Start

Künstliche Intelligenz

Kontakt aufnehmen

01 Relevanz

Wie ein Mensch handeln

Unter künstlicher Intelligenz (KI) bzw. artificial intelligence (AI) verstehen wir die Fähigkeit eines Computers, menschliche Fähigkeiten wie logisches Denken, Lernen, Planen und Kreativität zu imitieren. Der Computer tut so, als wäre er ein Mensch, indem er Aufgaben wie ein Mensch bewerkstelligt: Aufträge automatisch erfassen, Unternehmensdokumente nach wesentlichen Informationen selbständig durchsuchen, Abfragen im ERP-System via Spracheingabe durchführen und verfeinern lassen und vieles mehr. Auch wenn derzeit generative AI (artificial intelligence) unsere Aufmerksamkeit dominiert, mittels der wir Sprache, Bilder oder ganze Dokumente erzeugen bzw. diese verstehen, so gibt es noch weitere Disziplinen innerhalb der KI wie maschinelles Lernen (ML), die wir gerade für automatisierte Datenanalyse verwenden. Wir wenden AI auf Ihre Anwendungen und Daten im Unternehmen so an, dass der Mensch wieder kreativ seine Geschäft gestalten kann. Denn das kann AI auf absehbare Zeit nicht.

KI im Unternehmen nutzen

KI wurde Ende 2022 durch den massiven Einsatz von Rechenleistung seitens OpenAI und Microsoft alltagstauglich. Es wurden große Sprachmodelle (large language models, LLM) mit immensen Daten so trainiert, dass über eine sprachliche Abfrage, zumeinst einen oder mehrere Sätze, eine Antwort erzeugt wurde: Generative AI war in aller Munde. Seitdem konzentrieren wir uns darauf, die führenden AI Modelle und Plattformen nutzbringend in Unternehmen einzusetzen. Wir automatisieren die Auftragserfassung aus PDF-Dokumenten, Excel Sheets, E-Mail Texten und beliebigen anderen unstrukturierten Quellen. Mithilfe von KI können wir jetzt das verstehen und in allen möglichen Unternehmenssystemen automatisiert weiterverarbeiten, was bislang mühevoll zahlreiche Menschen eingeben mussten. Eine enorme Kostenersparnis und Erleichterung!

Grenzen und Kompetenz
Auch wenn sich viele ChatGPT Fans als KI-Experten bezeichnen und ein KI-Modell zumeist eine Black-Box ist (auch für Profis), so muss man diese Technologie verstehen, um ihre Grenzen zu kennen. Warum? Weil gerade generative AI sonst falsche Ergebnisse liefert, die teuer werden können. Da große Sprachmodelle letztlich nur Wörter aneinander reihen (Competion), die in dem vorgegebenen Kontext (Prompt) passen, hat ein AI Modell selbst kein Verständnis vom Inhalt seines Produktes. Dasselbe gilt für erzeuge Bilder, Töne usw.. Was ein AI Modell als „passend“ erachtet, hängt im Wesentlichen von den Daten ab, mit denen es trainiert wurde. Diese Daten haben das Modell kalibriert (parametrisiert). Daher ist es unabdingbar, die Funktionsweise von KI genau zu verstehen. Dasselbe gilt für die begleitenden Methoden wie Fine Tuning, Few-Shots, Embeddings, Retrieval Augmented Generation oder Vector Search. Nur so kann ein AI Projekt im Unternehmen die Erwartungen erfüllen.

02 Erfolgsfaktoren

Mit einem AI Modell alleine ist noch nichts gewonnen. Erfolgsentscheidend ist ein methodisches Vorgehen, um eine mittels AI lösbare Aufgabe zu bewältigen. Zuallererst muss auf eine hohe Grundqualität der verwendeten Daten Wert gelegt werden. Stimmt diese nicht, ist Hopfen und Malz verloren. Sodann muss die passende AI Methodik gewählt werden. Da AI niemals eine 100%ige Genauigkeit (Accuracy) liefern kann, wird oft eine Kombination mehrere Modelle und Herangehensweisen gewählt, die mit einander verglichen werden. Sicher ist sicher. Letztlich ist AI für sich alleine genommen niemals das einzige Tool, um ein AI Projekt zum Erfolg zu führen. Spezielle Datenbanken, ergänzende Cloud-Dienste und einige andere Helferlein kommen zum Einsatz, um die nötige Ergebnisqualität zu liefern.

Wir sind uns aller Stärken aber auch Schwächen dieser Technologie bewusst. Haben wir an einer Stelle Zweifel, probieren wir zuerst den fragliche Punkt aus, bevor wir eine Aussage treffen. So können wir die in uns gesetzte Erwartung erfüllen und unserer ingenieursmäßigen Vorgehensweise treu bleiben. Zudem setzen wir AI Plattformen und Modelle immer nach deren Leistungsfähigkeit und Passgenauigkeit auf die jeweiligen Anforderungen an. Wir sind keinem Anbieter verpflichtet und legen uns nicht fest. Zu jung und disruptiv ist dieses Gebiet, als dass eine Einschränkung ernsthaft mögich wäre.

03 Vorgehen

Datenqualität

AI lebt von Daten. Daten, mit denen man ein Modell füttert, um aus diesen Erkenntnisse zu ziehen. Daten und Metadaten, die dem Modell eine konkrete Vorstellung geben, wie es diese zu verstehen hat. Deshalb ist eine kluge Auswahl der Eingangdaten entscheidend und auch der erste Schritt. Shit in, shit out, gilt hier besonders. Genauigkeit und Erfahrung bei dieser Kalibrierung legen den Grundstein für die Qualität der Ergebnisse (Accuracy). Wir messen die Ausgangsqualität und optimieren das Setup, sodass die nötige Grundqualität der Daten erreicht wird.

Training und Verifikation

AI Modelle sind in der Regel vortrainiert. Das Training eines eigenen, „leeren“ Modells ist zeitaufwändig und sehr kostspielig; immense und teure Rechenleistung wird benötigt. Aus diesem Grund kommen vortrainierte Modelle zum Einsatz, die verfeinert werden. Dies geschieht auf mehrere Arten: Wir wenden sowohl Fine-Tuning als auch Labeling, Prompt Design oder Few-Shot Training an. Halluzinationen von GenAI vermeiden wir durch Retrieval Augmented Generation, der Anwendung von GenAI auf proprietäre, konkrete Daten des Unternehmens. Die Maßnahmeneffektivität messen wir nach jedem Schritt.

Wurden die eingesetzen AI Modelle optimiert, verifizieren wir mit Testdaten deren Effektivität, um die Accuracy (Genauigkeit) im Produktiveinsatz abschätzen zu können. Anschließend wenden wir die AI Lösung in mehreren Iterationen auf Produktivdaten an und integrieren die Ergebnisse in die Unternehmensabläufe. ERP, WMS, TMS, OMS usw. werden dann mit den automatisiert erzeugten Daten versorgt.

Bei Enterprise Search Projekten, der Anwendung von sprachlicher Suche auf Unternehmensdaten und -anwendungen, führen wir Parallelarbeiten durch, bei denen konventionelle Abfragen mit jenen der AI-unterstützten automatisch verglichen werden. Werden Unternehmensanwendung z.B. über von uns entwickelten oder fertigen Plug-ins über GenAI Methoden automatisch gesteuert und mit Daten bestückt, so prüfen wir die Korrektheit der Eingaben ebenfalls automatisiert ab. Hier kommen API, RPA, Schnittstellen oder Datenbankzugriffstechnologien zum Einsatz. Korrektheit geht über alles.

Qualitätssicherung

Wir loggen und werten alle AI Aktivitäten aus. Aufgrund des stochastischen Elements in allen AI Verfahren ist dies unumgänglich, um brauchbare Ergebnisse zu erzielen. Falsche oder risikobehaftete Ergebnisse identifizieren wir automatisiert und schleusen diese an Sachbearbeiter oder Externe zur Überprüfung und etwaigen Korrektur aus. AI ohne laufende Qualitätssicherung ist ein Glücksspiel, welches bereits in der Implementierungsphase durch geeignete Maßnahmen unterbunden werden muss. Sichere Identifikation von falschen Ergebnissen haben wir in unserer Methodik der Geschäftsprozessautomatisierung fest verankert und wenden das auch bei AI zuverlässig an. 

Das sagen Kunden

Text Kunden

 

Nachricht von der Seite »Künstliche Intelligenz«