AI auf AWS entwickeln: Die 5 Fehler, an denen AI-Initiativen scheitern

Unabhängig davon, wie weit ihr in eurer AI-Entwicklung bereits seid: Ihr könnt viel Zeit und Ressourcen sparen, wenn ihr aus den Fehlern anderer Unternehmen lernt.

Ihr braucht ein solides Fundament – und dieses auf AWS aufzubauen, ist ein hervorragender Anfang. Achtet deshalb darauf, dass euer Fundament nicht dieselben gravierenden strukturellen Fehler aufweist, auf denen viele andere Unternehmen aufbauen. Es ist allzu leicht, Abkürzungen zu nehmen und vorschnell voranzupreschen, um von dieser neuen technologischen Geschäftschance (AI) zu profitieren, die plötzlich allen offensteht.

Die anfängliche Begeisterung für ein neues Tool lässt schnell nach. Wenn es so weit ist, solltet ihr eine wertvolle Lösung haben – etwas durchdacht Entwickeltes, das echte Probleme löst.

Das mag offensichtlich klingen, aber ich sehe ständig, wie Unternehmen Geschwindigkeit gegen Qualität eintauschen. Und ich möchte nicht, dass ihr dazugehört. Lest weiter und macht es von Anfang an richtig. Erfahrt, welche fünf großen Fehler es gibt und wie ihr sie vermeidet.

Doch bevor wir uns den spannenden Themen widmen, lasst uns einen Schritt zurückgehen und etwas Wichtiges festhalten:

AI ist nicht euer Endziel

Sie ist einfach ein weiteres Tool in eurem bereits gut gefüllten Werkzeugkasten. Und da dieses Tool auf unzählige Arten konfiguriert werden kann, müsst ihr genau wissen, was ihr entwickelt.

Grundsätzlich gibt es heute vier Hauptarten von AI-Implementierungen:

• Customer Experience: Chatbots, Assistenten und Personalisierung

• Produktivitätssteigerung: Interaktive Suche, Zusammenfassungen und Code-Copilots

• Content-Erstellung: Texte, Bilder und Videos erstellen, beispielsweise Animationen

• Business Intelligence: Daten analysieren und verarbeiten sowie geschäftliche Erkenntnisse gewinnen

Wenn euch nicht klar ist, was genau ihr entwickelt, besteht das Risiko, dass ihr die falsche Kombination von Services auswählt.

Was möchtet ihr also erreichen? Etwas, das das Programmieren schneller und besser macht? Ein neues Produkt? Eine Möglichkeit, Erkenntnisse aus bestehenden Daten zu gewinnen? Testautomatisierung? Features für ein bestehendes Ökosystem?

Wenn ihr die Antwort nicht kennt, riskiert ihr, viel Geld und Aufwand zu verschwenden. Ihr werdet die falschen Schlüsse ziehen, schlechte Customer Experiences schaffen und vom Kerngeschäft abgelenkt werden.

Mit anderen Worten: Es steht viel auf dem Spiel. Das ist das große Innovationsrennen unserer Zeit. Und wie bei jedem Rennen seid ihr von Anfang an gut aufgestellt, wenn ihr AWS als Ausgangspunkt wählt.

Ein paar Worte zum Aufbau von AI auf AWS

Damit eure AI-Innovation funktioniert, müssen mehrere AWS-Services zusammenwirken. Werfen wir also einen kurzen Blick auf die drei wichtigsten AI-Services von AWS:

Sagemaker: Wenn ihr beispielsweise Data Scientists seid, nutzt ihr Sagemaker, um Daten vorzubereiten oder ein ML-Modell zu trainieren und zu optimieren. Ihr könnt es auch für codebasierte Entwicklung mit Jupyter Notebooks verwenden.

Bedrock: Wenn ihr Entwickler seid, ist dies eine API für mehrere verschiedene Basismodelle. Ihr nutzt sie, um neue Services oder Apps zu entwickeln oder bestehende zu erweitern.

Amazon Q: Dies ist ein generativer AI-Assistent und kompetenter Leitfaden für mehrere Bereiche des AWS-Ökosystems. Innerhalb der AWS-Konsole könnt ihr technische Fragen stellen. In CodeWhisperer ist es euer Coding-Begleiter und in QuickSight euer BI-Assistent.

Mit Q könnt ihr ganz einfach einen sicheren Chatbot für eure Organisation erstellen und ihn mit Retrieval Augmented Generation (RAG) erweitern. Das bedeutet, dass ihr ihn mit euren eigenen Daten deutlich leistungsfähiger macht – unabhängig davon, ob diese in Dokumentationen, auf Websites oder in Datenbanken vorliegen.

Abschließend möchte ich noch ein paar Hinweise zu AI in AWS geben:

1. Sobald ihr eine klare Vorstellung von dem Ziel habt, das ihr erreichen möchtet, müsst ihr das richtige Fahrzeug wählen, das euch dorthin bringt. Um ein Bergdorf zu erreichen, könnt ihr einen Hubschrauber, eine Seilbahn oder ein Fahrrad nutzen. Welche Option die richtige ist, hängt davon ab, was ihr erreichen möchtet – Geschwindigkeit, eine tolle Aussicht oder Bewegung.

2. Wie ihr bereits wisst, arbeitet ihr mit AWS in einem umfangreichen Ökosystem interoperabler Tools. Verliert das nie aus den Augen, denn mit der richtigen Vision und dem nötigen Überblick könnt ihr zahlreiche Synergien nutzen und effizienter arbeiten.

Und jetzt, ohne weitere Umschweife: So vermeidet ihr kritische Fehler.

Fehler 1: „Wir brauchen AI, weil … ähm … warum eigentlich nicht?“

Wie ich bereits kurz angesprochen habe, ist es der grundlegendste Fehler, keine klare Vorstellung davon zu haben, was ein neues Feature leisten oder lösen soll.

Werft nicht einfach Geld und Ressourcen auf irgendein Gimmick, nur weil „es alle anderen auch machen“. Sonst endet ihr mit einem gescheiterten, gestrandeten Pilotprojekt, das Kosten verursacht, ohne dass es jemand nutzt.

So vermeidet ihr blindes Vorgehen

Damit das nicht passiert, müsst ihr konkrete Anwendungsszenarien planen. Sammelt Ideen und simuliert mögliche reale Einsatzbereiche für das AI-Tool.

Jede Entscheidung sollte eine Geschäftsentscheidung sein. Wenn diese Voraussetzung erfüllt ist, fällt die Wahl eines passenden Technologie-Stacks deutlich leichter.

Was muss es können? Wo liegen seine Grenzen? Erst wenn ihr diese Fragen beantwortet habt, wisst ihr, ob es reale Nutzerbedürfnisse erfüllt und Probleme löst.

Bonus-Tipp

Recycelt! Durchsucht euren Ideen-Backlog. Vielleicht habt ihr gute Ideen früher verworfen, weil der Zeitpunkt noch nicht richtig war. Manchmal warten großartige Ideen einfach auf die passenden technologischen Fortschritte. AI ist die Technologie, mit der viele dieser Ideen endlich entwickelt werden können.

Fehler 2: Keine umfassende Datenstrategie

Mit einer schwachen oder fehlenden Strategie wird euer Datenmanagement ineffizient. Die Daten werden:

• Unstrukturiert

• Nicht bereinigt und nicht gekennzeichnet

• Uneinheitlich formatiert

• Dupliziert

Wenn ihr euer AI-Modell mit solchen Daten trainiert, sind sowohl die Ergebnisse als auch das Tool unzuverlässig. Eure Kosten werden außerdem unnötig hoch, weil ihr Ressourcen verschwendet und mehr Speicher, Rechenleistung und Services nutzt als erforderlich.

Für den AI-Service selbst kann das katastrophale Folgen haben. Das gesamte Modell wird verzerrt sein und unausgewogene oder ungerechte Ergebnisse liefern. Besonders bedenklich ist das in Bereichen wie Personalbeschaffung, Finanzen oder Life Sciences, in denen verzerrte Entscheidungen das Leben von Menschen beeinflussen.

Und als wäre das nicht genug: Bei schlechter Governance werden eure Daten angreifbarer. Ihr erhöht das Risiko von Sicherheitsverletzungen und Missbrauch.

So gelingt eure Strategie

Definiert eine klare Datenstrategie, bevor ihr in die AI-Entwicklung einsteigt. Diese Strategie sollte Folgendes umfassen:

• Die Services, die ihr nutzen werdet

• Integrationen

• Datenkennzeichnung, mindestens die Trennung von PI-Daten

• Datenmanagement und -speicherung

• Backup-Protokolle

Da ihr euer AI-Tool auf AWS entwickeln werdet, trefft ihr bessere strategische Entscheidungen, wenn ihr euch vorab mit einigen AWS-Services wie Glue, Macie usw. vertraut macht. Außerdem empfiehlt es sich, Well-Architected Reviews (WAR) in eure Betriebsabläufe aufzunehmen.

Ich empfehle außerdem Well-Architected-Framework-Workshops für Geschäfts- und Vertriebsabläufe.

Bonus-Tipp

Bezieht bei der Entwicklung eurer Datenstrategie ein breites Spektrum an Personen ein. Dazu gehören Cloud-Architekten, Data Engineers und geschäftliche Stakeholder. Nur so könnt ihr sicherstellen, dass die Strategie sowohl technischen Anforderungen als auch Geschäftszielen entspricht. Denkt auch daran, Mitarbeiter aus Geschäft und Vertrieb in die AWS Well-Architected Framework Workshops einzubeziehen!

Fehler 3: Eure Daten bei der AI-Implementierung nicht vollständig ausschöpfen

Viele Unternehmen nutzen ihre Daten schlicht nicht richtig, um ihre AI-Modelle zu trainieren, zu validieren und zu verbessern.

Um etwas Größeres aufzubauen, braucht ihr mit euren Daten ein solides Fundament. Dafür müsst ihr unbedingt Folgendes optimieren:

• Dateispeicherung für strukturierte und unstrukturierte Daten

• Speicherung operativer Daten (SQL, NoSQL, DocumentDB, VectorDB)

• Analytics-Strukturen (Batch-Jobs, Suche, Streaming)

• Integrationen (Erfassen, Ändern, Streamen)

• Governance (Datenschutz, Datenzugriff, Qualität)

Für ein zuverlässiges Fundament solltet ihr euch am AWS Well-Architected Framework orientieren.

Damit könnt ihr Data Governance, Infrastruktur und Datenqualität hervorragend verwalten. Das Framework basiert auf sechs Säulen: Operational Excellence, Sicherheit, Zuverlässigkeit, Leistungseffizienz, Kostenoptimierung und Nachhaltigkeit.

Mit anderen Worten: Es deckt viele Bereiche ab und bringt euch beim Aufbau eines soliden Fundaments auf AWS entscheidend weiter.

Wenn ihr mehr über das Well-Architected Framework erfahren möchtet, hat ein Kollege von mir hier eine hervorragende Einführung dazu geschrieben.

Fehler 4: Serverless-Kosten nicht verwalten

Die richtigen Tools und Services für euren konkreten Anwendungsfall auszuwählen, ist schwierig.

Ihr müsst wissen – oder zumindest eine Vorstellung davon haben –, wie hoch die Ressourcennutzung für den gesamten Stack sein wird. Außerdem braucht ihr ein gutes Monitoring- und Alerting-System für den Fall, dass etwas Unerwartetes passiert, etwa wenn ein Service plötzlich viral geht. Meist entscheidet man sich am Ende für die Services, mit denen man am besten vertraut ist oder die man in einer Demo gesehen hat.

Es gibt großartige Serverless-Optionen, die keine Wartung und Pflege erfordern – ihre Kosten unterscheiden sich jedoch erheblich. Möglicherweise stärker, als den meisten bewusst ist.

Für manche Services zahlt ihr sogar, wenn ihr sie nicht nutzt. Sehen wir uns einige Szenarien an.

Vergleichen wir OpenSearch Serverless für eure VectorDB mit Aurora Serverless in einem Szenario mit unregelmäßiger Nachfrage, zum Beispiel während einer Proof-of-Concept- oder Roll-out-Phase. Beide Services bieten gute Performance, doch die Kosten für Aurora sind mit 70 € verschwindend gering im Vergleich zu OpenSearch Serverless mit 1.000 €.

In einem anderen Szenario mit einer konstanten DB-Nutzung kann RDS im Vergleich zu Aurora Serverless ganze 50 % günstiger sein, da ihr bei RDS günstige Kapazitäten reservieren könnt.

So nutzt ihr Serverless clever

Haltet die Ohren offen und informiert euch über die verfügbaren Angebote. Verfolgt AWS-News und -Ankündigungen, nehmt an AWS-Workshops teil, folgt passenden Social-Media-Kanälen und nutzt Preisrechner.

Fehler 5: Sich nicht auf die wichtigsten Kennzahlen konzentrieren

Auch wenn eure AI-Lösung technisch hervorragend ist: Erfüllt sie nicht die Bedürfnisse der Nutzer, ist der Aufwand vergebens.

Ihr wisst bereits, wie wichtig Kennzahlen sind und dass nicht alle Kennzahlen gleich aussagekräftig sind. Damit eure AI-Initiative funktioniert, müsst ihr also wissen, welche Daten relevant sind. Achtet daher beim Monitoring und Messen unbedingt darauf, dies anhand klarer Ziele und Vorgaben zu tun.

Es gibt viele bekannte Beispiele für das Scheitern von AI: AI-gestützter Handel, fehlerhafte medizinische Diagnosen, beleidigende Chatbots und vieles mehr. Doch das ist nur die Spitze des Eisbergs.

Es gibt unzählige weniger auffällige Beispiele, etwa AI-Helpdesk-Assistenten, die langsam sind oder euch nur „fast“ gute Antworten liefern. In solchen Fällen zwingt ihr die Mitarbeiter möglicherweise unbeabsichtigt dazu, den herkömmlichen Weg zu wählen und Antworten aus früheren, ähnlichen Tickets einfach zu kopieren und einzufügen.

Kennzahlen sinnvoll einsetzen

Sammelt Statistiken und Informationen darüber, wie die Dinge derzeit funktionieren. Wenn ihr beispielsweise über eine Helpdesk-AI verfügt, versucht, die dringendsten Supportprobleme zu lösen. Eine Kennzahl könnte sein, verlässliche Antworten auf die drei häufigsten Probleme in Support-Tickets zu entwickeln.

Denkt daran: Selbst modernste technische Kompetenz ist wertlos, wenn sie das vorliegende Problem nicht löst.

Die drei Säulen für AI-Erfolg sind:

1. Geschäftliche Anforderungen oder Kundenbedürfnisse erfüllen

2. Den Arbeitsalltag der Mitarbeiter erleichtern

3. Den richtigen Service oder die passende Technologie dafür nutzen

In der Regel ist dieser dritte Punkt der einfachste, doch häufig setzen Projekte ihre Prioritäten genau umgekehrt.

Bonus-Tipp

Eure Kunden oder Endnutzer sind die Experten für ihre eigenen Systeme und Arbeitsweisen. Hört ihnen genau zu und identifiziert Bereiche, in denen die neue AI-Lösung sie unterstützen könnte – sei es ein Chatbot zur Unterstützung von Mitarbeitern oder ein Assistent für Röntgenanalysen in der Radiologie.

Abschließende Gedanken

„Innovation“ bedeutet nicht, ChatGPT oder ein ähnliches Tool wie eine Suchmaschine zu nutzen.

Echte Innovation entsteht in unerforschten Bereichen, wenn ihr völlig neue Wege findet, mit Tools zu arbeiten. Der Einsatz schicker neuer Techniken, nur weil sie gerade im Trend liegen oder eure Wettbewerber darüber sprechen, wird euren Piloten höchstwahrscheinlich scheitern lassen.

Eure AI auf AWS aufzubauen, ist eine gute Wahl. Informiert euch daher gründlich über das gesamte Ökosystem und hört weiter zu, denn es werden laufend neue Tools veröffentlicht.

Denkt daran, dass die Technologie nur ein Teil der Gleichung ist. Nutzer und Unternehmen müssen sie brauchen und wollen, und das Endergebnis ist nur so gut wie die Kombination aus der Frische der Idee und den Daten, die sie antreiben.