GenAI vs. spezialisierte KI: Was ist die richtige Lösung für Ihr Unternehmen?

Künstliche Intelligenz (KI) ist in den letzten Jahren zu einem nicht mehr wegzudenkenden Geschäftsinstrument geworden. Doch KI ist nicht gleich KI. Mit der zunehmenden Verbreitung von KI wollen Unternehmen, die KI einsetzen, ihren Wettbewerbsvorteil ausbauen - und setzen dabei auf spezialisierte Modelle. 

Spezialisierte Modelle des maschinellen Lernens sind auf spezifische Geschäftsanforderungen und Kundenpräferenzen in einem Maße zugeschnitten, wie es generische KI-Lösungen nicht können. Generische KI-Modelle sind zwar vielseitig, aber in ihren Anwendungsmöglichkeiten begrenzt und müssen möglicherweise für eine bestimmte Aufgabe oder einen bestimmten Bereich optimiert werden. Infolgedessen kann ihre Leistung im Vergleich zu spezialisierten Modellen, die für einen bestimmten Anwendungsfall entwickelt wurden, eingeschränkt sein.  

Da Unternehmen zunehmend auf datengesteuerte Strategien setzen und KI in Nischen-Workflows implementieren, hat die Einführung spezialisierter KI einen deutlichen Aufschwung erlebt. Eine aktuelle Prognose geht von einem milliardenschweren Wachstum des Marktes in den nächsten Jahren aus. 

Hybride KI 

Im Mittelpunkt dieses Anstiegs steht die hybride KI, die traditionelle regelbasierte Systeme und moderne maschinelle Lerntechniken miteinander verbindet. Dies lässt sich auf die Anfänge der Forschung im Bereich der künstlichen Intelligenz zurückführen, 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, werden für einen bestimmten Bereich oder eine bestimmte Aufgabe entwickelt, um die Leistung und Effizienz in bestimmten Geschäftskontexten zu verbessern.  

Vorgefertigte Modelle und generative KI haben zwar dazu beigetragen, die Zeit bis zur Markteinführung neuer Anwendungen zu verkürzen, aber sie sind oft nicht ausreichend, wenn es darum geht, einzigartige Geschäftsfälle zu erfüllen, und sind nicht die Antwort auf jeden KI-Geschäftsfall. Aus diesem Grund ist spezialisierte KI für viele Unternehmen zur ersten Wahl geworden. Sie verspricht, Branchen durch Automatisierung und maßgeschneiderte, intelligente Lösungen zu revolutionieren, die spezifisch, anpassungsfähig und skalierbar sind.  

Die verschiedenen Arten von KI-Modellen 

Modelle zur Gründung 

Basis-KI-Modelle stehen hinter generischen KI-Systemen, die an eine Vielzahl von Aufgaben angepasst werden können, die vom Entwickler des Modells vorausgesehen wurden oder auch nicht, z. B. Mustererkennung oder grundlegende Prozessautomatisierung ohne menschliches Eingreifen. Sie arbeiten durch die Anwendung von Algorithmen auf Dateneingaben, um die Aufgaben zu erfüllen, für die sie programmiert wurden.  

Basismodelle werden manchmal auch als herkömmliche Modelle oder Allzweck-KI bezeichnet, und sie alle beginnen als allgemeine, vorgefertigte Eingabemodelle und können durch zusätzliches Training weiter entwickelt werden.  

Generative Modelle 

Generative KI-Modelle konzentrieren sich auf die Erstellung neuer Inhalte oder Daten auf der Grundlage des Lernens aus umfangreichen Datensätzen. Im Gegensatz dazu steht bei hybrider KI die Integration von maschinellem Lernen mit bereichsspezifischen Regeln oder Logik im Vordergrund.  

Diese Unterscheidung ist von entscheidender Bedeutung für Unternehmen, die nicht nur die Generierung von Daten, sondern auch die Anwendung komplexer, regelbasierter Logik benötigen, die mit generativer KI allein möglicherweise nicht ausreichend abgedeckt werden kann. Der Nutzen generativer KI in Geschäftsanwendungen kann auch durch ihre Einheitsgröße begrenzt sein, da sie oft nicht die für spezifische Geschäftsfälle erforderliche Flexibilität bietet. 

Große Sprachmodelle 

Große Sprachmodelle (Large Language Models, LLMs) gehören zum Bereich des Deep Learning und sind ebenfalls eine Art der generativen KI. Ein LLM ist ein statistisches Sprachmodell, das die Wahrscheinlichkeit schätzt, dass eine Folge von Wörtern in einem bestimmten Kontext, der oft in Form eines gesprochenen Dialogs oder eines geschriebenen Textes vorliegt, zusammen vorkommt.  

Spezialisierte Modelle 

Spezialisierte Modelle werden entwickelt und trainiert, um eine bestimmte Aufgabe zu erfüllen oder in einem bestimmten Bereich effizient und genau zu arbeiten. Im Gegensatz zu allgemeinen KI-Modellen, die darauf abzielen, eine breite Palette von Funktionen mit unterschiedlichem Leistungsniveau zu bewältigen, konzentrieren sich spezialisierte KI-Modelle auf eine enge Reihe von Fähigkeiten, die oft auf die einzigartigen Bedürfnisse und Herausforderungen einer bestimmten Branche, Anwendung oder eines Unternehmens zugeschnitten sind, um eine hervorragende Leistung zu erzielen.  

Beispiele für spezialisierte Modelle sind SpaCy, ein beliebtes NER-Tool, das für seine Fähigkeit bekannt ist, eine breite Palette von Sprachen zu verarbeiten, und IBM Granite, ein reines Decoder-Grundmodell für generative KI-Aufgaben, das für den Einsatz in Unternehmen geeignet ist.  

Im Folgenden wird ein Blick darauf geworfen, wie all diese verschiedenen Arten von Modellen unter dem Dach der KI zusammenkommen:

Im Folgenden wird ein Blick darauf geworfen, wie all diese verschiedenen Arten von Modellen unter dem Dach der KI zusammenkommen.

Analyse der Vor- und Nachteile und des Dazwischens 

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 spezifischen Business Case für spezialisierte KI wird Ihnen dabei helfen, festzustellen, ob die folgenden Punkte auf Sie zutreffen. Wie immer kann Ihnen die Zusammenarbeit mit einem externen Experten helfen, die richtige Entscheidung darüber zu treffen, ob spezialisierte Modelle für Sie geeignet sind. 

Die Vorteile 

Spezialisierte Modelle sind auf die Bedürfnisse der Unternehmen zugeschnitten 

Der offensichtlichste Vorteil ist, dass spezialisierte KI auf einen spezifischen Anwendungsfall oder Geschäftsbedarf zugeschnitten ist. Sie bieten eine unvergleichliche Anpassungsfähigkeit, die es Unternehmen ermöglicht, Parameter und Funktionalitäten genau auf ihre Herausforderungen abzustimmen. Dieser maßgeschneiderte Ansatz stellt sicher, dass das KI-System mit den Feinheiten des Betriebs, des Kundenstamms oder des Produktangebots eines Unternehmens umgehen kann, was zu effektiveren und effizienteren Ergebnissen führt. 

Ein Einzelhandelsunternehmen kann beispielsweise ein KI-Modell entwickeln, um das Kaufverhalten der Kunden auf der Grundlage ihrer Daten vorherzusagen, was zu einem genaueren Bestandsmanagement und gezielten Marketingstrategien führt. Dieses Maß an Individualisierung ist mit KI-Lösungen von der Stange nicht zu erreichen, da diese oft für eine breite Palette von Anwendungen konzipiert sind. 

Spezialisierte Modelle sind stromlinienförmiger  

Spezialisierte KI-Modelle haben in der Regel eine schlankere und weniger komplexe Architektur als ihre generischen Gegenstücke. Diese Einfachheit ergibt sich daraus, dass das Modell nur für eine eng definierte Gruppe von Aufgaben oder Daten gut funktionieren muss, so dass unnötige Komponenten und Schichten, die für einen breiteren Anwendungsbereich erforderlich wären, entfernt werden können. Eine einfachere Architektur erleichtert das Verständnis und die Wartung des Modells und verkürzt die Entwicklungs- und Debugging-Zeit, was eine schnellere Bereitstellung und schnellere Iterationszyklen ermöglicht. 

Spezialisierte Modelle sind kosteneffizienter 

Der Betrieb spezialisierter KI-Modelle kann deutlich billiger sein als der ihrer allgemeinen Gegenstücke. Da diese Modelle auf spezifische Aufgaben zugeschnitten sind, benötigen sie weniger Rechenleistung zum Trainieren und Ausführen, was sich in niedrigeren Cloud-Computing- und Datenverarbeitungskosten niederschlägt. Außerdem bedeutet die Effizienz spezialisierter Modelle, dass sie die gewünschten Ergebnisse mit weniger Ressourcen erzielen können, was die Betriebskosten weiter senkt. Dieser kostensparende Aspekt ist besonders für KMU mit begrenzten Budgets für die KI-Integration von Vorteil. 

Spezialisierte Modelle haben auch geringere Infrastrukturkosten im Vergleich zur Implementierung großer, allgemeiner Modelle wie GPT-4. Spezialisierte KI-Modelle sind für bestimmte Aufgaben optimiert, so dass sie auch auf weniger leistungsfähiger Hardware oder in cloudbasierten Umgebungen effektiv laufen können.  

Dies kann den Bedarf an teuren, hochleistungsfähigen Rechenressourcen erheblich verringern und macht KI für Unternehmen jeder Größe zugänglich. So kann beispielsweise eine KI für den Kundenservice, die darauf ausgelegt ist, Anfragen in einer bestimmten Branche zu verstehen und zu beantworten, viel kleiner und weniger ressourcenintensiv sein als ein Modell, das alle möglichen Branchen abdeckt. 

Auch wenn die Einführung spezieller Modelle aufgrund des Schulungsbedarfs anfangs teurer sein mag, werden diese Kosten durch die langfristige Kosteneffizienz aufgewogen.  

Spezialisierte Modelle haben eine höhere Langlebigkeit 

Spezialisierte KI-Modelle bieten Unternehmen mehr Flexibilität und die Möglichkeit, sich an technologische Fortschritte anzupassen. Wenn eine neue Technologie oder Methodik auftaucht, können Unternehmen Teile ihrer spezialisierten KI-Systeme leichter aktualisieren oder ersetzen, ohne das gesamte Modell zu überarbeiten.  

Dieser modulare Ansatz stellt nicht nur sicher, dass die KI-Lösung immer auf dem neuesten Stand ist, sondern verlängert auch die Lebensdauer des Modells, da er kontinuierliche Verbesserungen und Anpassungen an sich ändernde Geschäftsumgebungen oder Ziele ermöglicht. Diese Flexibilität ist ein entscheidender Vorteil im Geschäftsleben, in dem es den Unterschied zwischen Marktführerschaft und Rückstand ausmachen kann, den Trends voraus zu sein. 

Die Nachteile 

Spezialisierte Modelle benötigen eine umfassende Ausbildung 

Spezialisierte KI-Modelle erfordern ein umfangreiches Training, um das gewünschte Maß an Genauigkeit und Effektivität zu erreichen. Dieser Prozess umfasst die Kuratierung großer Datensätze, die für den spezifischen Geschäftsfall oder die Vertikale, für die das Modell entwickelt wurde, äußerst relevant sind.  

Das Training dieser Modelle kann ressourcenintensiv sein und erfordert nicht nur eine erhebliche Rechenleistung, sondern auch Zeit und Fachwissen, um den Trainingsprozess effektiv zu verwalten. Dies kann ein Hindernis für den schnellen Einsatz in Unternehmen sein, die mehr internes Wissen oder Zugang zu Daten benötigen.  

Spezialisierte Modelle haben vertikale Spezifität 

Die Spezialisierung auf einen bestimmten Bereich hat den Vorteil einer hohen Spezialisierung, aber auch die Einschränkung einer geringeren Flexibilität. Spezialisierte KI-Modelle sind so konzipiert, dass sie sich in einem engen Bereich auszeichnen, was bedeutet, dass sie außerhalb des vorgesehenen Bereichs möglicherweise nicht gut funktionieren.  

Diese vertikale Spezifizität macht es erforderlich, dass Unternehmen in mehrere spezialisierte Modelle investieren, um verschiedene Aspekte ihrer Tätigkeiten abzudecken, was die Komplexität und die Kosten erhöht. Die Anpassung jedes Modells an eine bestimmte Branche erfordert einen längeren Entwicklungszyklus, da jedes Modell individuell konzipiert, geschult und optimiert werden muss. 

Spezialisierte Modelle erfordern Programmierung  

Die Entwicklung und Pflege spezialisierter KI-Modelle erfordert spezielle Programmierkenntnisse und ein tiefes Verständnis sowohl der KI-Technologien als auch des spezifischen Bereichs, für den das Modell bestimmt ist. Diese Spezialisierung kann eine Herausforderung für Unternehmen darstellen, die nicht über eigenes Know-how bei der Entwicklung von KI-Modellen verfügen.  

Diese Lücke kann durch die Beauftragung von externen Beratern oder Dienstleistern überbrückt werden. Obwohl dieser Ansatz die Kosten und die Komplexität des Einsatzes spezialisierter KI-Lösungen erhöhen kann, kann die Zusammenarbeit mit dem richtigen Partner, der über Fachwissen im Bereich der spezialisierten KI verfügt, Ihnen helfen, Wissens- und Erfahrungslücken in Ihrem Unternehmen zu schließen. 

Die Partnerschaft zwischen Getronics und WATsNEXT, auf die wir noch näher eingehen werden, ist ein Beispiel dafür, wie das Fachwissen von Drittanbietern genutzt werden kann, um spezialisierte Modelle zu implementieren, die starke Ergebnisse liefern.  

Spezialisierte Modelle hängen stark von Daten ab 

Der Rückgriff auf Daten aus spezialisierten KI-Modellen ist ein zweischneidiges Schwert. Einerseits können diese Modelle hochgradig maßgeschneiderte Lösungen anbieten, andererseits sind robuste Data-Governance-Verfahren erforderlich, um die Qualität, den Datenschutz und die Sicherheit der Daten zu gewährleisten. 

Die Effektivität spezialisierter KI-Modelle ist direkt mit der Verfügbarkeit und Integrität relevanter Daten verbunden, was die Datenverwaltung zu einer kritischen Komponente bei ihrem Einsatz macht. Unternehmen müssen in Systeme und Prozesse zur Verwaltung der Datenerfassung, -speicherung, -verarbeitung und -analyse investieren, um die Einhaltung gesetzlicher Vorschriften und ethischer Standards zu gewährleisten. Dies führt zu einer zusätzlichen Komplexitäts- und Kostenebene bei der Implementierung maßgeschneiderter KI.  

Die Zwischentöne 

Spezialisierte Modelle dauern länger in der Umsetzung 

Die Einrichtung spezialisierter KI-Systeme kann ein zeitaufwändiger Prozess sein, da sie eine detaillierte Analyse und ein Verständnis der spezifischen Aufgaben, die sie automatisieren sollen, erfordert. Diese Granularität in Design und Implementierung erfordert ein tieferes Eintauchen in die Nuancen des Prozesses, der verbessert werden soll, was zu längeren Vorbereitungsphasen führt.  

Die Kehrseite dieses detaillierten Ansatzes ist jedoch, dass die zur Unterstützung spezialisierter KI erforderliche Infrastruktur oft kleiner und gezielter ist als die für breitere KI-Anwendungen benötigte. Diese Spezifizität kann tatsächlich zu einer Verringerung des Zeit- und Ressourcenaufwands für die Bereitstellung und Implementierung führen, sobald die anfängliche Einrichtung abgeschlossen ist.  

Die Zusammenarbeit mit einem Anbieter, der über umfangreiche Erfahrungen bei der Implementierung von spezialisierter KI verfügt, kann diesen Prozess erheblich beschleunigen, da er sein Wissen und seine Erfahrung nutzt, um den Einrichtungsprozess zu optimieren.  

Spezialisierte Modelle funktionieren nicht immer 

Verallgemeinerte KI-Modelle bieten eine breite Anwendungsbasis, sind aber oft nicht ausreichend, wenn es darum geht, die besonderen Bedürfnisse einzelner Organisationen zu erfüllen. Wenn sich ein verallgemeinertes Modell als unzureichend erweist, ist es nicht immer möglich, es an die spezifischen Anforderungen anzupassen, so dass man oft ganz von vorne anfangen muss.  

Hier zeichnen sich spezialisierte KI-Modelle aus, die von vornherein so konzipiert sind, dass sie auf die spezifischen Bedürfnisse eines Unternehmens zugeschnitten und angepasst werden können. Diese Anpassungsfähigkeit ist jedoch ein zweischneidiges Schwert. Sie ermöglicht zwar die Feinabstimmung der KI auf die aktuellen Bedürfnisse eines Unternehmens und gewährleistet ein hohes Maß an Relevanz und Effektivität, bedeutet aber auch, dass das Unternehmen bereit sein muss, das KI-System kontinuierlich zu aktualisieren und anzupassen, um mit den internen Veränderungen und der raschen Entwicklung der KI selbst Schritt zu halten.  

Dieser ständige Anpassungsbedarf kann einen erheblichen Zeit- und Ressourcenaufwand erfordern, bietet dem KI-System aber auch die Möglichkeit, auf dem neuesten Stand der Technik zu bleiben, was einen Wettbewerbsvorteil darstellt und sicherstellt, dass die Investitionen des Unternehmens in KI auch weiterhin einen spürbaren Nutzen bringen. 

Ist spezialisierte KI die richtige Lösung? Das hängt vom Kontext ab  

Ein besonders interessantes Beispiel für spezialisierte KI in der Praxis ist ein kürzlich durchgeführtes Marktforschungsprojekt 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 Fotovoltaikprojekte, was jedoch aufgrund des Auktionssystems für Verträge in Frankreich und des starken Wettbewerbs mit Energieriesen komplex und zeitaufwändig wurde.  

Um eine bessere Marktkenntnis zu erlangen, hat ABO Wind eine Partnerschaft mit WATsNEXT - einem IBM Business Partner - geschlossen, dessen Lösung IBM Watson Discovery und IBM Watson Knowledge Studio Software umfasst, um Einblicke in den Wettbewerb zu gewinnen.  

Es automatisiert die Sammlung aller Dokumente von institutionellen Websites und rationalisiert den Prozess der Datenextraktion, -strukturierung und -präsentation. Das System ist darauf ausgelegt, Informationen effizient zu aggregieren und zu organisieren und sie über eine benutzerfreundliche Schnittstelle zu präsentieren, die den Zugang und die Analyse vereinfacht. Die Implementierung der KI-Lösung von WATsNEXT verschafft ABO Wind außerdem einen bedeutenden Wettbewerbsvorteil, da sie eine einzigartige Reaktionsfähigkeit ermöglicht und einen umfassenden Überblick über den Markt bietet. 

Hochentwickelte Techniken der künstlichen Intelligenz bilden den Kern der Effektivität dieses Systems. Die Lösung verwendet zwei verschiedene Modelle zur Erkennung benannter Entitäten (Named Entity Recognition, NER), um wichtige Daten aus Dokumenten präzise zu extrahieren. Ein Modell ist auf die Extraktion von Daten aus Textkapiteln ausgerichtet, während das andere auf die Verarbeitung von Daten in Tabellen spezialisiert ist. 

Obwohl die spezialisierten Modelle nur für ein paar Dutzend Dokumente trainiert wurden, erreichen sie ein hohes Maß an Effizienz, so dass LLMs nicht mehr benötigt werden und stattdessen zwei vorab trainierte Transformer-Modelle zum Einsatz kommen, ohne dass während der Inferenz GPU-Ressourcen benötigt werden. Seit der Implementierung der Lösung hat ABO Wind seine Effizienz um 80 % gesteigert, da Aufgaben wie das manuelle Erkunden und Extrahieren von Daten entfallen sind. 

Wie Sie einsteigen können 

Der erste Schritt in jedem IA-Projekt besteht darin, zu ermitteln, welche Ihrer Prozesse tatsächlich automatisiert werden müssen. Welche Ihrer Prozesse sind wiederkehrend und nehmen viel Zeit und Arbeitskraft in Anspruch? Diese sind reif für eine Automatisierung, ebenso wie jene, die sich wiederholen, zeitaufwändig sind und einen erheblichen menschlichen Einsatz erfordern, aber relativ routinemäßig ablaufen. 

Nach der Identifizierung geeigneter Prozesse für die Automatisierung besteht der nächste Schritt darin, das am besten geeignete KI-Modell für die Automatisierung zu bestimmen. Dieser Entscheidungsprozess ist nuanciert und erfordert die sorgfältige Berücksichtigung mehrerer Schlüsselfaktoren: 

  • Datenmenge: Die Menge der für den Prozess verfügbaren und benötigten Daten beeinflusst die Wahl des KI-Modells erheblich. So rechtfertigen Prozesse mit einem geringen Datenvolumen möglicherweise nicht die Kosten für das Training eines hochspezialisierten Modells aus Gründen der Kosteneffizienz. 
  • 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. Einige Modelle erfordern möglicherweise, dass die Daten auf bestimmten Plattformen oder in bestimmten Formaten gehostet werden, um eine optimale Leistung zu erzielen. 
  • Sicherheit und Einhaltung vonVorschriften : Sicherheits- und Regulierungsanforderungen können die Auswahl erheblich einschränken. Wenn es sich beispielsweise um hochsensible Daten handelt, sollten Modelle mit erweiterten Sicherheitsfunktionen oder solche, die vor Ort eingesetzt werden können, gegenüber SaaS-Lösungen bevorzugt werden, um die Vorschriften einzuhalten und die Datenintegrität zu schützen. 

Getronics arbeitet mit zuverlässigen Partnern zusammen, um spezialisierte KI zu liefern 

Wie wir bereits erwähnt haben, kann die Zusammenarbeit mit dem richtigen Drittanbieter Ihnen dabei helfen, festzustellen, ob spezialisierte Modelle für Ihr Unternehmen geeignet sind. Sie kann auch den Unterschied zwischen einem erfolgreichen und einem erfolglosen spezialisierten KI-Einsatz ausmachen.  

Wenn Sie mit einem Drittanbieter zusammenarbeiten, ist es wichtig, dass dieser über die erforderlichen Fähigkeiten und das Fachwissen verfügt, um Ihr KI-Projekt von der ersten Idee bis zum Abschluss zu begleiten. Genau hier setzt die Partnerschaft zwischen Getronics und WATsNEXT an.  

Getronics ist kürzlich eine Partnerschaft mit WATsNEXT eingegangen, um robuste, spezialisierte KI-Lösungen für Kunden bereitzustellen, die nicht über die Ressourcen verfügen, um eigene Modelle zu erstellen.  

Unsere Partnerschaft bedeutet, dass Unternehmen mit uns zusammenarbeiten können, um Lösungen zu finden, die für eine Vielzahl von Geschäftsfällen geeignet sind, um die bereits erwähnten Vorteile zu nutzen und die Nachteile zu begrenzen.  

Denken Sie daran, dass Sie keine marktführenden Lösungen oder übermäßig komplizierte KI-gestützte Modelle verwenden müssen, um Ihre geschäftlichen Ziele zu erreichen; Sie müssen nur Ihr KI-Modell auf Ihren Geschäftsfall abstimmen. Genau darum geht es bei der Partnerschaft Getronics-WATsNEXT.  

Wenn Sie mehr darüber erfahren möchten, wenden Sie sich bitte an einen unserer Experten. 

Über Getronics 

Getronics positioniert sich als globales Powerhouse für Technologielösungen und verfügt über ein beeindruckendes Team von über 4.000 Fachleuten in 22 Zentren weltweit. Dank dieses umfangreichen Netzwerks kann Getronics umfassende End-to-End-Dienste auf globaler Ebene anbieten und sicherstellen, dass die Kunden unabhängig von ihrem Standort auf die benötigte Unterstützung und Lösungen zugreifen können.  

Über WATsNEXT 

WATsNEXT ist auf KI und Geschäftsprozessautomatisierung spezialisiert und bietet maßgeschneiderte Lösungen, die die besten Open-Source- und IBM-Technologien nutzen. Mit dem Fokus auf Praktikabilität und Effizienz verfolgt WATsNEXT einen pragmatischen Ansatz und führt Projekte innerhalb kurzer Zeiträume durch.