|
Getting your Trinity Audio player ready...
|
WARNUNG: Verwaister Fußnotenstart-Tag-Shortcode gefunden.
Wenn diese Warnung irrelevant ist, deaktiviere bitte die Syntax-Validierungsfunktion im Dashboard unter Allgemeine Einstellungen > Fußnoten Start- und Ende-Shortcodes > Prüfe auf ausgeglichene Shortcodes.
Unausgeglichener Start-Tag-Shortcode zuvor gefunden:
“Um eine eigene Version eines Open-Source-LLM zu trainieren, werden extrem große Datensätze benötigt. Diese müssen kuratiert werden. Außerdem sind Datenpipelines zum Bereinigen, Deduplizieren, Vorverarbeiten und Tokenisieren der…”
Der Aufbau einer generativen KI-Plattform von Grund auf gibt einer Bank die volle Kontrolle über ihre Merkmale und Funktionen. Die KI-Technologie kann sich genau an die Anforderungen der Bank anpassen. Dies gewährleistet die Übereinstimmung mit den einzigartigen Arbeitsabläufen der Bank und bietet ein maßgeschneidertes Nutzererlebnis. Ein weiterer Vorteil ist, dass das eigene Wissen, das Domänenwissen, in der Bank bleibt. Ebenso kann die Abhängigkeit von Herstellern verhindert, zumindest aber reduziert werden.
Vor diesem Hintergrund ergibt der Schritt der Sparkassen, ihre Generativen KI-Anwendungen im Rechenzentrum der eigenen IT-Dienstleisterin, der Finanz Informatik (FI), zu betreiben, auf den ersten Blick durchaus Sinn. Laut dem Chef der Finanz-Informatik werden dabei vortrainierte Open-Source-KI-Modelle von Meta und Mistral eingesetzt, die an die Bedürfnisse der Sparkassen anpasst werden. Die Anwendungen laufen auf Nvidia-Chips((Sparkassen GPT im Anmarsch: Banken setzen auf eigene KI-Entwicklungen)).
Andere Bank setzen dagegen auf kommerzielle Anwendungen. Welcher Weg ist der richtige?
Wie bereits eingangs erwähnt, sind die wesentlichen Vorteile beim Aufbau einer eigenen KI-Lösung, dass maßgeschneiderte, fein abgestimmte Modelle besser sind als KI von der Stange, das Know How unter der eigenen Kontrolle bleibt und keine Abhängigkeitsverhältnisse eingegangen werden. Die Entwicklungs- und Releasestrategie wird von der Bank bestimmt. Das alles unter der Annahme, dass die Bank über genügend eigene Talente und Kompetenzen verfügt, um die Weiterentwicklung der KI-Modelle in Eigenregie zu übernehmen, und die Rechenzentren in der Lage sind, die Infrastrukturen zu managen.
Banken, die diesen Weg einschlagen, setzen darauf, dass sich die zusätzlichen Kosten (Support, Wartung, Weiterentwicklung, Ausbildung, Anwerbung/Einarbeitung neuer Mitarbeiter, Koordination, Infrastruktur)((Um eine eigene Version eines Open-Source-LLM zu trainieren, werden extrem große Datensätze benötigt. Diese müssen kuratiert werden. Außerdem sind Datenpipelines zum Bereinigen, Deduplizieren, Vorverarbeiten und Tokenisieren der…