Datenengineering

Seagate Technology Holdings plc hat sich in den letzten drei Jahren als eine der führenden Aktien im Bereich Künstliche Intelligenz etabliert, mit einer beeindruckenden jährlichen Wachstumsrate von 151%. Analyst Wamsi Mohan von Bank of America hat seine Kaufempfehlung für die Aktie bekräftigt und das Kursziel auf 1.150 US-Dollar angehoben. Diese positive Einschätzung basiert auf verbesserten Fundamentaldaten, einer anhaltenden Nachfrage im Cloud-Sektor und einer strategischen Erhöhung der Speicherkapazität von Festplatten. Diese Faktoren könnten die Umsatzprognosen, Margen und den freien Cashflow von Seagate stärken, vorausgesetzt, die Kundennachfrage bleibt stabil. Die Verbindung zur KI ist entscheidend, da große Datensätze für das Training und die Inferenz effizient auf hochkapazitiven Festplatten gespeichert werden müssen. Ein potenzielles Risiko ist die zyklische Natur des Marktes, die dazu führen kann, dass Kunden Käufe zurückstellen, wenn sie ihre Kapazitäten erweitern. Die Prognosen der Analysten beruhen auf diszipliniertem Verhalten der Branche und einer stabilen Nachfrage in Rechenzentren.

Das Institut für Arbeitsmarkt- und Berufsforschung (IAB) erwartet bis 2040 ein Nullsummenspiel auf dem deutschen Arbeitsmarkt, bei dem 800.000 Stellen wegfallen und gleichzeitig ebenso viele neue geschaffen werden. Diese Entwicklung wird maßgeblich durch den zunehmenden Einsatz von Künstlicher Intelligenz (KI) und Automatisierung in verschiedenen Branchen vorangetrieben, was Effizienzgewinne zur Folge hat. Unternehmen stehen jedoch vor der Herausforderung, die Qualität ihrer Daten zu gewährleisten, da viele Entscheidungen auf fehlerhaften Analysen basieren. Um den Wandel zu unterstützen, investiert der Staat Milliarden in die KI-Infrastruktur und fördert nationale Forschungsdatenprojekte. Zudem wird eine gesetzliche Erfassung der Arbeitszeit gefordert, was den Bedarf an digitalen HR-Systemen erhöhen dürfte. In der Industrie und im Handwerk gewinnt die Integration von KI in Prozesse wie Baustellenplanung und Angebotserstellung an Bedeutung. Gleichzeitig wird an benutzerfreundlicheren Robotiklösungen gearbeitet, um Montage- und Logistikprozesse zu optimieren. Trotz dieser technologischen Fortschritte bleibt die Sicherstellung der Datenqualität eine zentrale Herausforderung für Unternehmen, um die Fachkräfte von morgen zu gewinnen.

Die Nutzung von Künstlicher Intelligenz (KI) im Kundenservice ist laut einer Studie von Roland Berger dramatisch von 95 auf 54 Prozent gesunken. Befragt wurden 550 Führungskräfte aus zehn Ländern. Trotz der Effizienzvorteile, die KI-Systeme bieten, stehen Unternehmen vor Herausforderungen wie mangelhafter Datenqualität und veralteten Technologien, was eine breite Implementierung erschwert. Der Übergang zu automatisierten Prozessen erfordert eine solide technologische Basis, die oft fehlt. Zudem zeigen sich strukturelle und psychologische Hürden, die den Wunsch nach Effizienz und Minimalismus behindern. Ähnliche Probleme treten auch in anderen Bereichen wie der Gesundheitsversorgung auf, wo Kostensenkungen die Versorgungsqualität gefährden können. Fachverbände warnen vor negativen Auswirkungen auf die Wartezeiten und die allgemeine Versorgung durch eine Senkung der Vergütung für Psychotherapeuten. Diese Entwicklungen verdeutlichen, dass der Drang nach Optimierung nicht immer zu den gewünschten Ergebnissen führt und bestehende Probleme verschärfen kann.

Quasar Models hat eine Kooperation mit Gradients angekündigt, um langfristige KI-Modelle im Bittensor-Netzwerk zu entwickeln. Im Rahmen dieser Zusammenarbeit arbeiten die Subnetze 56, 24 und 3 zusammen, um Ressourcen zu bündeln und die Trainings- und Optimierungsprozesse zu verbessern. Gradients wird dabei eine Schlüsselrolle im Post-Training und Reinforcement Learning übernehmen, was die Fähigkeit der Basis-Modelle zur Lösung komplexer Probleme und zur besseren Kommunikation stärken soll. Quasar, als Subnetz 24, fokussiert sich auf die Entwicklung von Modellen mit langen Kontexten, während Gradients als AutoML-Plattform Nutzern ermöglicht, Datensätze hochzuladen und Modelle auszuwählen. Diese Initiative fördert die dezentrale KI und die Demokratisierung des Modelltrainings durch Blockchain-Technologie. Zukünftige Updates sind geplant, um den Fortschritt des Projekts zu dokumentieren.

IT-Leiter müssen die grundlegenden Elemente der KI-Architektur verstehen, um ihre Systeme erfolgreich zu skalieren. Die vier zentralen Aspekte sind Datenqualität, Kontextengineering, Governance und menschliche Expertise. Eine hohe Datenqualität ist unerlässlich, da fehlerhafte Daten zu unzuverlässigen Ergebnissen führen und das Vertrauen der Nutzer beeinträchtigen können. Kontextengineering optimiert die Informationsnutzung der KI, was die Effizienz und Genauigkeit der Antworten steigert. Governance und LLM-Observabilität sollten von Beginn an in die Architektur integriert werden, um die Kontrolle über die Datennutzung zu sichern und die Betriebskosten zu minimieren. Zudem ist die Einbeziehung menschlicher Expertise entscheidend, um die KI-Systeme effektiv zu steuern. Unternehmen, die in diese fundamentalen Elemente investieren, sind besser gerüstet, um die Vorteile der KI-Technologie zu nutzen und ihre Systeme zuverlässig im großen Maßstab einzusetzen.

In einem Vergleich zwischen SQL, Pandas und einem KI-Agenten wurden drei analytische Fragen aus der StrataScratch-Datenbank analysiert, wobei jede Technologie auf identische Datensätze angewendet wurde. Die Untersuchung berücksichtigte acht Dimensionen, darunter Geschwindigkeit, Genauigkeit und Erklärbarkeit. SQL lieferte die schnellsten Ergebnisse, gefolgt von Pandas, während der KI-Agent signifikante Verzögerungen aufwies. Alle drei Technologien lieferten korrekte Antworten, jedoch waren SQL und Pandas deterministisch, während der Agent variierende SQL-Abfragen generieren konnte, was die Reproduzierbarkeit beeinträchtigte. Besonders bei komplexen Fragen hing die Genauigkeit des Agenten stark von der Qualität der Eingabeaufforderungen ab, was das Risiko von Fehlinterpretationen erhöhte. SQL erwies sich als optimal für strukturierte Abfragen, Pandas für benutzerdefinierte Transformationen, und der Agent war nützlich für erste Entwürfe, benötigte jedoch menschliche Überprüfung. Der Vergleich verdeutlicht, dass jede Technologie ihre spezifischen Stärken und Schwächen hat, und die Wahl der richtigen Lösung von den Anforderungen der Analyse abhängt.

SkyPilot und Hugging Face haben eine innovative Lösung entwickelt, die es ermöglicht, KI-Workloads auf verschiedenen Cloud-Plattformen auszuführen, während Modelle und Datensätze kostenlos auf Hugging Face gespeichert werden. Benutzer können über eine einfache hf:// URL und das HF_TOKEN Hugging Face Buckets oder Repositories in SkyPilot-Jobs integrieren, ohne Egress-Gebühren zahlen zu müssen. SkyPilot optimiert die Ressourcennutzung, indem es GPUs über mehr als 20 Clouds hinweg findet und Berechnungen dort ausführt, wo Kapazitäten verfügbar sind. Die Speicherung erfolgt auf einer Xet-basierten Infrastruktur, die nur geänderte Datenblöcke speichert, was Kosten und Aufwand reduziert. Diese Integration ermöglicht kostenlose Lesevorgänge, was besonders vorteilhaft für umfangreiche Datensätze ist. Die Lösung fördert eine schnellere Verarbeitung, da Daten in Echtzeit abgerufen werden können, während die GPUs aktiv bleiben. Die Zusammenarbeit zwischen Hugging Face und SkyPilot schafft eine benutzerfreundliche Plattform, die den gesamten Lebenszyklus von KI-Modellen abdeckt.

Luffy AI, ein Startup aus Abingdon, hat in einer Series-A-Finanzierungsrunde 8,1 Millionen Pfund gesammelt, um neuroplastische KI für die Echtzeitsteuerung von Maschinen zu entwickeln. Die Finanzierung, angeführt von BGF, zielt darauf ab, Pilotprojekte in kommerzielle Anwendungen umzuwandeln. Die Gründer, ehemalige Kernphysiker, haben ein neuartiges Netzwerk auf Basis sparsamer neuronaler Netze entwickelt, das sich selbst optimiert, ohne große Datensätze oder Cloud-Computing zu benötigen. Dies führt zu einer bis zu 400-mal effizienteren Leistung im Vergleich zu herkömmlichen Deep-Learning-Methoden. Luffys Hauptziel ist die Effizienzsteigerung von Elektromotoren, die rund die Hälfte des globalen Stromverbrauchs ausmachen. Die adaptive Steuerung ermöglicht es den Motoren, sich selbst an Betriebsbedingungen anzupassen, was den Energieverbrauch senkt und die Leistung steigert. Investoren sehen in Luffys Ansatz eine disruptive Innovation, die die Abhängigkeit von spezialisierten Ingenieuren verringert und die industrielle Effizienz erhöht. Die Finanzierung wird auch genutzt, um Partnerschaften mit größeren Unternehmen zu entwickeln und die Technologie auf Bereiche wie Robotik und Drohnen auszudehnen.

ShinWon hat kürzlich Maßnahmen zur Verbesserung der Datenverfügbarkeit in seiner Lieferkette ergriffen, um den steigenden Anforderungen an Umwelt- und Sozialverantwortung gerecht zu werden. Das Unternehmen nutzt die blockchain-basierte Plattform Retraced, um die Datenüberwachung entlang der Lieferkette zu optimieren, insbesondere im Hinblick auf globale Vorschriften wie die EU-Richtlinie zur Unternehmensnachhaltigkeit. Durch KI-gestützte Analysen kann das System Transaktionsdaten automatisch extrahieren und validieren, was die Fehleridentifikation erleichtert und die Datenqualität erhöht. Diese Transparenz ermöglicht es ShinWon, potenzielle Risiken frühzeitig zu erkennen und zu managen. Zudem werden die Beziehungen zu Lieferanten durch Leistungskennzahlen gestärkt, was maßgeschneiderte Unterstützung ermöglicht. CEO JJ Park hebt hervor, dass die Rückverfolgbarkeit nicht nur regulatorische Anforderungen erfüllt, sondern auch das Vertrauen zwischen Partnern fördert. ShinWon plant, die Implementierung von KI-Technologien in seinen internationalen Produktionsstätten zu beschleunigen, um die Transparenz und Reaktionsfähigkeit der Lieferkette weiter zu verbessern.

Die De-Identifizierung klinischer Daten ist ein wesentlicher Prozess, um den Datenschutz von Patienten zu gewährleisten und gleichzeitig die Entwicklung von KI-Systemen im Gesundheitswesen zu fördern. Hierbei werden persönliche Informationen wie Namen und Kontaktdaten entfernt oder maskiert, um die Identifizierbarkeit der Individuen zu verhindern. Dies ist notwendig, um gesetzliche Vorgaben wie HIPAA und GDPR einzuhalten und die Nutzung der Daten für Forschung und KI-Entwicklung zu ermöglichen, ohne die Sicherheit der Patienten zu gefährden. Eine Herausforderung besteht darin, ein Gleichgewicht zwischen Datenschutz und der analytischen Nützlichkeit der Daten zu finden, da übermäßige Maskierung die Datenqualität beeinträchtigen kann. Verschiedene De-Identifizierungstechniken müssen je nach rechtlichem Rahmen und Datentyp angewendet werden. Unternehmen wie Cogito Tech bieten spezialisierte Dienstleistungen an, um diesen Prozess effizient und regelkonform zu gestalten. Angesichts der komplexen klinischen Datensätze und strengen regulatorischen Anforderungen ist eine sorgfältige De-Identifizierung entscheidend, um sowohl die Privatsphäre der Patienten zu schützen als auch die Integrität der KI-Modelle zu gewährleisten.