Eigene KI entwickeln: wann es sich lohnt und was Ihnen am Ende gehört
Wenn wir von einer eigenen KI sprechen, meinen wir ein Modell, das auf den Daten Ihres Unternehmens trainiert wird und Ihnen gehört. Die Alternative ist gemietete Standardsoftware, die für viele Kunden zugleich gebaut ist und ohne eigenes Entwicklungsprojekt bereitsteht. Auf dieser Seite lesen Sie, nach welchen Kriterien Sie zwischen beiden Lösungen entscheiden können und in welchen Fällen ein eigenes Modell nicht die richtige Wahl ist. Außerdem erfahren Sie, was Sie von uns erhalten, wenn Sie ein eigenes Modell entwickeln lassen.
Make or Buy bei KI: sechs Kriterien für ein eigenes Modell oder gemietete Software
Ob ein Unternehmen eine KI-Anwendung mietet oder als individuelle KI-Lösung entwickeln lässt, ist eine Make-or-Buy-Entscheidung. Treffen lässt sie sich nur für einen konkreten Anwendungsfall. Die Tabelle nennt sechs Kriterien und zu jedem die Umstände, die für die eine oder für die andere Lösung sprechen.
| Kriterium | Für gemietete Standardsoftware spricht | Für ein eigenes Modell spricht |
|---|---|---|
| Aufgabe | Die Aufgabe stellt sich in vielen Unternehmen auf dieselbe Weise, etwa das Übersetzen von Texten oder das Auslesen von Belegen. | Die Aufgabe hängt von Mustern ab, die nur in Ihren Daten stehen, etwa davon, wann Ihre Kunden bestellen oder wie sie auf die Saison reagieren. |
| Daten | Zu der Frage gibt es in Ihrem Haus keine Historie, mit der sich ein Modell trainieren ließe. | Die Größe, die das Modell vorhersagen soll, wurde in Ihrem Haus in der Vergangenheit erfasst. |
| Kosten | Sie zahlen eine laufende Gebühr, die sich häufig nach der Zahl der Nutzer oder nach der Nutzungsmenge richtet. Ein Entwicklungsprojekt entfällt. | Die Entwicklung bezahlen Sie einmal. Danach entstehen Kosten für den Betrieb, vor allem für die Arbeitszeit, die für Überwachung, Prüfung und Freigabe nötig ist. |
| Zeit bis zum Einsatz | Die Software ist nach Vertragsschluss und Einrichtung nutzbar. | Ein Prototyp an Ihren Daten dauert bei uns vier bis sechs Wochen. Wie lange Pilot und Einbindung in Ihre Systeme dauern, hängt von Ihren Prozessen ab. |
| Betrieb | Betrieb und Weiterentwicklung liegen beim Anbieter. | Das Modell muss überwacht und bei Bedarf nachtrainiert werden. Diese Aufgabe übernimmt Ihr Team oder ein Dienstleister. |
| Ende des Vertrags | Mit der Kündigung endet die Nutzung der Software. | Das Modell, das wir auf Ihren Daten trainieren, bleibt Ihr Eigentum. Sie können es nach dem Projekt weiter einsetzen und mit neuen Daten nachtrainieren. |
Zwischen beiden Lösungen gibt es Mischformen, zum Beispiel Standardsoftware, die sich mit Ihren Daten anpassen lässt. Die Tabelle ersetzt deshalb keine Prüfung des Einzelfalls. Ob Umfang und Qualität Ihrer Daten für Ihren Anwendungsfall ausreichen, prüfen wir vor jeder Modellentscheidung.
Wann ein eigenes KI-Modell nicht die richtige Wahl ist
In den folgenden vier Fällen spricht mehr gegen ein eigenes Modell als dafür. Ergibt unsere Prüfung, dass sich ein KI-Projekt für Sie nicht lohnt, sagen wir Ihnen das und begründen es.
Die Aufgabe ist eine Standardaufgabe
Für Aufgaben, die sich in vielen Unternehmen auf dieselbe Weise stellen, gibt es häufig fertige Software. Wenn Sie vor allem solche Werkzeuge einführen und Ihre Mitarbeitenden in der Bedienung schulen wollen, sind Softwarehäuser und Schulungsanbieter aus unserer Sicht die bessere Wahl. Unser Schwerpunkt sind Modelle, die wir aus Ihren eigenen Daten entwickeln.
Die Daten fehlen
Ein eigenes Modell wird mit den Daten trainiert, die in Ihrem Unternehmen bisher erfasst wurden. Wurde die Größe, die es vorhersagen soll, gar nicht oder nur grob erfasst, fehlt die Grundlage für das Training. In diesem Fall ist es sinnvoller, zuerst die Datenerfassung zu verbessern.
Die einfache Lösung reicht aus
Jedes Modell muss besser sein als das, was Sie heute schon tun, zum Beispiel als die bisherige Faustregel oder der Vorjahreswert. Verfehlt ein Prototyp die vorher vereinbarte Schwelle, empfehlen wir, das Vorhaben an dieser Stelle zu beenden. Manchmal zeigt schon die Auswertung der Daten, dass eine vorhandene Kennzahl für die Entscheidung genügt.
Niemand wird das Modell betreuen
Ein Modell muss nach dem Projekt überwacht und bei Bedarf nachtrainiert werden. Gibt es dafür in Ihrem Haus keine zuständige Person und soll auch kein Dienstleister diese Aufgabe übernehmen, ist gemietete Software, deren Betrieb beim Anbieter liegt, die bessere Wahl.
Wie sich Kosten und Genauigkeit eines eigenen KI-Modells entwickeln
Die Kosten entstehen bei gemieteter Software und bei einem eigenen Modell auf unterschiedliche Weise. Bei gemieteter Software richtet sich der Preis häufig nach der Zahl der Nutzer oder nach der Nutzungsmenge, sodass die Kosten steigen, wenn mehr Mitarbeitende die Software nutzen. Bei einem eigenen Modell bezahlen Sie die Entwicklung einmal, und danach entstehen Kosten vor allem durch die Arbeitszeit für den Betrieb.
Dass ein Modell mit neuen Daten genauer wird, geschieht nicht von selbst. Ohne Überwachung und Nachtraining lässt die Qualität der Vorhersagen im Betrieb eher nach, weil sich die Daten verändern, zum Beispiel durch neue Kunden oder eine getauschte Maschine. Genauer werden kann ein Modell, wenn vier Voraussetzungen erfüllt sind.
Ist-Werte werden zurückgemeldet
Was tatsächlich eingetreten ist, wird als Ist-Wert erfasst und mit der Vorhersage verglichen. Erst mit den Ist-Werten lässt sich messen, wie gut das Modell im Betrieb arbeitet.
Grenzwerte stehen vorher fest
Die Grenzwerte für Warnung und Nachtraining werden vor dem Betrieb festgelegt. Die Überwachung vergleicht dieselben Kennzahlen, die das Modell zuvor in der Validierung bestanden hat.
Nachtraining nach fester Regel
Nachtrainiert wird, wenn ein Grenzwert verletzt ist. Für die meisten Vorhaben im Mittelstand genügt ein teilautomatisierter Ablauf, in dem ein Mensch jeden Wechsel auf ein neues Modell freigibt.
Der neue Stand muss besser sein als der alte
Ein neu trainierter Modellstand geht nur in den Betrieb, wenn er in der Prüfung besser abschneidet als der bisherige.
Unter diesen vier Voraussetzungen kann ein Modell bei jedem Nachtraining aus neueren Daten lernen. Wie viel genauer die Vorhersagen dadurch werden, lässt sich vorab nicht zusagen. Im Betrieb lässt es sich aber an den Ist-Werten messen.
Teuer ist am Nachtraining selten die Rechenzeit. Den größeren Aufwand verursachen die Schritte um das Training herum, also das Einsammeln der Ist-Werte, die Prüfung des neuen Modells gegen das alte sowie die Freigabe und Dokumentation des Wechsels.
Welche Lösung über mehrere Jahre günstiger ist, hängt von der Zahl der Nutzer, von der Laufzeit und vom Aufwand für den Betrieb ab. Rechnen Sie den Vergleich deshalb mit den Zahlen aus Ihren eigenen Angeboten.
Wie Überwachung und Nachtraining im Einzelnen ablaufen, erklärt die Seite MLOps erklärt: Phase 6, Deployment und Monitoring.Was Ihnen bei einem eigenen KI-Modell am Ende gehört
Das Modell, das wir auf Ihren Daten trainieren, bleibt Ihr Eigentum. Auch die Dokumentation gehört Ihnen.
Bei gemieteter Software endet die Nutzung mit der Kündigung. Ihr eigenes Modell können Sie nach dem Projekt weiter einsetzen und mit neuen Daten nachtrainieren.
Sie erhalten außerdem den Code für die Datenaufbereitung und das Training, damit Ihr Team das Modell weiterentwickeln kann.
Das fertige Modell läuft als Container, der es mit seiner Laufzeitumgebung bündelt. Deshalb lässt es sich unverändert in einer anderen Umgebung betreiben, etwa bei einem anderen Anbieter oder in Ihrem eigenen Rechenzentrum.
An welchen vier Punkten Sie jedes Angebot prüfen können, steht auf der Seite Digitale Souveränität bei KI.Was produktionsfertig heißt und was Sie bei der Übergabe erhalten
Produktionsfertig nennen wir ein Modell, wenn es versioniert, automatisch getestet und in Ihre Fachanwendung eingebunden ist und im Betrieb laufend überwacht wird. Ein Modell, das nur im Notebook läuft, also in der Entwicklungsumgebung eines Data Scientists, erfüllt diese Bedingungen noch nicht.
In den Betrieb geht ein Modell bei uns nur, wenn es eine einfache Vergleichslösung übertrifft und die Grenzwerte für Warnung und Nachtraining vorher feststehen. Die Übergabe an Ihr Team, also der Wissenstransfer, ist bei uns ein eigener Projektschritt. Zum Modell kommen dabei drei Ergebnisse, die Ihr Team für den Betrieb braucht.
Das Modell im Betrieb
Das fertige Modell ist als versionierter Container in Ihre Systeme eingebunden. Auf Wunsch läuft es vollständig on-premises in Ihrer Infrastruktur.
Die Dokumentation
Die Dokumentation gehört Ihnen und beschreibt, was das Modell tut, welche Daten es braucht, welche Kennzahlen es bestanden hat und welche Annahmen gelten. Außerdem hält sie fest, mit welchem Datenstand und welchem Code-Stand ein Ergebnis entstanden ist.
Die Handlungsanweisung für den Ernstfall
Die Handlungsanweisung, in der Technik Runbook genannt, legt fest, was Ihr Team tut, wenn die Überwachung eine Warnung meldet. Sie beschreibt die Prüfschritte, nennt die Ansprechpartner und regelt, wie das Modell auf den vorigen Stand zurückgesetzt und wie über ein neues Training entschieden wird.
Die Schulung
Die Schulung richtet sich an die Menschen, die mit den Vorhersagen arbeiten. Sie sollen danach einschätzen können, was das Modell kann und in welchen Fällen es keine verlässliche Aussage liefert.
Ziel der Übergabe ist, dass Ihr Team das Modell selbst betreibt und weiterentwickeln kann. Bis dahin betreiben wir mit. Ob und wie lange wir darüber hinaus mitbetreiben, vereinbaren wir im Einzelfall.
Was Deployment, Überwachung und Übergabe als Leistung umfassen, steht auf der Seite MLOps-Beratung: Betrieb und Übergabe.Wie Fachbereich und Technik zusammenarbeiten und woran wir das Ergebnis messen
Ein KI-Vorhaben braucht das Wissen Ihres Fachbereichs ebenso wie die Arbeit an Daten und Modell. Das Ergebnis messen wir in Euro, weil eine Kennzahl wie die Genauigkeit zeigt, wie gut das Modell rechnet, aber offenlässt, was es Ihrem Unternehmen bringt.
Ergebnis in Euro
Vor dem Start vereinbaren wir, wie jede Modellkennzahl in Euro umgerechnet wird. Gemessen wird zum Beispiel an den Kosten für Stillstandsstunden, Ausschuss oder gebundenen Bestand.
Vergleich mit der einfachen Lösung
Das Modell wird mit dem verglichen, was heute in Ihrem Haus die Entscheidung trifft, etwa mit der Erfahrung des Disponenten oder einer Regel im ERP-System. Um wie viel es besser sein muss, legen wir vorher gemeinsam als Schwelle fest.
Der Beitrag Ihres Fachbereichs
Die Geschäftsfrage und die Erfolgskriterien kommen von den Menschen, die mit den Daten arbeiten. Sie wissen auch, was ein Feld in der Warenwirtschaft tatsächlich bedeutet. Am ersten Workshop nimmt deshalb teil, wer die Vorhersage später nutzen soll, und eine Person in Ihrem Haus verantwortet das Vorhaben.
Unser Beitrag
Wir entwickeln das Modell und binden es in Ihre Prozesse ein. Den Betrieb begleiten wir, bis Ihr Team übernimmt. Dabei arbeiten wir mit den Systemen, die Sie haben, und setzen kein Sprachmodell ein, wo ein einfacheres Verfahren ausreicht.
Vor dem Start sollte geklärt sein, wer das Modell entwickelt und einbindet und wer es nach dem Projektende betreibt. Bei uns stehen diese Zuständigkeiten im Fahrplan.
Welche Phase welches Wissen braucht, zeigt die Seite CRISP-DM: die sechs Phasen des Data-Science-Prozesses.Häufige Fragen zur Entwicklung einer eigenen KI
Wann lohnt es sich, eine eigene KI zu entwickeln?
Eine eigene KI zu entwickeln kann sich lohnen, wenn die Aufgabe von Mustern abhängt, die nur in Ihren Daten stehen, und wenn die Größe, die das Modell vorhersagen soll, in der Vergangenheit erfasst wurde. Außerdem muss das Modell besser sein als die Lösung, mit der Sie heute arbeiten. Ob es diese Bedingung erfüllt, zeigt ein Prototyp an Ihren Daten.
Wann ist Standardsoftware besser als eine individuelle KI-Lösung?
Gemietete Standardsoftware ist die bessere Wahl, wenn sich die Aufgabe in vielen Unternehmen auf dieselbe Weise stellt oder wenn nach dem Projekt niemand das Modell betreuen würde. Gegen ein eigenes Modell spricht es außerdem, wenn die Daten dafür fehlen oder eine einfache Regel genügt. Für die Einführung fertiger KI-Werkzeuge sind aus unserer Sicht Softwarehäuser und Schulungsanbieter die passenden Partner.
Wem gehört das KI-Modell, das Sie auf unseren Daten trainieren?
Das Modell, das wir auf Ihren Daten trainieren, bleibt Ihr Eigentum. Auch die Dokumentation gehört Ihnen. Sie können das Modell nach dem Projekt weiter einsetzen und mit neuen Daten nachtrainieren. Weil es als Container läuft, lässt es sich unverändert in einer anderen Umgebung betreiben, etwa in Ihrem eigenen Rechenzentrum.
Was brauchen wir, um ein eigenes KI-Modell trainieren zu lassen?
Sie brauchen ein konkretes Problem mit spürbaren Kosten, Prozesse, die dazu bereits Daten erzeugen, und eine Person im Haus, die das Vorhaben verantwortet. Entscheidend ist, dass die Größe, die das Modell vorhersagen soll, in der Vergangenheit erfasst wurde. Ein eigenes Data-Science-Team oder ein Rechenzentrum brauchen Sie für den Einstieg nicht.
Wird ein eigenes KI-Modell mit neuen Daten von selbst besser?
Nein. Ohne Überwachung und Nachtraining lässt die Qualität der Vorhersagen im Betrieb eher nach, weil sich die Daten verändern. Genauer werden kann ein Modell, wenn Ist-Werte erfasst werden, die Grenzwerte vorher feststehen, bei einem verletzten Grenzwert nachtrainiert wird und ein neu trainierter Stand nur dann in den Betrieb geht, wenn er besser abschneidet als der bisherige.
Was kostet es, eine eigene KI entwickeln zu lassen?
Das Erstgespräch ist kostenlos. Der Einstieg läuft über Pakete zum Festpreis, vom Data Quality Snapshot für 650 Euro bis zum AI Readiness und Data Quality Assessment für 3.490 Euro (netto). Die Umsetzung kalkulieren wir danach einzeln, weil Aufwand und Nutzen von Ihren Daten abhängen. Zu den Kosten der Entwicklung kommt der laufende Aufwand für Überwachung und Nachtraining.
Sprechen wir über Ihre Daten
Kostenloses 30-Minuten-Erstgespräch. Schildern Sie kurz Ihren Datensatz und Ihr Vorhaben; optional können Sie einen Terminwunsch angeben.
Die Leistungen ersetzen keine juristische Datenschutzberatung.