Vad är Model as a Service (MaaS)?

Model as a Service (MaaS) är ett sätt att använda färdiga AI-modeller som en tjänst utan att själv behöva bygga och hantera all infrastruktur som krävs för att köra dem.

Modellen görs vanligtvis tillgänglig via ett API, ett programmeringsgränssnitt som låter olika system kommunicera med varandra. Det gör att en verksamhet kan integrera en AI-modell i exempelvis en applikation, en digital tjänst eller ett internt system.

Leverantören ansvarar vanligtvis för stora delar av den tekniska miljön bakom modellen, medan verksamheten kan fokusera på hur AI ska användas och skapa värde.

Varför är Model as a Service viktigt?

Model as a Service kan sänka tröskeln för att börja använda avancerade AI-modeller. I stället för att bygga en egen miljö för varje modell kan verksamheten få tillgång till modeller och den datorkraft som krävs som en tjänst.

Det kan ge flera fördelar:

• Snabbare väg från idé till användning: Du kan testa och införa AI-modeller utan att först bygga hela infrastrukturen själv.
• Flexibel skalning: Kapaciteten kan anpassas när användningen ökar eller minskar.
• Tillgång till fler modeller: Du kan utvärdera olika modeller utifrån verksamhetens behov och användningsområden.
• Mindre ansvar för den underliggande infrastrukturen: Leverantören kan hantera delar av drift, skalning och tekniskt underhåll.
• Tydligare kostnadsmodell: Tjänsten kan göra det möjligt att betala utifrån användning i stället för att investera i egen infrastruktur från början.

Vad behöver du tänka på med Model as a Service?

Valet av AI-modell är bara en del av beslutet. Som IT-chef behöver du också förstå hur tjänsten hanterar verksamhetens data, säkerhet, kostnader och möjligheten att byta modell eller leverantör.

Några viktiga frågor är:

• Vilken data skickas till modellen och var behandlas den?
• Hur skyddar leverantören känslig och verksamhetskritisk information?
• Används verksamhetens data för att träna eller förbättra leverantörens modeller?
• Var lagras och behandlas data geografiskt?
• Hur ser kostnaden ut när användningen ökar?
• Vilka möjligheter finns att byta modell eller leverantör?
• Vilka krav finns på prestanda, tillgänglighet och svarstider?
• Hur följer verksamheten upp modellens användning och resultat?

Det gör valet av MaaS-lösning till mer än en fråga om vilken AI-modell som presterar bäst. Arkitektur, informationssäkerhet, styrning och kostnad behöver finnas med från början.

Model as a Service och generativ AI

Model as a Service har blivit särskilt relevant i samband med generativ AI. Många stora språkmodeller, så kallade LLM från engelskans Large Language Models, kan göras tillgängliga som tjänster.

Det gör att utvecklare kan bygga AI-funktioner ovanpå befintliga modeller utan att verksamheten behöver drifta modellerna på egen infrastruktur.

Samtidigt behöver verksamheten ta ställning till vilka modeller som passar olika användningsområden. Krav på exempelvis informationssäkerhet, kostnad, prestanda och kontroll kan skilja sig mellan olika delar av verksamheten.

Vad är skillnaden mellan Model as a Service och Model serving?

Model serving och Model as a Service beskriver olika delar av hur en AI-modell görs tillgänglig.

Model serving är den tekniska processen för att driftsätta en AI-modell och göra den tillgänglig så att den kan ta emot förfrågningar och leverera resultat.

Model as a Service beskriver hur tillgången till modellen paketeras och erbjuds som en tjänst. Leverantören kan då hantera model serving och den bakomliggande infrastrukturen åt användaren.

Model serving kan därför vara en teknisk del av en Model as a Service-lösning.