Generative KI (GenAI), maschinelles Lernen (ML) und große Sprachmodelle (LLMs) werden für moderne Unternehmen immer wichtiger, aber die Erzielung eines messbaren Mehrwerts aus KI ist immer noch eine Herausforderung. Ein Teil des Problems besteht darin, dass ein gut trainiertes KI-Modell auf einer großen Datenmenge basiert und viele Unternehmen durch die Organisation und Nutzung all ihrer Daten täglich ausgebremst werden. Um den Wert von KI zu maximieren, müssen Unternehmen sicherstellen, dass ihr Datenstapel gut organisiert ist. Wenn ein Unternehmen in der Lage ist, Datenquellen zu konsolidieren, ist es viel einfacher, wertvolle Anwendungsfälle für generative KI zu erstellen. Hier einige Beispiele, die bereits heute einen Mehrwert schaffen.
KI in der Softwareentwicklung und Datenwissenschaft
Was LLMs angeht, ist GPT-4 ein beeindruckender Generalist mit weitreichenden Kenntnissen zu Themen, die von der Weltgeschichte über Computerprogrammierung bis hin zur Küche des Nahen Ostens und darüber hinaus reichen. Das ist nicht verwunderlich, da es größtenteils auf Webseiten trainiert wurde, die aus dem Internet stammen. Was die meisten Unternehmen jedoch benötigen, sind spezialisierte Modelle, die sich auf ihren vertikalen Markt konzentrieren und auf ihren internen Daten und nicht auf dem Internet basieren. Der a16z-Beitrag auf Worüber Bauherren sprechen, wenn sie über KI sprechen erklärte, dass Unternehmen nicht wirklich mehr Chatbots brauchen. Unternehmen benötigen GPTs, die effizient Einblicke mit hoher Genauigkeit und Präzision liefern können. Es spielt keine Rolle, ob die KI Shakespeare zusammenfassen kann – es kommt darauf an, ob sie genau vorhersagen kann, wie hoch der Lifetime-Wert eines potenziellen Kunden sein könnte.
Ali Ghodsi von Databricks bemerkte, dass seine Kunden „spezielle Modelle haben möchten, die billiger und kleiner sind und eine wirklich hohe Genauigkeit und Leistung aufweisen“. Für Dinge wie die Fertigung, die höchste Genauigkeit erfordern, ist es besser, ein kleineres Modell anhand eines speziellen, domänenspezifischen Datensatzes zu trainieren. Das resultierende Modell wird dadurch schneller, billiger und genauer sein.
Mit einem umfassenderen Datensatz sehen wir, wie Unternehmen neue Software prototypisieren und schnell iterieren können. Wir gebrauchen generative KI Ich bin in meinem Unternehmen tätig, um bei der Erstellung von Prototyp-Konnektoren zu helfen, die die Übertragung von Daten aus Cloud-Apps, Datenbanken, Streaming-Daten und Unternehmensanwendungen erleichtern, die alle in ein Data Warehouse oder einen Data Lake fließen. Das Erstellen von Konnektoren für neue SaaS-Anwendungen kann eine Herausforderung sein, wenn sich Plattformen und Schemata so schnell ändern. Mit GPT-4 konnten wir einen Kunden zum Laufen bringen, während wir längerfristig an der Entwicklung voll ausgestatteter, robuster Konnektoren arbeiten.
Sofortige Intelligenz
Einer der Anwendungsfälle, die ich faszinierend finde, ist die Verwendung von GenAI für die Suche und Zusammenfassung. Jedes große Unternehmen verfügt über mehrere Datenrepositorys, von Atlassian bis Slack, Sharepoint bis Teams oder Google Drive und Gmail. Oder eine Mischung aus all dem. Und zum größten Teil sind diese riesigen Ressourcen an organisatorischem Wissen noch weitgehend ungenutzt. Das wird sich bald ändern, da Unternehmen den Wettbewerbsvorteil erkennen, der sich aus der Nutzung dieser Daten und ihrer Nutzung durch KI ergibt. Retrieval-Augmented Generation (RAG), das es LLMs ermöglicht, Fakten aus externen Quellen wie internen Dokumenten oder dem Internet abzurufen, ist eine spannende Entwicklung, die wir noch nicht vollständig genutzt haben.
Neben diesen Unternehmensanwendungen gibt es domänenspezifische Repositories, etwa die Handelshistorie eines Finanzunternehmens oder Einzelhandelsaufträge und Kundenprofile, die in den Trainingsdatensatz integriert werden müssen. Die Ausbildung eines LLM kann es sehr einfach machen, Fragen in einfachem Englisch zu stellen, die Informationen aus dem gesamten Datenstapel einer Organisation aufdecken können. Diese Daten müssen jedoch zunächst organisiert und kategorisiert werden, damit das Training einen Sinn ergibt. Je mehr Daten verfügbar sind, desto besser sind die Ergebnisse des Trainings.
Dieses Problem stellt eine besondere Herausforderung in einer Change-Data-Capture-Umgebung dar, wenn Finanz- oder Transaktionsdaten rund um die Uhr eingehen und ständig aktualisiert werden. Wenn sich Datenschemata ändern, können Daten falsch kategorisiert werden oder sogar verloren gehen. Wenn das LLM dabei helfen soll, Dinge zu automatisieren, neue Produktideen zu entwickeln oder neue Konzepte zu entwickeln, muss es auf dem neuesten Stand sein. Leider fällt es vielen Unternehmen schwer, Daten überhaupt an einen Ort zu bringen.
KI verbessert die Rollenverteilung und erleichtert die Zusammenarbeit
Schon seit langem besteht ein Bedarf an Software-Ingenieuren der Einstiegsklasse, die grundlegenden Code schreiben können, ohne sich auf das Gesamtbild der Datenarchitektur und Entwurfsmuster, die Integration mit anderen Plattformen oder den Entwurf eines Systems für maximale Leistung zu konzentrieren.
Wie Dylan Field von Figma es ausdrückte: „Die besten Designer fangen an, viel mehr über Code nachzudenken, und die besten Entwickler denken viel mehr über Design nach.“ GenAI ermöglicht es diesen Menschen, in die traditionelle Domäne des anderen überzugehen und einen Mehrwert zu schaffen – das wird die Entwicklung viel schneller machen. In der Zwischenzeit untersuchen intelligente Entwickler Systementwurfsmuster, um in der Wertschöpfungskette weiter nach oben zu gelangen.
Letztendlich wird die Fusion von generativer KI, großen Sprachmodellen und maschinellem Lernen den Unternehmensbetrieb verändern. Von der Softwareentwicklung bis zur Marketingstrategie wird generative KI dramatische Auswirkungen haben, indem sie neuen Code erstellt, Prototypen für Ideen entwickelt und Silos zwischen Designern und Programmierern auflöst – ohne proprietäre Daten preiszugeben. Der Schlüssel wird darin liegen, die Vielseitigkeit der KI mit einer wesentlichen Grundlage des Datenmanagements in Einklang zu bringen. Wenn es uns gelingt, die zugrunde liegenden Daten zentralisiert und integriert zu halten, können wir die nächste Ära der Technologie einläuten, um die Produktivität der Menschen und die Effektivität der Unternehmen zu steigern.
- SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
- PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
- PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
- PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
- PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
- Quelle: https://www.dataversity.net/generative-ai-challenges-and-opportunities-for-modern-enterprises/
