Kommentar von Subhashis Nath, Infosys Business Intelligence und KI – die perfekte Kombination für optimierte Datenverarbeitung

Anbieter zum Thema

Infosys Technologies Ltd

Board Deutschland GmbH

Disy Informationssysteme GmbH

INFOMOTION GmbH

Niemand bestreitet das enorme Potenzial der generativen Künstlichen Intelligenz (KI), mit deren Hilfe sich Unternehmen wandeln und Daten transformieren lassen. Doch reale Beispiele für den Einsatz im großen Maßstab sind selten. Bedenken hinsichtlich der Datenverfügbarkeit und -zuverlässigkeit, der Vorschriften und des Vertrauens in die KI und in die zugrunde liegenden Daten überwiegen.

Ein Beispiel ist die Konsumgüterindustrie. Hier werden Daten für ein KI-Modell aufbereitet, das den Marktanteil auf der Grundlage von Produktattributen vorhersagen soll. In der Branche verwenden Unternehmen häufig abgekürzte, kryptische Beschreibungen, um Produktattribute darzustellen. Ein Beispiel: APLG NTR EGG CHCK SSG RED PR ON SPNC FRT KP FRZN SNGL CRS TRY IN BOX 8.4 OZ. Eine entsprechend trainierte und durch Aufforderungen geleitete generative KI, die ihre Interpretationen auf Lebensmittelmarken, -produkte und -eigenschaften beschränkt, kann dies als „Applegate Natural Egg Chicken Sausage Red Pepper Onion Spinat Frittata Keep Frozen“ entschlüsseln.

Ähnlich „übersetzt“ sie „GD FD MD SMP EGG WHT PT KP FRZN SNGL CRS BAG 10 OZ“ mit „Good Food Made Simple Egg-White Patty Keep Frozen“. Die Komplexität beginnt bei Begriffen mit zwei Buchstaben, beispielsweise „EVL KP FRZN BRK SSG UNC BCN PT EG BLPR CHD PRM CH SC SNGL CRS TRY IN BOX 7.5 OZ“, übersetzt heißt dies „Evol. Keep Frozen Breakfast Sausage Uncured Bacon Patty Egg Bell Pepper Cheddar Parmesan Cheese Sauce“. Das wäre jedoch falsch. PT hätte mit „Kartoffel“ (Potato) statt mit „Bratling“ (Patty) übersetzt werden müssen.

Anders als ein erfahrener Mitarbeiter würde ein KI-Agent das aber nicht wissen. Eine Möglichkeit: KI mit Beispielen zu trainieren, die Menschen bearbeitet haben – auch wenn kein Beispielsatz alle möglichen Abkürzungen abdeckt. Auch das Nachschlagen in einer Code-Tabelle (UPC), die möglicherweise nicht alle Attribute abdeckt, ist keine Lösung.

Ein robusterer Ansatz nutzt die Fähigkeit der KI, längere, weniger zweideutige Segmente innerhalb der Beschreibung genau zu übersetzen. Zum Beispiel: „Evol. Gefrorene Frühstückswurst nicht gepökelt Speck Glocke Paprika Cheddar Parmesan“ lässt sich zuverlässig extrahieren. Diese Teil-Bezeichnung dient als Abfrage für einen KI-Agenten, der dann Webquellen, darunter Online-Lebensmittelhändler und Markenwebsites, nach passenden Produktbeschreibungen oder Bildern durchsucht. Durch Triangulation der ursprünglichen Übersetzung mit der Beschreibung aus dem Internet erkennt Künstliche Intelligenz Fehler und korrigiert diese. In diesem Fall stellt sie klar, dass „PT“ im Kontext des Produkts „Potato“ (Kartoffel) und nicht „Patty“ (Bratling) heißen sollte.

Übersetzung von Daten und deren Aufbereitung ist wichtige Vorarbeit

Bei der Datenaufbereitung im Enterprise-Maßstab sollten Unternehmen die vorhandene Business-Intelligence-Landschaft nutzen, da diese einen Vorteil bietet. Die in Business Intelligence (BI) definierte Gleichung „Umsatz = Rechnungsbetrag - Wert der Retouren“ kann als zuverlässige Referenz für KI-Agenten dienen, die Umsatzdaten beschaffen müssen. Dies beseitigt die Mehrdeutigkeit, die sich aus mehreren potenziellen Datenquellen ergibt. Dazu gehören beispielsweise Verkaufs-, Online-Geschäfts- und After-Sales-Service-Tabellen. BI-Übersetzungen, die als kuratierte Datenschicht fungieren, bieten wiederverwendbare Definitionen und Datenelemente für wichtige Business-Metriken und beschleunigen so die Datennutzung durch KI. Die BI-Ebene fungiert als destillierte, vertrauenswürdige Ebene, die über den Rohdaten liegt.

Zugriffskontrolle ist Pflicht

Eine angemessene Zugriffskontrolle für Daten in einer agentenbasierten Umgebung ist enorm wichtig. Es sollte eine „Befehlssignatur“ beibehalten werden, die den Ursprung der Anfrage während des gesamten agentenbasierten Datenflusses nachverfolgt. So lassen sich beispielsweise definierte Zugriffsrechte aufrechterhalten. Ein Beispiel: Filialleiter haben keinen Zugriff auf sensible Daten von Immobiliengeschäften, während Beschaffungsleiter diesen Zugriff benötigen. Die KI-Assistenten für beide Personas müssen diese Unterscheidungen widerspiegeln. Daher ist es notwendig, jede Anfrage genau zu verfolgen. Nur dann ist die notwendig Genauigkeit in einem vielschichtigen System mit mehreren Agenten gewährleistet.

Das ist jedoch nicht immer ganz einfach. So ist es beispielsweise möglich, dass der Preis in einigen Geschäften für Produkt A, einem Manager für Produkt B nicht zur Verfügung steht, wenn er seinen KI-Assistenten befragt. Der KI-Assistent kann jedoch im Interesse der organisatorischen Effizienz dem Manager von Produkt B einen Vorschlag für die Preisspanne unterbreiten, zum Beispiel „Die ideale Preisspanne für Produkt B liegt zwischen 55 und 60 US-Dollar; konkurrierende Produkte haben Erfolg, wenn die Preiserhöhung zwischen zehn und 20 Prozent des aktuellen Preises liegt.“ Die Befehlssignatur muss also sowohl den Ursprung als auch den Zweck angeben.

Fazit

Übersetzung, Kuratieren und Zugriffsmanagement sind für eine erfolgreiche KI-Implementierung unerlässlich. Um das Potenzial von Künstlicher Intelligenz freizusetzen, müssen zunächst die Daten für KI und für das Business vorbereitet werden.

(ID:50411957)