SLMs: Die Zukunft der KI in Unternehmen

MÜNCHEN (IT BOLTWISE) – Unternehmen setzen zunehmend auf Künstliche Intelligenz. Um ihre Geschäftsprozesse zu optimieren, gewinnen spezialisierte Sprachmodelle (SLMs) mehr und mehr an Bedeutung. Während große Sprachmodelle (LLMs) wie ChatGPT von OpenAI beeindruckende Fähigkeiten bieten, stoßen sie in bestimmten Anwendungsbereichen an ihre Grenzen.

Die Diskussion um Künstliche Intelligenz ist allgegenwärtig, seitdem vor zwei Jahren ChatGPT der Öffentlichkeit zugänglich gemacht wurde. Unternehmen aus allen Branchen versuchen, große Sprachmodelle (LLMs) zu nutzen, um ihre Geschäftsprozesse zu transformieren. Doch trotz ihrer Leistungsfähigkeit haben viele Geschäfts- und IT-Leiter begonnen, sich zu sehr auf diese Modelle zu verlassen und ihre Einschränkungen zu übersehen. Daher wird erwartet, dass spezialisierte Sprachmodelle (SLMs) in Zukunft eine größere, komplementäre Rolle in der Unternehmens-IT spielen werden.

SLMs, oft als „kleine Sprachmodelle“ bezeichnet, benötigen weniger Daten und Trainingszeit und sind „schlankere Versionen von LLMs“. Der Begriff „spezialisiert“ beschreibt jedoch besser die Fähigkeit dieser maßgeschneiderten Lösungen, hochspezialisierte Aufgaben mit größerer Genauigkeit, Konsistenz und Transparenz zu erfüllen als LLMs. Durch die Ergänzung von LLMs mit SLMs können Organisationen Lösungen schaffen, die die Stärken jedes Modells nutzen.

LLMs sind unglaublich leistungsfähig, aber sie sind auch dafür bekannt, manchmal „den Faden zu verlieren“ oder Ausgaben zu liefern, die aufgrund ihrer allgemeinen Ausbildung und der massiven Datensätze vom Kurs abweichen. Dieses Problem wird durch die Tatsache verschärft, dass OpenAIs ChatGPT und andere LLMs im Wesentlichen „Black Boxes“ sind, die nicht offenlegen, wie sie zu einer Antwort gelangen.

Dieses Black-Box-Problem wird in Zukunft ein größeres Problem darstellen, insbesondere für Unternehmen und geschäftskritische Anwendungen, bei denen Genauigkeit, Konsistenz und Compliance von größter Bedeutung sind. Denken Sie an Gesundheitswesen, Finanzdienstleistungen und Recht als Beispiele für Berufe, in denen ungenaue Antworten enorme finanzielle Konsequenzen und sogar lebensbedrohliche Auswirkungen haben können. Regulierungsbehörden nehmen dies bereits zur Kenntnis und werden wahrscheinlich beginnen, erklärbare KI-Lösungen zu fordern, insbesondere in Branchen, die auf Datenschutz und Genauigkeit angewiesen sind.

Während Unternehmen oft einen „Human-in-the-Loop“-Ansatz verwenden, um diese Probleme zu mildern, kann eine Überabhängigkeit von LLMs zu einem falschen Sicherheitsgefühl führen. Mit der Zeit kann sich Nachlässigkeit einschleichen und Fehler können unbemerkt bleiben.

Glücklicherweise sind SLMs besser geeignet, viele der Einschränkungen von LLMs zu adressieren. Anstatt für allgemeine Aufgaben konzipiert zu sein, werden SLMs mit einem engeren Fokus entwickelt und auf domänenspezifischen Daten trainiert. Diese Spezifik erlaubt es ihnen, nuancierte Sprachanforderungen in Bereichen zu bewältigen, in denen Präzision entscheidend ist. Anstatt sich auf riesige, heterogene Datensätze zu stützen, werden SLMs auf gezielte Informationen trainiert, was ihnen die kontextuelle Intelligenz verleiht, um konsistentere, vorhersehbare und relevante Antworten zu liefern.

Dies bietet mehrere Vorteile. Erstens sind sie erklärbarer, was es einfacher macht, die Quelle und die Begründung hinter ihren Ausgaben zu verstehen. Dies ist in regulierten Branchen von entscheidender Bedeutung, in denen Entscheidungen auf eine Quelle zurückgeführt werden müssen.

Zweitens bedeutet ihre kleinere Größe, dass sie oft schneller arbeiten können als LLMs, was ein entscheidender Faktor für Echtzeitanwendungen sein kann. Drittens bieten SLMs Unternehmen mehr Kontrolle über Datenschutz und Sicherheit, insbesondere wenn sie intern eingesetzt oder speziell für das Unternehmen entwickelt werden.

Darüber hinaus, während SLMs anfänglich spezielles Training erfordern können, reduzieren sie die Risiken, die mit der Verwendung von Drittanbieter-LLMs verbunden sind, die von externen Anbietern kontrolliert werden. Diese Kontrolle ist in Anwendungen, die strenge Datenhandhabung und Compliance erfordern, von unschätzbarem Wert.

Ich möchte klarstellen, dass LLMs und SLMs nicht gegenseitig ausschließend sind. In der Praxis können SLMs LLMs ergänzen und hybride Lösungen schaffen, bei denen LLMs einen breiteren Kontext bieten und SLMs eine präzise Ausführung gewährleisten. Es ist auch noch früh, selbst bei LLMs, daher rate ich Technologieverantwortlichen immer, die vielen Möglichkeiten und Vorteile von LLMs weiter zu erkunden.

Darüber hinaus, während LLMs für eine Vielzahl von Problemen gut skalieren können, übertragen sich SLMs möglicherweise nicht gut auf bestimmte Anwendungsfälle. Daher ist es wichtig, im Voraus ein klares Verständnis darüber zu haben, welche Anwendungsfälle angegangen werden sollen.

Es ist auch wichtig, dass Geschäfts- und IT-Leiter mehr Zeit und Aufmerksamkeit darauf verwenden, die spezifischen Fähigkeiten zu entwickeln, die für das Training, Feinabstimmung und Testen von SLMs erforderlich sind. Glücklicherweise gibt es eine Vielzahl kostenloser Informationen und Schulungen über gängige Quellen wie Coursera, YouTube und Huggingface.co. Führungskräfte sollten sicherstellen, dass ihre Entwickler ausreichend Zeit zum Lernen und Experimentieren mit SLMs haben, da der Kampf um KI-Expertise intensiver wird.

Ich rate Führungskräften auch, Partner sorgfältig zu prüfen. Kürzlich sprach ich mit einem Unternehmen, das mich um meine Meinung zu den Behauptungen eines bestimmten Technologieanbieters bat. Meine Einschätzung war, dass sie entweder ihre Behauptungen übertrieben oder einfach nicht in der Lage waren, die Fähigkeiten der Technologie zu verstehen.

Das Unternehmen zog sich klugerweise zurück und führte einen kontrollierten Proof-of-Concept durch, um die Behauptungen des Anbieters zu testen. Wie ich vermutete, war die Lösung einfach nicht bereit für den Einsatz, und das Unternehmen konnte mit relativ wenig investierter Zeit und Geld aussteigen.

Ob ein Unternehmen mit einem Proof-of-Concept oder einer Live-Implementierung beginnt, ich rate ihnen, klein anzufangen, oft zu testen und auf frühen Erfolgen aufzubauen. Ich habe persönlich erlebt, wie ich mit einem kleinen Satz von Anweisungen und Informationen gearbeitet habe, nur um festzustellen, dass die Ergebnisse vom Kurs abweichen, wenn ich dem Modell dann mehr Informationen zuführe. Deshalb ist ein langsames und stetiges Vorgehen ein kluger Ansatz.

Zusammenfassend lässt sich sagen, dass LLMs weiterhin immer wertvollere Fähigkeiten bieten werden, ihre Einschränkungen jedoch zunehmend offensichtlich werden, wenn Unternehmen ihre Abhängigkeit von KI skalieren. Die Ergänzung mit SLMs bietet einen Weg nach vorne, insbesondere in Bereichen mit hohen Einsätzen, die Genauigkeit und Erklärbarkeit erfordern. Durch Investitionen in SLMs können Unternehmen ihre KI-Strategien zukunftssicher machen und sicherstellen, dass ihre Werkzeuge nicht nur Innovationen vorantreiben, sondern auch den Anforderungen an Vertrauen, Zuverlässigkeit und Kontrolle gerecht werden.