Künstliche Intelligenz (KI) hat sich in den letzten Jahren zu einem unverzichtbaren Geschäftsinstrument entwickelt. Nicht jede KI ist gleich, und da sich der Einsatz von KI immer weiter verbreitet, versuchen Unternehmen, die KI nutzen, zunehmend, ihren Wettbewerbsvorteil auszubauen – und greifen dazu auf spezialisierte Modelle zurück.
Spezialisierte Modelle des maschinellen Lernens sind auf spezifische geschäftliche Anforderungen und Kundenpräferenzen zugeschnitten – und zwar in einem Maße, das generische KI-Lösungen nicht erreichen können. Generische KI-Modelle sind zwar vielseitig einsetzbar, jedoch in ihren Anwendungsmöglichkeiten begrenzt und müssen unter Umständen für eine bestimmte Aufgabe oder einen bestimmten Anwendungsbereich optimiert werden. Daher kann ihre Leistungsfähigkeit im Vergleich zu spezialisierten Modellen, die für einen bestimmten Anwendungsfall entwickelt wurden, eingeschränkt sein.
Da Unternehmen zunehmend auf datengestützte Strategien setzen und KI in Nischen-Arbeitsabläufe integrieren, hat die Nutzung spezialisierter KI-Lösungen deutlich zugenommen; einer aktuellen Prognose zufolge wird der Markt in den nächsten Jahren um mehrere Milliarden Dollar wachsen.
Hybride KI
Im Zentrum dieses Aufschwungs steht die hybride KI, die traditionelle regelbasierte Systeme mit modernen Techniken des maschinellen Lernens verbindet. Dies lässt sich bis in die Anfänge der Forschung im Bereich der künstlichen Intelligenz zurückverfolgen, als die Grenzen rein symbolischer oder statistischer Ansätze deutlich wurden.
Durch die Kombination der Erklärbarkeit und des Determinismus regelbasierter Systeme mit der Vorhersagekraft und Anpassungsfähigkeit des maschinellen Lernens bieten hybride KI-Modelle das Beste aus beiden Welten. Spezialisierte Modelle, eine Untergruppe der hybriden KI, sind auf einen bestimmten Anwendungsbereich oder eine bestimmte Aufgabe zugeschnitten und verbessern so die Leistung und Effizienz in spezifischen Geschäftskontexten.
Zwar haben vortrainierte Modelle und generative KI dazu beigetragen, die Markteinführungszeit für neue Anwendungen zu verkürzen, doch reichen sie oft nicht aus, um spezifische Geschäftsanforderungen zu erfüllen, und sind nicht die Lösung für jeden KI-Anwendungsfall. Aus diesem Grund ist spezialisierte KI für viele Unternehmen zur ersten Wahl geworden; sie verspricht, Branchen durch Automatisierung zu revolutionieren und maßgeschneiderte, intelligente Lösungen bereitzustellen, die spezifisch, anpassungsfähig und skalierbar sind.
Die verschiedenen Arten von KI-Modellen
Grundlagemodelle
Grundlegende KI-Modelle sind diejenigen, die hinter generischen KI-Systemen stehen, die an eine Vielzahl von Aufgaben angepasst werden können, die vom Entwickler des Modells möglicherweise vorhergesehen wurden oder auch nicht, wie beispielsweise die Mustererkennung oder die Unterstützung grundlegender Prozessautomatisierung ohne menschliches Eingreifen. Sie funktionieren, indem sie Algorithmen auf Dateneingaben anwenden, um die Aufgaben zu erfüllen, für die sie programmiert wurden.
Grundmodelle werden manchmal auch als traditionelle Modelle oder Allzweck-KI bezeichnet; sie beginnen alle als allgemeine, vorgefertigte Eingabemodelle und können durch zusätzliches Training weiterentwickelt werden.
Generative Modelle
Generative KI-Modelle konzentrieren sich darauf, auf der Grundlage ihrer Erkenntnisse aus umfangreichen Datensätzen neue Inhalte oder Daten zu erstellen. Im Gegensatz dazu liegt der Schwerpunkt bei hybrider KI auf der Integration von maschinellem Lernen mit fachspezifischen Regeln oder Logik.
Diese Unterscheidung ist von entscheidender Bedeutung für Unternehmen, die nicht nur die Generierung von Daten benötigen, sondern auch die Anwendung komplexer, regelbasierter Logik, die generative KI allein möglicherweise nicht angemessen abdecken kann. Der Nutzen generativer KI in Geschäftsanwendungen kann zudem durch ihren „One-size-fits-all“-Charakter eingeschränkt sein, dem es oft an der für spezifische Anwendungsfälle erforderlichen Flexibilität mangelt.
Große Sprachmodelle
Große Sprachmodelle (LLMs) fallen unter den Begriff „Deep Learning“ und sind ebenfalls eine Form der generativen KI. Ein LLM ist ein statistisches Sprachmodell, das die Wahrscheinlichkeit abschätzt, mit der eine Folge von Wörtern in einem bestimmten Kontext gemeinsam auftritt; dieser Kontext wird häufig in Form eines gesprochenen Dialogs oder eines geschriebenen Textes bereitgestellt.
Spezialmodelle
Spezialisierte Modelle werden entwickelt und trainiert, um eine bestimmte Aufgabe zu erfüllen oder in einem bestimmten Bereich effizient und präzise zu arbeiten. Im Gegensatz zu allgemeinen KI-Modellen, die darauf abzielen, ein breites Spektrum an Funktionen mit unterschiedlichem Kompetenzgrad zu bewältigen, konzentrieren sich spezialisierte KI-Modelle auf einen engen Bereich von Fähigkeiten, die oft auf die besonderen Anforderungen und Herausforderungen einer bestimmten Branche, Anwendung oder eines bestimmten Unternehmens zugeschnitten sind, um eine überlegene Leistung zu erzielen.
Zu den Beispielen für spezialisierte Modelle zählen SpaCy, ein beliebtes NER-Tool, das für seine Fähigkeit bekannt ist, eine Vielzahl von Sprachen zu verarbeiten, sowie IBM Granite, ein ausschließlich als Decoder fungierendes Grundmodell für generative KI-Aufgaben, das für den Einsatz in Unternehmen geeignet ist.
Hier sehen Sie, wie all diese verschiedenen Modelltypen unter dem Dach der KI zusammenkommen:
Eine Analyse der Vor- und Nachteile sowie der Zwischenfälle
Bei der Entscheidung, ob spezialisierte KI-Modelle eingesetzt werden sollen, müssen Unternehmen verschiedene Faktoren abwägen, darunter die unterschiedlichen Vor- und Nachteile im Kontext ihrer Geschäftstätigkeit.
Die Analyse Ihres konkreten Anwendungsfalls für spezialisierte KI hilft Ihnen dabei, festzustellen, ob die folgenden Punkte auf Sie zutreffen. Wie immer kann die Zusammenarbeit mit einem externen Experten Ihnen dabei helfen, die richtige Entscheidung zu treffen, ob spezialisierte Modelle für Sie geeignet sind.
Die Vorteile
Spezialmodelle sind auf die Anforderungen von Unternehmen zugeschnitten
Der offensichtlichste Vorteil besteht darin, dass spezialisierte KI-Lösungen auf einen ganz bestimmten Anwendungsfall oder Geschäftsbedarf zugeschnitten sind. Sie bieten unvergleichliche Anpassungsmöglichkeiten und ermöglichen es Unternehmen, Parameter und Funktionen genau auf ihre jeweiligen Herausforderungen abzustimmen. Dieser maßgeschneiderte Ansatz stellt sicher, dass das KI-System die Feinheiten der Betriebsabläufe, des Kundenstamms oder des Produktangebots eines Unternehmens berücksichtigen kann, was zu effektiveren und effizienteren Ergebnissen führt.
So kann beispielsweise ein Einzelhandelsunternehmen ein KI-Modell entwickeln, um anhand seiner Daten das Kaufverhalten der Kunden vorherzusagen, was zu einer präziseren Bestandsverwaltung und gezielten Marketingstrategien führt. Ein solches Maß an Individualisierung lässt sich mit Standard-KI-Lösungen nicht erreichen, da diese oft für ein breites Anwendungsspektrum konzipiert sind.
Spezialmodelle sind stromlinienförmiger
Spezialisierte KI-Modelle weisen in der Regel eine schlankere und weniger komplexe Architektur auf als ihre generischen Pendants. Diese Einfachheit ergibt sich daraus, dass das Modell lediglich bei einer eng definierten Reihe von Aufgaben oder Daten gute Leistungen erbringen muss, wodurch unnötige Komponenten und Schichten entfernt werden können, die für einen breiteren Anwendungsbereich erforderlich wären. Eine einfachere Architektur macht das Modell leichter verständlich und wartbar und verkürzt die Entwicklungs- und Debugging-Zeiten, was schnellere Bereitstellungs- und Iterationszyklen ermöglicht.
Spezialmodelle sind kostengünstiger
Der Betrieb spezialisierter KI-Modelle kann deutlich kostengünstiger sein als der ihrer generischen Pendants. Da diese Modelle auf bestimmte Aufgaben zugeschnitten sind, benötigen sie weniger Rechenleistung für das Training und den Betrieb, was zu geringeren Kosten für Cloud-Computing und Datenverarbeitung führt. Darüber hinaus ermöglicht die Effizienz spezialisierter Modelle, dass sie die gewünschten Ergebnisse mit weniger Ressourcen erzielen, was die Betriebskosten weiter senkt. Dieser kostensparende Aspekt ist besonders vorteilhaft für KMU mit begrenzten Budgets für die KI-Integration.
Spezialisierte Modelle verursachen zudem geringere Infrastrukturkosten als die Implementierung großer, generischer Modelle wie GPT-4. Spezialisierte KI-Modelle sind für bestimmte Aufgaben optimiert, sodass sie auch auf weniger leistungsstarker Hardware oder in cloudbasierten Umgebungen effektiv laufen können.
Dadurch lässt sich der Bedarf an teuren Hochleistungsrechnerressourcen erheblich reduzieren, wodurch KI für Unternehmen jeder Größe zugänglich wird. So kann beispielsweise eine KI für den Kundenservice, die darauf ausgelegt ist, Anfragen in einer bestimmten Branche zu verstehen und darauf zu reagieren, wesentlich kleiner und ressourcenschonender sein als ein Modell, das alle möglichen Branchen abdecken soll.
Auch wenn die Einführung spezialisierter Modelle aufgrund ihres Schulungsbedarfs anfangs möglicherweise mit höheren Kosten verbunden ist, werden diese Kosten durch die langfristige Kosteneffizienz mehr als ausgeglichen.
Spezialmodelle haben eine längere Lebensdauer
Spezialisierte KI-Modelle verschaffen Unternehmen mehr Flexibilität und die Fähigkeit, sich an technologische Fortschritte anzupassen. Wenn eine neue Technologie oder Methodik aufkommt, können Unternehmen Teile ihrer spezialisierten KI-Systeme leichter aktualisieren oder ersetzen, ohne das gesamte Modell überarbeiten zu müssen.
Dieser modulare Ansatz stellt nicht nur sicher, dass die KI-Lösung stets auf dem neuesten Stand der Technik bleibt, sondern verlängert auch die Lebensdauer des Modells, da er kontinuierliche Verbesserungen und die Anpassung an sich verändernde Geschäftsumfelder oder -ziele ermöglicht. Diese Flexibilität ist ein entscheidender Vorteil in der Geschäftswelt, wo es entscheidend sein kann, Trends immer einen Schritt voraus zu sein, um den Markt anzuführen oder ins Hintertreffen zu geraten.
Die Nachteile
Spezialisierte Modelle erfordern eine umfassende Schulung
Spezialisierte KI-Modelle erfordern ein umfangreiches Training, um das gewünschte Maß an Genauigkeit und Effektivität zu erreichen. Dieser Prozess umfasst die Zusammenstellung großer Datensätze, die für den jeweiligen Geschäftsfall oder die jeweilige Branche, für die das Modell entwickelt wurde, von hoher Relevanz sind.
Das Trainieren dieser Modelle kann ressourcenintensiv sein und erfordert nicht nur erhebliche Rechenleistung, sondern auch Zeit und Fachwissen, um den Trainingsprozess effektiv zu steuern. Dies kann für Unternehmen, die mehr internes Know-how oder Zugang zu Daten benötigen, ein Hindernis für eine schnelle Einführung darstellen.
Spezialisierte Modelle weisen eine vertikale Spezifität auf
Die Ausrichtung auf eine bestimmte Branche bietet zwar den Vorteil einer hohen Spezialisierung, bringt jedoch auch den Nachteil einer geringeren Flexibilität mit sich. Spezialisierte KI-Modelle sind darauf ausgelegt, in einem engen Anwendungsbereich hervorragende Leistungen zu erbringen, was bedeutet, dass sie außerhalb ihres vorgesehenen Anwendungsbereichs möglicherweise keine guten Ergebnisse liefern.
Diese branchenspezifischen Anforderungen zwingen Unternehmen dazu, in mehrere spezialisierte Modelle zu investieren, um verschiedene Aspekte ihrer Geschäftstätigkeit abzudecken, was zu einer erhöhten Komplexität und höheren Kosten führt. Die Anpassung jedes Modells an eine bestimmte Branche ist mit einem längeren Entwicklungszyklus verbunden, da jedes Modell individuell entworfen, trainiert und optimiert werden muss.
Spezialmodelle erfordern eine Programmierung
Die Entwicklung und Wartung spezialisierter KI-Modelle erfordern spezielle Programmierkenntnisse sowie ein tiefgreifendes Verständnis sowohl der KI-Technologien als auch des jeweiligen Fachgebiets, für das das Modell bestimmt ist. Diese Spezialisierung kann für Unternehmen, die nicht über internes Fachwissen zur Entwicklung von KI-Modellen verfügen, eine Herausforderung darstellen.
Diese Lücke lässt sich durch die Beauftragung externer Berater oder Dienstleister schließen. Auch wenn dieser Ansatz die Kosten und die Komplexität bei der Einführung spezialisierter KI-Lösungen erhöhen kann, kann die Zusammenarbeit mit dem richtigen Partner, der über Fachwissen im Bereich spezialisierter KI verfügt, Ihnen dabei helfen, etwaige Wissens- oder Erfahrungslücken in Ihrem Unternehmen zu schließen.
Die Partnerschaft Getronics WATsNEXT, auf die wir noch näher eingehen werden, ist ein Beispiel dafür, wie das Fachwissen von Drittanbietern genutzt werden kann, um spezielle Modelle umzusetzen, die zu überzeugenden Ergebnissen führen.
Spezialisierte Modelle sind in hohem Maße von Daten abhängig
Die Nutzung von Daten aus spezialisierten KI-Modellen ist ein zweischneidiges Schwert. Einerseits ermöglicht sie es diesen Modellen, maßgeschneiderte Lösungen anzubieten; andererseits erfordert sie solide Verfahren zur Datenverwaltung, um die Qualität, den Datenschutz und die Sicherheit der Daten zu gewährleisten.
Die Wirksamkeit spezialisierter KI-Modelle hängt unmittelbar von der Verfügbarkeit und Integrität relevanter Daten ab, weshalb die Datenverwaltung ein entscheidender Bestandteil ihres Einsatzes ist. Unternehmen müssen in Systeme und Prozesse investieren, um die Erfassung, Speicherung, Verarbeitung und Analyse von Daten zu verwalten und dabei die Einhaltung gesetzlicher Vorschriften und ethischer Standards sicherzustellen. Dies führt zu einer zusätzlichen Komplexität und zu höheren Kosten bei der Implementierung maßgeschneiderter KI-Lösungen.
Die Dazwischen-Zustände
Die Implementierung von Spezialmodellen dauert länger
Die Einrichtung spezialisierter KI-Systeme kann ein zeitaufwändiger Prozess sein, da sie eine detaillierte Analyse und ein tiefgreifendes Verständnis der spezifischen Aufgaben erfordert, für deren Automatisierung sie konzipiert sind. Diese Detailgenauigkeit bei der Konzeption und Umsetzung macht eine eingehende Auseinandersetzung mit den Feinheiten des Prozesses erforderlich, den sie optimieren sollen, was zu längeren Vorbereitungsphasen führt.
Die Kehrseite dieses detaillierten Ansatzes ist jedoch, dass die für spezialisierte KI erforderliche Infrastruktur oft kleiner und gezielter ist als die, die für breiter angelegte KI-Anwendungen benötigt wird. Diese Spezifität kann tatsächlich dazu führen, dass nach Abschluss der Ersteinrichtung weniger Zeit und Ressourcen für die Bereitstellung und Implementierung benötigt werden.
Die Zusammenarbeit mit einem Anbieter, der über umfangreiche Erfahrung bei der Implementierung spezialisierter KI verfügt, kann diesen Prozess erheblich beschleunigen, da dessen Wissen und Erfahrung genutzt werden können, um den Einrichtungsprozess zu optimieren.
Spezialmodelle funktionieren möglicherweise nicht immer
Allgemeine KI-Modelle bieten zwar ein breites Anwendungsspektrum, können jedoch den individuellen Anforderungen einzelner Organisationen nicht immer gerecht werden. Erweist sich ein allgemeines Modell als unzureichend, ist es nicht immer möglich, es an spezifische Anforderungen anzupassen, sodass oft ein Neuanfang von Grund auf erforderlich ist.
Hier zeichnen sich spezialisierte KI-Modelle aus: Sie sind von Grund auf so konzipiert, dass sie individuell angepasst und auf die spezifischen Bedürfnisse eines Unternehmens zugeschnitten werden können. Diese Anpassungsfähigkeit ist jedoch ein zweischneidiges Schwert. Einerseits ermöglicht sie eine Feinabstimmung der KI auf die aktuellen Anforderungen des Unternehmens und gewährleistet so ein hohes Maß an Relevanz und Effektivität; andererseits bedeutet sie aber auch, dass das Unternehmen bereit sein muss, das KI-System kontinuierlich zu aktualisieren und anzupassen, um sowohl mit internen Veränderungen als auch mit der rasanten Entwicklung der KI selbst Schritt zu halten.
Dieser ständige Anpassungsbedarf kann zwar einen erheblichen Zeit- und Ressourcenaufwand erfordern, bietet dem KI-System jedoch auch die Möglichkeit, auf dem neuesten Stand der Technik zu bleiben, was einen Wettbewerbsvorteil verschafft und sicherstellt, dass die Investitionen des Unternehmens in KI weiterhin greifbare Vorteile bringen.
Ist spezialisierte KI die richtige Wahl? Das hängt vom Kontext ab.
Ein besonders interessantes Beispiel für den Einsatz spezialisierter KI ist ein aktuelles Marktanalyseprojekt des deutschen Energieunternehmens ABO Wind, das erneuerbare Energiequellen entwickelt.
Mit dem Ziel, die Windkraftkapazität bis 2028 zu verdoppeln, benötigte ABO eine bessere Überwachung der Möglichkeiten für Wind- und Photovoltaikprojekte; dies wurde jedoch aufgrund des französischen Auktionssystems für Verträge und des starken Wettbewerbs mit den Energieriesen zunehmend komplex und zeitaufwendig.
Um bessere Marktinformationen zu gewinnen, ist ABO Wind eine Partnerschaft mit WATsNEXT – einem IBM Business Partner – eingegangen, dessen Lösung die Software IBM Watson Discovery und IBM Watson Knowledge Studio umfasst, um Einblicke in das Wettbewerbsumfeld zu gewinnen.
Dadurch wird die Erfassung aller Dokumente von den Websites der Institutionen automatisiert, was den Prozess der Datenextraktion, -strukturierung und -darstellung optimiert. Das System ist darauf ausgelegt, Informationen effizient zu bündeln und zu organisieren und sie über eine benutzerfreundliche Oberfläche darzustellen, die den Zugriff und die Analyse vereinfacht. Die Implementierung der KI-Lösung von WATsNEXT verschafft ABO Wind zudem einen erheblichen Wettbewerbsvorteil, da sie eine einzigartige Reaktionsfähigkeit ermöglicht und einen umfassenden Überblick über den Markt bietet.
Fortschrittliche Techniken der künstlichen Intelligenz bilden den Kern der Leistungsfähigkeit dieses Systems. Konkret nutzt die Lösung zwei unterschiedliche Modelle zur Erkennung benannter Entitäten (Named Entity Recognition, NER), um wichtige Daten präzise aus Dokumenten zu extrahieren. Ein Modell ist auf die Extraktion von Daten aus Textabschnitten ausgerichtet, während das andere speziell für die Verarbeitung von Daten in Tabellen ausgelegt ist.
Obwohl die spezialisierten Modelle nur anhand weniger Dutzend Dokumente trainiert wurden, erreichen sie eine hohe Effizienz, wodurch der Einsatz von LLMs überflüssig wird. Stattdessen stützen sie sich auf zwei vortrainierte Transformer-Modelle, die bei der Inferenz keine GPU-Ressourcen benötigen. Seit der Einführung der Lösung hat ABO Wind seine Effizienz um 80 % gesteigert und Aufgaben wie die manuelle Suche und Extraktion von Daten überflüssig gemacht.
So können Sie loslegen
Der erste Schritt bei jedem IA-Projekt besteht darin, zu ermitteln, welche Ihrer Prozesse tatsächlich automatisiert werden müssen. Welche Ihrer Prozesse wiederholen sich und erfordern viel Zeit und Personal? Genau diese Prozesse eignen sich für eine Automatisierung, ebenso wie solche, die sich wiederholen, zeitaufwendig sind und einen erheblichen personellen Aufwand erfordern, aber relativ routinemäßig sind.
Nachdem geeignete Prozesse für die Automatisierung identifiziert wurden, besteht der nächste Schritt darin, das am besten geeignete KI-Modell für die Automatisierung zu ermitteln. Dieser Entscheidungsprozess ist vielschichtig und erfordert die sorgfältige Abwägung mehrerer wichtiger Faktoren:
- Datenvolumen: Die Menge der verfügbaren und für den Prozess benötigten Daten hat erheblichen Einfluss auf die Wahl des KI-Modells. So kann es beispielsweise bei Prozessen mit geringem Datenvolumen aus Gründen der Kosteneffizienz nicht sinnvoll sein, die Kosten für das Training eines hochspezialisierten Modells auf sich zu nehmen.
- Datenhosting und Zugänglichkeit: Entscheidungen darüber, wo die Daten gehostet werden sollen und wie zugänglich sie sein müssen, sind ebenfalls wichtig. Die Organisation der Daten und die Kompatibilität der Plattform mit den bestehenden Systemen des Unternehmens spielen bei der Auswahl eines KI-Modells eine entscheidende Rolle. Bei einigen Modellen müssen die Daten möglicherweise auf bestimmten Plattformen oder in bestimmten Formaten gehostet werden, um eine optimale Leistung zu erzielen.
- Sicherheit und Einhaltung gesetzlicher Vorschriften: Sicherheits- und regulatorische Anforderungen können die Auswahlmöglichkeiten erheblich einschränken. Handelt es sich beispielsweise um hochsensible Daten, könnten Modelle mit erweiterten Sicherheitsfunktionen oder solche, die vor Ort statt als SaaS-Lösungen bereitgestellt werden können, bevorzugt werden, um gesetzliche Vorschriften einzuhalten und die Datenintegrität zu schützen.
Getronics mit bewährten Partnern Getronics , um spezialisierte KI-Lösungen anzubieten
Wie bereits erwähnt, kann die Zusammenarbeit mit dem richtigen Drittanbieter Ihnen dabei helfen, festzustellen, ob spezialisierte Modelle für Ihr Unternehmen geeignet sind. Dies kann auch den Unterschied zwischen einer erfolgreichen und einer erfolglosen Einführung spezialisierter KI-Lösungen ausmachen.
Wenn Sie mit einem externen Anbieter zusammenarbeiten, ist es wichtig, dass dieser über die erforderlichen Fähigkeiten und das nötige Fachwissen verfügt, um Ihr KI-Projekt von der ersten Idee bis zur Fertigstellung zu begleiten. Genau hier kommt die Partnerschaft Getronics WATsNEXT ins Spiel.
Getronics kürzlich eine Partnerschaft mit WATsNEXT eingegangen, um Kunden, denen die Ressourcen zur Entwicklung eigener Modelle fehlen, robuste, spezialisierte KI-Lösungen anzubieten.
Dank unserer Partnerschaft können Unternehmen gemeinsam mit uns Lösungen entwickeln, die sich für eine Vielzahl von Anwendungsfällen eignen, um die zuvor genannten Vorteile zu nutzen und gleichzeitig die Nachteile zu minimieren.
Denken Sie daran: Sie müssen keine marktführenden Lösungen oder übermäßig komplizierten KI-gestützten Modelle einsetzen, um Ihre geschäftlichen Ziele zu erreichen; Sie müssen lediglich Ihr KI-Modell genau auf Ihren Geschäftsfall abstimmen. Genau darum geht es bei der Partnerschaft Getronics.
Wenn Sie mehr erfahren möchten, wenden Sie sich bitte an einen unserer Experten.
Über Getronics
Getronics positioniert sich als globales Kraftzentrum für Technologielösungen und verfügt über ein beeindruckendes Team von über 4.000 Fachkräften, die in 22 Zentren weltweit tätig sind. Dieses umfangreiche Netzwerk ermöglicht Getronics weltweit umfassende End-to-End-Dienstleistungen Getronics und sicherzustellen, dass Kunden unabhängig von ihrem Standort Zugang zu der Unterstützung und den Lösungen erhalten, die sie benötigen.
Über WATsNEXT
WATsNEXT ist auf KI und die Automatisierung von Geschäftsprozessen spezialisiert und bietet maßgeschneiderte Lösungen an, die die besten Open-Source- und IBM-Technologien nutzen. Mit dem Fokus auf Praxisnähe und Effizienz verfolgt WATsNEXT einen pragmatischen Ansatz und setzt Projekte innerhalb kurzer Zeiträume um.
