Brand
Symbolbild Cloud Mates-Blog: Mann macht mit seinem Smartphone ein Bild von einem Berg

Blog

aws-ki.jpg
ML / KIAWSPublic Cloud

AWS & KI – Wie Cloud Computing die Entwicklung von KI-Anwendungen vereinfacht

Lennard Bommes, AWS Certified Developer, 02.02.2022

Massive Fortschritte auf dem Gebiet der künstlichen Intelligenz (KI) machen Machine Learning, Deep Learning & Co. attraktiv für KMUs und Konzerne. Arbeitet ein Unternehmen bereits mit Cloud-Lösungen wie AWS, ist KI eine reizvolle Ergänzung. Wir Cloud Mates stellen Ihnen das Thema KI & Cloud vor und zeigen Ihnen 7 Vorteile auf, die AWS-Nutzer von KI-Anwendungen haben.

Drei Fakten, die Sie über KI wissen sollten

Damit Sie für Ihr Unternehmen eine informierte Entscheidung in Sachen KI, Cloud und AWS treffen können, haben wir zunächst die wichtigsten Begrifflichkeiten umrissen. Auf diese Weise können Sie Ihr KI-Wissen auffrischen.

1. Machine Learning (ML):

ML ist ein Teilgebiet auf dem weiten Feld der künstlichen Intelligenz (KI). Hier wurden in den letzten 30 Jahren die größten Forschungsfortschritte gemacht. Besonders im Deep Learning (DL) – einem Bereich des ML, das mit neuronalen Netzen (NN) arbeitet – gelangen Wissenschaftlern in den letzten Jahren die meisten und spektakulärsten KI-Durchbrüche.

2. Training & Prediction:

Um neuronale Netze in der Unternehmenspraxis anwenden zu können, werden sie zunächst mit einem geeigneten Datensatz „trainiert“. Das kann z. B. ein großer Datensatz „gelabelter” Bild-Dateien sein. Das fertig trainierte NN kann dann beispielsweise in einen (Web-)Server integriert werden. Hier steht es für die Klassifizierung (d. h. „(Label-)Prediction”) von online erhaltenen Bild-Dateien zur Verfügung.

3. KI & Grafikprozessoren (GPUs):

Das Trainieren von NN ist sehr rechenaufwendig. Insbesondere weil dabei unzählige Matrix-Operationen durchgeführt werden. Glücklicherweise gibt es für Matrix-Operationen eine spezielle Hardware, die ursprünglich für Videospiele entwickelt wurde: die GPUs.
Mitte der 2000er-Jahre begannen Nvidia und andere GPU-Hersteller damit, ihre GPUs auch für NN-Training (und NN-Prediction) anwendbar zu machen. Seitdem sind GPUs im Bereich der KI fast unverzichtbar geworden.

7 Vorteile von Cloud Computing für KI-Projekte

KI bietet in Verbindung mit Cloud Computing – ob nun mit AWS oder einem anderen Anbieter – einige spannende Vorteile für große, mittlere und kleine Unternehmen. 

1. Keine Investitionskosten für Grafikprozessoren 

Die Public Cloud bietet eine preiswerte Lösung für alle Unternehmen, die mit KI und DL experimentieren wollen – besonders, wenn sie noch nicht sicher sind, ob sie DL auf Dauer betreiben wollen.

AWS und andere Cloud-Anbieter bieten die dauerhafte Verfügbarkeit von stärkeren GPUs bzw. mehreren Grafikprozessoren gleichzeitig an – ohne sie selbst anschaffen zu müssen. Auch Unternehmen, die ihre eigenen DL-fähigen GPUs haben, profitieren von Cloud Computing, wenn z. B. Zeit ein kritischer Faktor ist. Dieser Punkt ist vor allem für NN-Trainings vorteilhaft, jedoch auch für das Prediction-Stadium relevant. 

2. Keine Investitionskosten für (Web-)Server

Unternehmen, die ein bereits fertiges KI-Produkt (also z. B. ein fertig trainiertes NN) im Internet verfügbar machen wollen, profitieren von der Möglichkeit, beliebig auf die digitalen Server ihres Cloud-Anbieters zugreifen zu können. Und zwar ohne dafür selbst in die nötige Hardware investieren zu müssen.

3. Autoscaling

Cloud-Betreiber können die Zahl der Cloud-Rechner, die dem Kunden zur Verfügung stehen, dynamisch an den aktuellen Bedarf anpassen. In diesem Bereich ist KI je nach Projekt sinnvoll einsetzbar und steuert die benötigten Rechenkapazitäten. Steigt also z. B. die Rechner-Auslastung plötzlich, werden zusätzliche Cloud-Rechner freigeben. Sinkt die Rechner-Auslastung dagegen, wird die Zahl der Cloud-Rechner und damit auch die Kosten reduziert. 

4. Autohealing

Der Cloud-Betreiber kümmert sich um alle Hardware- und Software-Probleme der Cloud-Rechner: er führt z. B. regelmäßig Software-Updates durch, fährt abgestürzte Rechner hoch oder ersetzt sie. Das spart Public Cloud-Nutzern Zeit und Geld, besonders im Prediction-Stadium.

5. Besserer Zugriff auf GPUs

Dank Cloud Computing wird der Zugriff auf GPUs mit allen internetfähigen Geräten möglich. Das ist insofern von Vorteil für KI-Projekte, als dass es Forschern oder Mitarbeitern die Arbeit erleichtert. Sie können dank KI mit jedem Endgerät – sogar dem Smartphone – NN-Training-Skripte in der Cloud starten und verfolgen.

Ein weiterer Bonus: der Zugriff auf GPUs ist auch von unterwegs möglich. Gerade in Zeiten von Remote Work und Home Office ein nicht zu unterschätzender Vorteil für Unternehmen, die im KI-Bereich tätig sind: Arbeitnehmer können von jedem Standort aus weiterhin ihre NN-Training-Skripte mit GPU-Unterstützung in der Cloud laufen lassen.

6. Gemeinsames Debugging

Wenn Mitarbeiter A auf seinem lokalen Rechner ein NN-Training-Skript laufen lässt und dabei Fehler auftreten, so ist es nicht leicht für Person B, eine Ferndiagnose durchzuführen. Läuft das NN-Training-Skript von A dagegen in der Cloud, kann B parallel dasselbe Skript laufen lassen. So sehen beide exakt die gleichen Fehlermeldungen. Person B sieht live, was passiert, wenn die eine oder andere Code-Zeile geändert wird. Gemeinsam können sie den Fehler effektiver beheben.

7. Erleichterung beim Datenaustausch

Die einfachste Möglichkeit, einen großen KI-Trainings-Datensatz von einem lokalen Rechner an eine andere Person zu transferieren, besteht darin, ihn in die Cloud hochzuladen – und ihn dann einfach zu „sharen”.

Wie profitieren deutsche KMUs von KI + (AWS-)Cloud?

KI unterstützte Prozesse bieten Unternehmen (genau wie auch deren Kunden) enorme Vorteile. Gerade bei E-Commerce-Lösungen kann bei jedem Klick eine KI im Hintergrund mitarbeiten: sie schlägt dem Endkunden unter anderem Produkte vor, die zu dessen Kaufverhalten passen und erzielt so Zusatzverkäufe. Ebenso können Firmen die Suchfunktion ihrer Website oder ihres Online-Shops durch KI optimieren. Das führt Kunden schneller zu passenden Produkten oder Dienstleistungen.

Doch nicht nur Shops können von künstlicher Intelligenz profitieren. Betreiber von Websites aller Art sowie Unternehmen mit Intranets können dank KI ihre Prozesse optimieren. AWS bietet hierfür bereits vortrainierte Services an. Diese können mit einer kurzen Einarbeitung an den eigenen Anwendungsfall angepasst werden. 

Im Webbereich verbinden Unternehmen KI und Cloud Computing unter anderem im Bereich Security, um verdächtige Aktivitäten schneller zu erkennen und blockieren zu können. Außerhalb des Webs existieren weitere KI-Services, die Unternehmen von der Ressourcenplanung bis hin zur Dokumentanalyse unterstützen. Einige dieser Services, die AWS im Bereich KI anbietet stellen wir im folgenden Absatz vor.

KI-Tools in AWS

Wir Cloud Mates arbeiten mit verschiedenen AWS-eigenenen Machine Learning-Diensten. Hier ist eine Übersicht unserer Favoriten in den unterschiedlichen Anwendungsgebieten.

KI-Entwicklung

  • Amazon SageMaker und Amazon SageMaker Studio sind zwei der Hauptdienste wenn man sich mit KI in AWS beschäftigen möchte. SageMaker lässt sich am ehesten als ein Pendant zu einem Jupyter Notebook oder Google Colab beschreiben. SageMaker Studio verbindet SageMaker mit einer nutzerfreundlichen integrierten Entwicklungsumgebung (IDE) und Verbindungen zu weiteren AWS Diensten.

 

  • Amazon SageMaker JumpStart ist einer der Dienste, welcher sich direkt über die IDE bedienen lässt. Es ermöglicht bereits designte und trainierte Modelle als Vorlage zu importieren und weiter zu entwickeln. Dadurch lassen sich in einigen Fällen repetitive Arbeiten vermeiden. 

 

  • Amazon SageMaker Autopilot ist ein weiterer Dienst zum einfachen Erstellen neuer Modelle. Er ist geeignet, wenn gelabelte Datensätze (nicht Bilddaten) vorhanden sind und ein möglichst genaues Modell erstellt werden soll. Autopilot benötigt die Angabe der Daten und der Targetspalte. Hieraus wird automatisch eine Reihe von Modellen mit unterschiedlichen Parametern erstellt und trainiert. Autopilot liefert ein Leaderboard von den Modellen, die am besten performt haben.

 

Preprocessing

  • Amazon SageMaker Data Wrangler ist eine Erweiterung von Amazon SageMaker Studio. Sie vereinfacht das Verwenden und Aufbereiten von Daten. Data Wrangler funktioniert in Kombination mit anderen AWS-Diensten.

    So lassen sich beispielsweise Daten aus S3, Athena, Redshift oder anderen AWS-Services importieren. Die Vorbereitung der Daten funktioniert ohne Code. So können Schaltflächen verwendet werden, um beispielsweise eine One-Hot-Kodierung, -Konvertierung oder weitere Aufbereitungen durchzuführen. Zuletzt ermöglicht Data Wrangler die visualisierte Analyse der Daten.

 

Training 

  • Amazon SageMaker ermöglicht das Distributed Training. Das bedeutet eine parallele Verwendung mehrerer Ressourcen zum NN-Training und der Verarbeitung von KI-Daten. SageMaker stellt hierzu Libraries wie Model Parallelism zur Verfügung.

 

Überwachung

  • Der Amazon SageMaker Model Monitor erlaubt es den Entwicklern, die Performanz der Modelle zur Laufzeit zu untersuchen. Ebenso ist es möglich einen Alarm auszulösen, sollte eine gewünschte Genauigkeit unterschritten werden.
  • Eine weitere Hilfe beim Training ist der Amazon SageMaker Debugger. Der speziell auf Machine Learning angepasste Debugger von AWS benachrichtigt die Entwickler sofort über häufige Trainingsfehler beim Training, sowie modellspezifische Fehler wie bei der Datenerfassung.

 

Sonstige Anwendungsfälle

AWS bietet KI-Services für verschiedenste Anwendungsgebiete an. Einige Beispiele hierfür sind

  • AWS Personalize: eine business bezogene Erweiterung zur Kundenanalyse.
  • AWS Kendra: damit lässt sich eine intelligente Suche implementieren. 
  • AWS Fraud Detector: ein Sicherheitstool, das auffälliges Verhalten erkennt und meldet.  
  • AWS Forecast: erleichtert die Ressourcenplanung.
  • AWS DeepLens: eine Kamera, die mit AWS Lambda voll programmierbar ist. Dieser AWS-Service ist für DL-Projekte optimiert und eignet sich unter anderem für Gesichts- oder Emotionserkennung.

 

DAS CLOUD MATES-FAZIT ZU AWS & KI

Gerade für Firmen, die bereits mit Amazon Web Services arbeiten, kann es sich lohnen, die KI-Services von AWS zu nutzen. Wenn Ihr Unternehmen bereits Daten in AWS speichert, kann eine Machine Learning-Anwendung über Amazon SageMaker und dessen Erweiterungen eine gute Alternative zu einer reinen Python-Anwendung darstellen. 

Für Klein-, Test- und Übungsprojekte können wir KI-Lösungen mit AWS nicht uneingeschränkt empfehlen. Dadurch, dass jedes einzelne Preprocessing, Training und Modell in AWS gesichert wird, ist zwar stets eine genaue Analyse aller Prozesse möglich. Allerdings entstehen dabei auch viele Daten, die nicht immer leicht zu organisieren sind. Das kann gerade bei kleineren Projekten zu unnötigen Kosten führen. 

Gerne beraten wir Sie zu einer individuellen AWS/KI-Lösung, die Ihr Unternehmen weiterbringt.

 
Mehr zum Thema? Kontaktieren Sie uns!     

  Zurück