Das Potenzial klingt grenzenlos. Mit der guten Vermarktung von GPT Builder, einem Produkt des aktuellen LLM-Marktführers OpenAI, ist es leicht zu glauben, dass alles automatisiert werden kann, von alltäglichen Aufgaben bis hin zum kompletten Organisationsmanagement - und das alles mit Ihrer eigenen KI. Alles, was es braucht, ist ein starkes LLM-Modell, einige Datensätze und das richtige Prompt-Priming der Anfragen.
Bevor wir feiern können, müssen wir die wichtigsten Konzepte im Detail betrachten, wie man effizient eine eigene KI bauen kann. Wie bei alle etwa komplexere Themen ist es wichtig, Konzepte zu verstehen, bevor man sie zusammenfügt oder bevor man mit dem feinschliff anfängt. Um den folgeneden Beitrag überschaubar zu halten, überspringen wir den gesamten digitalen Transformationsplan, den Aspekt der Datensicherheit und die Prozesse, die in einem Unternehmenskontext erforderlich wären wie Testen, Monotoring und Feinschliff. Wir konzentrieren uns auf dem Fall einer Privatperson, die ihre Versicherungsverträge mit heute verfügbaren Komponenten optimieren möchte.
Das (LL-)Modell
Das vernetzte, hochdimensionale Bündel von Neuronen ist das Modell, also das Gehirn der Operation. Es ist schon mit einem gegebenen Satz von „a priori“ Sprach- und Domänenwissen bestückt, um Informationsstrukturen wie Text, Bilder und Sprache zu verstehen und mit ihren menschlichen Partnern zu kommunizieren. Ein nützliches oder sinnvolles Modell kann nur mit enormen Mengen an Daten, Ressourcen, Leistung und Zeit erstellt und fein abgestimmt werden und läuft oft nur auf teurer Hardware, welche Parallelverarbeitung ermöglicht. Einige Unternehmen versuchen, kleinere Modelle zu erstellen, die auf Laptops oder Handheld-Gerät ausgeführt werden können. Diese sind aber eine spezialisierte Fall, der höchstwahrscheinlich Ihr tägliches Geschäft nicht betrifft. Der Trainingsprozess für Modelle ist mehr als 50 Jahre lang ungefähr derselbe geblieben, bis die Transformer die heutige neue Ära der KI einläuteten. Durch Transformers wurde das Training von Modellen um Grössenordnungen billiger und es überhaupt erst ermöglichte, Modelle zu erstellen, die mit ausreichend grossen Datensätzen umgehen konnten.
Sie können Open-Source-Modelle verwenden und diese auf Ihrer eigenen Hardware ausführen oder die Hardware anderer mieten, um diese offenen oder geschlossenen Modelle auszuführen (cloud-based). In unseren Fall, wo wir private Versicherungenangebote vergleichen, wird es wichtig einen Modell auszuwählen welche mit Daten aus dem passenden Legale Umgebung trainiert wurde. Verschiedene Vendors benutzen verschiedene Datensätze, somit werden sie Schwäsche und Stärke aufweisen, je nach Fachgebiet. Deshalb wird es für Sie wichtig, verschiedene Modelle auszuprobieren um den besten für den Zweck zu finden.
Prompt-Priming
Ähnlich wie beim drehen eines Films, stellen Sie sich vor, Ihr Modell sei ein Schauspieler auf der Bühne. Sie sind das Publikum, aber bevor die Szene gedreht wird bzw. Fragen gestellt werden, dürfen Sie Ihr Modell vorbereiten, als wären Sie der Regisseur des Films. Sie möchten Ihrem Modell sagen, wer es ist, wonach es strebt, wie kreativ, präzise, cool oder akademisch es sein soll und wie es Fragen erhalten und darauf antworten soll. Durch das Priming Ihrer Anfragen helfen Sie dem Modell, nicht nur Ihre Fragen, sondern auch Ihre bisher impliziten Erwartungen besser zu verstehen. Dies erhöht die Qualität der erhaltenen Antwort erheblich.
Beispiele
Als marketing specialist für das Produkt, welche auf junge Erwachsene zwischen 18 und 25 gezielt ist, […]
In die Rolle eines Universitätsprofessor in Biochemie, antworte die Fragen mit ausführliches Wissen über epigenetik. Bleibe präzise und prägnant und zitiere deine Quelle. […]
Prompts und ihre Priming-Teile zu aktualisieren ist es ziemlich einfach. Was wird dann debei wichtig is es, Notizen zu behalten über die beste Priming-Strategien für jeweilige Art von Fragen. Als privateperson heisst es, eine Notiz zu behalten. Für Organizationen heisst es, eine kleine Wissenbasis zu erzeigen in Confluence oder Firmewiki z.B.
Retrieval Augmented Generation (RAG)
Sie haben jetzt ein Modell und wissen, wie Sie Ihre Prompts anpassen können, um bessere Ergebnisse zu erzielen. Das Problem bleibt, dass Ihr Modell möglicherweise mit Ihrer Domäne (sagen wir hier: private Versicherungen) vertraut ist, aber nicht mit der aktuellen Vertragssituation zwischen den verschiedenen Versicherungsparteien. Sie möchten dem Modell relevantere Informationen zur Verfügung stellen. Dazu sollten Sie ihm einige PDF-Dokumente, Textdateien, Excel-Tabellen, Bilder, Zugang zu Ihrer eigenen Vertragsdatenbank, Telefon- und Mailkommunikation zwischen Ihnen und verschiedenen Versicherungsgesellschaften geben. Wenn es Zugang zum Internet hätte, um auch Informationen über neue mögliche Verträge mit neuen Versicherungspartnern zu erhalten, könnte es eine sinnvolle Empfehlung abgeben.
An diesem Punkt merken Sie, dass die stärkste Feinabstimmung, die Sie vornehmen können, um KI in Ihrem Unternehmen optimal zu nutzen, darin besteht, sich auf die Daten zu konzentrieren, die Sie Ihrem Modell zur Verfügung stellen können. Dies ist wahrscheinlich das Näheste, was Sie in sinnvoller Weise an „meine KI“ heranbringen.
Präziser implementierungen welche für Geschäft zu benutzen wären können das eigene Inhalt nutzen, aber auch ihre Quelle zitieren um die vervolgbarkeit der Antworten zu sichern. Dies ist, ins besondere in regulierte Fachbereiche, kritisch für ein sicheren Betrieb. In unserem Fall beim Vergleich von Privatversucherungsverträge ist dies nicht nötig und kann deshalb schnell und einfach mit GPT Builder ausprobiert werden.
Datenmanagement für RAG
Wie Sie sehen, wird die Nutzung von KI schnell zu einer Frage des Datenmanagements. Es sei denn, Sie sind ein Startup mit Genies aus den besten Universitäten können Sie erst versuchen selbst, die Modelle zu erstellen und zu verbessern. Die normale Herausforderungen eines KMU bleiben bei der effektive Nutzung von Modellen, welche gekauft oder gemietet werden können, zusammen mit eine durchgehende Unternehmensdatenstrategie. OpenAI macht es einfacher denn je, „herumzuklicken“ und etwas auszuprobieren mit dem GPT Builder. Zögern Sie nicht, beginnen Sie noch heute mit der Bewertung dieser Lösung, um zu sehen, ob sie Ihre Effizienz verbessern könnte!
Meine eigene KI, wie?
Ihre eigene KI bedeutet oft das beste KI-Modell mit dem eigenen Prompt-Priming und den eigenen Daten.
Sobald Sie bereit sind, die Vorteile einer nützlichen KI in Ihr Unternehmen zu integrieren, stellen Sie sicher, dass Sie einen klaren Plan erstellen, der es Ihnen ermöglicht, der Konkurrenz voraus zu bleiben, während Sie die besten LLMs mit den Daten Ihrer eigenen Organisation nutzen.
