Anwendungsfälle des Wissensmanagements mit generativer KI skalieren

Künstliche Intelligenz ist dabei, viele verschiedene Bereiche der Wirtschaft zu verändern. Das Potenzial der Technologie zeigt sich besonders in den Bereichen Kundenservice, Talente und Anwendungsmodernisierung. Laut dem IBM Institute for Business Value (IBV) kann KI Fälle in Contact Centern eindämmen und die Customer Experiencece um 70 % verbessern. Außerdem kann KI die Produktivität im Personalwesen um 40 % und die Anwendungsmodernisierung um 30 % steigern. Ein Beispiel dafür ist die Verringerung des Arbeitsaufwands durch die Automatisierung der Ticketunterstützung durch die IT-Abteilung. Obwohl diese Zahlen Chancen für Unternehmen für Transformationen aufzeigen, war es in der Vergangenheit für Unternehmen eine Herausforderung, KI zu skalieren und zu operationalisieren.

KI ist nur so gut wie die Daten, auf denen sie basiert, und der Bedarf an der richtigen Datengrundlage war noch nie so groß wie heute. 

Wenn Daten in Clouds und lokalen Umgebungen gespeichert sind, wird es schwierig, darauf zuzugreifen, während die Governance verwaltet und die Kosten kontrolliert werden. Erschwerend kommt hinzu, dass die Nutzung von Daten vielfältiger geworden ist und Unternehmen mit der Verwaltung komplexer oder minderwertiger Daten konfrontiert sind.

Precise führte eine Studie durch, die ergab, dassData Scientists in Unternehmen 80 % ihrer Zeit damit verbringen, Daten zu bereinigen, zu integrieren und aufzubereiten und dabei viele Formate zu verarbeiten, darunter Dokumente, Bilder und Videos. Insgesamt liegt der Schwerpunkt auf der Schaffung einer vertrauenswürdigen und integrierten Datenplattform für KI.

Mit dem Zugriff auf die richtigen Daten ist es einfacher, die KI für alle Nutzer zu ermöglichen, indem die Leistungsfähigkeit der Foundation Models zur Unterstützung einer breiten Palette von Aufgaben genutzt wird. Es ist jedoch wichtig, die Chancen und Risiken der Foundation Models zu berücksichtigen – insbesondere die Vertrauenswürdigkeit der Modelle für die Bereitstellung von KI im großen Maßstab.

Vertrauen ist ein Hauptfaktor, der Stakeholder von der Implementierung von KI abhält. Tatsächlich stellte IBV fest, dass 67 % der Führungskräfte über die potenziellen Risiken von KI besorgt sind. Bestehenden Tools für verantwortungsvolle KI fehlen technische Fähigkeiten und sie sind auf bestimmte Umgebungen beschränkt, was bedeutet, dass Kunden die Tools nicht zur Steuerung von Modellen auf anderen Plattformen nutzen können. Dies ist besorgniserregend, wenn man bedenkt, dass generative Modelle oft Ausgaben produzieren, die giftige Sprache enthalten - einschließlich Hass, Beleidigungen und Obszönitäten (HAP) - oder personenbezogene Daten (PII) preisgeben. Unternehmen erhalten zunehmend negative Presse für den Einsatz von KI, was ihren Ruf schädigt. Die Datenqualität hat einen starken Einfluss auf die Qualität und Nützlichkeit der von einem KI-Modell erzeugten Inhalte und unterstreicht die Bedeutung der Bewältigung von Datenproblemen.

Eine neue Anwendung der generativen KI ist das Wissensmanagement. Mit der Leistungsfähigkeit von KI können Unternehmen Wissensmanagement-Tools nutzen, um relevante Daten zu sammeln, zu erstellen, darauf zuzugreifen und zu teilen, um Erkenntnisse in das Unternehmen zu gewinnen. Softwareanwendungen für das Wissensmanagement werden häufig in einem zentralen System oder einer Wissensdatenbank implementiert, um Geschäftsbereiche und Aufgaben zu unterstützen – einschließlich Talententwicklung, Kundenservice und Anwendungsmodernisierung.

HR, Talente und KI

Personalabteilungen können KI für Aufgaben wie Inhaltsgenerierung, Retrieval-Augmented Generation (RAG) und Klassifizierung einsetzen. Mithilfe der Inhaltsgenerierung kann schnell die Beschreibung für eine Rolle erstellt werden. Retrieval-Augmented Generation (RAG) kann dabei helfen, die für eine Rolle erforderlichen Fähigkeiten anhand interner HR-Dokumente zu identifizieren. Durch die Einstufung kann ermittelt werden, ob der Bewerber aufgrund seiner Bewerbung zum Unternehmen passt. Diese Aufgaben verkürzen die Bearbeitungszeit von der Antragstellung einer Person bis zum Erhalt einer Entscheidung über ihren Antrag.

Kundenservice und KI

Kundenservice kann die Vorteile der KI durch den Einsatz von RAG, Zusammenfassung und Klassifizierung nutzen. So können Unternehmen beispielsweise einen Chatbot für den Kundenservice auf ihrer Website einbinden, der generative KI einsetzt, um dialogorientierter und kontextspezifischer zu sein. Retrieval-Augmented Generation kann verwendet werden, um interne Dokumente mit organisatorischem Wissen zu durchsuchen, um die Anfrage des Kunden zu beantworten und eine maßgeschneiderte Ausgabe zu generieren. Die Zusammenfassung kann den Mitarbeitern helfen, indem sie ihnen einen Überblick über das Problem des Kunden und frühere Interaktionen mit dem Unternehmen gibt. Die Textklassifizierung kann verwendet werden, um die Stimmung des Kunden zu klassifizieren. Diese Aufgaben können die manuelle Arbeit reduzieren und gleichzeitig den Kundensupport und hoffentlich die Kundenzufriedenheit und -bindung verbessern.

Anwendungsmodernisierung und KI

DieApp-Modernisierung kann auch mit Hilfe von Aufgaben zur Zusammenfassung und Inhaltserstellung erreicht werden. Mit einer Zusammenfassung des Wissens und der Geschäftsziele des Unternehmens können Entwickler weniger Zeit für das Erlernen dieser notwendigen Informationen aufwenden und haben mehr Zeit für die Codierung. IT-Mitarbeiter können auch eine zusammenfassende Ticketanfrage erstellen, um Probleme in einem Support-Ticket schnell zu bearbeiten und zu priorisieren. Eine weitere Möglichkeit für Entwickler, generative KI zu nutzen, besteht darin, mit großen Sprachmodellen (Large Language Models, LLMs) in menschlicher Sprache zu kommunizieren und das Modell zu bitten, Code zu generieren. Dies kann dem Entwickler helfen, Codesprachen zu übersetzen, Fehler zu beheben und den Zeitaufwand für die Codierung zu reduzieren, was kreativere Ideen ermöglicht.

Unternehmen benötigen ein Data Lakehouse, um den Datenproblemen zu begegnen, die mit dem bereitstellen eines KI-gestützten Wissensmanagementsystems einhergehen. Es bietet die Kombination aus Data Lake-Flexibilität und Data Warehouse-Leistung, um die Skalierung von KI zu unterstützen. Ein Data Lakehouse ist ein zweckmäßiger Datenspeicher.

Um Daten für die KI vorzubereiten, müssen Dateningenieure in der Lage sein, von einem einzigen Zugangspunkt aus auf jede Art von Daten über große Mengen von Quellen und hybriden Cloud-Umgebungen zuzugreifen. Ein Data Lakehouse mit mehreren Abfrage-Engines und Speichern ermöglicht Teammitgliedern die gemeinsame Nutzung von Daten in offenen Formaten. Darüber hinaus können Ingenieure Daten für die KI/ML-Modellierung bereinigen, transformieren und standardisieren, ohne sie zu duplizieren oder zusätzliche Pipelines aufzubauen. Darüber hinaus sollten Unternehmen Lakehouse-Lösungen in Betracht ziehen, die generative KI beinhalten, damit Dateningenieure und technisch nicht versierte Benutzer Daten leicht mit natürlicher Sprache finden, ergänzen und anreichern können. Data Lakehouses verbessern die Effizienz der Bereitstellung von KI und die Generierung von Daten-Pipelines.

KI-gestützte Wissensmanagementsysteme enthalten sensible Daten, darunter HR-E-Mail-Automatisierungen, Marketingvideo-Übersetzungen und Call-Center-Transkript-Analyse. Wenn es um diese sensiblen Informationen geht, wird der Zugriff auf sichere Daten immer wichtiger. Kunden benötigen ein Data Lakehouse, das eine integrierte zentralisierte Governance und eine automatisierte lokale Durchsetzung von Richtlinien bietet, die durch Datenkatalogisierung, Zugriffskontrollen, Sicherheit und Transparenz in der Datenabstammung unterstützt wird.

Durch diese Datengrundlagen, die durch eine Data Lakehouse Lösung geschaffen werden, können Data Scientists verwaltete Daten nutzen, um KI-Modelle zu erstellen, zu trainieren, zu abstimmen und bereitstellen, Vertrauen zu schaffen und Vertrauen zu gewährleisten.

Wie bereits erwähnt, sind Chatbots eine beliebte Form von generativen KI-gestützten Wissensmanagementsystemen, die für die Erfahrung eingesetzt werden. Diese Anwendung kann einen Mehrwert für ein Unternehmen schaffen, birgt aber auch Risiken.

Zum Beispiel kann ein Chatbot für ein Gesundheitsunternehmen die Workload von Krankenschwestern reduzieren und den Kundenservice verbessern, indem er Fragen zu Behandlungen anhand bekannter Daten aus früheren Interaktionen beantwortet. Wenn die Datenqualität jedoch schlecht ist oder wenn das Modell während der Feinabstimmung oder Prompt-Tuning verzerrt wurde, ist das Modell wahrscheinlich nicht vertrauenswürdig. Infolgedessen kann der Chatbot einem Patienten eine Antwort anbieten, die unangemessene Sprache enthält oder personenbezogene Daten eines anderen Patienten preisgibt.

Um diese Situation zu verhindern, müssen Unternehmen bei der Bereitstellung von KI-Modellen proaktiv Verzerrungen und Abweichungen erkennen und abmildern. Eine automatische Inhaltsfilterung zur Erkennung von HAP- und PII-Lecks würde den Modellvalidatoren den Aufwand bei der manuellen Validierung von Modellen verringern, um sicherzustellen, dass sie toxische Inhalte vermeiden.

Wissensmanagementstrategie bezieht sich auf das Sammeln, die Erstellung und das Teilen von Wissen innerhalb eines Unternehmens. Es wird häufig in ein System zum Wissensaustausch implementiert, das mit den Stakeholdern geteilt werden kann, um vorhandenes kollektives Wissen und organisatorische Erkenntnisse zu lernen und zu nutzen. Eine RAG-KI-Aufgabe kann beispielsweise dabei helfen, anhand interner HR-Dokumente die für eine Stelle erforderlichen Fähigkeiten zu identifizieren, oder einen Chatbot für den Kundenservice bei der Durchsuchung interner Dokumente unterstützen, um eine Kundenanfrage zu beantworten und ein maßgeschneidertes Ergebnis zu generieren.

Bei der Bereitstellung generativer KI-Modelle sollten Unternehmen mit einem vertrauenswürdigen Partner zusammenarbeiten, der bereits hochwertige Modelle aus hochwertigen Daten erstellt oder bezogen hat – und zwar eines, das eine Anpassung an Unternehmensdaten und -ziele ermöglicht. 

Um unseren Kunden bei der Lösung ihres Wissensmanagements zu helfen, haben wir IBM watsonx.ai entwickelt. Als Teil des IBM watsonx-Portfolios von KI-Produkten, das neue generative KI-Funktionen vereint, istwatsonx.ai mit Foundation Models und traditionellem maschinellem Lernen in einem leistungsstarken Studio verknüpft, das den gesamten KI-Lebenszyklus abdeckt. Mit watsonx.ai, können Sie generative KI, Basismodelle und maschinelles Lernen problemlos trainieren, prüfen, optimieren und bereitstellen und KI-Anwendungen in einem Bruchteil der Zeit und mit einem Bruchteil der Daten erstellen.