Im Druck der Nutzung von KI

Wenn große Organisationen Milliarden von Dollar in Forschung und Entwicklung einer revolutionären Technologie investieren, kommt der Zeitpunkt, an dem die Technologie bereit für den Einsatz ist. Die Technologieriesen setzen ihr Bestes ein, um eine weitreichende globale Übernahme der Technologie sicherzustellen. Dies sind aufregende Zeiten für jeden Technologie-Enthusiasten, und es ist natürlich, den Drang zu verspüren, Teil des Zuges zu sein und sich nicht ausgeschlossen zu fühlen.

Mitarbeiter in allen Hierarchieebenen eines Unternehmens spüren den Druck, KI-basierte Lösungen für jedes Geschäftsproblem zu nutzen. Wie können Sie diesen Druck bewältigen und die richtigen Entscheidungen für Ihre Geschäftsprobleme treffen? Lassen Sie uns das Problem analysieren und die Verwirrung beseitigen, um ein klares Bild davon zu bekommen, wann KI eingesetzt werden sollte und wann nicht.

Grundlegende Fragen, die beantwortet werden müssen

Bevor Sie sich zu sehr in die Gestaltung von Lösungen für spezifische Geschäftsprobleme und Anwendungsfälle vertiefen, gibt es einige sehr grundlegende Fragen, die Sie sich stellen können und die Ihnen sehr starke Hinweise darauf geben, ob es sich lohnt, Zeit und Energie in den Aufbau von KI-Lösungen zu investieren.

• Wird die Investition in eine KI-basierte Lösung dazu beitragen, den Status quo unserer Branche zu stören?
• Wird es uns helfen, von einem Branchenschlusslicht zu einem Branchenführer für eines unserer Produkte oder Produktmerkmale aufzusteigen?
• Können wir KI für eines unserer Produktentwicklung oder Produktbetriebsprozesse nutzen? Reduziert es signifikant die Betriebskosten auf lange Sicht für unser Produkt?

Während diese Art von Fragen oft in Vorstandssitzungen auf Führungsebene diskutiert und beantwortet werden, wird in guten Unternehmen mit einer starken Produktkultur die Entscheidungsfindung demokratisiert und einzelne Teams sind befähigt, wichtige Entscheidungen für ihren Produkt-Roadmap und Produktfunktionen zu treffen.

Daher ist es wichtig, dass technische Produktmanager und ihre Teams wie ein CEO denken und über diese grundlegenden Fragen nachdenken, wenn es darum geht, KI-basierte Lösungen für von Kunden und Führungskräften bereitgestellte Probleme zu verwenden.

Die Schichten abtragen

Jetzt nehmen wir den Prozess des Hinterfragens und Analysierens einer Schicht unterhalb der grundlegenden Fragen und verwenden ein Framework, das Ihnen dabei hilft zu entscheiden, ob Sie KI in Ihr Lösungsdesign einbeziehen sollen.

Vorhersagende KI

Obwohl es viele Inhalte im öffentlichen Bereich zum Unterschied zwischen vorhersagender KI und generativer KI gibt, möchte ich dennoch auf den Unterschied zwischen den beiden eingehen. Generative KI (GenKI) hat in den letzten Monaten so viel Aufmerksamkeit erregt, dass die Leute oft die Kraft anderer Arten von KI übersehen, und Investitionen und Innovationen in diesen Technologien in vielen Organisationen verlangsamt haben.

Es ist wichtig, dass Entwicklungsteams innehalten und über kreative Lösungen für das vorliegende Benutzer-/Kundenproblem nachdenken.

Hat das Problem, das Sie zu lösen versuchen, mit der Sammlung historischer Daten vergangener Ereignisse zu tun, um Muster zu finden, sodass Sie das Ergebnis zukünftiger Ereignisse vorhersagen können? Für diese Art von Problemen ist predictive AI der Bereich, in den Ihr Lösungsfluss abzweigen sollte.

Wenn Sie an Gen AI für solche Probleme denken, sind Sie auf dem falschen Weg. Einige häufige Beispiele für Probleme, die mit predictive AI-Lösungen gelöst werden können, sind finanzielle Prognosen, optimale Infrastruktur-Nutzung, Betrugserkennung usw.

Sobald Sie Klarheit darüber haben, dass das Problem, das Sie lösen möchten, eine auf predictive AI basierende Lösung erfordert, sollte der nächste logische Schritt bei der Gestaltung der Lösung die Wahl des richtigen Machine-Learning-Algorithmus sein, der Ihr Problem löst.

• Klassifikation. Die Zuordnung von Datenpunkten zu vordefinierten Klassen ist ein Klassifikationsproblem. Zum Beispiel das Markieren von Inhalten auf einer Social-Media-Plattform als unangemessen, um das Maschinenwissen über angemessene vs. unangemessene Inhalte kontinuierlich zu verfeinern, ist ein Klassifikationsproblem.
• Regression. Wenn das Ziel darin besteht, die Korrelation zwischen Merkmalen und Ihrer Zielvariablen zu definieren, um zukünftige Probleme vorherzusagen, handelt es sich um ein Regressionsproblem. Zum Beispiel, die zukünftige Verkehrslast auf Ihrem Dienst vorherzusagen, um zu entscheiden, wann die Anzahl der Pods erhöht werden sollte.
• Clusterbildung. Das Gruppieren von Daten in verschiedene Kategorien mit dem Ziel, die richtigen Kategorien zu definieren, die Ihnen bei Entscheidungen helfen, ist ein Clusterbildungsproblem. Zum Beispiel das Analysieren des Kundenverhaltens und der Anwendungsfälle, um Ihrer Organisation zu helfen, die richtigen Kundensegmente zu definieren, ist ein Clusterbildungsproblem.

Ist es nicht erstaunlich, wie viel Innovation und Kreativität man im Bereich der prädiktiven KI vorantreiben kann? Bisher sind wir in diesem Artikel noch nicht in den Bereich der generativen KI eingetreten, der in letzter Zeit so viel Aufsehen erregt hat.

Generative KI

Im Gegensatz dazu, wenn das Problem, das Sie lösen möchten, das Schulen eines KI-Modells auf den Rohdaten Ihrer Organisation beinhaltet, sodass es durch Beispiele lernen kann und auf Benutzereingaben reagieren kann, um neue Ausgaben zu generieren, kommt die GenAI ins Spiel. Das Problem könnte unterschiedliche Permutationen und Kombinationen von Benutzereingaben und den generierten Ausgaben haben. Die Benutzereingaben könnten Sprache, Text oder unstrukturierte Daten sein, und die generierten Ausgaben könnten natürlichsprachlicher Text, Sprache, Bilder oder Videos sein.

Gängige Beispiele für Probleme, die mit GenAI gelöst werden können, sind der Kundensupport, die Codegenerierung zur Reduzierung der Produktentwicklungskosten, die Datensynthese für Forschung und Tests, die Erstellung von Marketinginhalten auf Abruf usw.

Wenn es um GenAI-gestützte Lösungen geht, gibt es, sobald klar ist, dass Ihr Problem eine auf GenAI basierende Lösung erfordert, zusätzliche wichtige Entscheidungen bei der Lösungsgestaltung, die Ihnen helfen werden, die wirkungsvollste Lösung aufzubauen.

• Welches LLM-Basismodell sollte ich verwenden?
• Welche sind die neuesten architektonischen Frameworks und Designmuster, von denen ich profitieren sollte? Denken Sie an RAG, RLHF, Multi-Agent React Agent mit Langflow usw.?
• Wie kann ich die richtigen Sicherheitsvorkehrungen und Datenschutzmaßnahmen sicherstellen?

Conclusion

Während ein Mangel an Technologisierung ein Unternehmen auf lange Sicht obsolet machen kann, ist es wichtig sicherzustellen, dass Sie die KI-Investitionen Ihres Unternehmens für die richtigen Probleme und an den richtigen Stellen einsetzen. Die Zwangsanwendung KI-basierter Lösungen für Probleme, die sie nicht benötigen, kann Ihr Produkt in die falsche Richtung führen. Bewahren Sie Ruhe und nutzen Sie KI-Investitionen weise.