7 Tipps für einen erfolgreichen Einstieg in die generative KI

Künstliche Intelligenz. Ich habe in den letzten sechs Monaten nicht ein einziges Gespräch mit Kunden, Geschäftspartnern oder Kollegen geführt, in dem dieses Thema, insbesondere das der generativen KI, nicht zur Sprache gekommen ist. Unternehmen verfolgen bereits KI-First-Ansätze für neue Anwendungsfälle - sie versuchen in erster Linie, geschäftliche und technische Probleme mit generativer KI zu lösen. Und einige haben bereits Erfolg damit. Wir haben Kunden, die bereits nach wenigen Wochen von den Vorteilen für ihr gesamtes Unternehmen berichten können. Andere erforschen die Technologie vorsichtig, gründen Arbeitsgruppen, bringen die Technologie in ihre "Innovationslabore" und testen die generative KI, um herauszufinden, wie sie ihnen bei der Neugestaltung ihres Unternehmens helfen kann.

Der Vorteil eines kurzzeitigen, agilen Ansatzes

Einige Unternehmen haben durchaus Recht damit, vorsichtig zu sein und sich der Grenzen und Schwächen der generativen KI bewusst zu sein. Ich glaube jedoch, dass sie die Technologie aus einer Perspektive betrachten, die zu einer weiteren "Sackgasse der digitalen Transformation" führen könnte.

Was will ich damit sagen? Unternehmen, die eine ganzheitliche Top-Down-Sicht auf eine Umgestaltung haben, kommen oft zu dem Schluss, dass der Vorteil für das Unternehmen groß sein müsse. Sie denken vielleicht an einen mehrjährigen, mehrstufigen und von mehreren Interessengruppen getragenen Ansatz. Das ist zwar für die langfristige Planung gut, aber generative KI ist schwer zu berechnen. KI ist eine agile, sich ständig verändernde Technologie, die wie die meisten KI-Technologien darauf ausgelegt ist, sich in einem Tempo weiterzuentwickeln und zu verändern, wie wir es bisher nur selten, wenn überhaupt, erlebt haben. Es scheitert schnell, lernt, wendet das Gelernte an und probiert es erneut. Jedes Mal "lernt" und "entwickelt" es sich weiter und wird besser als die vorherige Generation. Aber im Gegensatz zu menschlichen Generationen können KI-Generationen in Monaten, Wochen, Tagen und sogar Minuten bemessen werden. Es ist wichtig, bei der Entwicklung einer KI-Lösung einen Top-Down-Ansatz zu verfolgen und zu überlegen, wo Sie die Lösung einsetzen können, um einen schnellen Nutzen für Ihr Unternehmen zu generieren. Die Umstellung auf eine agile Methode bedeutet, dass Sie flexibel reagieren können, wenn sich neue technische Fortschritte in der generativen KI ergeben.

Ich würde sogar eher behaupten, dass ein praktischerer, kurzzeitiger, agiler Ansatz erforderlich ist. In anderen Worten also: Ein Ansatz, der sich zunächst mit kleinen, schrittweisen Änderungen befasst, vielleicht zunächst an den internen Geschäftsprozessen. Im Laufe der Zeit werden sich diese Änderungen zu erheblichen Kosteneinsparungen, besseren Geschäftsprodukten und neuen Möglichkeiten für die Kunden, Ihre Produkte und Dienstleistungen zu nutzen, summieren.

7 getestete Tipps für den Einstieg in KI

In diesem Sinne möchte ich Ihnen einige Dinge vorstellen, die ich bei unseren Unternehmenskunden beobachtet habe und die Ihnen bei der Planung und Durchführung Ihrer generativen KI- und anderer KI-Projekte helfen könnten.

1. Fangen Sie klein an. Finden Sie Anwendungsfälle in Ihrem Unternehmen, die innerhalb von Wochen oder Monaten erledigt werden könnten, anstatt mehrjährige Projekte zu planen.
2. Verfolgen Sie einen agilen, schrittweise arbeitenden, schnellen Ansatz. Zu Beginn liefert die von Ihnen gewählte generative KI möglicherweise nicht die richtige Lösung; sie könnte sich irren. Finden Sie heraus, warum das so ist, probieren Sie neue generative KI-Modelle aus, passen Sie die Eingabeaufforderung an, während Sie den Umfang begrenzt halten, und beobachten Sie regelmäßig den Fortschritt.
3. Verlassen Sie sich nicht nur auf eine einzige GenAI. GenAI und die zugrundeliegenden Modelle, die verwendet werden, entwickeln sich schnell weiter und werden mit jeder neuen Version leistungsstärker.
4. Stellen Sie sicher, dass sich Ihr Tech-Stack mit der GenAI zusammen weiterentwickeln kann. Wählen Sie eine Datenplattform, die skalierbar, sicher und flexibel ist, wenn es um die Daten geht, die Sie der GenAI freigeben.
5. Ihre Daten, Ihre KI. Öffentlich verfügbare generative KI wird nicht auf Ihren eigenen, privaten Daten trainiert. Sie müssen einen Weg finden, die generative KI mit Ihren eigenen Daten zu füttern, damit sie eine nuanciertere und genauere Lösung für Ihre Anfrage liefern kann. Deshalb ist eine RAG-basierte Architektur mit sicheren Daten, die in einem Wissensgraphen verbunden sind, der von einer Datendrehscheiben-Plattform unterstützt wird, so wichtig.
6. Stellen Sie sicher, dass Ihre Daten nicht nur fehlerfrei, sondern auch vernetzt sind. Dies ist der Knackpunkt, an dem Ihr Large Language Mode (LLM) scheitern kann, wenn es nicht ordnungsgemäß mit fehlerfreien, strukturierten Daten versorgt wird. Eine Datenplattform, die in der Lage ist, Daten zu modellieren, sie für die Anwendung zu pflegen und diese Arbeit in großem Umfang zu steuern, ist von entscheidender Bedeutung.
7. Analysieren Sie Ihre Daten, um Einblicke in Ihr Unternehmen zu erhalten. Während diese Aufgabe in der Regel von Daten-/Informationsingenieuren übernommen wird, verfügen diese nicht immer über das nötige Fachwissen, um zu wissen, was die Einblicke tatsächlich bedeuten. Mit einer semantischen KI-Datenplattform kann dieses Informationsaufbereitung automatisiert und auf die Ebene skaliert werden, die LLMs und KIs benötigen. So kann die GenAI auf Daten zugreifen, die mit erweiterten Metadaten versehen, getaggt und klassifiziert sind - mit Fakten, die mit einem geschäftsorientierten, regelbasierten, semantischen Wissensmodell verknüpft sind. Auf diese Weise wird das menschliche Fachwissen Ihrer Fachexperten genutzt, mechanisiert und in großem Umfang auf Ihren Datenbestand angewendet.

Insgesamt bieten diese Tipps eine solide Grundlage für Ihr generatives KI-Projekt. Eines ist jedoch klar: Um eine agile, zuverlässige und genaue generative KI zu entwickeln, benötigen Sie eine moderne Datenplattform mit einer Multi-Modell-Datenbank, die in der Lage ist, semantisch verknüpfte Daten zu verarbeiten, die mit kontextbezogenen Metadaten über die gespeicherten Daten erweitert werden. An dieser Stelle kommt die Progress Data Platform ins Spiel, die auf Progress MarkLogic und Progress Semaphore basiert. Die beiden Technologien arbeiten zusammen, um eine Grundlage für Ihre GenAI-Anwendung und eine Plattform für zukünftige KI-gestützte Innovationen zu schaffen.

Wir haben uns mit RAG-basierter generativer KI ausgiebig beschäftigt, insbesondere mit der Frage, wie die Progress Data Platform generative KI-Bemühungen im gesamten Unternehmen unterstützen kann. In unserer YouTube-Playlist zu generativer KI, finden Sie Reihe von kurzen On-Demand-Webinaren.