihnen, KI-Toolchains in der gesamten Pipeline zu integrieren und Ihnen vorlagenbasierte Lösungen für reale Anwendungsfälle zu bieten.

Intel bietet Optimierungen zur Maximierung der Gesamtleistung der Pipeline auf Intel® Hardware. Zum Beispiel integriert fastRAG Intel® Extension für PyTorch und Optimum Habana zur Optimierung von RAG-Anwendungen auf Intel® Xeon® Prozessoren und Intel® Gaudi® KI-Beschleunigern.

Unterdessen spielt das OpenVINO™ Toolkit eine integrale Rolle bei der Bereitstellung. Es ist ein Open-Source-Toolkit, das KI-Inferenz mit geringerer Latenz und höherem Durchsatz beschleunigt, während die Genauigkeit beibehalten wird, der Modellfußabdruck reduziert und die Hardwarenutzung optimiert wird. Das Toolkit optimiert die KI-Entwicklung und Integration von Deep Learning in generative KI – sowie Computer Vision und große Sprachmodelle.

Für RAG-Anwendungen bieten wir mehrere Optimierungsbibliotheken, um Ihnen dabei zu helfen, LLM-Inferenz auf Ihren Hardwareressourcen zu maximieren. Unsere Intel® oneAPI-Bibliotheken bieten Low-Level-Optimierungen für beliebte KI-Frameworks, einschließlich PyTorch und TensorFlow, sodass Sie vertraute Open-Source-Tools verwenden können, die auf Intel® Hardware optimiert sind.

Sie können die in diesem Artikel hervorgehobenen Intel® Software-Ressourcen – und vielen anderen – über die Intel® Tiber™ Developer Cloud ausprobieren.
Sie können auch unsere Seite für generative KI-Entwicklung konsultieren, um eine kuratierte Sammlung von Enablement-Ressourcen für Ihre generativen KI-Projekte zu finden.

Stellen Sie einen einfacheren Kurs für Enterprise-KI vor

Wenn Sie Ihre generative KI-Initiative von der Modellanpassung und dem Proof-of-Concept bis zur Bereitstellung voranbringen, können Sie die Effizienz optimieren und Innovationen mit Tools und Technologien von Intel und unserem Technologieumfeld globaler Partner beschleunigen.

Indem Sie sich für Intel für Ihre KI-Plattform entscheiden, können Sie den Wert der Infrastruktur, die Sie bereits haben, maximieren und gleichzeitig die Offenheit und Interoperabilität sicherstellen, die Sie für den Erfolg in Zukunft benötigen. Unsere Investitionen in Zuverlässigkeit und Verwaltbarkeit helfen dabei, reibungslosere, einfachere KI-Operationen in der gesamten Pipeline zu ermöglichen. Unsere offenen Plattformen und leistungsstarke Hardware mit niedrigen Gesamtbetriebskosten ermöglichen die flexiblen, effizienten Bereitstellungen, die Sie für die Aktivierung generativer KI im großen Umfang benötigen.

Als Teil der Linux Foundation Open Platform for Enterprise AI arbeiten wir an der Entwicklung eines Orchestrierungs-Frameworks für das Technologieumfeld, das generative KI-Technologien und Workflows effizient integriert, eine schnellere Einführung ermöglicht und den Geschäftswert durch kollaborative Entwicklung verbessert. Unsere aktuellen Beiträge umfassen eine Reihe von generativen KI-Architekturen, die Ihre Initiative beschleunigen können:
 

  • Ein Chatbot auf skalierbaren Intel® Xeon Prozessoren und Intel® Gaudi® KI-Beschleunigern
  • Zusammenfassung von Dokumenten mit Intel® Gaudi® KI-Beschleunigern
  • Visuelle Fragebeantwortung (VQA) auf Intel® Gaudi® KI-Beschleunigern
  • Ein Copilot wurde für die Code-Generierung in Visual Studio Code mit Intel® Gaudi®KI-Beschleunigern entwickelt

Beginnen Sie noch heute mit der Anpassung generativer KI-Modelle auf Intel

Generative KI ist darauf vorbereitet, für Unternehmensorganisationen in praktisch allen Branchen große Störungen zu bringen – von der Fertigung bis zum Gesundheitswesen, Einzelhandel und darüber hinaus.

Wenn Sie die einzigartigen KI-Funktionen nutzen möchten, die für Ihr Unternehmen und KI-Anwendungen erforderlich sind, bieten Feinabstimmung und RAG großartige Wege zu einer schnelleren Markteinführung und einem ROI. Mit den führenden grundlegenden Modellen von heute in Kombination mit dem speziell entwickelten Intel® AI Portfolio können Sie den Erfolg generativer KI für Ihr Unternehmen vereinfachen, optimieren und beschleunigen.

Erhalten Sie mehr KI-Einblicke

Nutzen Sie die Leistung der generativen KI

Erhalten Sie zusätzliche Hardware- und Software-Empfehlungen, um generative KI in der gesamten Pipeline zu unterstützen.
Jetzt lesen

Intel® AI Lösungen

Entdecken Sie unser umfassendes KI-Portfolio, einschließlich Lösungen für Edge, Rechenzentrum, Cloud, KI-PCs und End-to-End-Software-Tools.
Jetzt anschauen

Produkt- und Leistungsinformationen

1

„Gartner Says More than 80% of Enterprises Will Have Used Generative AI APIs or Deployed Generative AI-Enabled Applications by 2026“, Gartner, 11. Oktober 2023.