Generative KI verändert die Arbeitsweise von Unternehmen, doch die Bereitstellung von Modellen ist erst der Anfang. Wenn Unternehmen von der Experimentierphase zur Umsetzung übergehen, benötigen sie KI, die konsistent und im Einklang mit der tatsächlichen Arbeitsweise des Unternehmens Entscheidungen trifft.
In einer neuen Folge von „The AI Forecast“ mit dem Titel „Entscheidungslogik: Die fehlende Ebene in der Unternehmens-KI“ erläutert Darlene Newman, Innovation Lead bei Duczer East, gemeinsam mit Moderator Paul Muller, warum Unternehmens-KI mehr als nur Daten und Prompts benötigt, um zuverlässige Ergebnisse zu liefern. Auf der Grundlage ihrer Erfahrungen als Leiterin von Initiativen im Bereich KI und digitale Transformation erläutert Newman, warum Unternehmen das Entscheidungswissen, das ihre Mitarbeitenden täglich anwenden, erfassen und der KI zugänglich machen müssen.
Lesen Sie weiter, um zu erfahren, warum Entscheidungslogik zu einem grundlegenden Baustein der Unternehmens-KI werden könnte.
Paul: Lassen Sie uns über Entscheidungslogik sprechen. Als ich das Thema zum ersten Mal sah, hatte ich einen dieser Momente, in denen man versucht ist, zustimmend zu nicken und so zu tun, als würde man es verstehen. Selbst nach einem kurzen Blick wurde mir klar, dass ich keine Ahnung hatte, was Entscheidungslogik als Disziplin bedeutet. Also helfen Sie mir weiter. Was ist das und warum sollte mich das interessieren?
Darlene: Ein LLM generiert großartige Ausgaben, aber es gleicht Muster in den Texten ab, mit denen es im Internet trainiert wurde. Es handelt sich nicht um echte Intelligenz, aber es wird verändern, wie wir Tag für Tag arbeiten. Damit es etwas wissen und Zusammenhänge verstehen kann, müssen Sie ihm beim Verstehen helfen.
Ich habe viel Zeit im Vertragsmanagement verbracht und denke, dass dies ein hervorragender Anwendungsfall für LLMs ist. Wenn ich frage, ob ein Vertrag eine Klausel zur automatischen Verlängerung enthält, könnten Formulierungen wie „kann verlängert werden“, „wird verlängert“, „automatische Verlängerung“ oder „stillschweigende Verlängerung“ alle dasselbe bedeuten. Wenn jemand sagt: „Das ist ein Vertrag mit automatischer Verlängerung“, stellt sich die Frage: „Woher wissen Sie das?“
Das ist es, was ich mit Entscheidungslogik meine. Es ist das Warum hinter dem, was Sie tun: das implizite Wissen, das Menschen jeden Tag instinktiv anwenden. Sie müssen dem LLM dieses Wissen vermitteln. Andernfalls trifft es seine eigene Entscheidung, und möglicherweise ist es nicht die richtige.
Paul: Was ich heraushöre, ist, dass uns die Entscheidungslogik eine Möglichkeit bietet, einen Teil dieses impliziten Wissens zu erfassen und für definierte Anwendungsfälle in das System zu integrieren, wodurch der Bedarf an ständigen menschlichen Eingriffen sinkt. Welche Talente oder Kompetenzen brauchen Organisationen also, um diese Fähigkeit aufzubauen?
Darlene: Ich vergleiche es mit einer Bibliothekarin, also jemandem, der Informationen organisiert. Ich sage immer, dass es zwei Schlüsselkompetenzen gibt, die Sie aufbauen müssen, um einen Agenten zu entwickeln: den Geschäftsprozess zu verstehen und die Daten zu verstehen. Wenn Sie diese miteinander verbinden, haben Sie jemanden, der Wissensdesign übernehmen kann. Sie sind keine reinen Ingenieure, aber die Person, die die Wissensebene entwirft, muss verstehen, wie Daten strukturiert sind und wie das Geschäft tatsächlich funktioniert. Sie benötigen weiterhin technische Fachkräfte, um den Agenten zu implementieren, aber die Gestaltung des Wissens ist wirklich eine Mischung aus Geschäftskenntnissen und Datenverständnis.
Ich denke, was oft passiert, ist, dass jemand, der das entwirft und einen rein technischen Hintergrund hat, sein Vokabular an dem ausrichtet, was bereits im System vorhanden ist. Die Leute werden sagen: "Wir haben Collibra. Wir haben Datendefinitionen für alle unsere Felder und haben die Datenherkunft zugeordnet." Meine Antwort lautet: "Das ist kein kontrolliertes Vokabular."
Felddefinitionen zu haben, ist großartig, aber die eigentliche Frage lautet: Was bedeutet das Konzept tatsächlich? Eine Definition allein sagt Ihnen nicht, wie sie interpretiert werden sollte oder wie eine KI sie identifizieren sollte. Sie müssen noch einen Schritt weiter gehen. Sie möchten nicht, dass Ihre Konzepte und Ihr Verständnis einfach das widerspiegeln, was in einem relationalen Datenmodell enthalten ist. Das ist das Risiko, wenn Sie bei der Definition der semantischen Ebene einen zu technischen Ansatz verfolgen.
Paul: Lassen Sie uns zum Schluss noch einen kleinen Aufruf zum Handeln formulieren. Für Menschen wie mich, die den Begriff Entscheidungslogik vielleicht hören und einfach zustimmend nicken: Was sollten wir eigentlich konkret damit tun? Sollten sich Vorstände und Führungskräfte damit befassen, und ab welchem Punkt in einem KI-Projekt sollte Entscheidungslogik Teil des Gesprächs werden?
Darlene: Sie beginnen bereits zu Beginn des Projekts, über die Entscheidungslogik nachzudenken, wenn Sie den Agenten entwerfen. Bei Agenten können Sie nicht mehr mit minimalen Anforderungen auskommen. Jede Aufgabe birgt potenzielle Sonderfälle, daher müssen Sie entscheiden, ob der Agent diese bearbeitet oder an einen Menschen weitergibt.
Ich sage den Leuten immer, dass sie mit dem Prozessablauf beginnen sollen. Versuchen Sie nicht, den gesamten Prozess um den Agenten herum zu gestalten. Identifizieren Sie stattdessen die kritischen Aktivitäten in diesem Prozess. Verschaffen Sie sich einen Überblick über die Arbeit, die Sie heute erledigen, und sagen Sie: "Hier sind alle Dinge, die wir in diesem Ablauf tun. Welche davon können Sie am sinnvollsten umsetzen? " Und an diesem Punkt: Was sind die Tests? Was ist die Eingabe? Was ist die Ausgabe, und wie treffen Sie die Entscheidung über diese Ausgabe? Und dann beginnen Sie zu dokumentieren, wie Sie das machen.
Die Herausforderung besteht darin, dass Vorstände semantische Ebenen noch nicht ohne Weiteres verstehen oder finanzieren. Vorstände verstehen Data Lakes und APIs ohne Weiteres, aber semantische Ebenen haben noch nicht denselben Grad an Verständnis erreicht.
Bei einigen Kunden mussten wir den Mehrwert nachweisen. Wir begannen mit einem einzelnen Agenten, und die Ergebnisse waren schlecht. Wir erstellten ein einfaches kontrolliertes Vokabular, auf das der Agent zurückgreifen konnte, und die Ergebnisse verbesserten sich. Als wir weitere Regeln und Definitionen hinzufügten, bauten wir im Grunde eine einfache semantische Ebene auf. Heute formalisieren wir dies durch Wissensdesign und offene Standards, aber damals mussten wir es hinter den Kulissen entwickeln, weil Unternehmen nicht danach fragten. Es ist ein schwieriges Konzept, weil Menschen nicht von Natur aus so denken. Ich habe festgestellt, dass es einfacher ist, zu zeigen, wie ein Wissensgraph aussieht, als ihn zu erklären.
Hören Sie sich das gesamte Gespräch mit Darlene Newman in „The AI Forecast“ auf Spotify, Apple Podcasts und YouTube an.
This may have been caused by one of the following: