Wählen Sie das richtige LLM: Warum KI-Flexibilität für die Mainframe-Transformation wichtig ist

Da generative künstliche Intelligenz (GenKI) in der Unternehmensinnovation im Mittelpunkt steht, fragen sich viele Führungskräfte, wie sie deren Leistung in ihre Großrechnerumgebungen einbringen können. Manche nehmen an, es sei so einfach wie das Einbinden eines allgemeinen großen Sprachmodells (LLM) wie ChatGPT – aber dieser vereinfachte Ansatz verfehlt oft das Ziel. Der Großrechner ist nicht das Problem; tatsächlich sind moderne Plattformen wie das kürzlich angekündigte IBM^® z17™ voll in der Lage, KI-Transformation zu unterstützen. Wichtig ist, wie man KI integriert – und noch wichtiger, welches KI-Modell man wählt.

Das Erstellen oder Feinabstimmen von LLMs von Grund auf ist teuer, zeitaufwendig und hochspezialisiert. Laut einem Forrester-Bericht, "The State of GenAI in Financial Services", sind Finanzdienstleistungsunternehmen überwältigend auf Technologie- und Servicepartner angewiesen, um GenAI-Lösungen zu liefern. Um erfolgreich zu sein, brauchen Unternehmen mehr als fertige Chatbots – sie brauchen Flexibilität, um für jede Aufgabe das richtige LLM oder das richtige Small-Language-Modell (SLM) auszuwählen und die Fähigkeit, sich an die Anforderungen anzupassen. Deshalb wird eine kuratierte LLM-Bibliothek und eine Bring-Your-Own-LLM (BYOLLM)-Strategie für die Mainframe-Transformation schnell unerlässlich.

Doch wie bei jeder transformativen Technologie stellt sich eine entscheidende Frage: Was ist der richtige Weg, KI in Großrechnerumgebungen einzusetzen?

Es ist leicht anzunehmen, dass die Auswahl eines KI-Modells eine einmalige Entscheidung ist – wählen Sie einfach eines, integrieren Sie es und lassen Sie es ihre Magie entfalten. Aber KI ist kein Einheitsmodell, und eine falsche Auswahl kann zu Ineffizienzen, Compliance-Problemen, Lieferantenbindung und sogar Sicherheitsrisiken führen. Stattdessen brauchen Organisationen Flexibilität – die Fähigkeit, KI so zu wählen, anzupassen und zu steuern, wie sie ihren individuellen Geschäftsbedürfnissen entspricht.

Hier hilft BMC AMI Assistant Unternehmen, über starre KI-Einführung hinauszugehen. Durch die Bereitstellung einer kuratierten LLM-Modellbibliothek neben einer BYOLM-Option ermöglicht es Organisationen, ihre KI-Strategie an ihre spezifischen Arbeitslasten, Sicherheitsanforderungen und Governance-Richtlinien anzupassen. Um jedoch zu verstehen, warum dieses Maß an KI-Flexibilität so wichtig ist, müssen wir zunächst überdenken, was KI-Flexibilität im Unternehmen wirklich bedeutet.

Was KI-Flexibilität wirklich bedeutet – und warum sie wichtig ist

KI-Flexibilität bedeutet nicht nur, Zugang zu verschiedenen Modellen zu haben – es geht darum, sicherzustellen, dass KI-Entscheidungen mit den Geschäftsprioritäten übereinstimmen. Es bedeutet, KI-Strategien anpassen zu können, wenn sich die Geschäftsbedürfnisse und Anforderungen ändern, sowie wie sich Technologie, Sicherheitsrichtlinien und Compliance-Anforderungen weiterentwickeln.

Stellen Sie sich ein Unternehmen vor, das ein KI-Modell in seine Mainframe-Abläufe integriert, nur um Monate später festzustellen, dass es keine neuen regulatorischen Anforderungen erfüllt. Oder denken Sie an ein Unternehmen, das KI benötigt, um geschäftskritische Workloads zu verarbeiten, aber die Latenz zu hoch ist, was zu Ineffizienzen führt, die das Ergebnis beeinträchtigen.

Dies sind keine hypothetischen Risiken; es sind reale Herausforderungen, denen Unternehmen gegenüberstehen, wenn KI-Strategien an Flexibilität mangeln. Der Schlüssel zur Vermeidung dieser Fallstricke ist Wahlfreiheit, Anpassungsfähigkeit und Kontrolle:

• Auswahl: Die Möglichkeit, eine Vielzahl von KI-Modellen auszuwählen, die am besten zu den Aufgaben passen – sei es für Code-Erklärungen, Code-Debugging, Analyse von Ursachen oder Automatisierung von Antworten.
• Anpassungsfähigkeit: Die Möglichkeit, KI-Modelle zu wechseln, wenn sich Geschäftsbedürfnisse, Compliance-Gesetze und betriebliche Einschränkungen ändern.
• Kontrolle: Die Möglichkeit zu bestimmen, wo KI-Modelle gehostet werden, wie sie mit Daten interagieren und wie die Ergebnisse mit den Richtlinien der Unternehmensführung übereinstimmen.

Mit diesen Faktoren im Hinterkopf müssen Unternehmen sorgfältig entscheiden, welches KI-Modell sie für jede Aufgabe verwenden. Und das beginnt damit, die Unterschiede zwischen LLMs und SLMs zu verstehen.

LLM vs. SLM: Die Wahl des richtigen KI-Modells für die richtige Aufgabe

Es gibt einen Grund, warum KI-Führungskräfte sich nicht nur auf ein Modell verlassen – verschiedene Aufgaben erfordern unterschiedliche Fähigkeiten. Die Wahl zwischen LLMs und SLMs hängt vom Kompromiss zwischen starkem kontextuellen Verständnis und leichter Effizienz ab.

Stellen Sie sich eine globale Bank vor, die KI-gestützte Unterstützung für ihre Großrechneranwendungen benötigt. Wenn sie eine breite kontextuelle Begründung möchte, etwa indem sie einem neuen Entwickler alten COBOL-Code erklärt, würde sie wahrscheinlich auf ein LLM zurückgreifen – ein Modell, das auf riesigen Datensätzen trainiert ist und Beziehungen über verschiedene Quellen hinweg verstehen kann.

Doch wenn dieselbe Bank ein sehr spezifisches, streng kontrolliertes KI-Modell benötigt, das ausschließlich auf proprietären Unternehmensdaten basiert, könnte sie stattdessen ein SLM verwenden – ein kleines, speziell entwickeltes KI-Modell, das auf Geschwindigkeit, Sicherheit und Präzision ausgelegt ist.

LLMs sind mächtige Werkzeuge für Szenarien, die eine breite, verallgemeinerte Intelligenz erfordern. Sie glänzen, wenn KI:

• Interpretieren und erklären Sie komplexe Beziehungen über riesige Datensätze hinweg.
• Analysieren Sie große Mengen unstrukturierter Informationen, um Trends und Muster zu erkennen.
• Unterstützen Sie mehrere Anwendungsfälle in verschiedenen Geschäftsbereichen, wie z. B. Kundenservice-Automatisierung oder IT-Fehlerbehebung.

Zum Beispiel kann ein LLM in Großrechnerumgebungen Codebasen analysieren, Ineffizienzen erkennen und KI-gestützte Empfehlungen zur Behebung von Mainframe-Systemproblemen geben. Obwohl LLMs unglaublich vielseitig sind, sind sie nicht immer die beste Lösung für hochsichere, compliance-orientierte Arbeitslasten.

SLMs hingegen glänzen, wenn Organisationen hochspezifische KI-Modelle benötigen, die auf präzise Anwendungsfälle zugeschnitten sind. Im Gegensatz zu LLMs, die für breite Verallgemeinerungen konzipiert sind, konzentrieren sich SLMs auf enge Domänen mit strikter Kontrolle über Daten und Ergebnisse. Sie eignen sich am besten für Szenarien, in:

• Organisationen benötigen KI-Modelle, die eng auf sehr spezifische Anwendungsfälle ausgerichtet sind und präzise Ergebnisse gewährleisten, die mit ihren einzigartigen Geschäftsanforderungen übereinstimmen.
• Eine Verarbeitung mit niedriger Latenz ist erforderlich, beispielsweise in Hochgeschwindigkeits-Transaktionsumgebungen.
• KI-Ausgaben müssen streng kontrolliert und ausschließlich auf internen, proprietären Datenquellen basieren.
• Effizienz und Kostenmanagement haben oberste Prioritäten. SLMs benötigen einen geringeren Hardwareaufwand und reduzierte Rechenressourcen, was sie für solche Umgebungen ideal macht.

Zum Beispiel würde eine Gesundheitsorganisation, die sensible Patientendaten verarbeitet, wahrscheinlich ein SLM für KI-gesteuerte Dokumentation bevorzugen, anstatt vertrauliche Informationen einem breiten LLM auszusetzen.

Jüngste Ergebnisse der BMC Mainframe Survey zeigen, dass 64 Prozent der Unternehmen Compliance und Sicherheit als oberste Priorität für Mainframes identifizierten.  Dies unterstreicht den Bedarf an SLMs beim Einsatz von KI in stark regulierten Umgebungen.

Zu verstehen, wann ein LLM im Vergleich zu einem SLM eingesetzt werden sollte, ist nur der erste Schritt – Unternehmen brauchen auch die Flexibilität, zu entscheiden, woher ihre KI-Modelle stammen. Hier kommt der kuratierte LLM-Bibliotheks- und BYOLM-Ansatz von BMC AMI Assistant ins Spiel.

KI-Flexibilität mit LLM-Bibliothek + BYOLM: Die Macht der Wahl

Die Auswahl des richtigen KI-Modells ist nur ein Teil der Gleichung. Die nächste Frage lautet: Welcher Textkorpus wurde zum Training des KI-Modells verwendet und welche Verzerrung könnte dieses Training enthalten?

Unternehmen profitieren von fein abgestimmten KI-Modellen, die sofort einsatzbereit sind. Andere müssen KI-Modelle auf ihren eigenen proprietären Daten trainieren, um die Kontrolle über Sicherheit, Compliance und Governance zu behalten.

BMC AMI Assistant bietet beide Optionen an:

• Kuratierte LLM-Bibliothek: Eine Sammlung von KI-Modellen, die getestet und bewertet werden, um am besten mit BMC AMI Assistant zu funktionieren, sodass Teams KI einsetzen können, ohne Modelle von Grund auf erstellen zu müssen. Eine Kernfunktion ist die einfache Bereitstellung von LLMs über die KI-Managementkonsole der BMC AMI Platform, was eine nahtlose Integration und operative Effizienz gewährleistet.
• Bring-Your-Own LLM (BYOLLM): Die Flexibilität, jedes KI-Modell zu integrieren, das am besten zu den Bedürfnissen, Richtlinien, Vorschriften und Anwendungsfällen einer Organisation passt, was die vollständige Kontrolle über Sicherheit, Datenschutz und KI-Trainingsmethoden gewährleistet.

Für viele Organisationen ist der beste Ansatz ein hybrider Ansatz – kuratierte LLMs für eine schnelle KI-Einführung zu nutzen und BYOLLM zu integrieren, um an die Unternehmens-KI-Richtlinien abzustimmen. Dieser hybride Ansatz stellt sicher, dass Organisationen KI-Strategien an ihre spezifischen Anwendungsfälle, Unternehmensrichtlinien und Sicherheitsanforderungen anpassen können. Mit der Freiheit, das richtige Modell für die richtige Aufgabe zu wählen, erhalten Teams mehr Kontrolle, eine bessere Abstimmung mit den KI-Richtlinien der Organisation und die Möglichkeit, KI für die Mainframe-Transformation zu optimieren.

Anpassungsfähigkeit: Mit Veränderungen Schritt halten

Anpassungsfähigkeit bedeutet mehr als nur das Wechseln zwischen Modellen – es geht darum, KI-Strategien an die ständige Weiterentwicklung von Geschäftsanforderungen, Sicherheitsanforderungen und Compliance-Standards abzustimmen. In Großrechner-Umgebungen, in denen Workloads geschäftskritisch sind, sorgt Anpassungsfähigkeit dafür, dass KI mithalten kann, ohne Risiken einzuführen. Mit der Veränderung von Umgebungen müssen sich auch die KI-Modelle, die sie unterstützen, verändern.

Deshalb muss Flexibilität auch die Möglichkeit beinhalten, Modelle zu tauschen, bei Bedarf neu zu schulen und im Laufe der Zeit neuere oder spezialisiertere LLMs und SLMs einzuführen. Mit einer anpassungsfähigen Architektur können Organisationen ihre KI-Strategien anpassen, ohne ihre Systeme neu aufzubauen oder die Leistung zu beeinträchtigen. BMC AMI Assistant unterstützt dieses Modell-Agilitätsmodell – und sorgt dafür, dass Unternehmen unabhängig von ihren Richtlinien, Anforderungen oder Anwendungsfällen resilient bleiben.

Ist ein LLM zukunftssicher?

Das heute gewählte KI-Modell erfüllt möglicherweise nicht die geschäftlichen, compliance- und sicherheitsbezogenen Herausforderungen von morgen. Hier wird eine kuratierte LLM-Bibliothek von unschätzbarem Wert. Mit BMC AMI Assistant können Organisationen schnell von den neuesten Durchbrüchen in der LLM-Technologie profitieren und sicherstellen, dass sie stets die fortschrittlichsten und leistungsfähigsten verfügbaren Modelle nutzen. Gleichzeitig behalten sie die Flexibilität, sich zu pivotieren – indem sie neue LLMs übernehmen, wenn sich ihre Geschäftsanforderungen ändern, anstatt an ein einziges, statisches KI-Modell gebunden zu sein.

Diese Fähigkeit, KI-Strategien dynamisch anzupassen, stellt sicher, dass Unternehmen agil, konform und der Entwicklung voraus bleiben – in einer Zeit, in der sich die Geschäftsbedürfnisse ändern und sich die Technologie in einem beispiellosen Tempo wandelt.

Abschließende Gedanken: Die Zukunft der KI für die Mainframe-Transformation

KI prägt aktiv die Art und Weise, wie Organisationen ihre Großrechnerumgebungen verwalten, transformieren und optimieren. Erfolg bei der KI-Einführung bedeutet jedoch nicht nur die Implementierung; es geht darum, sicherzustellen, dass KI flexibel genug bleibt, um sich mit dem Unternehmen weiterzuentwickeln.

BMC AMI Assistant bietet die Anpassungsfähigkeit und Flexibilität, die nötig sind, um sich in einem sich ständig verändernden Umfeld zurechtzufinden. Mit der Möglichkeit, zwischen kuratierten LLMs und BYOLLM zu wählen, erhalten Organisationen den strategischen Vorteil, das richtige KI-Modell für ihre Bedürfnisse auszuwählen – heute und in Zukunft.

Während KI weiter voranschreitet, werden die Unternehmen, die Flexibilität annehmen, am besten für langfristigen Erfolg positioniert sein. Die Frage ist nicht mehr, ob KI in der Großrechnertransformation eingesetzt werden soll – sondern ob die bestehende KI-Strategie darauf ausgelegt ist, dauerhaft zu bleiben.

Um mehr über die neuen Fähigkeiten von BMC AMI Assistant zu erfahren – einschließlich der kuratierten LLM-Bibliothek und BYOLLM – lesen Sie "Transforming the Mainframe's Future with AI-Powered Intelligence" von Matt Whitbourne, Vizepräsident für Produktmanagement und Design von BMC. Sie können außerdem erfahren, wie das gesamte BMC AMI-Portfolio Ihre Mainframe-Transformation beschleunigen kann, indem Sie die BMC AMI-Webseite besuchen.

Diese Beiträge sind meine eigenen und spiegeln nicht unbedingt die Position, Strategien oder Meinung von BMC wider.