Die letzten Jahre in der KI
Große Sprachmodelle (LLMs) verändern die Welt schneller als fast jede Innovation der letzten Zeit. Sie stützen sich auf sehr einfache Algorithmen, die von biologischen neuronalen Netzwerken inspiriert sind. Das Ergebnis überraschte die Welt. Es war effektiv, mit einem Gesprächspartner zu sprechen. Es ist die Rechenleistung, die es ermöglicht, das Äquivalent von Milliarden von Neuronen zu simulieren. Der Turing-Test, der seit den Anfängen theoretischer Software als Methode zur Bewertung der Intelligenz eines Systems galt, wäre bestanden und wird zu einem beweglichen Zielpunkt.
Andererseits verändert die stabile Diffusion auch die Bild- und Videogenerierung. Es verspricht, einen intelligenten Agenten zum Leben zu erwecken, der Menschen bei Aufgaben ähnlich wird oder sie sogar übertrifft.
Natürlich versuchen wir, KI überall dort einzusetzen, wo Menschen aktiv sind. Dazu gehören Kunst, Musik, Marketing und mehr (sogar das Bild oben in diesem Blogbeitrag ist von KI gemacht) und vieles mehr.
In der Zwischenzeit Stabile Diffusion verändert die Welt der Bild- und Videogenerierung und verspricht, einen multimodalen intelligenten Agenten zum Leben zu erwecken, der Menschen bei fast allen Aufgaben ähnlich oder sogar besser wird.
Natürlich versuchen wir herauszufinden, wie KI in allen Bereichen der Gesellschaft eingesetzt werden kann, in denen Menschen derzeit aktiv sind, von Kunst über Musik bis Marketing (sogar das Bild oben in diesem Blogbeitrag ist von KI gemacht) bis hin zu... nun... allem anderen.
KI und Datenanalyse: eine leistungsstarke und riskante Kombination
Bestehende Analyseunternehmen statten ihre bestehenden Systeme mit KI aus, während neue entstehen, die KI und Datenanalyse zusammenführen. Schauen wir uns also an, was das bedeutet.
Was ein sofort einsatzbereites LLM sehr gut kann, ist, in natürlicher Sprache (NLP) zu sprechen und ein ziemlich vernünftiges, wenn nicht perfektes Verständnis der Welt mitzubringen. Dies bedeutet, dass es den Kontext verwendet, der sich aus den Anweisungen des Endbenutzers ergibt. Es kann Benutzern gute Antworten geben. Der Benutzer kann beurteilen, verfeinern und weitere Antworten erhalten. Dieser Vortrag ist entscheidend, um sicherzustellen, dass die Informationen aus der Interaktion richtig, vollständig und nützlich sind. Ohne die Leute auf dem Laufenden, wer würde das verstehen Halluzinationen und Missverständnisse im neuronalen Netzwerk?
In einer perfekten Welt mit perfekten LLMs würden der LLM und der Mensch alle Datenkonzepte kennen. Jede Anfrage würde zu vernünftigen Ergebnissen führen. Wir würden davon träumen, direkt mit der KI zu sprechen, als wäre sie eine sachliche Verkörperung des Unternehmens. Ein bisschen ähnlich wie die Initiative von Jordan Peterson, der möchte, dass wir uns mit der Bibel unterhalten können, nachdem wir den LLM darin geschult haben. Es lohnt sich jedoch, die Auswirkungen einer Halluzination eines LLM auf den Inhalt der Bibel in Betracht zu ziehen. Das unterscheidet sich von einer Halluzination über Ihr Unternehmen. Hier müssen wir alle vorsichtig sein. Wir müssen für eine hohe Kontrolle auf menschlicher Ebene sorgen und die Rückverfolgbarkeit der Reaktionen des Systems transparent gestalten. Dies gilt insbesondere dann, wenn wir auf der Grundlage der Erkenntnisse, die das KI-/Datensystem generiert, sofortige Maßnahmen ergreifen.
Wo könnten wir dann sinnvoll eine KI einbinden?
Ein künstliches Intelligenzsystem wird anhand einer extrem großen Auswahl an Informationen aus dem Internet vortrainiert. Danach wird es von Menschen so eingestellt, dass es gut darin wird, Fragen richtig zu beantworten. Das daraus resultierende System ist daher äußerst beeindruckend darin, fast jede Art von Konversation zu jedem Thema zu führen und den Endbenutzer zufrieden zu stellen.
Es ist also sofort einsatzbereit und verfügt über das Wissen eines Managers, eines Datenwissenschaftlers, eines Analysten, eines Softwareingenieurs und KI-Spezialisten sowie den größten Teil des spezifischen Domänenwissens Ihres Unternehmens.
Das bedeutet, dass es auch ohne weitere technische oder integrative Maßnahmen bereits einen Mehrwert für jemanden bieten kann, der seine Daten verstehen muss. Wir können ihm einfach Fragen stellen, wie Daten am besten präsentiert werden können, welche Analysen in einer bestimmten Geschäftssituation sinnvoll sind oder mehr. Das ist, als würde man mit einem externen (KI) Data Coach arbeiten.
KI-Anwendungsfälle in (eingebetteten) Datenanalysen
- Wenn wir noch einen Schritt weiter gehen, können wir es mit den Details unseres eigenen Datenmodells präsentieren und es um Hilfe bitten, die Analysen in Zieltechnologien zu entwickeln, die in unserem Datenstapel Sinn machen. Bei richtiger Integration kann das sogar bedeuten, dass ein (KI-) Datenanalyst Analysen mit Kenntnis Ihres Unternehmens und Ihrer Daten entwirft und diese Analysen direkt an Ihrem Datensatz ausführen kann.
- Noch einen Schritt weiter: Wir können die Daten zusammen mit den Fragen präsentieren und die KI dazu bringen, Muster zu finden, die wir sonst nicht entdeckt hätten. Das bedeutet, dass Ihr (KI-) Datenanalyst im Rahmen des Gesprächs nicht nur auf die Semantik Ihres Unternehmens aufmerksam wird, sondern auch auf dessen genauen STATUS. Es wäre, als würden Sie einen KI-Datenexperten einladen, an Ihren Daten zu arbeiten.
- Schließlich könnten wir uns vorstellen, eine nächste Stufe der Feinabstimmung hinzuzufügen, die das LLM weiter trainiert und so abstimmt, dass eine KI die Welt kennt, Konversationen versteht und Ihr Geschäfts- und Datenmodell nativ versteht. Das wäre so, als würden Sie einen künstlichen Experten ausbilden, der sich Ihrem Team anschließt, um Ihnen Mehrwert zu bieten.
Jeder dieser Schritte geht mit einer zunehmenden Integration zwischen dem Start-LLM und dem bestehenden System einher und muss daher sorgfältig geprüft werden, beispielsweise im Hinblick darauf, wo Ihre Daten außerhalb Ihres Unternehmens landen. Hüten Sie sich hier vor Compliance-Risiken!
Die Ebenen der Konversation
KI-Datencoach
Bei der Aufforderung Chat GPT oder andere LLMs mit Fragen zu Kennzahlen, die für Ihr Unternehmen relevant sind, erhalten Sie in der Regel sehr gute Antworten zurück und können das Gespräch fortsetzen, wenn Sie weitere Informationen benötigen.
Ein Beispiel aus ChatGPT:
„Ich arbeite in einem datenorientierten Softwareunternehmen und möchte die Effektivität unserer Marketinginitiativen anhand der Konversionsraten unseres Marketing-Funnels beurteilen. Was würde ein Datenwissenschaftler empfehlen, um dieses Ziel zu erreichen? Machen Sie eine Zusammenfassung auf hoher Ebene.“
Um die Effektivität Ihrer Marketinginitiativen anhand der Konversionsraten des Marketing-Funnels zu beurteilen, würde ein Data Scientist Folgendes empfehlen:
1. Metriken definieren: Identifizieren Sie wichtige Leistungsindikatoren (KPIs) für jede Stufe des Trichters.
2. Datenerfassung: Sorgen Sie für robuste Datenerfassungsmethoden, um Benutzerinteraktionen und Konversionen zu verfolgen.
3. Analyse: Führen Sie statistische Analysen und A/B-Tests durch, um verschiedene Marketingstrategien zu vergleichen.
4. Attributionsmodellierung: Verwenden Sie Modelle, um die Auswirkungen verschiedener Marketing-Touchpoints zu ermitteln.
5. Prädiktive Analytik: Prognostizieren Sie zukünftige Trends und identifizieren Sie Bereiche mit Optimierungsbedarf.
6. Kontinuierliche Überwachung: Überprüfen Sie regelmäßig die Kennzahlen und passen Sie Strategien auf der Grundlage datengestützter Erkenntnisse an.
KI-Datenanalyst
Wenn Sie Ihr Datenmodell beschreiben und was Sie bewerten möchten, kann Ihnen der LLM, in seinem Fall ChatGPT, Abfragen und Algorithmen in den Formaten Ihres Systems zurückgeben. Diese wiederum liefern Ihnen die Ergebnisse direkt aus Ihren Daten.
Ein Beispiel aus unserem Prototyp:
# Geben Sie den Vor- und Nachnamen jedes Kunden zusammen mit dem Datum der letzten Ausleihe und dem Namen des Films an, der am letzten Ausleihdatum ausgeliehen wurde, und ordnen Sie das Ergebnis nach Vor- und Nachnamen des Kunden.
WÄHLEN
c.first_name ALS kunden_vorname,
c.last_name ALS Kundennachname,
MAX (r.rental_date) ALS last_rental_date,
f.title ALS Filmtitel
VON
Kunde c
JOIN rental r ON c.customer_id = r.customer_id
JOINT-Inventar i ON r.inventory_id = i.inventory_id
SCHLIESSE EINEN FILM VON ON AN i.film_id = f.film_id
WO
r.rental_date = (
WÄHLEN SIE MAX (rental_date)
VON rental r2
WO r2.customer_id = r.customer_id
)
GRUPPIEREN NACH
c.customer_id
BESTELLEN NACH
c.vorname, c.nachname;
Experte für KI-Daten
Wenn Sie den LLM mit einer formalen Beschreibung Ihres Datenmodells ZUSAMMEN mit den Daten und dem, was Sie bewerten möchten, beauftragen, kann es Ihnen direkte Einblicke in Ihre Daten geben. Nun, das wird schwierig, weil Sie im Grunde genommen eine Antwort herausbekommen, aber es ist sehr schwierig, die Qualität dieser Antwort im Hinblick auf mögliche Fehler, die in der Argumentation des LLM verborgen sind, formell zu beurteilen. ChatGPT 4o stellt derzeit den Python-Code zur Verfügung, den es zur Beantwortung Ihrer Frage erstellt hat. Dieser könnte von einem Menschen überprüft werden, bevor er darauf reagiert. Nichtsdestotrotz — wenn es vorsichtig behandelt wird — wird es Antworten geben, die Sie manchmal überraschen und die ein sehr langwieriges Data-Science-Projekt gewesen wären, um Sie selbst zu erreichen, insbesondere bei großen Datensätzen.
Ein Beispiel aus unserem Prototyp:
# Auf welches Land sollte sich unser Unternehmen konzentrieren, um den Umsatz im Jahr 2025 zu maximieren?
Auf der Grundlage der bereitgestellten Informationen ist es nicht möglich, definitiv zu sagen, auf welches Land sich ein Unternehmen konzentrieren sollte, um den Umsatz im Jahr 2025 zu maximieren. Wir können uns jedoch Trends und potenzielle Faktoren ansehen, die die Verkaufsleistung beeinflussen könnten:
1. Japan: Die Verkäufe waren mit Beträgen von 100.000$ und 90.000$, die in diesem Land verzeichnet wurden, konstant hoch. Dies deutet auf eine stetige Leistung hin.
2. Frankreich: Obwohl der Umsatz 2023 relativ niedrig war (4.000 USD), war der Betrag für Japan ähnlich niedriger als üblich (50.000 USD). Ein erheblicher Anstieg ist möglich, wenn sich die Bemühungen auf die Verbesserung der Vertriebsstrategien oder die Marktdurchdringung in Frankreich konzentrieren.
3. USA: Der Umsatz belief sich 2024 auf 2.000 USD und 2023 auf 5.000 USD. Dieses Land weist eine gewisse Variabilität auf, bietet aber Verbesserungspotenzial.
4. China: Eine konstante Leistung mit einem Umsatz von 70.000 USD und 50.000 USD deutet auf Stabilität und Wachstumspotenzial durch gezieltes Marketing oder die Erweiterung des Marktanteils hin.
5. Spanien und Italien: Beide haben relativ niedrige Verkaufszahlen (jeweils 5.000 USD) verzeichnet, aber im Jahresvergleich konstante Beträge. Es besteht die Möglichkeit eines Wachstums, wenn strategische Initiativen zur Umsatzsteigerung eingeführt werden.
6. Allgemeiner Trend: Japan scheint auf der Grundlage der bereitgestellten Daten im Vergleich zu anderen Ländern in Bezug auf die Verkaufsmenge durchweg stark zu sein.
Entscheidungsprozess:
- Marktpotenzial: Analysieren Sie die Marktgrößen und die potenzielle Nachfrage nach Produkten/Dienstleistungen in jedem Land.
- Wachstumsraten: Berücksichtigen Sie historische Wachstumsraten und prognostizierte zukünftige Wachstumstrends.
- Strategische Ausrichtung: Stellen Sie fest, ob die strategischen Ziele Ihres Unternehmens besser zu bestimmten Märkten oder Ländern passen, je nachdem, ob sie zu den allgemeinen Unternehmensstrategien passen (z. B. Technologiefokus, geografische Expansionspläne).
- Wettbewerbsanalyse: Verstehen Sie, wie Wettbewerber in diesen Regionen abschneiden, um potenzielle Marktlücken und -chancen zu identifizieren.
- Wirtschaftliche und politische Faktoren: Berücksichtigen Sie die wirtschaftliche Stabilität, die Regierungspolitik und die Vorschriften, die sich auf den Geschäftsbetrieb auswirken könnten.
Schlußfolgerung:
Allein aufgrund der Verkaufsdaten von 2023 und 2024 zeichnet sich Japan durch konstant hohe Verkaufszahlen aus. Für die Entscheidungsfindung im Jahr 2025 gilt jedoch:
- Bei der Maximierung kurzfristiger Gewinne: Angesichts der konstanten Leistung Japans mag es ratsam sein.
- Wenn es um langfristiges Wachstum geht: Länder mit höheren potenziellen Marktgrößen oder schnelleren prognostizierten Wachstumsraten (wie China) könnten mehr Chancen bieten.
- Wenn Sie versuchen, das Risiko zu diversifizieren: Die Konzentration auf Länder wie Frankreich oder Spanien könnte dazu beitragen, die Risiken auf verschiedene Märkte zu verteilen.
Um eine fundierte Entscheidung zu treffen, wäre eine weitere Analyse dieser Faktoren und möglicherweise die Erfassung aktuellerer Daten von Vorteil.
KI-Experte und Mitarbeiter
Wenn Sie das LLM anhand Ihrer Datensätze und Ihres Analyseverlaufs optimieren, können Sie noch mehr relevante Informationen aus dem System herausholen. Dies in Echtzeit oder nahezu in Echtzeit durchzuführen, ist jedoch kostspielig in Bezug auf Hardwarekosten, Fähigkeiten und investierte Arbeitskräfte. Ich bezweifle nicht, dass in den kommenden Jahren viele neue Innovationen sowohl in der Wissenschaft als auch in der Technik, die hinter LLMs stehen, und die Art und Weise, wie Rechenleistung bezogen wird, diese Kosten senken werden, aber in diesem Stadium. Dieses Maß an Arbeitsaufwand und Rechenzeit wird sich nur für sehr große Unternehmen mit sehr komplexen Anforderungen lohnen.
Unsere KI-Prototypen
Wir entwickeln Prototypen rund um die Optionen AI Data Analyst und AI Data Expert und werden in ein paar Wochen Videos zur Verfügung stellen, um zu sehen, wie das in ICCube passt. In der Zwischenzeit, wenn Sie von uns hören möchten, was wir in Aktion haben, bitte Eine Diskussion vereinbaren wenden Sie sich an unser Team und geben Sie an, dass Sie über KI sprechen möchten — wir würden uns freuen, mit Ihnen zu sprechen!
Und zum Schluss noch ein Demonstrationsvideo, das Sie interessieren könnte!