Künstliche Intelligenz: Was kommt da noch – und wie kann Ihr Unternehmen einsteigen?

Wie weit sind wir in der Entwicklung und Anwendung von Sprachmodellen?

Um den aktuellen Stand besser zu erfassen, möchte ich einen Überblick über verschiedene Anwendungsformen geben: von Chatbots bis zu Agenten-Ensembles. Beginnen wir mit den am weitesten verbreiteten Werkzeugen. 

Chatbots

Chatbots dienen als Einstiegspunkt für den Zugang zu generativer KI und sind besonders in der Unternehmenswelt weit verbreitet. Sie ermöglichen eine erste Interaktion mit Sprachmodellen und bieten einen Rahmen zum Testen ihrer Fähigkeiten. Beispiele für solche Dienste sind ChatGPT und Perplexity.ai, wobei letzteres erweiterte Features wie z. B. eine effektive Websuche bietet. Der Hauptnutzen von Chatbots liegt in der Informationsbeschaffung für Mitarbeiter, da sie personalisierte Erklärungen zu verschiedenen Themen bieten können. 

Chains (Modellketten)

Die Verwendung von Modellketten ermöglicht eine stärkere Integration von Sprachmodellen in bestehende Prozesse und Systeme. Hierbei wird das Sprachmodell mit spezifischem Kontext gefüttert, um bestimmte Aufgaben effizienter zu erfüllen. Zu den wichtigsten Technologien in diesem Bereich zählen Langchain und Haystack. Auch Customer-Support-Chatbots fallen in diese Kategorie, da sie strukturierte Prozesse verfolgen und interaktive Elemente besitzen. 

Agenten

Agenten sind derzeit der größte Trend in der Anwendung von Sprachmodellen. Sie ermöglichen es der KI, eigenständig zu entscheiden, wie und wann bestimmte Tools oder Datenbanken genutzt werden sollen. Beispiele für die Integration solcher Technologien in Unternehmen sind Microsoft Copilot und Google's Duet AI. Diese verknüpfen Unternehmensdaten und -programme direkt mit Sprachmodellen. Die Anwendungsfälle reichen von fortgeschrittenen Customer-Support-Agenten bis hin zur Prozessautomatisierung. 

Agenten-Ensembles

Agenten-Ensembles repräsentieren den aktuellen Forschungsstand. Sie bündeln mehrere Agenten, wobei jeder eine spezifische Aufgabe erfüllt. Ein interessantes Beispiel ist Dev-GPT, ein Framework, das die Entwicklung von Microservices ermöglicht. Dev-GPT besteht aus virtuellen Rollen wie einem Produktmanager, einem Entwickler und einem DevOps-Engineer, die alle durch ein Sprachmodell gesteuert werden. Dies erlaubt die Automatisierung einfacher Entwicklungsprojekte.

Die Landschaft der Sprachmodelle ist vielseitig und entwickelt sich ständig weiter. Von grundlegenden Chatbots bis zu komplexen Agenten-Ensembles – die Möglichkeiten zur Integration in unternehmerische Prozesse sind vielfältig. Unternehmen sollten daher die Entwicklungen in diesem Bereich genau verfolgen und evaluieren, welche Lösungen am besten zu ihren Bedürfnissen passen.

Wie damit umgehen?

Der Einsatz von Künstlicher Intelligenz in Unternehmen hat sich von einem futuristischen Konzept zu einer praktischen Notwendigkeit gewandelt. Während der Anfangsjahre der KI-Technologie die Schwerpunkte oft auf Forschung und Entwicklung lagen, sind wir nun in einer Phase, in der KI direkt zum Unternehmenserfolg beiträgt. Von automatisierten Kundenservice-Lösungen und personalisierten Marketingstrategien bis hin zur Optimierung der Lieferkette und fortschrittlichen Datenanalysen bietet KI zahlreiche Möglichkeiten, operative Effizienz zu steigern und neue Geschäftsfelder zu erschließen.

Die Herausforderung liegt jedoch darin, die richtigen Modelle und Anwendungen für die spezifischen Bedürfnisse eines Unternehmens auszuwählen und effektiv zu implementieren. In diesem Kontext haben Generative KI-Modelle, eine spezielle Untergruppe der KI, besonders interessante und vielseitige Anwendungsfälle eröffnet.

Der weit verbreitete Ansatz ist die Nutzung von KI als Service, beispielsweise durch OpenAI's Modelle. Dieser Ansatz ist flexibel und erlaubt schnelles Testen verschiedener Anwendungsfälle, wobei sich GPT-4 besonders gut für Machbarkeitsstudien eignet.

Anmerkung: Der Kostenfaktor sollte jedoch nicht unterschätzt werden. Eine einzelne Anfrage an das große Modell von GPT-4 kann bis zu 3,84€ kosten. Es ist daher ratsam, lediglich einen Proof-of-Concept mit GPT-4 zu erstellen und die daraus generierten Daten zur Anpassung eines kosteneffizienten, kleineren Modells zu verwenden. Dies kann die Betriebskosten um das Zehn- bis Hundertfache reduzieren.

Als Alternative zu kommerziellen Anbietern wie OpenAI oder Anthropic stehen Open-Source-Modelle wie LLAMA-2 von Meta zur Verfügung. Diese sogenannten "Foundation Models" können auf der eigenen Infrastruktur betrieben und individuell angepasst werden. Dies kann besonders bei hochfrequentierten Betrieb oder in sehr Sicherheits-kritischen Bereichen den entscheidenden Vorteil bringen.

Generell ist es ratsam, einfach zu starten und Schritt für Schritt die Treppe hochsteigen. Die Entwicklungszyklen, besonders in den unteren Phasen, sind dabei meist sehr schnell.

Projektablauf

Doch selbst wenn ein Unternehmen das passende KI-Modell für seine Bedürfnisse gefunden hat, stellt sich die Frage, wie dieses Modell am besten eingeführt und in bestehende Prozesse integriert werden kann.

Der erfolgreiche Einsatz von KI ist nicht nur eine Frage der Technologieauswahl, sondern auch der Implementierung und Skalierung. Vor diesem Hintergrund kann ein iterativer Ansatz, der auf einem Data Science Prozess Modell basieren, Organisationen helfen, den Einsatz von KI strukturiert und erfolgreich zu gestalten. Ein solches Reifemodell könnte wie folgt aussehen:

1. Experimentation Phase: In dieser Anfangsphase sollten Teams verschiedene Modelle und Anwendungsfälle ausprobieren, um ein fundiertes Verständnis der Möglichkeiten und Grenzen generativer KI zu erlangen. Das kann allerdings in sehr kurzen Zyklen, mitunter von wenigen Tagen, ablaufen.
2. Prototyping-Phase: Nachdem ein vielversprechender Anwendungsfall identifiziert wurde, geht es darum, einen Proof-of-Concept zu erstellen. Dies dient dazu, die Machbarkeit und den potenziellen Nutzen des Projekts zu bewerten.
3. Integrationsphase: Hier wird die entwickelte KI-Lösung in die bestehenden Geschäftsprozesse und Systeme integriert, um einen nahtlosen und effizienten Betrieb sicherzustellen.
4. Testphase: Das ausgiebige Testen des Produktes ist essentiell, um die eigentlichen Ziele zu prüfen. Oft hängen Produkte hinter den Erwartungen zurück, was es notwendig macht, diese wieder iterativ zu verbessern. Dazu hilft das breite Ökosystem welches sich aktuell rund um die Technologie entwickelt.

Kreativität in der Anwendung zahlt sich aus

Die weitere Entwicklung von KI in einem Unternehmen ist ein dynamischer und fortlaufender Prozess, der sich ständig an neue Technologien, Marktanforderungen und betriebliche Herausforderungen anpasst. Nach der erfolgreichen Implementierung und Integration eines KI-Modells in bestehende Geschäftsprozesse beginnt die Phase der kontinuierlichen Optimierung und Anpassung.

Hier liegen enorme Potenziale und transformative Möglichkeiten, die weit über die ursprünglichen Anwendungsfälle hinausgehen können.

• Datenanalyse, Extraktion und Erzeugung: Generative KI kann sowohl bei der Analyse von Daten aushelfen als auch helfen, neue Daten zu extrahieren und zu erzeugen. Während ersteres insbesondere für Entscheidungen relevant sein kann, ist zweiteres eher ein Vorteil für Unternehmen, welche noch nicht seit Jahren eine Daten-Strategie verfolgen oder umfänglich Data Governance eingeführt haben.

• Branchenübergreifende und Personalisierte Anwendungen: Was in einem Bereich erfolgreich ist, kann oft auf andere Geschäftsbereiche oder sogar komplett andere Branchen übertragen werden. So eröffnen sich Unternehmen Möglichkeiten zur Expansion und Diversifizierung. Darüber hinaus können nun auch zum ersten Mal gezielt Inhalte auf kleinere Personengruppen personalisiert werden. Dies kann insbesondere im Mitarbeiter-Onboarding oder auch dem Marketing zu neuen Möglichkeiten führen.

• Automatisierung und Skalierung: Durch den gezielten Einsatz von KI können Arbeitsprozesse automatisiert und auf eine Weise skaliert werden, die mit manuellen Methoden nicht wirtschaftlich wäre. Dadurch können Ressourcen freigesetzt werden, die für strategische und kreative Aufgaben genutzt werden können.
  

Fazit

Die Auseinandersetzung mit generativer Künstlicher Intelligenz stellt eine lohnenswerte Investition in die digitale Transformation dar. Einmal in die Technologie eingeführt, wird rasch deutlich, dass generative KI in zahlreichen wissens- und textbasierten Bereichen nicht nur unterstützend wirken, sondern auch Automatisierungsprozesse vorantreiben kann.

Generative KI sollte dabei als vielseitiges Instrument betrachtet werden, dessen Anwendungsspektrum äußerst breit gefächert ist. Nach den ersten erfolgreichen Implementierungen ist es ratsam, sich intensiver mit den diversen Anwendungsmöglichkeiten auseinanderzusetzen und diese konsequent zu erforschen. Ein iterativer Ansatz ist hierbei optimal, um sowohl die Technologie zu meistern als auch gleichzeitig nachhaltigen Mehrwert zu generieren.

Die künstliche Intelligenz verfügt über das Potenzial, einen Paradigmenwechsel vergleichbar mit dem Aufstieg des Internets zu bewirken. Die Mensch-Maschine-Interaktion wird durch diese Technologie einfacher und effizienter gestaltet. Nutzen Sie diese transformative Phase, um sich und Ihrer Belegschaft einen signifikanten Wettbewerbsvorteil zu verschaffen.

Kevin Köhler
Profil bei UNITEDINTERIM

lumentis ai GmbH
Rohrbacher Str. 162
69126 Heidelberg

Diese E-Mail-Adresse ist vor Spambots geschützt! Zur Anzeige muss JavaScript eingeschaltet sein!
wwww.lumentis-ai.com

+49 170 3646149