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.
Datenstrategie
Eine klar definierte Datenstrategie ist für die erfolgreiche Einführung generativer KI unerlässlich. In diesem Abschnitt wird untersucht, wie die Datenstrategie in jeder Phase der Einführung generativer KI eine entscheidende Rolle spielt. Außerdem werden wichtige Überlegungen zu den verschiedenen Implementierungsdimensionen dargelegt. Weitere Informationen zu den einzelnen Etappen auf dem Weg zur generativen KI finden Sie unter Reifegradmodell für die Einführung generativer KI AWS auf AWS Prescriptive Guidance.
Die Einführung generativer KI ist ein strukturierter Prozess, der vier Hauptphasen umfasst:
-
Envision — Organizations erforschen generative KI-Konzepte, schaffen Bewusstsein und identifizieren potenzielle Anwendungsfälle.
-
Experiment — Organizations validieren das Potenzial generativer KI durch strukturierte Pilotprojekte und Machbarkeitsnachweise und entwickeln gleichzeitig technische Kernkompetenzen und grundlegende Rahmenbedingungen für die Implementierung.
-
Markteinführung — Organizations setzen systematisch produktionsreife generative KI-Lösungen mit robusten Governance-, Überwachungs- und Unterstützungsmechanismen ein, um einen gleichbleibenden Mehrwert und betriebliche Exzellenz zu bieten und gleichzeitig die Sicherheits- und Compliance-Standards aufrechtzuerhalten.
-
Skalierbarkeit — Organizations richten unternehmensweite generative KI-Funktionen mithilfe wiederverwendbarer Komponenten, standardisierter Muster und Self-Service-Plattformen ein, um die Einführung zu beschleunigen und gleichzeitig die automatisierte Verwaltung aufrechtzuerhalten und Innovationen zu fördern.
AWS Betont in allen Phasen einen ganzheitlichen Ansatz, bei dem die Strategie mit Infrastrukturinvestitionen, Governance-Richtlinien, Sicherheitsrahmen und betrieblichen Best Practices in Einklang gebracht wird, um einen verantwortungsvollen und skalierbaren KI-Einsatz zu fördern. In jeder Phase müssen sechs Grundpfeiler der Einführung aufeinander abgestimmt werden: Unternehmen, Mitarbeiter, Unternehmensführung, Plattform, Sicherheit und Betrieb. Diese Säulen entsprechen dem AWS Cloud Adoption Framework (AWS CAF)
In diesem Abschnitt werden die folgenden Reifegradmodelle ausführlicher behandelt:
Stufe 1: Stellen Sie sich vor
In der Envisionsphase konzentrieren sich Unternehmen auf die Planung, indem sie geeignete Anwendungsfälle identifizieren, die für die Implementierung erforderlichen Datenquellen abbilden und die grundlegenden Sicherheits- und Datenzugriffsanforderungen für die bevorstehende Experimentierphase festlegen.
In dieser Phase gelten die folgenden Kriterien für die Ausrichtung der Adoptionspfeiler:
-
Unternehmen — Identifizieren Sie strategische Anwendungsfälle für generative KI, die auf die Unternehmensziele abgestimmt sind. Beurteilen Sie, wo sich hochwertige Daten befinden und wie sie zugänglich sind.
-
Menschen — Fördern Sie eine datengesteuerte Kultur, indem Sie Führungskräfte und Interessengruppen über die Bedeutung von Daten für die Einführung generativer KI informieren.
-
Unternehmensführung — Führen Sie ein erstes Datenaudit durch, um die Einhaltung von Vorschriften, Datenschutzbedenken und potenzielle ethische Risiken zu bewerten. Entwickeln Sie frühzeitig Richtlinien zur Transparenz und Rechenschaftspflicht im Bereich KI.
-
Plattform — Beurteilen Sie die bestehende Dateninfrastruktur, katalogisieren Sie interne und externe Datenquellen und bewerten Sie die Datenqualität im Hinblick auf die Machbarkeit generativer KI.
-
Sicherheit — Beginnen Sie mit der Implementierung von Zugriffskontrollen und Prinzipien der geringsten Rechte für den Datenzugriff. Stellen Sie sicher, dass generative KI-Modelle nur Informationen abrufen können, zu deren Zugriff der Benutzer berechtigt ist.
-
Betrieb — Definieren Sie einen strukturierten Ansatz für die Erfassung, Bereinigung und Kennzeichnung von Daten für generative KI-Experimente. Richten Sie erste Feedback-Schleifen für die Datenüberwachung ein.
Stufe 2: Experiment
Während der Experimentphase überprüfen Unternehmen die Verfügbarkeit und Eignung der erforderlichen Daten zur Unterstützung der Implementierung identifizierter Anwendungsfälle. Richten Sie parallel dazu ein Mindestmaß an praktikablen Rahmenbedingungen für die Datenverwaltung ein, um die Verwendung realer Daten für Machbarkeitsnachweise zu unterstützen. Sie können ein ausgewähltes Basismodell verfeinern oder ein off-the-shelf Modell in Kombination mit einem Retrieval Augmented Generation (RAG) -Ansatz verwenden.
In dieser Phase gelten die folgenden Kriterien für die Ausrichtung der Adoptionspfeiler:
-
Unternehmen — Definieren Sie klare Erfolgskriterien für Pilotprojekte und stellen Sie sicher, dass die Datenverfügbarkeit den Anforderungen jedes Anwendungsfalls entspricht.
-
Mitarbeiter — Bilden Sie ein funktionsübergreifendes Team, dem Dateningenieure, KI-Spezialisten und Fachexperten angehören. Dieses Team ist verantwortlich für die Validierung der Datenqualität und die Anpassung des Modells an die Geschäftsanforderungen.
-
Steuerung — Entwurf eines Frameworks für generative KI-Datenverwaltung. In dem Rahmen sollten zumindest die Einhaltung gesetzlicher Vorschriften und Richtlinien für verantwortungsvolle KI erörtert werden.
-
Plattform — Implementieren Sie Maßnahmen zur Datenintegration in der Frühphase, einschließlich strukturierter und unstrukturierter Datenpipelines. Richten Sie Vektordatenbanken für RAG-Experimente ein.
-
Sicherheit — Setzen Sie strenge Datenberechtigungen und Konformitätsprüfungen durch. Stellen Sie vor dem Modelltraining sicher, dass personenbezogene Daten oder andere vertrauliche Informationen maskiert oder anonymisiert sind.
-
Betrieb — Um die Produktionsfreigabe vorzubereiten, sollten Sie Qualitätskennzahlen festlegen, um Lücken zu identifizieren.
Stufe 3: Markteinführung
In der Startphase werden generative KI-Lösungen vom Experimentieren zur umfassenden Implementierung übergegangen. Zu diesem Zeitpunkt sind die Integrationen vollständig implementiert und es wurden robuste Monitoring-Frameworks eingerichtet, um Leistung, Modellverhalten und Datenqualität zu verfolgen. Umfassende Sicherheits- und Compliance-Maßnahmen werden durchgesetzt, um den Datenschutz, die Sicherheit und die Einhaltung gesetzlicher Vorschriften zu gewährleisten.
In dieser Phase gelten die folgenden Angleichungskriterien für die Adoptionspfeiler:
-
Geschäft — Messen Sie die betriebliche Effizienz und den Geschäftswert. Optimieren Sie die Betriebskosten und den Ressourcenverbrauch.
-
Mitarbeiter — Schulen Sie operative Teams in der generativen KI-Modellverwaltung und -überwachung. Verwenden Sie geeignete Datenkurationsprozesse.
-
Steuerung — Verfeinern Sie den Rahmen für generative KI-Datenverwaltung. Gehen Sie auf die Einhaltung gesetzlicher Vorschriften, Modellverzerrungen und verantwortungsvolle KI-Richtlinien ein. Richten Sie eine kontinuierliche Prüfung generativer KI-Daten-Pipelines ein, um die Einhaltung der sich ändernden Vorschriften zu überprüfen.
-
Plattform — Optimieren Sie die skalierbare Infrastruktur, um Datenerfassung in Echtzeit, Vektorsuche und gegebenenfalls Feinabstimmung zu unterstützen.
-
Sicherheit — Implementieren Sie Modelle für Verschlüsselung, rollenbasierte Zugriffskontrolle (RBAC) und den Zugriff mit geringsten Rechten. Sie können Amazon Q Business verwenden, um den Datenzugriff zu kontrollieren und sicherzustellen, dass die generative KI-Lösung nur Daten abruft, für die der Benutzer berechtigt ist.
-
Betrieb — Etablieren Sie Praktiken zur Datenbeobachtung. Verfolgen Sie Datenherkunft, Herkunft und Qualitätskennzahlen, um Lücken vor der Skalierung zu identifizieren.
Stufe 4: Skala
In der Skalierungsphase verlagert sich der Schwerpunkt auf Automatisierung, Standardisierung und unternehmensweite Einführung. Organizations richten wiederverwendbare Daten-Pipelines ein, implementieren skalierbare Governance-Frameworks und setzen robuste Richtlinien durch, um Datenzugriff, Sicherheit und Compliance zu unterstützen. In dieser Phase werden Datenprodukte demokratisiert. Dies hilft Teams im gesamten Unternehmen, neue generative KI-Lösungen nahtlos zu entwickeln und einzusetzen und gleichzeitig Konsistenz, Qualität und Kontrolle aufrechtzuerhalten.
In dieser Phase gelten die folgenden Angleichungskriterien für die Grundpfeiler der Einführung:
-
Geschäft — Stimmen Sie generative KI-Projekte auf langfristige Geschäftsziele ab. Konzentrieren Sie sich auf Umsatzwachstum, Kostensenkung und Kundenzufriedenheit.
-
Mitarbeiter — Entwickeln Sie unternehmensweite KI-Kenntnisprogramme und integrieren Sie mithilfe von KI-Exzellenzzentren die Einführung von KI in Geschäftsfunktionen (). CoEs
-
Unternehmensführung — Standardisieren Sie abteilungsübergreifende KI-Governance-Richtlinien, um die Konsistenz der KI-Entscheidungsfindung zu fördern.
-
Plattform — Investieren Sie in skalierbare KI-Datenplattformen, die Cloud-native Lösungen für den föderierten Datenzugriff und die Datenverarbeitung verwenden.
-
Sicherheit — Implementieren Sie eine automatisierte Compliance-Überwachung, eine zuverlässige Verhinderung von Datenverlust (DLP) und kontinuierliche Bedrohungsbewertungen.
-
Betrieb — Richten Sie ein Framework für KI-Beobachtbarkeit ein. Integrieren Sie Feedback-Schleifen, Anomalieerkennung und Modellleistungsanalysen in großem Maßstab.
