Das intelligente Unternehmen: Generative KI für Unternehmen bereit machen

Lassen Sie uns hier beginnen: Ja, die Möglichkeiten für Generative KI (GenAI) sind enorm. Ja, sie verändert die Welt, wie wir sie kennen (und schneller als die meisten von uns vorhergesagt haben). Und ja, die Technologie wird intelligenter. Allerdings sind die Auswirkungen von GenAI, mit ihrer Fähigkeit, Text, Bilder und Erzählungen zu generieren, auf Unternehmen und Betriebe sehr unterschiedlich von den Auswirkungen auf die Allgemeinheit – schließlich schreiben die meisten Unternehmen keine Gedichte oder Geschichten (was bei ChatGPT-Nutzern beliebt ist), sie bedienen ihre Kunden.

Viele Unternehmen haben Erfahrung mit der Verarbeitung von natürlichen Sprachen (NLP) und einfachen Chatbots, aber GenAI beschleunigt, wie Daten integriert, interpretiert und in Geschäftsergebnisse umgewandelt werden können. Daher müssen sie schnell feststellen, welche GenAI-Anwendungsfälle ihre dringendsten Geschäftsprobleme lösen und Wachstum vorantreiben. Um zu verstehen, wie Unternehmen GenAI mit ihren Daten bereit machen können, ist es wichtig, zu überprüfen, wie wir an diesem Punkt angekommen sind.

Die Reise von NLP zu Large Language Model (LLM)

Die Technologie versucht seit Jahrzehnten, natürliche Sprachen zu verstehen. Während die menschliche Sprache selbst eine entwickelte Form des menschlichen Ausdrucks ist, hat die Tatsache, dass Menschen so viele Dialekte weltweit entwickelt haben – von Symbolen und Klängen bis hin zu Silben, Phonetik und Sprachen -, die Technologie auf einfachere digitale Kommunikationsmethoden mit Bits und Bytes usw. angewiesen, bis vor kurzem.

Ich habe vor etwa einem Jahrzehnt mit der Arbeit an NLP-Programmen begonnen. Damals ging es um Sprachtaxonomie und Ontologie, Entitätsextraktion und eine primitive Form einer Graphdatenbank (hauptsächlich in XML) zur Wahrung komplexer Beziehungen und Kontexte zwischen verschiedenen Entitäten, um Suchanfragen zu verstehen, ein Wortwolken zu generieren und Ergebnisse zu liefern. Es gab nichts Mathematisches daran. Es gab viel Mensch im Loop, um Taxonomiedatenbanken aufzubauen, viel XML-Parsing und vor allem viel Rechenleistung und Speicher. Es ist nicht verwunderlich, dass einige Programme erfolgreich waren und die meisten nicht. Maschinelles Lernen kam als Nächstes mit mehreren Ansätzen zum tiefen Lernen und neuronalen Netzen usw., um das natürliche Sprachverständnis (NLU) und die natürliche Sprachinferenz (NLI) zu beschleunigen. Es gab jedoch drei begrenzende Faktoren – Rechenleistung, um komplexe Modelle zu verarbeiten, Zugang zu Datenmengen, die Maschinen lehren können, und vor allem ein Modell, das sich selbst lernen und korrigieren kann, indem es zeitliche Beziehungen zwischen Phrasen bildet.

Wenn wir zwei Jahrzehnte vorwärts springen, liefern GPUs massive Rechenleistung, selbstlernende und sich entwickelnde neuronale Netze sind die Norm, überwachtes/unüberwachtes/teilüberwachtes Lernen existiert, und vor allem gibt es einen besseren Zugang zu großen Datenmengen in mehreren Sprachen, einschließlich sozialer Medien, auf denen diese Modelle trainiert werden können. Das Ergebnis sind KI-Engines, die in Ihrer natürlichen Sprache mit Ihnen kommunizieren, die Emotion und Bedeutung hinter Ihren Anfragen verstehen, wie ein Mensch klingen und antworten können.

Wir alle, durch unsere soziale Medienpräsenz, sind unbewusst ein “Mensch” in der “Schleife”, um diese Motoren zu trainieren. Wir haben jetzt Motoren, die auf Billionen von Parametern trainiert sind, die Hunderte und Tausende von Eingabeparametern verarbeiten können, die multimodal sind und uns in unserer Sprache antworten. Ob es sich um GPT4/5, PaLM2, Llama oder andere LLMs handelt, die bisher veröffentlicht wurden, sie entstehen als kontextuelle, vertikale Problemlöser.

Systeme der Einbindung und Systeme der Aufzeichnung

Während die Reise von NLPs zu LLMs dank der Silizium-Evolution, Datenmodellen und der Verfügbarkeit großer Trainingsdatenmengen, die wir alle erzeugt haben, großartig war, benötigen Unternehmen – Einzelhändler, Hersteller, Banken usw. – sehr unterschiedliche Anwendungen dieser Technologie. Unternehmen können sich keine KI-Halluzination leisten – sie benötigen 0% Halluzination und 100% Genauigkeit für Benutzer, die mit KI interagieren. Es gibt eine Reihe von Anfragen, die absolute Genauigkeit erfordern, um irgendeinen Geschäftsnutzen zu haben – z. B. Wie viele Zimmer sind in Ihrem Hotel verfügbar? Haben Sie einen First-Class-Ticket verfügbar?

Um KI-Halluzinationen zu vermeiden, kommt das altbekannte Konzept der Systeme der Einbindung und Systeme der Aufzeichnung ins Spiel. Systeme der Einbindung, sei es mit Ihren Kunden, Lieferanten oder Mitarbeitern, können eine GenAI-basierte Konversationsplattform aus der Box heraus nutzen, nachdem sie für geschäftsspezifische Prompts trainiert wurden – das ist der “einfachere” Teil. Die Herausforderung besteht darin, Systeme der Aufzeichnung in die Wertschöpfungskette einzubetten. Viele Unternehmen sind immer noch in einer statischen Welt von Tabellen und Entitäten und werden es bleiben, weil die meisten Unternehmen auf organisatorischer oder unternehmerischer Ebene statisch sind, während Ereignisse und Workflows sie auf transaktionaler Ebene dynamisch machen.

Dabei sprechen wir über nächste Generationen von Konversationsplattformen, die nicht nur Konversationen, Schnittstellen und Anfragen ansprechen, sondern auch Kundenreisen bis zur Erfüllung begleiten. Es gibt verschiedene architektonische Ansätze für solche Konversationsplattformen. Eine sofortige Option besteht darin, Hybrid-Middleware zu verwenden, die als Konsolidator zwischen vektorisierten und beschrifteten Unternehmensdaten und LLM-getriebenen Konversationsprompts fungiert und ein Ergebnis von 0% Halluzination für Verbraucher liefert.

Es ist eine enorme Menge an Daten vorbereitungsarbeit erforderlich, um es für Unternehmen verständlich zu machen, damit es für eine LLM-Engine verständlich ist. Wir nennen es die “Flachung” traditioneller, von Tabellen und Entitäten getriebener Datenmodelle. Graphdatenbanken, die Daten auf eine Weise darstellen und speichern, die relationale Datenbanken nicht können, finden in dieser Reise einen neuen Zweck. Das Ziel ist es, Unternehmensdatenbanken in verständlichere Graphdatenbanken mit Beziehungen umzuwandeln, die Kontext und Bedeutung definieren, um es LLM-Engines zu ermöglichen, zu lernen und daher auf Prompts von Endkunden durch eine Kombination von Konversationen und Echtzeitabfragen zu reagieren. Diese Aufgabe, Unternehmensdaten LLM-bereit zu machen, ist der Schlüssel, um ein umfassendes System der Einbindung zu Systemen der Aufzeichnung zu bieten und Benutzererfahrungen bis zur Erfüllung zu führen.

Was kommt als Nächstes

An diesem Punkt, mit diesen Fortschritten in Daten und KI, kommt der unmittelbarste Einfluss im Bereich der Software-Code-Generierung – wie durch den Aufstieg von Microsoft Copilot, Amazone CodeWhisperer und anderen Tools unter Entwicklern belegt. Diese Tools beschleunigen Legacy-Modernisierungsprogramme, viele davon sind aufgrund von Zeit- und Kostensorgen ins Stocken geraten. Mit Code-Generierungstools, die von GenAI angetrieben werden, sehen wir, dass Modernisierungsprojekte ihre Zeitpläne um 20-40% beschleunigen. Bei grünen Feld-Code-Entwicklungsprojekten ermöglichen diese Tools es Entwicklern, Zeit und Produktivitätsgewinne in Richtung Design-Denken und innovativere Projekte zu verlagern.

Über die Software-Code-Entwicklung hinaus führen GenAI-Tools zur Schaffung neuer vertikaler Anwendungsfälle und Szenarien, die darauf abzielen, die dringendsten Herausforderungen von Unternehmen zu lösen, und wir fangen gerade an, die Oberfläche dessen zu kratzen, was getan werden muss, um diesen Trend voll auszunutzen. Dennoch lösen wir bereits mehrere Probleme und Fragen im Einzelhandel und Logistiksektor, indem wir GenAI nutzen:

Wie viel Inventar habe ich im Lager, und wann sollte ich Nachbestellungen auslösen? Ist es profitabel, im Voraus zu lagern? Ist mein Landed-Preis richtig oder wird er steigen? Welche Artikel kann ich bündeln oder welche Art von Personalisierung kann ich anbieten, um meinen Gewinn zu erhöhen?

Um diese Fragen zu beantworten, benötigt es eine Kombination von konversationsbasierten Front-Ends, hochgenauen, datengetriebenen Abfragen im Hintergrund und einem domänenspezifischen Machine-Learning-Modell, das Vorhersagen und zukünftige Leitlinien liefert. Daher ist mein Rat an Unternehmen, ob Sie ein KI-Entdecker oder ein GenAI-Disruptor sind, Partner mit Dienstleistern, die nachgewiesene KI-Expertise und robuste Daten- und Analysefähigkeiten haben, die Sie in die Lage versetzen, GenAI-Modelle zu nutzen, die Ihren Geschäftsbedürfnissen entsprechen, und Ihnen helfen, vorne zu bleiben.