Data & AI im Jahr 2024 - ein Rückblick

Ein Beitrag von An Dang und Usame Suud

Die dargestellte Retrival Augmented Generation-Architektur ermöglicht es, die Nutzung intelligenter Chatbots mit internem Wissen zu verbinden. In diesem Fall nutzt eine Versicherung diese Architektur, inklusive eines dazu passenden Prompt Engineering, um User über relevante Fragestellungen zu informieren.

Neben dem Aufbau einer solchen Architektur muss zusätzlich auch an den Betrieb (LLMOps) und die kontinuierliche Weiterentwicklung der Technologien gedacht werden. Wir haben in unseren Projekten gute Erfahrungen mit Google Cloud gemacht und nutzen die Plattform, um solche Prozesse sicher und kosteneffizient aufzusetzen.

Ein Beitrag von Peter Baumann

Datenarchitekturen und technologische Fähigkeiten (Capabilities), die Daten nutzbar machen, zielen letztlich darauf ab, Wettbewerbsvorteile für Unternehmen zu generieren. Dies kann sich u. a. am Umsatzwachstum, an einer höheren Marge durch verbesserte Kosten- und Prozesseffizienz oder einer verbesserten Kundenzufriedenheit bemerkbar machen.

Der Aufbau einer Datenarchitektur für Data Fabric erfordert die Bereitstellung spezifischer Fähigkeiten, welche i. d. R. nicht durch einzelne Technologien oder Lösungen erbracht werden können.

Die Data & Analytics Capabilities müssen sich an den notwendigen organisatorischen Fähigkeiten ausrichten und diese optimal unterstützen. Der Data Fabric-Ansatz beschleunigt die Entwicklung von Datenprodukten und unterstützt die Umsetzung komplexer Data Use Cases.

Ein Beitrag von Johannes Wenzel

Den Einsatz von GenAI begreifen viele Branchenkenner als Chance. Gleichzeitig steigt jedoch auch die Wahrnehmung für damit verbundene Risiken. Initiativen wie der aktuell in Umsetzung befindliche EU AI Act rücken dies zusätzlich ins Bewusstsein der Unternehmen.

Die Integration in die Data & Analytics Strategie, sowie ein frühes Einbeziehen der Verantwortlichen für Informationssicherheit hilft, Enttäuschungen zu vermeiden und mit Hilfe von Prozessen und Governance einen unterstützenden Rahmen für interne GenAI-Initiativen zu schaffen.

Ein Beitrag von Laura Weber und Alexander Bauer

Viele Datenvorhaben scheitern, weil bestimmte Voraussetzungen fehlen:

• eine ausreichende Datenkultur
• die notwendige Flexibilität
• eine klare Wertorientierung

Erfolgskriterien können für jedes Unternehmen individuell sein. Bei der Bewertung von Datenprodukten darf die Komplexität nicht durch eine hohe Anzahl an Erfolgskriterien getrieben werden. Die Kriterien sollten praxisnah und effizient gewählt werden. Ebenso sollte darauf geachtet werden, dass keine starke Korrelation zwischen diesen Kriterien besteht.

Mit dem “Most Wanted”-Ansatz werden Datenprodukte auf den Wertbeitrag für strategische Ziele ausgerichtet. Dies schafft Transparenz, Nachvollziehbarkeit und einen hohen strategischen Fit.

Ein Beitrag von An Dang

In dem vorgestellten Kundenszenario wurden verschiedene Ansätze ausprobiert, um den passenden Aufsatz für die jeweilige Zielgruppe und Anwendungsgebiete zu finden. Das Arbeiten mit LLMs ermöglicht verschiedene Wege, den individuellen Unternehmenskontext nutzbar zu machen. Dabei müssen Themen wie Datenschutz und Kosten beachtet werden.

Der beste Ansatz macht die Applikation noch nicht zum Selbstläufer. Beispielsweise kommt es nach wie vor darauf an, wie gut die Fragen aufgebaut sind. Oftmals gibt es zudem keine oder nur eine eingeschränkte Historie. Die sinnvolle Nutzung der Modelle bleibt ein Lernprozess auf beiden Seiten.