Was ist Models as a Service?

Models as a Service (MaaS) ist ein Ansatz zum Bereitstellen von KI-Modellen als gemeinsame Ressourcen, bei dem Nutzende innerhalb eines Unternehmens bei Bedarf auf diese zugreifen können. MaaS bietet eine sofort einsatzbereite KI-Basis in Form von API-Endpunkten (Application Programming Interface), die den privaten und schnelleren Einsatz von KI in großem Umfang fördert. 

Webinar von Red Hat zu MaaS ansehen

Viele Unternehmen möchten KI nutzen, jedoch scheitern die meisten daran, private Modelle für den Unternehmensbereich zu nutzen. Vortrainierte KI-Modelle aus öffentlichen Quellen wie Hugging Face sind zunehmend leichter zugänglich. Wenn Sie zudem über die richtige Hardware verfügen, beispielsweise über leistungsstarke GPUs (Graphical Processing Units), kann die Umsetzung Ihrer Modelle zu einem realistischen Ziel werden. Aber hierin liegt das Problem: Sobald das Modell einsatzbereit ist, wer kann es nutzen? Und außerdem: Wer kann es skalieren? 

Zum Skalieren eines privaten KI-Modells müssen Sie eine einzelne Modellinstanz für mehrere Nutzende und mehrere Anwendungen gleichzeitig zugänglich machen. Andernfalls sind die Modelle nur für die Person zugänglich, die sie erstellt hat ­­­­– eine ineffiziente Vorgehensweise. An dieser Stelle setzt MaaS an. 

MaaS ermöglicht den privaten und gemeinsamen Modellzugriff für Teams und Anwendungen eines Unternehmens, ohne dass die Kontrolle über die Daten beeinträchtigt wird. 

Wenn Unternehmen KI einführen, beginnen sie häufig mit benutzerfreundlichen Tools und Schnittstellen. Mit zunehmender Nutzung verlagert sich der Fokus jedoch vom Experimentieren mit einigen wenigen Modellen hin zum Einsatz von KI in großem Umfang. Möglicherweise beginnen Sie mit einigen wenigen spezifischen Modellen in der Produktion, aber nach und nach werden Sie wahrscheinlich viele verschiedene Typen einsetzen: Sprachmodelle, Bildmodelle, Audiomodelle und mehr – oft mit mehreren Versionen und Use Cases.

Dies bedeutet den Übergang von einem „handwerklichen“ Ansatz, bei dem alles manuell erledigt wird, zu einem eher „fabrikähnlichen“ Ansatz, bei dem Modelle effizient und konsistent gemanagt werden.

Das zuverlässige und skalierbare Management dieser Aspekte ist eine zentrale Komponente von Models as a Service.

Sie benötigen keine öffentlichen KI-Anbieter, um KI-Muster wie RAG (Retrieval-Augmented Generation), agentische KI und Programmierassistenten zu erkunden. Private KI-Modelle können dieselben Tools unterstützen, ohne dass dabei die Benutzerfreundlichkeit für Endnutzende beeinträchtigt wird.

MaaS soll die Verwendung offen verfügbarer Large Language Models (LLMs) wie Mistral, Llama, DeepSeek und mehr unterstützen. Der Service ist auch nicht auf vortrainierte Basismodelle beschränkt. MaaS kann sowohl Modelle mit Fine Tuning als auch vollständig neu entwickelte, prädiktive KI-Modelle auf derselben vollständig unterstützten Plattform bereitstellen. 

Bei einer typischen MaaS-Implementierung stellt ein IT- oder KI-Plattformentwicklungsteam KI-Modelle über API-Endpunkte für interne Kunden wie Entwicklungsteams und Geschäftskunden zur Verfügung. Im Allgemeinen basieren MaaS-Umgebungen auf hybrid cloudbasierten KI-Plattformen mit API Gateways, um die Integration zwischen Teams und Operationen zu vereinfachen. Zu den wichtigsten Komponenten von MaaS gehören Modelle, eine skalierbare KI-Plattform, ein KI-Orchestrierungssystem und API-Management. Mit diesen flexiblen Komponenten können Ihre MaaS-Lösungen eine skalierbare KI-Strategie unterstützen. 

MaaS-Demo ansehen 

Eine gut durchdachte MaaS-Lösung kann Ihre Integration von KI erleichtern. Sie kann Zeit und Geld sparen sowie Sie dabei unterstützen, die Kontrolle über Ihre KI-Strategie zu behalten. MaaS lässt sich anhand der folgenden Eigenschaften definieren: 

Zugänglich und skalierbar. Unternehmen entwickeln häufig private KI, um die Kontrolle über ihre KI-Strategien zu behalten. Aber wenn Ihre Verwendung schwierig ist, wird sie niemand einführen. Damit private KI erfolgreich sein kann, muss sie genauso benutzerfreundlich sein wie öffentliche KI-Services (wie OpenAI, OpenRouter oder Gemini). MaaS sollte auch für Personen zugänglich sein, die keine KI-Fachkräfte sind, damit es sich angemessen skalieren lässt. Dazu sollte er sich in Ihre täglichen Aufgaben integrieren lassen und im gesamten Unternehmen skaliert werden können.

Nachverfolgbar und anpassbar. Es ist wichtig zu wissen, wer MaaS wie oft und zu welchem Zweck verwendet. Dann können Sie diese Nutzung entweder angeben (Showback) oder in Rechnung stellen (Chargeback). Wenn Sie die Nutzung nicht nachverfolgen können, sind Kosten, Kapazität oder Fairness zwischen Teams schwierig zu verwalten. 

Transparent und sicher. Um Ihr privates KI-Modell voll auszuschöpfen, sind Ihre besonderen Unternehmensdaten unerlässlich – ebenso wie die Einhaltung strenger Regeln, wohin diese Daten gesendet werden dürfen. Mit MaaS können Sie sich dieses Modell zu eigen machen und die volle Kontrolle über Ihre Daten behalten. Seien Sie vorsichtig mit „Black Box“-Modellen, die keine Transparenz bieten. Durch Erklärbarkeit und Rückverfolgbarkeit können Sie Ihr KI-Modell besser verstehen, die Effizienz verbessern und ethische Best Practices für KI einhalten.

Was ist Unternehmens-KI?

Large Language Models as a Service (LLMaaS) ist eine Art von MaaS, der auf LLM-Funktionen, wie etwa die komplexe Sprachverarbeitung, spezialisiert ist.  

Unter LLMs versteht man Deep Learning-Modelle, die große Datenmengen verarbeiten können, um verschiedene Sprachen zu verstehen und zu kommunizieren. LLMs werden für generative KI und häufig für die Entwicklung von Chatbots verwendet. Sie sind aber auch zentrale Komponenten der meisten modernen KI-Use Cases, darunter RAG, agentische KI und Programmierassistenten. 

Im Vergleich zu LLMaaS ist MaaS technologieunabhängiger. Mit der Entwicklung weiterer Modelle lässt sich MaaS entsprechend anpassen. Mithilfe dieser Flexibilität bleiben die Bereitstellungs- und Zugriffsfunktionen der Modelle auch bei Änderungen und Fluktuationen stabil. 

Mehr Use Cases für generative KI ansehen 

Die Vorteile der Einführung von MaaS liegen in der Kontrolle über Ihre Ressourcen. MaaS unterstützt Teams, die nicht über das erforderliche Budget oder die erforderlichen KI-Kompetenzen verfügen, um eigene Modelle nach ihren eigenen Vorgaben zu entwickeln, zu trainieren und bereitzustellen.

Das Management Ihrer Infrastruktur und GPUs kann kostspielig sein. Als privater KI-Anbieter vermeiden Sie die Komplexität fragmentierter KI-Services und halten die Infrastrukturkosten unter Kontrolle.

Zu den spezifischen Vorteilen von MaaS gehören:

• Beschleunigte Wertschöpfung. MaaS entlastet Teams vom Management der zugrunde liegenden Infrastruktur, sodass sie sich auf die Anwendungsentwicklung und die Lösung geschäftlicher Anforderungen konzentrieren können. Dies führt zu einem schnelleren Deployment und mehr Innovationen.
• Effizienz und Kostensenkung. Mit einer zentralisierten KI-Infrastruktur kann Ihr Unternehmen von einer einzigen Quelle aus arbeiten – im Gegensatz zu vielen verschiedenen KI-Services. So lassen sich doppelter Aufwand, überhöhte Ausgaben und unorganisierte Ressourcen vermeiden.
• Besseres Zeitmanagement. GPU-Management erfordert qualifizierte, geschulte Fachkräfte und finanzielle Mittel. Mit MaaS kann sich Ihr KI-Team auf Aufgaben wie das Managen und Bereitstellen von Modellen konzentrieren, anstatt auf zeitintensive, sich wiederholende Aufgaben.
• Datenschutz und Sicherheit. Als Ihr eigener privater KI-Anbieter können Sie Ihre KI-Modelle selbst hosten, um eine öffentliche Infrastruktur zu vermeiden. Wenn Ihre Daten nicht an Dritte weitergegeben werden, lassen sie sich leichter schützen und die Governance mit den bestehenden Sicherheitsrichtlinien aufrechterhalten. 

Sie können eine vorgefertigte MaaS-Lösung eines Anbieters verwenden oder Ihre eigene erstellen. Ein Team in Ihrem Unternehmen kann eine interne MaaS-Lösung entwickeln, die verteilt und operationalisiert wird. 

Das Erstellen eines Modellservices, der Ihren Anforderungen entspricht, ist wichtig, jedoch nur der erste von vielen Schritten bei der eigenständigen Entwicklung. Weitere Faktoren, über die Sie vor Ihrem Einstieg nachdenken sollten: 

• Datenerfassung: Wie stellen Sie sicher, dass Ihre Trainingsdaten von hoher Qualität sind? Wie schützen Sie Ihre privaten Daten?
• Ressourcenmanagement: Wer ist für das Erstellen, Aufbauen und Managen Ihres MaaS und Ihrer GPUs verantwortlich?
• Zuverlässige Infrastruktur: Ist Ihre Infrastruktur zuverlässig genug, um neue KI-Modelle zu unterstützen? Verfügen Sie über die Ressourcen, um die Vorteile des Modells nach seiner Erstellung zu nutzen? 

Wenn Sie sich mit diesen Fragen vorab beschäftigen, schaffen Sie eine solide Basis für Ihren Erfolg. 

Wann ist MaaS für Ihr Unternehmen sinnvoll?

Red Hat® AI, unsere Plattform für KI-Produkte, basiert auf den vertrauenswürdigen Lösungen, die unsere Kunden bereits nutzen. Mit Red Hat AI können Unternehmen:

• KI schnell einführen und Innovationen schaffen
• Die Komplexitäten beim Bereitstellen von KI-Lösungen umgehen
• Flexibilität in der gesamten Hybrid Cloud bereitstellen

Mehr über Red Hat AI erfahren 

Red Hat OpenShift® AI ist in Red Hat AI enthalten. Die Lösung bietet eine flexible, kosteneffiziente KI-Plattform, die MaaS in der Cloud, am Edge oder On-Premise unterstützt. 

Mit Red Hat OpenShift AI können Unternehmen:

• Teamübergreifende Zusammenarbeit mit optimierten Workflows für Datenaufnahme, Modelltraining, Modellbereitstellung und Beobachtbarkeit verbessern
• Sicherheit durch integrierte Authentifizierung und RBAC (Role-based Access Control) verstärken
• Vertrauliche Daten geheim halten, wenn sich Modelle in Air Gap- und isolierten Umgebungen befinden
• Sämtliche Bereiche Ihres Unternehmens – in der Cloud oder On-Premise – mit flexiblen API Gateways erreichen
• Modellverzerrungen und -drift mit umfassender Modell-Governance und KI-Richtlinien vermeiden

Mehr über Red Hat OpenShift AI erfahren