Generative künstliche Intelligenz (KI) läuft wohl Gefahr, in eine Schublade gesteckt zu werden. Trotz dergleichen McKinsey Durch die Erstellung detaillierter Diagramme und Grafiken, die den enormen Umfang veranschaulichen, übertönt der Lärm rund um Conversational Bots breitere Diskussionen – und das bei fast jedem Unternehmen Anwaltskanzleien Zu Reiseagenturen Erstellen von Chat-Tools; einschließlich Facebooks neu ins Leben gerufen „freche“ GenAI-Personas, die darauf abzielen, das GenZ-Publikum durch augenzwinkernde Interaktionen anzusprechen.
Obwohl diese Anwendungen ihren Wert haben, sind sie nur ein Element der aktuellen Innovationsgeschichte. Im weiteren Sinne gehört das Datenmanagement zu den interessantesten (und weniger gefeierten) Bereichen, in denen fortschrittliche Tools große Veränderungen vorantreiben dürften.
GenAI hat ein erhebliches Potenzial, die Art und Weise, wie auf Daten zugegriffen und diese ausgewertet werden, positiv zu beeinflussen. Weit davon entfernt, vorhandene Analyseplattformen – oder auch Analysten – zu ersetzen, können intelligente Lösungen dazu beitragen, dass Aufgaben im gesamten Datenlebenszyklus effizienter ausgeführt werden, indem sie sich wiederholende Prozesse automatisieren und es Geschäftsanwendern erleichtern, schneller die benötigten Erkenntnisse zu erhalten . Oder kurz gesagt, datengesteuerte Teams in die Lage zu versetzen, noch besser zu arbeiten.
Was genau ist GenAI?
Weit verbreitete Begeisterung garantiert kein allgemeines Verständnis. Bei allem Hype um GenAI ist ein häufiges Hindernis für diejenigen, die ihre Vorteile nutzen wollen, das begrenzte Wissen über die wichtigsten Unterscheidungsmerkmale zu anderen Formen der KI.
Kurz gesagt, der Hauptfaktor, der diese Technologie auszeichnet, ist ihre Leistungsfähigkeit: die Generierung völlig neuer Ausgaben unter Verwendung vorhandener Daten, einschließlich Text, Code, Bilder und Videos. Um zu verstehen, warum dies eine Weiterentwicklung der früheren KI ist, bedarf es weiterer Erklärungen.
Traditionell wurden KI-Lösungen anhand riesiger Datensätze trainiert, um Identifizierungsaufgaben im Einklang mit festgelegten Regeln und Mustern durchzuführen. Jahrelange Deep-Learning-Entwicklung hat uns nun an einen Punkt gebracht, an dem Basismodelle immer noch durch umfangreiche Trainingsdaten gesteuert werden, ihre Architektur jedoch mehr kann als nur Objekte und Informationen identifizieren. Dank der Fortschritte bei der Rechenkapazität können sie größere Mengen unstrukturierter Daten verarbeiten und unzählige Aufgaben gleichzeitig erledigen, darunter auch die eigenständige Erstellung von Inhalten und Antworten.
Durch den Einsatz von Selbstüberwachung sammeln sie außerdem Feedback zu jeder Interaktion und nutzen diese Erkenntnisse für unabhängiges Lernen: Dadurch werden die Antworten im Laufe der Zeit genauer, wertvoller und weniger roboterhaft. Das wohl bekannteste Beispiel dafür ist ChatGPT, das ein großes Sprachmodell (LLM) verwendet, um Anfragen mit immer differenzierteren und menschenähnlicheren Antworten zu erfüllen.
Eine Möglichkeit, die Unterschiede zu veranschaulichen, ist der Vergleich von Amazons ursprünglichem Alexa und dem neuen, GenAI-erweitertes Upgrade. Während der Mark One-Assistent nur mit begrenzten Antworten auf vordefinierte Eingabeaufforderungen reagieren konnte, nutzt seine neueste Version ein breiteres Spektrum an Echtzeitinformationen, um offene Fragen mit maßgeschneiderten Antworten zu beantworten. Nennen wir es die aufgeladene Version von Ask Jeeves.
Wie kann es die Dateneffizienz steigern?
GenAI ist für viele Geschäftsanwender ein starker Verbündeter, aber Datenexperten passen am besten dazu. Wie unsere Alexa-Analogie zeigt, wurden intelligente Tools entwickelt, um variable Eingaben zu verarbeiten und verfeinerte Ausgaben zu erzeugen – auch bekannt als die Grundvoraussetzung der Analyse. Es überrascht nicht, dass der wichtigste Anwendungsfall für die Datenverwaltung darin besteht, dies in großem Maßstab einfacher und schneller zu machen.
Der Einsatz von GenAI zur Automatisierung der Datenbewertung auf höchster Ebene und zur Zusammenfassung wichtiger Erkenntnisse kann die Effizienz an mehreren Fronten steigern. Dazu gehört nicht nur die Eliminierung arbeitsintensiver manueller Auseinandersetzungen und die Reduzierung des Risikos menschlicher Fehler, sondern auch die Möglichkeit, dass Datenteams Ad-hoc-Anfragen schnell bearbeiten können; So gewinnen Sie mehr Zeit, um sich auf die eingehende Analyse zu konzentrieren, auf die es ankommt.
Es gibt jedoch zusätzliche Möglichkeiten für ausgefeilte Tools, um die Komplexität zu reduzieren und die Datennutzbarkeit zu verbessern, wenn sie zusammen mit bestehenden Analyseplattformen eingesetzt werden. Die besten Aussichten bestehen derzeit in zwei Kernbereichen:
Self-Service-Analysen
Neben der Rückgewinnung wichtiger Bandbreite für Datenspezialisten haben Innovationen in der KI-gestützten Auswertung das Potenzial, die unternehmensweite Datenverfügbarkeit deutlich zu verbessern und die Time-to-Value zu beschleunigen. Die intelligentesten ermöglichen es technisch nicht versierten Benutzern, Eingabeaufforderungen in natürlicher Sprache (d. h. in klaren Worten) einzugeben und dann die Datenkoordination in die Hand zu nehmen: Sie generieren sofort SQL-Abfragen, die relevante Daten abrufen und diese in leicht verständlichen Visualisierungen präsentieren.
Um die damit verbundenen Vorteile zu veranschaulichen, schauen wir uns ein praktisches Beispiel an. Angenommen, ein Vermarkter möchte die Lead-Akquisekosten für seine neueste Kampagne mit dem Branchen-Benchmark vergleichen. Hinter den Kulissen können Lösungen vorbereinigte und vereinheitlichte Daten aus ihrer Analyseplattform über GenAI-Systeme wie ChatGPT oder Bard verfügbar machen und diese mit im gesamten Web gesammelten Daten kombinieren. Auf der Benutzerseite macht es diese reibungslose Integration einfach, nach seinen Wünschen zu fragen und erhält ein klares Diagramm, das Zusammenhänge abbildet und eine schnelle Entscheidungsfindung ermöglicht.
Maßgeschneiderte Datentransformation
Natürlich beschränken sich die Datenanforderungen nicht nur auf die Beantwortung einzelner Fragen – und das gilt auch für die Fähigkeiten von GenAI. Es entstehen Transformationsassistenten ähnlich wie Alexa, die Benutzern die Freiheit geben, anzugeben, wie ganze Datensätze konfiguriert werden sollen, und maßgeschneiderten Code zur Erfüllung ihrer Anforderungen zu erstellen. In Verbindung mit Schritt-für-Schritt-Anleitungen zur Implementierung ist das Ergebnis ein maßgeschneidertes Transformationskit, mit dem Sie die richtigen Erkenntnisse im richtigen Format erhalten.
Die Hauptvorteile sind hier Flexibilität und Autonomie. Unabhängig von ihrem Erfahrungsstand können Benutzer Daten nach Belieben verwalten und gestalten. Bestimmen, wie nützliche Informationen extrahiert und schnell in die Tat umgesetzt werden können. Es ist jedoch auch erwähnenswert, dass solche Tools eine wichtige Rolle bei der Verbesserung der geschäftsübergreifenden Reife spielen können, indem sie Benutzern die Möglichkeit geben, Daten selbst zu nutzen, was bedeutet, dass Datenexperten noch mehr Zeit für Aufgaben mit hoher Priorität aufwenden können. Oder anders ausgedrückt: die Verwirklichung des Low/No-Code-Traums.
Welche Sicherheitsmaßnahmen sind am wichtigsten?
Wie bei jeder neuen Technologie erfordert eine erfolgreiche Anwendung die Minimierung möglicher Gefahren. Ganz oben auf der Liste der offensichtlichen Herausforderungen steht die Neigung von GenAI zur Halluzination. Daher ist es von entscheidender Bedeutung, strenge Qualitätsüberwachungsverfahren einzurichten, um Daten zu validieren und potenzielle Ungenauigkeiten für eine tiefergehende Untersuchung schnell zu erkennen. Ebenso erfordert die Bewältigung bekannter Sicherheitsprobleme robuste interne Richtlinien und Leitplanken.
Unternehmen, die Lösungen bereits vor der Einführung genau prüfen, werden bei der Risikoprävention die Nase vorn haben, insbesondere wenn die Verfahren funktionsübergreifend sind. Durch die Einbindung von Benutzern, Rechts- und Sicherheitsteams kann sichergestellt werden, dass bei der Bewertung sowohl der Nutzen der Tools als auch die Frage berücksichtigt werden, ob sie streng genug Kontrollen zum Schutz sensibler Daten bieten. In Kombination mit detaillierten Richtlinien, die darlegen, wo GenAI-Funktionen verwendet werden sollten und wo nicht, können solche Ansätze viel dazu beitragen, das Risiko von Missbrauch und unvorhergesehenen Problemen zu minimieren.
Darüber hinaus wird es jedoch ebenso wichtig sein, die Daten, die GenAI steuern, sorgfältig zu kontrollieren. Welche Analyse auch immer erstellt wird, wird direkt durch die ihr zugeführten Informationen beeinflusst – wenn also die von den Datenteams bereitgestellten Daten falsch oder unvollständig sind, ist die KI-Ausgabe unzuverlässig und fragmentiert.
All dies macht ein solides Fundament von größter Bedeutung. Insbesondere benötigen Unternehmen eine optimierte Pipeline-Infrastruktur, die saubere, konsolidierte und umfassende Daten liefern kann, sowie eine Kultur, die sich auf die Förderung datengestützter Produktivität und die kontinuierliche Verbesserung der Datenverarbeitungsfähigkeiten konzentriert.
Dies ist nur die erste Stufe einer langfristigen Entwicklung, die es Teams ermöglichen wird, intelligenter zu arbeiten. In den nächsten Jahren wird fast jede Rolle (einschließlich Analystenpositionen) über einen KI-gestützten Assistenten verfügen, der menschliche Mitarbeiter von lästigen manuellen Aufgaben befreit und es ihnen ermöglicht, ihr Wissen und ihre Fähigkeiten besser zu nutzen; GenAI entwickelt sich vom Werkzeug zum Teamkollegen. Darüber hinaus wird es höchstwahrscheinlich auch noch mehr Nachfrage nach Datenspezialisten geben, die nicht nur die Leitung einer eleganteren, KI-gestützten Show übernehmen, sondern auch in die Erkenntnisse eintauchen, die intelligente Lösungen liefern, und bessere Möglichkeiten finden, diese zur Optimierung der Produktivität zu nutzen.
Hervorgehobener Bildnachweis: Google Deepmind/Unsplash.
