{"id":25119,"date":"2023-10-11T10:00:39","date_gmt":"2023-10-11T08:00:39","guid":{"rendered":"https:\/\/www.sysbus.eu\/?p=25119"},"modified":"2023-09-28T10:15:32","modified_gmt":"2023-09-28T08:15:32","slug":"die-vorteile-von-generativer-ki-sicher-im-unternehmen-nutzen","status":"publish","type":"post","link":"https:\/\/www.sysbus.eu\/?p=25119","title":{"rendered":"Die Vorteile von generativer KI sicher im Unternehmen nutzen"},"content":{"rendered":"\n

Autor\/Redakteur: Daniel Fallmann, Gr\u00fcnder und Gesch\u00e4ftsf\u00fchrer von Mindbreeze<\/a>\/gg<\/p>\n\n\n\n

Generative KI beziehungsweise Large Language Models haben es mit Tools wie ChatGPT (Chat Generative Pre-trained Transformer) innerhalb k\u00fcrzester Zeit geschafft, ein wichtiger Bestandteil des Privat- und Arbeitslebens vieler Menschen zu werden. T\u00e4tigkeiten, die fr\u00fcher dem menschlichen Verstand vorbehalten waren, wie beispielsweise das Erstellen von Texten, das Zusammenfassen von Inhalten oder Brainstorming, erledigt die KI heute auf Knopfdruck.<\/p>\n\n\n\n

\"\"<\/a>
KI-basiertes Relevanzmodell (Quelle: Mindbreeze)<\/figcaption><\/figure>\n\n\n\n\n\n\n\n

Die Akzeptanz dieser fortschrittlichen Anwendungen ist dabei hoch. Das geht aus der Studie \u201eWhy consumers love generative AI<\/a>\u201d des Capgemini Research Institutes hervor. So verfolgen 51 Prozent der Verbraucher weltweit die neuesten Trends rund um generative KI und haben entsprechende Tools auch bereits ausprobiert.<\/p>\n\n\n\n

Doch zun\u00e4chst: Was ist generative KI und was sind Large Language Models?<\/strong><\/p>\n\n\n\n

Generative KI (Generative AI, GenAI) ist eine innovative Technologie, die KI und Algorithmen des Machine Learnings einsetzt, um Maschinen beizubringen, aus vorhandenen Texten, Audiodateien, Bildern oder Originalmustern eigenst\u00e4ndig zu \u201elernen\u201c um dann auf Basis dieser gelernten Modelle neue Inhalte zu erschaffen. Dabei lernen die Systeme auf Basis von Trainingsdaten Muster zu erkennen und Inhalte zu erstellen, die Menschen letztendlich als authentisch wahrnehmen.<\/p>\n\n\n\n

Im Zusammenhang mit textbasierten Inhalten spricht man von Large Language Models. Diese basieren auf neuronalen Netzwerken mit Transformer-Architektur und dienen ganz konkret der Verarbeitung der nat\u00fcrlichen Sprache in Texten. Das geht dabei weit \u00fcber das Verstehen von einzelnen W\u00f6rtern hinaus. Es geht darum, gesamte S\u00e4tze und Texte und ihre semantische Bedeutung sowie die Intention dahinter zu ermitteln, zu verstehen, zusammenzufassen und neue zu generieren \u2013 und das trotz der \u00fcblichen menschlichen Fehler (etwa Tippfehler), Dialekte oder der Mehrdeutigkeit der menschlichen Sprache. Integriert in spezielle Anwendungen sind sie damit in der Lage, Inhalte und ihre Bedeutung korrekt zu verstehen und ad\u00e4quat auf Abfragen zu reagieren, und schaffen damit eine einzigartige dialogbasierte Kommunikation.<\/p>\n\n\n\n

Generative KI birgt damit ein enormes Transformationspotenzial. Gerade wenn es um den professionellen Einsatz in Unternehmen geht, ergeben sich aber zahlreiche Herausforderungen.<\/p>\n\n\n\n

Eine gro\u00dfe H\u00fcrde f\u00fcr Unternehmen besteht darin, sicherzustellen, dass generative KI, im speziellen Large Language Models, exakte und vertrauensw\u00fcrdige Inhalte generieren. Eine M\u00f6glichkeit, diesem Risiko entgegenzuwirken, ist die Anbindung zuverl\u00e4ssiger Datenquellen. Dies gelingt beispielsweise durch den Einsatz von innovativen Wissensmanagementl\u00f6sungen, sogenannten Insight Engines. Die Integration von vortrainierten Large Language Models in den Kern dieser Systeme (via Prompt Engineering) hilft dabei die Schw\u00e4chen der Modelle auszugleichen. W\u00e4hrend Large Language Models \u00fcber gute F\u00e4higkeiten im Bereich der Verarbeitung und Generierung der menschlichen Sprache verf\u00fcgen, \u00fcberwinden Insight Engines die genannten H\u00fcrden durch Datenaktualit\u00e4t, Konnektivit\u00e4t und Validierung der Quellen. Das Ergebnis ist die bestm\u00f6gliche Basis f\u00fcr Generative AI im Unternehmenskontext.<\/p>\n\n\n\n

Umfassender Zugang zu relevanten Informationen<\/strong><\/p>\n\n\n\n

Insight Engines kombinieren klassische Enterprise-Search-Technologien mit K\u00fcnstlicher Intelligenz und erm\u00f6glichen einen raschen, ressourceneffizienten Zugriff auf Unternehmensdaten. Dazu f\u00fchren sie alle Informationen aus den unterschiedlichen Unternehmensdatenquellen in einen Suchindex zusammen. Kommt es zu einer Suchanfrage, durchsucht die Insight Engine angebundene Fachanwendungen oder Datenbanken, analysiert die Inhalte, extrahiert die abgefragten Informationen und stellt sie entsprechend aufbereitet dem Anwender zur Verf\u00fcgung.<\/p>\n\n\n\n

Im Gegensatz zu Anwendungen wie ChatGPT, deren Datenbasis auf \u00f6ffentlich zug\u00e4nglichen Informationen beruht, verwenden Insight Engines die vorhandenen und vorab angebundenen Unternehmensdaten als Basis f\u00fcr maschinelles Lernen. Das intergierte Large Language Model lernt damit von den spezifischen im Unternehmen vorhanden Daten sowie den Anwendern und ihrem Verhalten. Die Integration macht den Datenursprung nachvollziehbar, verschafft Anwendern die M\u00f6glichkeit sensible und gesch\u00e4ftskritische Informationen abzufragen und sorgt f\u00fcr fundierte sowie personalisierte Ergebnisse.<\/p>\n\n\n\n

Welches Sprachmodell dabei eingesetzt wird, ist bei vielen Insight Engine Hersteller dem Anwender \u00fcberlassen. Meist k\u00f6nnen Unternehmen durch den Einsatz von Transformer Modellen sowie Schnittstellen zu offenen Standards jedes beliebige Modell verwenden, sei es ein selbst erstelltes Modell oder ein evaluiertes Modell aus Communities wie Hugging Face.<\/p>\n\n\n\n

Kampf gegen Datenhalluzination durch Validierung und Quellenangaben<\/strong><\/p>\n\n\n\n

Sogenannte Datenhalluzination ist eines der h\u00e4ufigsten und gr\u00f6\u00dften Risiken im Zusammenhang mit \u00f6ffentlichen GenAI Modellen. Dabei handelt es sich um falsche Antworten und Erkenntnisse, die auf den ersten Blick durchaus vertrauensw\u00fcrdig erscheinen. So erfinden \u00f6ffentlich verf\u00fcgbare Modelle Antworten, Zitate und Quellen, wenn sie keine belgebare Information finden. Diese Falschinformationen bergen ein enormes Risiko, da diese selbst f\u00fcr Experten h\u00e4ufig schwer zu erkennen sind.<\/p>\n\n\n\n

Die Validierung der Quellen, sowie Relevanzmodelle und die Verwendung hochwertiger Daten zum Trainieren der Modelle, helfen Unternehmen im Kampf gegen die Datenhalluzination. Auch wenn die Ergebnisse beim Einsatz von Insight Engines ohnehin aus den Unternehmensdaten entspringen, k\u00f6nnen Nutzer die von der KI gegebenen Antworten zu jedem Zeitpunkt validieren. W\u00e4hrend Anwendungen wie ChatGPT oder Google Bard keine Angabe \u00fcber die Herkunft beziehungsweise den exakten Ursprung der Daten machen, stellen Insight Engies zus\u00e4tzlich zum Ergebnis beziehungsweise der Antwort Quelleninformationen bereit. Anwender wissen damit jederzeit, woher die Inhalte stammen und k\u00f6nnen diese bei Bedarf verifizieren. \u00a0<\/p>\n\n\n\n

Antworten im Kontext und Relevanzmodell<\/strong><\/p>\n\n\n\n

Insight Engines passen dabei sowohl die Ergebnisse als auch die Darstellung an die spezifischen Anforderungen und Autorisierungen des Anwenders an. Entsprechend den Zugriffsrechten breitet die L\u00f6sung die relevanten Informationen, angereichert um kontextspezifische Inhalte, den Anwendern in personalisierten Gesamtsichten (Holistic Views) auf.<\/p>\n\n\n\n

M\u00f6glich ist dies dank verschiedenen Methoden des maschinellen Lernens, insbesondere dem Modell der neuronalen Netze (Deep-Learning). Diese Technologien nutzt die Insight Engine, um ihre User sowie ihr individuelles Nutzerverhalten zu analysieren und dadurch ihr Wissen zu erweitern, ihre Leistung zu optimieren und anwenderspezifische Relevanzmodelle zu erstellen. Auf Basis vorangegangener Suchabfragen, ihrer Intention und Interaktionen mit Treffern lassen sich Ergebnisse klassifizieren, kategorisieren und entsprechend kontextspezifisch, personalisiert und proaktiv anzeigen<\/p>\n\n\n\n

Die aktuelle Entwicklung von Generativer KI und Large Language Models tr\u00e4gt ma\u00dfgeblich zu einer Beschleunigung der Arbeitswelt bei. Die Technologie hat das Potenzial, Arbeitsschritte zu automatisieren, Menschen von Routinearbeiten zu entlasten und so neue Freir\u00e4ume f\u00fcr kreative Arbeit und Innovation zu schaffen. W\u00e4hrend zahlreiche, vor allem \u00f6ffentliche Modelle ein enormes Risiko f\u00fcr Unternehmen darstellen, wird durch eine Integration von Generativer KI in Anwendungen wie Insight Engines eine vertrauensw\u00fcrdige M\u00f6glichkeit geschaffen diese Technologien sicher zu nutzen und von ihnen zu profitieren.<\/p>\n","protected":false},"excerpt":{"rendered":"

Generative KI beziehungsweise Large Language Models haben es mit Tools wie ChatGPT (Chat Generative Pre-trained Transformer) innerhalb k\u00fcrzester Zeit geschafft, ein wichtiger Bestandteil des Privat- und Arbeitslebens vieler Menschen zu werden. T\u00e4tigkeiten, die fr\u00fcher dem menschlichen Verstand vorbehalten waren, wie beispielsweise das Erstellen von Texten, das Zusammenfassen von Inhalten oder Brainstorming, erledigt die KI heute auf Knopfdruck.<\/p>\n","protected":false},"author":81,"featured_media":25121,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"colormag_page_container_layout":"default_layout","colormag_page_sidebar_layout":"default_layout","footnotes":""},"categories":[8,10036],"tags":[17254,17580,17579,16692,16693],"class_list":["post-25119","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-artikel","category-kuenstliche-intelligenz","tag-chatgpt","tag-generative-ai","tag-large-language-models","tag-mindbreeze","tag-wissensmanagement"],"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/25119","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/users\/81"}],"replies":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=25119"}],"version-history":[{"count":1,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/25119\/revisions"}],"predecessor-version":[{"id":25122,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/25119\/revisions\/25122"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/media\/25121"}],"wp:attachment":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=25119"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=25119"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=25119"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}