Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Datensicherheit, Lebenszyklus und Strategie für generative KI-Anwendungen
Romain Vivier, Amazon Web Services
Juli 2025 (Geschichte der Dokumente)
Generative KI verändert die Unternehmenslandschaft. Sie ermöglicht ein beispielloses Maß an Innovation, Automatisierung und Wettbewerbsdifferenzierung. Die Fähigkeit, ihr volles Potenzial auszuschöpfen, hängt jedoch nicht nur von leistungsstarken Modellen ab, sondern auch von einer starken und zielgerichteten Datenstrategie. Dieser Leitfaden beschreibt datenspezifische Herausforderungen, die sich bei generativen KI-Initiativen ergeben, und bietet klare Anweisungen, wie diese überwunden und aussagekräftige Geschäftsergebnisse erzielt werden können.
Eine der grundlegendsten Veränderungen, die die generative KI mit sich bringt, ist ihre Abhängigkeit von großen Mengen unstrukturierter und multimodaler Daten. Traditionelles maschinelles Lernen hängt in der Regel von strukturierten, beschrifteten Datensätzen ab. Generative KI-Systeme lernen jedoch aus Text, Bildern, Audio, Code und Video, die oft unbeschriftet und sehr variabel sind. Organizations müssen daher ihre traditionellen Datenstrategien überdenken und erweitern, um diese neuen Datentypen einzubeziehen. Auf diese Weise können sie mehr kontextsensitive Anwendungen entwickeln, die Benutzererfahrung verbessern, die Produktivität steigern und die Inhaltsgenerierung beschleunigen, während gleichzeitig die Abhängigkeit von manuellen Eingaben verringert wird.
Der Leitfaden beschreibt den gesamten Datenlebenszyklus, der einen effektiven Einsatz generativer KI unterstützt. Dazu gehören die Vorbereitung und Bereinigung umfangreicher Datensätze, die Implementierung von Retrieval Augmented Generation (RAG) -Pipelines, um den Kontext der Modelle auf dem neuesten Stand zu halten, die Feinabstimmung domänenspezifischer Daten und die Einrichtung kontinuierlicher Feedback-Schleifen. Wenn diese Aktivitäten korrekt durchgeführt werden, verbessern sie die Leistung und Relevanz des Modells. Sie bieten auch einen spürbaren Geschäftswert durch eine schnellere Bereitstellung von KI-Anwendungsfällen, eine verbesserte Entscheidungsunterstützung und eine höhere Betriebseffizienz.
Sicherheit und Unternehmensführung werden als wichtige Säulen des Erfolgs dargestellt. In diesem Leitfaden wird erläutert, wie Sie vertrauliche Informationen schützen, Zugriffskontrollen durchsetzen und Risiken (wie Halluzinationen, Datenvergiftung und gegnerische Angriffe) umgehen können. Die Einbettung robuster Governance- und Überwachungspraktiken in den generativen KI-Workflow unterstützt die Einhaltung gesetzlicher Vorschriften, trägt zum Schutz des Rufs des Unternehmens bei und schafft internes und externes Vertrauen in KI-Systeme. Außerdem werden die Herausforderungen der KI für Behörden im Zusammenhang mit Daten erörtert und die Notwendigkeit von Identitätsmanagement, Rückverfolgbarkeit und robuster Sicherheit in agentenbasierten Systemen hervorgehoben.
Dieser Leitfaden verbindet auch die Datenstrategie mit den einzelnen Phasen der Einführung generativer KI: Planung, Experiment, Einführung und Skalierung. Weitere Informationen zu diesem Modell finden Sie unter Reifegradmodell für die Einführung generativer KI am AWS. In jeder Phase muss das Unternehmen seine Dateninfrastruktur, sein Governance-Modell und seine Betriebsbereitschaft an seinen Geschäftszielen ausrichten. Diese Ausrichtung ermöglicht einen schnelleren Weg zur Produktion, mindert Risiken und stellt sicher, dass generative KI-Lösungen verantwortungsbewusst und nachhaltig im gesamten Unternehmen skaliert werden können.
Zusammenfassend lässt sich sagen, dass eine robuste Datenstrategie eine Voraussetzung für den Erfolg generativer KI ist. Organizations, die Daten als strategisches Kapital betrachten und in Governance, Qualität und Sicherheit investieren, sind besser positioniert, um generative KI mit Zuversicht einzusetzen. Sie können schneller vom Experimentieren zur unternehmensweiten Transformation übergehen und messbare Ergebnisse erzielen, wie z. B. verbesserte Kundenerlebnisse, betriebliche Effizienz und langfristige Wettbewerbsvorteile.
Zielgruppe
Dieser Leitfaden richtet sich an Unternehmensleiter, Datenexperten und Entscheidungsträger im Technologiebereich, die eine robuste und skalierbare Datenstrategie für generative KI entwickeln und operationalisieren möchten. Die Empfehlungen in diesem Leitfaden eignen sich für Unternehmen, die ihren Weg zur generativen KI einschlagen oder vorantreiben. Es hilft Ihnen dabei, Ihre Datenstrategie, Governance und Sicherheitsrahmen aufeinander abzustimmen, um den Geschäftswert und die Vorteile generativer KI zu maximieren. Um die Konzepte und Empfehlungen in diesem Leitfaden zu verstehen, sollten Sie mit den grundlegenden KI- und Datenkonzepten sowie mit den Grundlagen der IT-Governance und Compliance in Unternehmen vertraut sein.
Ziele
Eine Änderung Ihrer Datenstrategie gemäß den Empfehlungen in diesem Leitfaden kann die folgenden Vorteile haben:
-
Erfahren Sie, wie sich Datenanforderungen und -praktiken zwischen herkömmlichem ML und generativer KI unterscheiden, und verstehen Sie, was diese Unterschiede für Ihre Unternehmensdatenstrategie bedeuten.
-
Verstehen Sie die Unterschiede zwischen strukturierten, beschrifteten Daten für herkömmliches ML und den unstrukturierten, multimodalen Daten, die die generative KI vorantreiben.
-
Erfahren Sie, warum generative KI-Modelle über etablierte ML-Praktiken hinaus neue Ansätze für die Datenaufbereitung, -integration und -verwaltung erfordern.
-
Erfahren Sie, wie die Datensynthese durch generative KI traditionellere ML-Anwendungsfälle beschleunigen kann.
