Nicht jede KI-Aufgabe erfordert ein intelligenteres Modell: Zwei Fragen, die über die Spezialisierung entscheiden

Irgendwo liest gerade eines der leistungsfähigsten KI-Modelle der Welt eine Ankündigung zu einer Aktienteilung. Es wird die richtige Antwort finden, aber das würde auch ein Modell tun, das nur einen Bruchteil seiner Größe und seiner Kosten hat. Es ist, als würde ein Vizepräsident die Arbeit eines Praktikanten erledigen.

Intelligenz ist nach wie vor der bevorzugte Maßstab der Branche, doch viele KI-Aufgaben weisen eine Obergrenze auf: einen Punkt, an dem ein Modell „klug genug“ wird und der Gewinn an weiterer Intelligenz nachlässt. Andere Aufgaben kennen überhaupt keine Obergrenze. Für keine der beiden Arten ist ein Standardmodell aus dem Regal geeignet. Ob eine Aufgabe eine Obergrenze hat und ob sie „stillsteht“, entscheidet darüber, ob das Modell oder das umgebende System spezialisiert werden muss.

Warum spezialisierte KI-Modelle von der jeweiligen Aufgabe und nicht von der Branche abhängen

Die Notwendigkeit spezialisierter Modelle ergibt sich aus der Aufgabe, nicht aus der Branche. Branchen selbst sind Bündel unzähliger Aufgaben.

So betreiben Pharmaunternehmen beispielsweise die Wirkstoffforschung, wo eine gründlichere und schnellere Forschung sowie eine bessere Analyse des Unbekannten erhebliche Vorteile bieten. Pharmaunternehmen führen aber auch standardisierte Aufgaben in großem Umfang durch, für die äußerst klar definierte Regeln gelten, wie beispielsweise die Kodierung von Berichten über unerwünschte Ereignisse.

Im letzteren Fall nimmt der Nutzen zusätzlicher Intelligenz ab. Sobald ein Modell „klug genug“ ist, wird die Spezialisierung des Modells – in Form einer Feinabstimmung zum Verständnis der Zusammenhänge zwischen Patientenfeedback und medizinischen Wörterbüchern – zum wichtigsten Werttreiber. Im Bereich der Wirkstoffforschung hingegen ist zusätzliche Intelligenz der entscheidende Faktor. Ein größeres, besseres und schnelleres Modell kann für die jeweilige Aufgabe stets einen höheren Mehrwert bieten. Aufgaben wie die Wirkstoffforschung erfordern modernste KI und stellen riesige Märkte dar, in denen Leistungssteigerungen der KI unbegrenzte Erträge versprechen.

Das Gleiche gilt für ein Quant-Handelsunternehmen, bei dem die Suche nach neuen Handelssignalen mit der Entwicklung neuer Medikamente vergleichbar ist. Jeder Gewinn an Wissen kann sich in einen Marktvorteil und letztendlich in Renditen umsetzen lassen. Allerdings muss dasselbe Unternehmen auch eine Vielzahl von Kapitalmaßnahmen verarbeiten, die als Freitext-Meldungen eingehen . Es handelt sich um standardisierte Arbeit mit hohem Durchsatz, die sich im Laufe der Zeit wahrscheinlich nicht ändern wird. Es gibt nur eine einzige korrekte Interpretation für einen 2:1-Aktiensplit. Ein größeres, intelligenteres Modell dürfte kaum Vorteile bieten, wenn es darum geht, dies herauszufinden.

Zwei Fragen, die darüber entscheiden, ob ein Modell feinabgestimmt werden soll

Um zu verstehen, in welchen Fällen spezialisierte Modelle sinnvoll sind, sollte man zwei Bedingungen berücksichtigen, die mit jeder Aufgabe verbunden sind:

• Wird bei dieser Aufgabe nach wie vor mehr Intelligenz belohnt?
• Ist die Aufgabe stabil? Das heißt: Bleiben ihre Regeln, Eingaben und Anforderungen unverändert?

Spezialisierte Modelle sind vor allem dann sinnvoll, wenn die Antwortpaare „nein“ und „ja“ lauten; das heißt in Fällen, in denen die Aufgabe bereits vollständig durch heutige Modelle erfüllt wird und in denen es unwahrscheinlich ist, dass sich die Aufgabe selbst wesentlich ändern wird. Die Kodierung unerwünschter Ereignisse erfüllt beide Kriterien. Die Wirkstoffforschung scheitert bereits beim ersten Kriterium.

Kosten und Nutzen der Feinabstimmung von KI-Modellen

Für die oben beschriebenen standardisierten Aufgaben mit hohem Durchsatz bietet die Entwicklung eines spezialisierten Modells echte Vorteile. Der erste Vorteil sind die Kosten: Wenn eine Aufgabe millionenfach ausgeführt wird, ist ein kleines, auf diese spezifische Aufgabe abgestimmtes Modell kostengünstiger und schneller auszuführen als ein „Frontier“-Modell. Der zweite Vorteil ist die Konsistenz: Ein Modell, das anhand Tausender hochspezifischer Beispiele trainiert wurde, wendet jedes Mal eine äußerst ähnliche, wenn nicht sogar identische Logik an und wird dadurch zunehmend vorhersehbar. Der dritte Vorteil ist die Kontrolle: Ein Unternehmen kann sein eigenes Modell auf seiner eigenen Infrastruktur hosten und so sensible Daten wie Patientenakten oder Finanzdaten innerhalb der eigenen Unternehmensgrenzen behalten.

Allerdings gibt es hier nichts umsonst. Die Feinabstimmung senkt zwar die Kosten für den Betrieb eines Modells, erhöht aber gleichzeitig die Kosten und den Zeitaufwand für dessen Erstellung. Wenn sich die Aufgabe nie wesentlich ändert und die Integration eines überlegenen zukünftigen Basismodells keinen Mehrwert bietet, handelt es sich um leicht zu rechtfertigende einmalige Kosten. Sind diese Bedingungen jedoch nicht erfüllt, kann es kostspielig werden. Jedes Mal, wenn sich die Aufgabe ändert oder ein besseres Basismodell veröffentlicht wird, muss das spezialisierte Modell neu trainiert werden. Daher bestehen die Vorteile der Erstellung spezialisierter Modelle nur dann fort, wenn die Aufgabe stabil ist und die aktuellen Modelle bereits gut genug sind, um diese Investition ausreichend zu amortisieren.

Wann sollte ein Modell feinabgestimmt und wann sollte das KI-System spezialisiert werden?

Zusammengenommen skizzieren die beiden zuvor gestellten Fragen den Weg zur Spezial isierung.

1. Intelligent genug und stabil: Spezialisieren Sie das Modell. Dies ist der Bereich der zuvor genannten Aufgaben wie die Kodierung unerwünschter Ereignisse und Kapitalmaßnahmen. Die oben beschriebenen wirtschaftlichen Rahmenbedingungen sprechen für eine Feinabstimmung und bieten Spielraum dafür, dass sich die Investition über Millionen von Durchläufen amortisiert.
2. Alles andere: Spezialisieren Sie das System; die Spezialisierung von Modellen ist nur eine Form der Anpassung. Wenn eine Aufgabe nach wie vor Intelligenz erfordert, bedeutet das Einbetten von Fachwissen in die Gewichte eines Modells, dass jedes Mal ein neues Training erforderlich ist, wenn ein besseres Modell bereitgestellt wird. Wenn sich die Aufgabe ständig ändert, bedeutet dies, dass jedes Mal ein neues Training erforderlich ist, wenn sich die Aufgabe ändert. In beiden Fällen ist es besser, das Fachwissen in den Daten, Tools und Arbeitsabläufen rund um ein Modell zu verankern, die ausgetauscht werden können. Das zuvor genannte Beispiel aus der Arzneimittelforschung fällt in diese Kategorie. Es benötigt die neuesten Erkenntnisse, jedoch in Verbindung mit firmeneigenen Daten und speziell entwickelten Pipelines.

Die beiden Antworten schließen sich nicht gegenseitig aus. Selbst ein fein abgestimmtes Modell benötigt nach wie vor ein tragendes System, und ein gut aufgebautes System kann dennoch fein abgestimmte Modellkomponenten beherbergen. Somit bestimmen die Fragen und die daraus resultierenden Antworten, wo der Schwerpunkt liegt.

Clarity AIDie Aufgaben von … lassen sich auf beiden Wegen in den spezialisierten Systemansatz integrieren. Bei einigen unserer Aufgaben zahlt sich nach wie vor Pionierarbeit im Bereich der KI aus. Da unsere Datenextraktionsplattform modellunabhängig ist, können wir neue, hochmoderne Modelle innerhalb weniger Tage integrieren und so Vorteile nutzen, die bei einem fein abgestimmten Modell erst nach einem erneuten Training zum Tragen gekommen wären. Es gibt andere Aufgaben, für die die aktuellen Modelle „klug genug“ sind, aber zu dynamisch, um sie in ein maßgeschneidertes Spezialmodell zu integrieren. Wenn sich beispielsweise durch eine regulatorische Änderung die Anforderungen an die Kennzahlen verschieben, müssen wir lediglich den Kontext, die Regeln und die Validierungen anpassen, anstatt das Modell selbst neu zu trainieren. Durch die Entwicklung eines maßgeschneiderten Frameworks können wir unsere Prozesse spezialisieren und uns dennoch schnell an Veränderungen anpassen.

Jeder ernstzunehmende KI-Einsatz ist fachspezifisch. Die jeweilige Aufgabe entscheidet darüber, ob das Fachwissen in erster Linie im Modell selbst oder in dessen Umfeld liegt. Überlassen Sie die Aktienteilung dem Praktikanten und stellen Sie dem Vizepräsidenten ein besseres Team zur Seite.