Daten sind Motor und Treibstoff intelligenter Anwendungen. Der Datenbank kommt daher eine wichtige Rolle zu. Ein flexibles Datenmodell, eine Multimodell-Struktur, Betrieb am Edge und die Vektorsuche sind vier Fähigkeiten, die Datenspeicher brauchen, um intelligente Anwendungen zu nutzen.
Hohe Performance und Skalierbarkeit in allen Lebenslagen sind bei Datenbanken noch immer nicht selbstverständlich. Beide Eigenschaften sind nur zwei elementare Fähigkeiten, die eine Datenbank mitbringen muss, die für intelligente Anwendungen taugen soll. Künstliche Intelligenz stellt nämlich darüber hinaus sehr spezifische Anforderungen an den Funktionsumfang einer Datenbank, wie Couchbase, Anbieter einer Cloud-Plattform für Datenmanagementan, an vier Beispielen aufzeigt:
1. Flexibles Datenmodell
Das wohl größte Problem beim Entwickeln und Optimieren von intelligenten Anwendungen sind geeignete Daten. Der Großteil der verfügbaren Daten ist unstrukturiert, gleichzeitig produziert Künstliche Intelligenz selbst große Mengen unstrukturierter Daten. Eine Datenbank benötigt deshalb ein flexibles Datenmodell, das diesen Input nutzen, speichern, verarbeiten und bereitstellen kann.
2. Multimodell-Struktur
Auch bei der Datenbank-Architektur ist Flexibilität gefragt. Multimodell-Datenbanken machen die separaten Datenbanken für die Speicher- und Abfrageformate SQL (Structured Query Language/relational) und NoSQL (Not only SQL/nicht-relational) überflüssig. Darüber hinaus reduzieren diese Datenbanken Aufwand und Fehlerquellen und vereinfachen so das Datenmanagement. Bei Künstlicher Intelligenz senken sie das Risiko von Halluzinationen.
3. Betrieb am Edge
Nach und nach laufen intelligente Apps am Edge, also beispielsweise direkt an einer Maschine. Häufig kommt dabei Künstliche Intelligenz aus der Cloud zum Einsatz. In solchen Szenarien sind Datenbanken nötig, die Daten-Hosting und -verarbeitung dezentral bei sehr niedrigen Latenzen beherrschen. Nur dann lassen sich Daten für intelligente Anwendungen sowohl in der Cloud als auch im Endgerät in Echtzeit bereitstellen.
Anzeige | Trovarit-Academy
Webinarreihe „KI konkret“ – Praxisnahe Use Cases
In vielen Unternehmen herrscht immer noch große Unsicherheit bei der Frage, ob und wie KI nutzbringend für die eigenen Prozesse eingesetzt werden kann.
Die Webinarreihe „KI konkret“ stellt in mehreren Terminen Use Cases vor, bei denen reale Herausforderungen in unterschiedlichen Unternehmensbereichen durch den Einsatz von KI gelöst werden konnten.
Zu den Aufzeichnungen der Webinar-Reihe KI konkret
4. Vektorsuche
Vector Search, zu Deutsch Vektorsuche, gewinnt in intelligenten Anwendungen an Akzeptanz. Es geht darum, über semantische Suchen mit Hilfe von Machine Learning den Kontext unstrukturierter Daten zu erfassen. Die Vector-Search-Fähigkeit erspart den Einsatz separater Vektor-Datenbanken, senkt damit sowohl die Komplexität als auch die Kosten und verbessert so den Return-on-Invest.
„Künstliche Intelligenz ist darauf angewiesen, dass Datenbanken Informationen bei der Entwicklung und im Betrieb schnell und unkompliziert bereitstellen“, erklärt Paul Salazar, Area Vice President Central and Eastern Europe bei Couchbase. „Idealerweise punkten Datenbanken für intelligente Anwendungen mit Features wie Edge-Handling oder Vektorsuche, die den Einsatz separater Datenbanken für spezifische Teilaspekte überflüssig machen und so die Komplexität reduzieren.“ Jürgen Frisch
