Künstliche Intelligenz So vereinfachen Algorithmen-Marktplätze den Start in KI

Von Filipe Martins und Anna Kobylinska

Anbieter zum Thema

Ausgefuchste Algorithmen – komplexe „Berechnungsprozeduren“ zur Auswertung von Big Data in Softwarecode – sind ein Erfolgsrezept für datengetriebene Entscheidungen. Doch sie fallen nicht vom Himmel. Algorithmen-Marktplätze bieten mit ihren verborgenen Schätzen eine wahre Goldgrube.

Externe Algorithmen zu kaufen, kostet schätzungsweise um die 20 Prozent weniger als die Umsetzung einer vergleichbarer Lösung in Eigenregie.
Externe Algorithmen zu kaufen, kostet schätzungsweise um die 20 Prozent weniger als die Umsetzung einer vergleichbarer Lösung in Eigenregie.
(Bild: © Anatoly Stojko - stock.adobe.com)

In Zeiten hoher Ungewissheit führt der sicherste Weg zu einer verlässlichen Handlungsgrundlage über kleine Teillösungen – und Unmengen von Daten. Die Verantwortlichen in Unternehmen zeigen sich bereit, in KI/ML zu investieren, um sich den Mehrwert der Big Data nicht entgehen zu lassen.

In nur einem halben Jahr zwischen der Sommer-2020- und der Frühling-2021-Umfrage von Algorithmia stieg das Bewusstsein der Entscheidungsträger um konkrete Nutzungsszenarien von KI/ML-Modellen in Unternehmen sprunghaft an.
In nur einem halben Jahr zwischen der Sommer-2020- und der Frühling-2021-Umfrage von Algorithmia stieg das Bewusstsein der Entscheidungsträger um konkrete Nutzungsszenarien von KI/ML-Modellen in Unternehmen sprunghaft an.
(Bild: Algorithmia)

Wichtiger als gedacht

Laut einer Umfrage der MLOps-Cloud Algorithmia vom Sommer 2020 hätten satte 71 Prozent der Firmen ihr KI/ML-Budget inmitten der Pandemie gegenüber dem Vorjahr aufgestockt. „KI/ML ist viel wichtiger als wir gedacht hatten“, hieß es in der Begründung, zu der sich bereitwillig 43 Prozent der Befragten bekannt haben sollten. Eine neue Umfrage von Anfang 2021 hat den Trend bestätigt. Knapp 77 Prozent der Unternehmen priorisieren demnach ihre KI/ML-Initiativen gegenüber sonstigen IT-Ausgaben.

„Mit der Ära der intelligenten Datenauswertung steht uns eine neue Revolution bevor“, glaubt Diego Oppenheimer, Gründer und CEO von Algorithmia. Doch genau darauf sind einzelne Firmen offenbar kaum vorbereitet.

Nur elf Prozent der Organisationen seien demnach in der Lage, ein Datenauswertungsmodell innerhalb einer Woche aus dem Boden zu stampfen und zur Produktionsreife zu entwickeln. 64 Prozent der Teams brauchen dafür einen ganzen Monat. Diese Verzögerung kostet sie bares Geld.

Nur 11 % der befragten Organisationen  sind in der Lage, ein Datenauswertungsmodell in weniger als einer Woche nutzbar zu machen.
Nur 11 % der befragten Organisationen sind in der Lage, ein Datenauswertungsmodell in weniger als einer Woche nutzbar zu machen.
(Bild: Algorithmia)

Zu oft stellt sich ehrgeizigen Projekten der Fachkräftemangel in den Weg. Das Hinzukaufen externer Algorithmen kostet schätzungsweise so um die 20 Prozent weniger als die Umsetzung einer vergleichbarer Lösung in Eigenregie, rechnet Algorithmia (wohl kaum selbstlos) vor.

Das Hinzukaufen externer Algorithmen kostet schätzungsweise so um die 20 % weniger als die Umsetzung einer vergleichbarer Lösung in Eigenregie, hat Algorithmia vorgerechnet.
Das Hinzukaufen externer Algorithmen kostet schätzungsweise so um die 20 % weniger als die Umsetzung einer vergleichbarer Lösung in Eigenregie, hat Algorithmia vorgerechnet.
(Bild: Algorithmia)

Rundum glücklich: Marktplätze für Generalisten

Einige Anbieter von Lösungen der Datenintelligenz haben Algorithmen-Marktplätze ins Leben gerufen, um den Austausch von Ideen, Daten und Kapital zu fördern. Auf diese Algorithmen-Marktplätze können KI/ML-Entwickler ihre Arbeit hochladen, um sie dort kostenpflichtig zu vertreiben. Unternehmen bezahlen so nicht direkt für die Entwicklungszeit und deren ungewisse Resultate, sondern für bereits validierte, praxiserprobte, schlüsselfertige und dennoch anpassungsfähige „Berechnungsformeln“ und Modelle zur Auswertung ihrer Daten.

Marktplätze für Generalisten erfreuen sich einer besonderen Beliebtheit. In diese Kategorie fällt neben Algorithmia unter anderem auch GenesisAI, eine Handelsplattform für ML-Berechnungen auf der Basis des gleichnamigen ML-Protokolls, und Bonseyes, ein auf Europa zugeschnittener Marktplatz für den Kauf und Verkauf von KI-Tools, der aus der EU-Forschungsinitiative Horizon 2020 hervorging.

GenesisAI wolle das derzeitige System „zerschlagen“, in dem einige wenige große Unternehmen im Grunde die gesamte KI besitzen, enthüllt der Geschäftsführer Archil Cheishvili. Anders als bei Algorithmia handelt es sich bei GenesisAI noch um einen größtenteils unfertigen Marktplatz, hoch gesteckte Ziele und kaum eigene Erfolgsbilanz.

Andere Anbieter sind mit ähnlich noblen Vorsätzen längst aus den Startlöchern losgesprintet und können bereits einen konkreten Leistungsnachweis erbringen.

Bonseyes, eine Erfolgsgeschichte der EU-Forschungsinitiative Horizon 2020, deckt mit seiner offenen Handelsplattform für Algorithmen das gesamte Spektrum möglicher Nutzungsszenarien ab, von intelligenten cyberphysischen Systemen an der Netzwerkkante bis hin zum heterogenen KI-Computing in der Cloud.

Visuelle Darstellung der Architektur der Bonseyes-Plattform offenbart die universelle Anwendbarkeit.
Visuelle Darstellung der Architektur der Bonseyes-Plattform offenbart die universelle Anwendbarkeit.
(Bild: bonseyes.eu)

Denn konkrete Nutzungsszenarien für Big-Data-Analysen gibt es in der Wirtschaft zuhauf.

Tevec, eine Empfehlungsplattform für Lieferketten, nutzt Algorithmia für maschinelles Lernen, um die Nachfrage zu prognostizieren und optimierte Nachschubwege zu berechnen. Tevec untersucht jedes einzelne Produkt anhand eines Prognosemodells und eines Modells zur Bestandsoptimierung unter Einbezug von Parametern wie Liefertermine, Mindestbestand und Servicelevel. Das Cloud-Hosting und die nahtlose Integration von API-Endpunkten durch Algorithmia hätten es Tevec ermöglicht, die Erstellung von Datenauswertungsmodellen von der Entwicklung der Geschäftslogik zu entkoppeln, um schneller zu innovieren.

Datenintelligenz als ein Service

Die Auswertung von Big Data in konkreten praktischen Anwendungsszenarien erfordert in der Praxis hochspezialisiertes Know-how der Datenwissenschaft und gelegentlich auch Grundlagenwissen aus verschiedenen anderen Disziplinen. Sogar viele der größten Industriekonzerne der Welt können diesen Grad an Spezialisierung oft nicht in einem Raum zusammen bekommen. Anwendungen wie Textinterpretation, Sehkraft für Computersysteme, maschinelles Lernen (ML) aus IoT-Sensorik und viele andere erschließen sich kleineren Marktakteuren erst recht nicht von selbst.

Jetzt Newsletter abonnieren

Täglich die wichtigsten Infos zu Softwareentwicklung und DevOps

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung

Zudem ist der „Verschnitt“ ja auch extrem hoch. 85 Prozent aller Modelle für maschinelles Lernen schaffen es nie in die Produktion, freut sich das Management von Algorithmia nicht ganz uneigennützig auf der eigenen Webseite. Da ist sicherlich was dran. Denn KI/ML-Entwickler gebe es nur rund zehntausend, rechnet das Team von GenesisAI vor.

Arimo

Arimo positioniert sich als eine Behavioral-AI-Plattform mit Deep-Learning-Fähigkeiten. Der Dienst arbeitet mit Zeitreihendaten, um Verhaltensmuster zu entdecken, und hat Lösungen in den Bereichen Produktion, Einzelhandel und Finanzdienstleistungen entwickelt.

BigML

BigML ist eine Cloud-basierte Machine-Learning-Plattform mit einer einfach zu bedienenden grafischen Benutzeroberfläche, welche die enorme Komplexität der Materie geschickt zu verbergen weiß. BigML bietet komplexe wie auch einfache Mechanismen, um Vorhersagemodelle über die REST-API in Web-Applikationen für Produktionsumgebungen einzubinden.

Dataiku

Dataiku profiliert sich als eine kollaborative Datenwissenschaftsplattform. Sie bietet Datenwissenschaftlern und Entwicklern eine Vielzahl von Werkzeugen rund um die Aufbereitung von Daten, Visualisierungen, Maschinelles Lernen, DataOps, MLOps und Big-Data-Analytics.

DataRobot

DataRobot vermarktet sich als eine KI-Plattform für Maschinelles Lernen als ein Service (Machine-Learning-as-a-Service), die sich wahlweise als ein Cloud-Dienst oder in einer On-Premise-Installation nutzen lässt. Data Robot meistert die Automatisierung typischer datenwissenschaftlicher Aufgaben und erlaubt es KI-Entwicklern, Algorithmen für Maschinelles Lernen in die eigene Software einzubinden und bereitzustellen.

Mit der Akquisition von Nutonian kam DataRobot in den Besitz von Eureqa, einer KI-gestützten Modellierungsmaschine für die Analyse von strukturierten Daten. Eureqa ist für ihre Fähigkeiten bekannt, mathematische Zusammenhänge in Daten aufzudecken und in mathematischen Formeln mit einer hohen Genauigkeit zum Ausdruck zu bringen.

AWS, GCP und Azure

Jeder der drei führenden Anbieter von Public-Clouds verfügt über einen eigenen Marktplatz mit Algorithmen zur Auswertung von Big Data und diverse spezialisierte Dienste für Datenintelligenz aus der Wolke.

Amazons Marketplace auf AWS hostet Modelle und Algorithmen zur Datenaufbereitung und -analyse im Bereich der Computer-Vision, Verarbeitung natürlicher Sprache sowie Spracherkennung und -Synthese von Anbietern wie Intel, NVIDIA, CloudSight oder Dataiku.

Googles neue AI Platform bringt neuerdings auch AutoML und MLOps unter einen Hut. Es handelt sich hierbei um einen Managed-Service für Entwickler und Datenwissenschaftler mit Trainings- und Vorhersagediensten für eine Vielzahl von Problemstellungen, von der Analyse von Satellitenbildern über die Überwachung der Lebensmittelsicherheit bis hin zu intelligenten Bots, die Kunden-E-Mails beantworten.

Microsofts Machine Learning Studio auf Azure bietet neben einer Entwicklungsumgebung auch diverse Bibliotheken mit zeitsparenden Beispielexperimenten, R- und Python-Paketen sowie Best-in-Class-Algorithmen von Microsofts eigenen Geschäftssparten Xbox und Bing sowie Möglichkeiten zur Einbindung benutzereigenem R- und Python-Code.

Abschreckend für fortgeschrittene Entwickler ist vielleicht die Tatsache, dass es sich bei Microsofts Lösung bloß um eine simple Browser-basierte Anwendung handelt und das Authoring in einer Drag-and-drop-Umgebung abläuft, wo gar kein Coden erforderlich ist. Fortgeschrittene Anwendungsszenarien lassen sich alternativ auf dem Azure Marketplace und mit Microsofts Machine Learning APIs abdecken.

Kreditwürdigkeit unter der Lupe: schematische Darstellung des Ablaufs der Anomalienerkennung im Rahmen eines Experiments auf Microsoft Azure
Kreditwürdigkeit unter der Lupe: schematische Darstellung des Ablaufs der Anomalienerkennung im Rahmen eines Experiments auf Microsoft Azure
(Bild: Microsoft)

Treffsicher: Algorithmen-Marktplätze für Nischen-Anwendungen

Spezialisierte Marktplätze decken ganz bestimmte, eng umrissene Anwendungsfälle ab. Diese Plattformen bilden üblicherweise das Herzstück des Ökosystems eines Technologieführers wie Nuance oder Quantiacs. Der AI Marketplace von Nuance adressiert konversationelle Anwendungen von KI, vorrangig in der (Tele)medizin. Quantiacs fokussiert auf die Anforderungen algorithmischer Handelssysteme.

Fazit

Die Ära hyperintelligenter, KI-gestützter Software steht kurz bevor. Wer nicht jedes Mal das Rad neu erfinden möchte kann auf Algorithmen-Marktplätzen und unter Algorithmen-as-a-Service-Angeboten fündig werden. Die Big-Data-Verantwortlichen in Unternehmen haben jetzt die Qual der Wahl.

(ID:47381349)