Jede Organisation verfügt über Daten. Das größte Problem, mit dem Unternehmen konfrontiert sind, ist die Nutzung dieser Daten, die Umwandlung vom Rauschen zum Signal. Es wird immer eine ewige Diskussion darüber geben, wann Unternehmen ihre Daten wirklich verstehen werden. Stattdessen sollten Unternehmen bedenken, dass es viele Möglichkeiten gibt und immer geben wird, wie sie aus ihren Daten Rückschlüsse ziehen können, um einen größeren Nutzen daraus zu ziehen.
Einer der wichtigsten Vorteile, die wir unseren Kunden bei der Nutzung ihrer Daten bieten, ist der Einsatz von KI, insbesondere von Gen AI, um diese größeren Werte aus ihren Daten zu erzielen.
Selbstorganisierende Daten für Finanzdienstleistungen
Daten gibt es überall, innerhalb und außerhalb von Organisationen. Eine der größten Aufgaben für jeden Mitarbeiter, der in einem Unternehmen mit Daten zu tun hat, ist die korrekte Kennzeichnung dieser Daten, um ihre Nutzung zu verbessern.
Bei Firemind haben wir mit mehreren Kunden zusammengearbeitet, um sie auf diesem Weg zu unterstützen, indem wir Gen AI einsetzen, um selbstorganisierende Pipelines für interne und externe Daten zu erstellen, mit dem Ergebnis, dass die Mitarbeiter des Unternehmens gezielte Signale erhalten, die ihnen helfen, bessere Entscheidungen zu treffen.
Wenn dies mit der Modernisierung der Datenpipeline kombiniert wird, können Unternehmen über ein kontinuierliches Schwungrad an gebündelten Informationen verfügen, die so gruppiert sind, dass sie den maximalen Wert aus diesen Informationen ziehen.
Mehr als Embeddings
Eine der Gefahren bei jeder Form der Modernisierung mit KI ist das Vertrauen darauf, dass "KI es schon selbst herausfinden wird".
Gehen wir ein Szenario durch: Stellen Sie sich vor, Sie haben drei Daten:
1. Torten unter 10 €
2. Torten unter 50 €
3. Torten unter 100 €
Betrachtet man diese Daten mit einer reinen Vektoreinbettungslinse, so zeigt sich, dass die drei Produkte sehr ähnlich sind, dass sie alle von Torten sprechen und dass es nur einen Unterschied im Vektorraum gibt.
Wir können diesen Test mit Amazon Bedrock auf AWS durchführen, ich habe das ausgezeichnete Einbettungsmodell von Amazon Titan (amazon.titan-embed-text-v1) verwendet:
Die Vektorunterschiede zwischen 1, 2 und 3 liegen bei über 90% (92,9% bzw. 94,5%). Aus analytischer Sicht können wir selbst bei der Kosinusähnlichkeit feststellen, dass diese Kategorien einem Computergehirn sehr nahe kommen.
Aus dem Kontext heraus wissen wir jedoch, dass, obwohl die Daten in Teil 3 auch Daten aus Teil 1 und 2 enthalten, wenn es sich um ein Empfehlungstool handelt und der Nutzer auf der Suche nach "Torten unter 10 €" ist, die Anzeige von Torten über 10 € ein schlechtes Kundenerlebnis ist.
Sich nur auf die Technologie zu verlassen, reicht möglicherweise nicht aus, und deshalb ist es so wichtig, den organisatorischen Ansatz für ihre Daten zu definieren.
Anmerkung: "festgelegt" bedeutet nicht, dass es sich nicht ändern kann.
Die Magie des System Prompt
Große Sprachmodelle sind zwar unglaublich leistungsfähig, wenn es darum geht, eine Antwort auf der Grundlage von Eingaben zu erzwingen, die ihnen zur Verfügung gestellt werden. In diesem Moment besteht alles, was sie tun, darin, unbedingt eine Antwort zu errechnen.
Das bedeutet, dass LLMs zwar ein unglaubliches Werkzeug im Arsenal eines jeden Unternehmens sind, dass aber auch in die Mitarbeiter des Unternehmens investiert werden muss, damit sie wirklich verstehen, wie sie dieser Maschine helfen können, besser mit ihrem Input umzugehen.
Ein wichtiger Ansatz besteht darin, so viele Grundlagen wie möglich bereitzustellen, einschließlich des System Prompts. Dieser Ansatz ermöglicht es uns, die Maschine mit den bestmöglichen Informationen auszustatten, die sie benötigt, um aus den Daten Schlüsse zu ziehen, einschließlich der Art und Weise, wie sie über die Organisation dieser Daten in Clustern "denken" kann, die von der Organisation genutzt werden können.
Und natürlich gibt es noch mehr: Bevor wir überhaupt an Fine-Tuning denken, sollten wir "Multi-Shot" verwenden (im Grunde eine große Anzahl möglicher Beispiele für den LLM bereitstellen, wie es die Daten schlussfolgern und zurückgeben soll) und Dokumente als Kontext bereitstellen (durch Anhänge oder RAG-Ansätze).
Diese Grundlage ist sehr wichtig, um dem Gehirn zu helfen, zu denken, Daten selbst zu beschreiben und zu organisieren, damit sie zu informativen Signalen für die Organisationen werden.
Modernisierung Ihres Modernisierungskonzepts
Einer der größten Vorteile von Firemind sind die Tools und Sandboxes, die wir unseren Kunden zur Verfügung stellen. Wir helfen den Teams unserer Kunden, die Möglichkeiten ihrer Modernisierungsstrategie in kleinere, leicht überschaubare und testbare Sprints aufzuteilen, nach dem Motto "groß denken, klein anfangen, schnell skalieren".
Ein Tool ist unsere PULSE-Suite. Damit können Unternehmen Gen AI-Tools sofort für ihre Teams einsetzen. PULSE unterstützt Kundenteams dabei, ihre menschliche Herangehensweise an die Auswertung ihrer Daten festzulegen, die dann zur Aktualisierung, Modernisierung und Organisation ihres Ansatzes zur Datenmodernisierung verwendet wird.
Partner von Firemind
Das Team der KI- und Datenspezialisten von Firemind kann Ihnen helfen, die transformative Kraft der KI zu nutzen. Wir arbeiten mit Ihnen zusammen, um die richtigen KI-Lösungen und AWS-Services für Ihre organisatorischen Anforderungen zu identifizieren, eine ethische Implementierung zu gewährleisten und Ihre Investitionsrendite zu maximieren.
