IBM hat 2020 (mit weiteren Aktualisierungen im Jahr 2021) das Framework für den KI-Reifegrad für Anwendungen mit 7 Dimensionen eingeführt.
Mit dem Aufkommen der generativen KI haben wir die IBM generative KI-Architektur an ein „IBM-Reifegradmodell für die Einführung generativer KI“ ausgerichtet:
Phase
Merkmale
Empfehlungen
1
- Generische Modelle verwenden
- Unvorhersehbarer und reaktiver Ansatz
- Lokalisierte Bemühungen
- Eingeschränktes Verständnis
- Grundlegendes Bewusstsein
- Pilotprojekte initiieren
2
- Zweckmäßige Modelle auf primärer generativer KI-Umgebung
- Unstimmige Prozesse
- Ursprüngliche Dokumentation
- Anerkennung der Anforderungen an die Datenqualität
- Zentralisierte Strategie etablieren
- Basistraining
- Datenstandards auswerten
3
- Unternehmensweite Daten in generativer KI-Umgebung nutzen
- Unternehmensweite Standards
- Etablierte Governance
- Fokus auf Ethik
- Zusammenarbeit verbessern
- Herausforderungen der generativen KI angehen
- Kontinuierliche Feedbackmechanismen
4
- Generative KI-Modelle ausführen und ableiten, um Rechenleistung/Kosten zu skalieren
- Aktive Metrikenverfolgung
- Quantitative Bewertung
- Datengesteuerte Entscheidungsfindung
- Erweiterte Analysefunktionen
- Verknüpfung mit Geschäftszielen
- Robustes Risikomanagement
5
- Modelle umgebungsübergreifend und sicher zu optimalen Kosten erstellen und verwenden
- Kontinuierliche Optimierung
- Etablierte Feedbackschleifen
- Proaktiver Ansatz
- Innovation fördern
- Sprechen Sie mit Experten
- Governance-Framework überprüfen
Generative KI-Funktionen auf das Funktionsmodell abgebildet
So lässt sich das generative KI-Architekturfunktionsmodell von IBM diesem Reifegradmodell zuordnen:
Phase
Generative KI-Funktionen
Führungsreife
1
- Generative KI-Ressourcen: Grundlagen zu Hardware und Plattformen.
- Grundlegende Datenverwaltung: Erste Speicherung und Verwaltung von Daten.
Keine KI-Lebenszyklus-Governance
2
- Model Hub: Grundlegende Funktionen zum Importieren von Modellen und Daten.
- Unterstützende Funktionen: Grundlegende IT-Abläufe für generative KI.
- Erste Schritte in der generativen KI-Anwendungsentwicklung: Beginn der Feinabstimmung grundlegender Modelle.
KI-Richtlinien zur Steuerung des KI-Lebenszyklus
3
- Modell-Hosting: Bereitstellung von Modellen als API-Dienste und Verwaltung der Richtlinien zum Modellzugriff.
- Modellanpassung: Einführung in die Optimierung und das Training von Modellen für spezifische Anforderungen.
- Generative KI-Optimierung: Grundlegende Anpassung mittels Prompt Engineering und Modellfeinabstimmung.
Allgemeine Metriken zur Steuerung des KI-Lebenszyklus
4
- Modellverwaltung: Umgang mit Risiken wie Verzerrung, Regulierung und Einhaltung von Vorschriften.
- Modellüberwachung: Echtzeit-Überwachungsfunktionen darunter die Erkennung von Verzerrungen und HAP.
- Generative KI-Anwendungsfunktionen: Integration fortschrittlicher Funktionen wie Orchestrierung und Absichtserkennung.
Automatisierte Validierung und Überwachung
5
- Fortschrittliche Modellanpassung: Einsatz von Cloud-Plattformen für dynamische Anforderungen.
- Prompt-Überwachung und -Sicherheit: Gewährleistung, dass Modelle vor komplexen Bedrohungen geschützt sind.
- Fortschrittliche generative KI-Optimierung: Umfassende Anpassung von Modellen an unternehmensspezifische Fachbegriffe und Prozesse.
- Fortschrittliche generative KI-Anwendungsentwicklung: Vollständig funktionsfähige generative KI-Anwendungsentwicklung und potenzielle Modellentwicklung von Grund auf.
Vollautomatisierte KI-Lebenszyklussteuerung