Unternehmensdaten und KI-Trends 2025: Intelligente Systeme, Plattformen und Zukunftsaussichten

Vorhersagen, insbesondere in einem schnelllebigen Bereich wie Daten und KI, sind bekanntermaßen schwierig. Dennoch: Wir.Rajesh Parikh im Gesang antworten Sanjeev MohanLetztes Jahr haben wir unser Trendprojektionen für 2024. Das Jahr 2024 neigt sich dem Ende zu und wir freuen uns, bestätigen zu können, dass wir mit unseren Vorhersagen genau richtig lagen. Dieser Erfolg ist umso bemerkenswerter, wenn man das beispiellose Tempo der KI bedenkt, eine Veränderungsrate, die in der IT-Branche selten ist.

In unseren vier wichtigsten Vorhersagen haben wir den Aufstieg von intelligenten Datenplattformen und KI-Intelligenzen hervorgehoben. Während diese Trends im Jahr 2023 weniger offensichtlich sind, ist die Dynamik hinter den KI-Intelligenzen jetzt unbestreitbar und kündigt eine weitere Beschleunigung an. die Verbreitung von KI und KI-Intelligenzen geht weiter.

Bei den Datenplattformen beobachten wir eine starke Verlagerung hin zu intelligenten, einheitlichen Plattformen, angetrieben von der Notwendigkeit, die Nutzererfahrung zu vereinfachen und die Entwicklung von Daten und KI-Produkten zu beschleunigen. Dieser Trend dürfte sich noch verstärken, da immer mehr Anbieter in den Markt eintreten und die Palette der für Unternehmen verfügbaren Optionen erweitern.

Erwartungen für 2025

Auf dem Weg ins Jahr 2025 wird sich die Landschaft der Unternehmensdaten und der künstlichen Intelligenz (KI) grundlegend verändern, Branchen umgestalten und die Art und Weise, wie Menschen mit Technologie interagieren, neu definieren. Wir wollen dies nicht als Vorhersage bezeichnen, sondern dieses Dokument dazu nutzen, diese transformativen Trends zu erkunden, die unserer Meinung nach die besondere Aufmerksamkeit von Führungskräften und Technologiemanagern in Unternehmen erfordern. Die Leser sollten es daher als Leitfaden nutzen, um Prioritäten zu setzen und ihre Organisationen darauf vorzubereiten, die richtige Richtung einzuschlagen.

Kommen wir nun zu den Trends, von denen wir glauben, dass sie die Landschaft der Unternehmensdaten und KI dominieren werden. Abbildung 1 veranschaulicht die Trends in den Kategorien "Angewandte KI", "Data & Ops" und "Moon Program".

Abbildung 1: Die Daten- und KI-Landschaft des Jahres 2025 ist gekennzeichnet durch den Aufstieg von Intelligenzen, die Entwicklung von Datenplattformen und die Verfolgung ehrgeiziger Pläne zur Landung auf dem Mond, die das Potenzial haben, die Welt um uns herum zu verändern.

• Angewandte KIDiese Trends werden sich erheblich darauf auswirken, wie Unternehmen KI-Modelle für die Transformation nutzen, insbesondere im Hinblick darauf, wie Intelligenzen alltägliche Aufgaben und Funktionen automatisieren. Da sich die Modelle in ihren Denkfähigkeiten weiterentwickeln, werden diese Intelligenzen immer komplexere Aufgaben bewältigen und nahtlos zusammenarbeiten.
• Daten und Plattformtrends:Konvergente Daten- und Metadatenebenen, die strukturierte und unstrukturierte Daten unterstützen, werden die KI vorantreiben und als Grundlage für intelligente und KI-Anwendungen dienen. Eine Reihe von Schlüsseltrends konvergiert, um diese Vision zu unterstützen, darunter Fortschritte im Datenplattformmanagement und die Entwicklung robuster Middleware für intelligente Anwendungen.
• Programm zur Mondlandung:Mit diesen ehrgeizigen und risikoreichen Versuchen werden die Grenzen der derzeitigen Technologie erweitert und Bereiche erforscht, die heute vielleicht noch neuartig erscheinen. Auch wenn das Risiko des Scheiterns hoch ist, haben Durchbrüche in diesen Bereichen das Potenzial, die Branche zu revolutionieren und die Interaktion zwischen Mensch und Computer neu zu definieren.

Angewandte KI

2025Angewandte KI Die Trends konzentrieren sich auf praktische Anwendungen und die allgemeine Anwendung von Intelligenzen. Wie in Abbildung 2 dargestellt, haben wir vier wichtige Unterthemen identifiziert, von denen wir erwarten, dass sie die größten Auswirkungen auf diese Kategorie haben werden.

Abbildung 2: Wie beim maschinellen Lernen wird die Demokratisierung der KI durch ein florierendes Ökosystem von Intelligenzen erreicht, die eine Vielzahl von Aufgaben und bereichsspezifischen Herausforderungen bewältigen können.

Als Nächstes wollen wir uns die Trends für jede KI/AI-Anwendung ansehen.

Intelligente Körper sind überall

Im Jahr 2025 werden wir in die Ära der intelligenten Körper-KI eintreten.

Hier finden Sie Auszüge aus den Trends des letzten Jahres über KI-Intelligenzen und unsere Ratschläge für Unternehmen.

Wir sehen KI-informierte Intelligenzen als einen Trend, dessen Verwirklichung noch Jahre dauern kann. Angesichts der vielversprechenden Aussichten erwarten wir jedoch, dass 2024 ein Jahr sein wird, in dem bedeutende Fortschritte bei der Infrastruktur und den Werkzeugen für Intelligenzen sowie eine frühe Übernahme erzielt werden. Es sei darauf hingewiesen, dass es sich bei unserem Verständnis des Potenzials aktueller KI-Architekturen für die Übernahme komplexerer Aufgaben noch weitgehend um Potenziale handelt und dass es noch erhebliche ungelöste Probleme gibt.

Dennoch müssen Unternehmen einen pragmatischen Ansatz bei der Entwicklung intelligenter Körperanwendungen verfolgen und bis zu einem gewissen Grad davon ausgehen, dass die Lücke zwischen den aktuellen KI-Technologien bei der Übernahme von immer komplexeren Automatisierungsaufgaben von Jahr zu Jahr kleiner werden wird. Sie müssen auch prüfen, inwieweit die Automatisierung in den nächsten 12 Monaten von Anwendungsfall zu Anwendungsfall realisiert werden kann. Der evolutionäre Weg solcher Projekte kann bei solchen Bemühungen erfolgreicher sein.

Im Jahr 2025 wird sich der Einsatz intelligenter, autonomer KI-Intelligenzen in Unternehmen voraussichtlich beschleunigen, da der Bedarf an der Automatisierung sich wiederholender Aufgaben und der Verbesserung des Kundenerlebnisses wächst. Diese Intelligenzen werden die menschlichen Fähigkeiten ergänzen und uns in die Lage versetzen, uns auf kreative, strategische und komplexe Aufgaben zu konzentrieren.

Sie dehnen die Automatisierung auf Aufgaben aus, die ein hohes Maß an Denken, Argumentation und Problemlösung erfordern - Aufgaben, die derzeit noch ein hohes Maß an menschlicher Beteiligung erfordern. So können Intelligenzen beispielsweise Marktforschung betreiben, Daten analysieren oder Kundendienstanfragen beantworten. Sie können auch komplexe, mehrstufige Arbeitsabläufe automatisieren, die bisher aufgrund von Komplexität, Kosten oder beidem als unpraktisch galten.

Eine KI-Intelligenz ist ein Programm oder System, das seine Umgebung wahrnimmt, Überlegungen anstellt, eine bestimmte Aufgabe in eine Reihe von Schritten aufteilt, Entscheidungen trifft und Maßnahmen ergreift, um diese bestimmten Aufgaben autonom zu erledigen, genau wie ein menschlicher Arbeiter.

Wir erleben derzeit das Aufkommen von KI-gesteuerten Tools, wie z. B. Co-Piloten für Entwickler, die für etwa 20 Dollar pro Monat genutzt werden können, und Tools wie das Devin Intelligenzen im Frühstadium wie diese kosten 500 Dollar (was immer noch eine Automatisierungslösung der Stufe 2 darstellt). Intelligenzen der Stufe 2 sind solche, die bestimmte Aufgaben autonom ausführen können, aber immer noch eine erhebliche menschliche Aufsicht und Intervention erfordern.

Für das Jahr 2025 erwarten wir jedoch fortschrittlichere Intelligenzen mit entsprechend höheren Preisen, die den Wert widerspiegeln, den sie bieten. So könnte ein spezialisierter Intelligenter Körper, der einen Junior-Vermarkter bei der Entwicklung der Top-of-Funnel-Inbound- und Outbound-Marketingstrategie einer Abteilung übertrifft, bis zu 20.000 USD kosten.

Multi-Intelligenz-System

Multiagentensysteme (MAS) ermöglichen es mehreren autonomen Intelligenzen, zusammenzuarbeiten, zu kommunizieren und zusammenzuarbeiten, um komplexe Herausforderungen zu lösen, die für eine einzelne Intelligenz unüberwindbar wären. Diese Spezialisierung innerhalb des MAS ermöglicht es jeder Intelligenz, sich auf ihr Fachgebiet zu konzentrieren und dadurch die Gesamteffizienz des Systems zu erhöhen, da die Intelligenzen ihre einzigartigen Fähigkeiten und Kenntnisse zur Lösung komplexer Probleme beitragen. Diese Intelligenzen interagieren miteinander, oft unter Verwendung verschiedener Kommunikationsarten und -kanäle, um ihre individuellen Ziele oder die Ziele des Gesamtsystems zu erreichen.

Abbildung 3 veranschaulicht, wie mehrere Intelligenzen zusammenarbeiten können, um die Erstellung von Inhalten innerhalb einer Organisation zu verbessern.

Abbildung 3: Ein Multi-Intelligenz-System, das aus drei Intelligenzen besteht, die sich auf die Recherche, Erstellung und Verteilung von Inhalten konzentrieren und zusammenarbeiten, um die Anforderungen der Marketingabteilung zu erfüllen.

MAS können verschiedene Ebenen der Kontrolle und verschiedene Architekturmuster für Kommunikation und Koordination durch gemeinsame Architekturmuster aufweisen:

1. Mehrschichtige Teams:Bei dieser Art von MAS wird in der Regel ein zentraler Manager oder Aufgabendelegator zur Vermittlung der Kommunikation eingesetzt. Die Arbeiterintelligenzen innerhalb des Systems kommunizieren nur über diese zentrale Intelligenz, wodurch eine direkte Kommunikation zwischen den Intelligenzen verhindert wird.
2. Parität:In Peer-to-Peer-MAS kommunizieren die Intelligenzen direkt miteinander, ohne sich auf eine zentrale Stelle zu verlassen.
3. Zusammenarbeit in der Gruppe:Diese Art von MAS ist vergleichbar mit Gruppenchats (z. B. Slack, Microsoft Teams), bei denen sich Intelligenzen für relevante Kanäle anmelden und durch eine Publish-Subscribe-Architektur koordiniert werden.

Im Gegensatz zu Systemen mit nur einem intelligenten Körper, bei denen ein einziger intelligenter Körper mehrere Aufgaben übernimmt, ermöglichen MAS eine effiziente Spezialisierung, die die Leistung eines breiten Spektrums von Anwendungen verbessert.MAS sind für die Skalierung der Automatisierung komplexer intelligenter Körper unerlässlich; die Übertragung zu vieler Aufgaben auf einen einzigen intelligenten Körper führt zu Komplexität und Problemen mit der Skalierbarkeit/Zuverlässigkeit.

Wir sehen den Trend, dass Unternehmen mehr spezialisierte Intelligenzen entwickeln. Diese Intelligenzen müssen in Teamkonfigurationen arbeiten, zusammenarbeiten und koordinieren, um größere, komplexere Workflows zu ermöglichen. Infolgedessen wird MAS eine Schlüsselrolle für den Gesamterfolg von Initiativen zur intelligenten Workflow-Automatisierung spielen.

Intelligentes Karosserie-Management-System (IBMS)

Ein Intelligenzmanagementsystem (AMS) erleichtert die Entwicklung, Bewertung, Bereitstellung und Überwachung von KI-Intelligenzen nach der Bereitstellung. Durch die Vereinfachung der Erstellung und Verfeinerung dieser Intelligenzen ermöglicht AMS schnellere Iterationen und vereinfacht das Lebenszyklusmanagement. Durch umfassende Tests vor der Bereitstellung und eine kontinuierliche Überwachung der Produktion wird außerdem sichergestellt, dass die Intelligenzen die Erwartungen erfüllen.

Abbildung 4 zeigt die Komponenten eines repräsentativen AMS.

Abbildung 4: Komponenten eines repräsentativen intelligenten Aufbaumanagementsystems (AMS)

Ein repräsentatives AMS enthält die folgenden Komponenten:

1. Intelligenter Bodybuilder:Intelligente Bodybuilder, oft auch als Intelligent Body Frameworks bezeichnet, helfen dabei, schnell neue intelligente Körper zu schaffen und bestehende iterativ zu verbessern.
2. Intelligent Body Registry:Die Intelligentsia Registry verwaltet einen Katalog der verfügbaren Intelligentsia und erleichtert die Zugangskontrolle und -verwaltung, die auch die Versionierung umfasst, um einen angemessenen Zugang für die Zielgruppe sicherzustellen.
3. Smart Body Playground:Intelligent Body Playground für handbetätigt Das Testen der Leistung von Intelligenzen bei einer Vielzahl von Aufgaben und Benutzerabfragen bietet eine benutzerfreundliche Plug-and-Play-Schnittstelle. Diese Umgebung ermöglicht eine schnelle Bewertung der Intelligenzleistung.
4. Intelligente Körperexperimente:Smart Body Experimentelle Unterstützung Automatisierung Durchführung einer Bewertung der Intelligenzen vor der Einführung. Dieser strukturierte Ansatz bewertet die Leistung von Intelligenzen durch Definition des Datensatzes, Auswahl geeigneter Metriken, Konfiguration der Umgebung, Analyse der Ergebnisse und Erstellung eines Bewertungsberichts. Häufig sind auch Protokolle von bereits durchgeführten Experimenten verfügbar.
5. Einsatz und Überwachung:Die Bereitstellung des intelligenten Körpers umfasst die Konfiguration der erforderlichen Ressourcen für den intelligenten Körper in einer Staging- oder Produktionsumgebung, während die Überwachung relevante Laufzeitmetriken verfolgt. Dies gewährleistet die Zuverlässigkeit und Effektivität der Intelligenz.
6. Chat UI:Die Chat-Benutzeroberfläche bietet die notwendige Benutzerschnittstelle für die Interaktion mit Intelligenzen, die in einer Produktionsumgebung eingesetzt werden.

AMS wird eine Schlüsselrolle bei der Unterstützung von Unternehmen bei der Erstellung, dem Einsatz und der Verwaltung dieser Intelligenzen über den gesamten Lebenszyklus hinweg spielen, was zu einem "Intelligent Body-enabled Enterprise" führt.

aufgabenspezifisches Modell

(tun Sie es einfach) ohne zu zögern Anthropisch Claude, die OpenAI GPT-Familie, Googles Zwillinge und führende Modelle wie Nova von AWS dominieren im Jahr 2024, aber es gibt einige bemerkenswerte Trends bei der Entwicklung von aufgaben- und domänenspezifischen Modellen, die für Unternehmensanwendungen besonders relevant sind.

Abbildung 5 veranschaulicht die einzelnen Schritte dieses Modellierungsprozesses. Dieser Prozess wird gemeinhin bezeichnet als Ausrichtung nach dem Training.

Abbildung 5: Techniken zur Erstellung des Domänenmodells

1. überwachte Feinabstimmung

Bei der überwachten Feinabstimmung (SFT) wird ein Basismodell (in der Regel ein vortrainiertes Basismodell oder eine befehlsabgestimmte Variante) anhand eines Präferenzdatensatzes trainiert. In der Gedankenkette (CoT) ausgerichteten Kontext enthält jeder Datensatz in diesem Datensatz in der Regel ein Tripel (Eingabeaufforderung, CoT, Ausgabe), wobei der CoT ausdrücklich auf die entsprechende Sicherheitsspezifikation verweist.

Der kontextbezogene Verfeinerungsprozess erstellt einen Datensatz, der mit einem nur auf Nützlichkeit trainierten Modell beginnt und mit einer Sicherheitsspezifikation und relevanten Hinweisen versehen wird. Das Ergebnis dieses Prozesses ist SFT-Modell.

2. eine verbesserte Feinabstimmung des Lernens

In der zweiten Phase kommt das rechenintensive Verstärkungslernen (RL) zum Einsatz. In dieser Phase wird das Urteils-LLM verwendet, um Signale zu belohnen, die auf der Einhaltung der Sicherheitsspezifikation durch das Modell beruhen, wodurch die Fähigkeit des Modells, sicher zu denken, weiter verbessert wird. Entscheidend ist, dass der gesamte Prozess über die anfängliche Erstellung der Spezifikation und die High-Level-Bewertung hinaus nur minimale menschliche Eingriffe erfordert.

Die CoT-Argumentation ermöglicht es dem LLM, seinen Argumentationsprozess explizit auszudrücken, wodurch seine Entscheidungen transparenter und interpretierbar werden. In der RL-Phasenanpassung enthält der CoT Verweise auf Sicherheitsspezifikationen, die veranschaulichen, wie das Modell zu seiner Antwort gekommen ist. Dies ermöglicht es dem Modell, sicherheitsrelevante Aspekte sorgfältig zu berücksichtigen, bevor es eine Antwort generiert. Durch die Aufnahme des CoT in die Trainingsdaten kann das Modell lernen, diese Form der Argumentation zu nutzen, um eine sicherere Antwort zu erhalten, was die Sicherheit und Interpretierbarkeit verbessert. Das Ergebnis dieser Phase wird oft als "Begründungsmodelle"

3. kontinuierliche Feinabstimmung

Die kontinuierliche Feinabstimmung ermöglicht es KI-Ingenieuren und Datenwissenschaftlern, Modelle an spezifische Anwendungsfälle anzupassen. Deep-Learning-Ingenieure und Datenwissenschaftler können jetzt Spitzen- und Open-Source-Modelle anhand von 10 bis 1.000 Beispielen feinabstimmen und so die Modellqualität für bestimmte Anwendungen erheblich verbessern. Dies ist von entscheidender Bedeutung für Unternehmen, die die Zuverlässigkeit ihrer anwendungsspezifischen Modelle verbessern wollen, ohne in eine umfangreiche Post-Training-Infrastruktur investieren zu müssen.

Die meisten modernen Modelle bieten heute kontinuierliche Feinabstimmungs-APIs für die Präferenzabstimmung und das Reinforcement Learning Fine-Tuning (RLFT), wodurch die Schwelle für die Erstellung aufgaben- oder domänenspezifischer Modelle gesenkt wird.

Der Ausgang dieser Stufe kann als "Aufgaben- oder bereichsspezifische Modellierung".

Open-Source-Feinabstimmungs-Frameworks (z. B. Hugging Face Transformers Reinforcement Learning (TRL), Unsloth usw.) bieten ähnliche kontinuierliche Abstimmungsmöglichkeiten für OSS-Modelle. So haben beispielsweise frühe Anwender des Llama-Modells dieses seit seiner Veröffentlichung mehr als 85.000 Mal feinabgestimmt.

Während wir die Einführung von KI in Unternehmen weiter vorantreiben, beobachten wir hier zwei unterschiedliche Trends:

1. Organisationen mit erheblicher Kapitalausstattung (die wir als "Grenzen") können eine Strategie der Nachschulung von Open-Source-Modellen verfolgen und diese durch kontinuierliche Feinabstimmung umfassend an bestimmte Bereiche und Anwendungsfälle anpassen.
2. Für Unternehmen mit begrenzten Budgets, aber hohem Interesse an zuverlässigen AnwendungsfällenEhrgeiziges UnternehmenEine kosteneffiziente Strategie besteht darin, LLM von der Stange zu wählen und der aufgabenspezifischen Anpassung durch kontinuierliche Feinabstimmung Vorrang einzuräumen.

Trends bei Daten und Betrieb und Wartung

Daten sind entscheidend für eine erfolgreiche KI-Implementierung und erfordern bewährte Verfahren für die Datenverwaltung. Abbildung 6 zeigt die wichtigsten Daten- und O&M-Trends für 2025.

Abbildung 6: Schlüsseldaten und O&M-Trends

Schauen wir uns die einzelnen Trends an.

Intelligente Datenplattform

Um die Daten- und KI-Innovation zu beschleunigen und den betrieblichen Aufwand zu verringern, schlagen wir eine einheitliche Plattform für intelligente Daten und KI (IDP) im Jahr 2024 vor. Diese Vereinheitlichung und Vereinfachung hat bei den großen Softwareanbietern großen Anklang gefunden und zu der in Abbildung 7 dargestellten Architektur geführt.

Abbildung 7: Architektur der intelligenten Datenplattform

IDP rationalisiert die Integration des Datenlebenszyklus (Speicherung, Verarbeitung, Analyse und maschinelles Lernen) und reduziert so den Bedarf an fragmentierten Tools und Arbeitsaufwand. Außerdem bietet sie einen zentralen Rahmen für die Strategie und Ausführung der Data Governance.

Während wichtige Angebote sowohl von etablierten Technologieunternehmen als auch von Start-ups die Funktionalität im Jahr 2024 weiter verbessern, ist die breite Einführung von Daten- und KI-Plattformen für KI-Intelligenzen noch in Arbeit.

Im Jahr 2025 werden Anbieter von Datenplattformen ihre Dienste weiter integrieren, um eine wichtige Grundlage für KI-Intelligenz und Multi-Intelligenz-Systeme zu schaffen und diese Anwendungen mit den Informationen zu versorgen, die sie für ihren Betrieb und ihre Entscheidungen benötigen. Diese Plattformen übernehmen drei Schlüsselfunktionen:

1. Harmonisierung der Datenebenen:Die Unified Data Plane unterstützt das Laden, Speichern, Verwalten und Verwalten einer Vielzahl von Datenformaten, darunter Text (z. B. PDF), Bilder (z. B. PNG, JPEG) und Audio/Video (z. B. MP3). Ein wichtiger Untertrend in dieser Unified Data Plane ist die Einführung von offenen Tabellenformaten wie Apache Iceberg, Delta Lake und Apache Hudi.
2. Vereinheitlichte Metadatenebene:Metadaten versorgen KI-Anwendungen mit grundlegenden Kontextinformationen über die von ihnen verarbeiteten Daten. Wenn die Daten beispielsweise ein Dokument mit Personalrichtlinien enthalten, könnten relevante Metadaten die Versionsnummer des Dokuments, das Datum der letzten Überarbeitung und den Autor umfassen. Ohne reichhaltige Metadaten, die diese Nuancen liefern, wird es für KI-Anwendungen schwierig sein, einen ausreichenden Kontext herzustellen und die beabsichtigte Funktionalität bereitzustellen.
3. Multi-Engine Orchestrator:IDP bietet außerdem eine erweiterbare Orchestrierungsschicht, die für die Verwaltung und Orchestrierung verschiedener Compute-Engines entwickelt wurde, einschließlich derjenigen, die für die analytische Verarbeitung, Datenumwandlung und Ausführung von KI-Modellen verwendet werden.
4. Ebene der VerwaltungIDP fungiert auch als Middleware für Zugriffskontrolle, Governance und Personalisierung, die es den intelligenten Systemen ermöglicht, Benutzerrollen besser zu verstehen (einschließlich Rollen, Datenzugriff und Abfrageverlauf) und Antworten zu personalisieren.

ETL für KI

ETL (Extrahieren, Transformieren und Laden) ist ein wichtiger Datenintegrationsprozess, der zur Vorbereitung von Rohdaten für KI- und maschinelle Lernmodelle verwendet wird. Bei diesem Prozess werden Daten aus einer Vielzahl von Quellen extrahiert, durch Bereinigung und Formatierung umgewandelt und dann in ein Datenverwaltungs- oder Speichersystem geladen, z. B. in eine IDP, ein Data Warehouse oder einen Vektorspeicher (siehe oben).

Während Unternehmen bereits mit ETL für strukturierte Daten vertraut sind (Extrahieren, Umwandeln und Laden von Daten aus operativen Datenbanken in Warehouses oder Data Lakes), erweitert ETL für KI diesen Prozess auf eine breite Palette von Datenformaten, einschließlich Text (.pdf, .md, .docx), Audio/Video (mp3, mpeg) und Bilder (jpeg, png).

Diese unstrukturierten Datenquellen können eine Vielzahl von Content-Repositories, Anwendungen und Webressourcen umfassen, die vom Unternehmen genutzt werden. Der ETL-Prozess selbst kann KI für Extraktionsaufgaben nutzen, z. B. für die Extraktion von Entitäten (Bilder, Tabellen und benannte Entitäten) aus PDFs mithilfe von multimodalen Large Language Models (LLMs) oder OCR-Modellen (Optical Character Recognition).

ETL für unstrukturierte Daten Unterstützung für verschiedene nachgelagerte Anwendungsfälle:

• KI-gesteuerte Erkenntnisse:Suche - Erweiterte Generierung (RAG) ermöglicht es Anwendungen, die Benutzerinteraktion mit Dokumenten zu erleichtern, wichtige Zusammenfassungen zu extrahieren und ähnliche Anwendungsfälle zu unterstützen. Das Extrahieren und Umwandeln von Daten aus so unterschiedlichen Quellen wie SharePoint, Dropbox, Notion und verschiedenen Cloud-Repositories und -Anwendungen wird eine wichtige Voraussetzung für KI-gesteuerte Erkenntnisse sein. Wir gehen davon aus, dass die Anbieter weiterhin RAG extrahieren und als leicht zugängliche Funktion in einheitliche Daten-, Analyse- und KI-Plattformen integrieren werden.
• AI-SucheVerbesserte Zugänglichkeit und Intelligenz von Unternehmensinhalten im Vergleich zur herkömmlichen Stichwortsuche.
• KI-gesteuerte AutomatisierungBereitstellung der erforderlichen Wissensschicht aus unstrukturierten Daten, um den Intelligenzen grundlegende kontextbezogene Informationen zu liefern.
• Anpassung nach dem Training und kontinuierliche FeinabstimmungErleichterung der Verfügbarkeit neuer und aktualisierter Daten, um eine nahtlose und kontinuierliche Personalisierung der Modelle für eine Vielzahl von Anwendungsfällen in den Abteilungen zu ermöglichen.

Datenaufbereitung für AI

Die Datenaufbereitung ist von grundlegender Bedeutung für die erfolgreiche Implementierung von aufgabenspezifischen Modellen und KI-Intelligenzen.

Dies ist der Schlüssel zum Erfolg solcher Programme.Vorbedingung".

Um Daten für KI verfügbar zu machen, müssen sie in mehreren Dimensionen umfassend aufbereitet werden. Während KI fast alle verfügbaren Daten eines Unternehmens nutzen kann, besteht der richtige Ansatz darin, die Anforderungen an die Datenaufbereitung aus den priorisierten Anwendungsfällen abzuleiten.

Abbildung 8 veranschaulicht einige der wichtigsten Aspekte der Datenaufbereitung für KI

Abbildung 8: Datenaufbereitung für AI

Datenqualität und Beobachtbarkeit

Entsprechen diese Daten den festgelegten Qualitätsindikatoren? Dies könnte einen oder mehrere der folgenden Punkte bedeuten:

1. Vertrauen
2. Frische
3. Korrektheit
4. Integrität der Metadaten
5. Abfahrten
6. Rechtmäßigkeit/Abweichung
7. Relevanz
8. Versionierung

Wie werden die oben genannten Metriken in Echtzeit verwaltet, verfolgt und dargestellt?

1. Daten zur Beobachtbarkeit
2. Datenherkunft
3. Änderungshistorie (eines Dokuments, einer Webseite usw.)

Datenprodukte für KI

Datenprodukte sind entscheidend für den Erfolg von aufgabenspezifischen Modellen, Benchmarking und Tests von KI-Modellen und Intelligenzanwendungen. Einige wichtige KI-Datenprodukte sind:

1. für die Ausbildung verfügbare DatensätzeGelabelte Daten werden zu einem wertvollen Datenprodukt, das sofort für das KI-Training verwendet werden kann.

2. der Datensatz "Chain (CoT)":Im Gegensatz zu herkömmlichen Datensätzen, die in der Regel Eingaben und Ausgaben für das Training liefern, enthalten CoT-Datensätze auch Zwischenschritte, die erklären, wie die Antworten abgeleitet wurden. Diese schrittweise Herangehensweise an die Argumentation ist eng mit der Art und Weise verwandt, wie Menschen komplexe Probleme lösen, was CoT-Datensätze für das Training von KI-Modellen zur Durchführung von Aufgaben, die logisches Denken, Planung und Interpretierbarkeit erfordern, wertvoll macht.

3. verfeinerter Datensatz:Bereitstellung einer kleineren repräsentativen Teilmenge des Datensatzes, die die Vielfalt und Variabilität des gesamten Datensatzes widerspiegelt. Nachstehend finden Sie einige Beispiele für destillierte Datensätze:

a. Eine Teilmenge von Kundenrezensionen, die verschiedene Stimmungsniveaus und Produktkategorien erfassen.

b. Hochwertige aufgabenspezifische Datensätze, die erstellt werden, um kleinere Modelle (Schülermodelle) zu trainieren, die die Leistung größerer, komplexerer Modelle (Lehrermodelle) nachahmen.

c. Eine Teilmenge der technischen Dokumentation, die für die Feinabstimmung des technischen Frage-Antwort-Modells verfeinert wurde.

4) Synthetische Datensätze:Verfeinerte Daten, die zur Erzeugung synthetischer Datensätze verwendet werden, die die Hauptattribute des Originaldatensatzes imitieren. Sie werden oft verwendet, um reale Datensätze zu erweitern, wenn die Daten knapp oder unausgewogen sind. Durch die Erstellung von Varianten können Modelle auf vielfältigeren Datensätzen trainiert werden.

5. die Datensätze der Wissenskartierung:Datenprodukte, die von GraphRAG unterstützt werden, nutzen graphenbasierte Datenabfrage- und Generierungsfunktionen. So können zum Beispiel Wissensgraphen im Gesundheitswesen, die medizinische Terminologie, Diagnose, Behandlung und Patientenergebnisse miteinander verbinden, verwendet werden, um personalisierte medizinische Ratschläge zu erteilen, mögliche Behandlungsoptionen vorzuschlagen und Ärzten zu helfen, datengesteuerte Entscheidungen zu treffen.

6. die Benutzerdaten:Nutzerdaten sind entscheidend für die Entwicklung intelligenter, personalisierter KI-Anwendungen. Diese Daten umfassen in der Regel alle Informationen über die Rolle des Benutzers und die Benutzerinteraktionen oder Eingaben, die die KI-Intelligenz oder -Anwendung verwendet, um die Rolle des Benutzers zu verstehen (was die Intelligenz nutzen kann, um sinnvolle Ausgaben oder Antworten zu liefern). Hier sind einige Beispiele für Benutzerdaten:

a. Intelligente Datenanalysten mit Benutzerrollen und Informationen über die Interaktionshistorie von Benutzerdatensätzen/Abfragen/Dashboards können Abfrageantworten durch Filtern und Auswählen geeigneter Datensatzzugriffshistorien und Abfrageläufe personalisieren.

b. Kundensupport-Intelligenz, die den Kundenstatus eines Benutzers (z. B. Premium oder Normal) und die Art früherer Supportanfragen kennt, kann frühere Arbeitsaufträge, Probleme und Lösungen nutzen, um Antworten zu priorisieren, schnellere Lösungen zu liefern oder bestimmte Wissensbasisartikel zu empfehlen.

c. Durch die Analyse des bisherigen Kommunikationsverlaufs und der Interaktionsmuster mit potenziellen Kunden und Kunden können Vertriebsintelligenzen Follow-up-Strategien personalisieren, bestimmte Produkte oder Dienstleistungen empfehlen und potenziellen Kunden auf der Grundlage ihres bisherigen Verhaltens Prioritäten zuweisen.

Mondlandeprogramm

Mondlandeprogramme sind ehrgeizige Sondierungsversuche, um große Herausforderungen durch bahnbrechende Lösungen zu bewältigen. Diese Projekte stoßen in der Regel an die Grenzen der derzeitigen Technologie und bewegen sich an der Spitze der Innovation. Sie sind zwar mit einem hohen Risiko des Scheiterns behaftet, doch das Potenzial für transformative Ergebnisse ist enorm.

Während dieser Abschnitt Raum für kreative Erkundungen bietet, möchten wir die in Abbildung 9 hervorgehobenen, eher spekulativen Konzepte untersuchen.

Abbildung 9: Mondlandeprogramm

kognitiver Wirkstoff

Kognitive Intelligenzen lernen extrem und kontinuierlich aus ihren Erfahrungen, passen sich an und verbessern sich. In Abbildung 10 sind die definierenden Merkmale der kognitiven Intelligenzen dargestellt.

Abbildung 10: Fünf Hauptmerkmale der kognitiven Intelligenzen: Lernen, Gedächtnis, Selbstbewusstsein, Selbstverbesserung und Selbstüberwindung

Zusätzlich zu den allgemeinen Fähigkeiten von KI-Intelligenzen verfügen kognitive Intelligenzen in der Regel über mehrere andere Fähigkeiten:

1. die Beibehaltung des Gedächtnisses

Ein längeres Erinnerungsvermögen ist eines der Hauptmerkmale der kognitiven Intelligenzen. Das Erinnerungsvermögen ermöglicht es den Intelligenzen, sich an frühere Gespräche zu erinnern, wobei sie sich oft an bestimmte Ereignisse erinnern, einschließlich wann und wo sie stattgefunden haben, und oft daraus lernen.

So verfügen kognitive Intelligenzen über eine komplexe Gedächtnisarchitektur, die einen Langzeitspeicher zur Aufbewahrung und spezifische Formen des Gedächtnisses (z. B. das Situationsgedächtnis) umfasst, die es den Intelligenzen ermöglichen, bestimmte Ereignisse in der Zeit abzurufen und sich daran zu erinnern, wann und wo sie stattgefunden haben.

Ein Beispiel für die Verwendung des Situationsgedächtnisses wäre die Erinnerung an die Schritte, die zur erfolgreichen Bewältigung einer Aufgabe bei einem früheren Ereignis unternommen wurden. Wird der intelligente Körper erneut mit der gleichen Aufgabe konfrontiert, kann er sich genau an die Schritte erinnern, die er bei der vorherigen erfolgreichen Aufgabe unternommen hat, und die Aufgabe dieses Mal effizienter ausführen.

2. aus vergangenen Interaktionen lernen

Diese Intelligenzen lernen aus vergangenen Interaktionen und nutzen dieses Wissen, um in Zukunft bessere Entscheidungen zu treffen.

3. die Selbstwahrnehmung

Diese Intelligenzen können sich auch ihrer eigenen Konstruktionsdetails und Funktionen bewusst sein.

Sie können aus den Interaktionen der Nutzer lernen und ihre Wissensbasis für neue Lerninhalte aktualisieren.

4. die Selbstheilung

Die Selbstheilung ermöglicht es der Intelligenz, ihre Funktionalität durch neue Funktionen zu erweitern, z. B. durch Werkzeuge zur Erstellung von Präferenzdatensätzen aus den letzten Interaktionen und zur Auslösung der nächsten Feinabstimmung. Sie kann auch neue Modelle bewerten und neue Modellrevisionen in der Modellregistrierung registrieren sowie detaillierte Modellberichte für KI-Ingenieure zur Überprüfung erstellen.

5. die Selbsteskalation

(Optional) Intelligentsia kann selbst ein Upgrade auf die oben erstellte neue Modellrevision durchführen.

verkörperte Intelligenz

Verkörperte Intelligenzen sind Arten von KI-Intelligenzen, die eine physische Präsenz haben (z. B. Roboter). Diese "Verkörperung" ist von entscheidender Bedeutung, da sie es der Intelligenz ermöglicht, die physische Welt wie ein Mensch wahrzunehmen und zu handeln, so dass sie Aufgaben erlernen und ausführen kann, die ein tiefes Verständnis des physischen Raums und die Erfüllung der zugewiesenen Aufgaben erfordern. Es wird erwartet, dass die generative KI die Robotik revolutionieren wird, indem sie über die herkömmliche regelbasierte Programmierung hinausgeht und in komplexeren und dynamischeren Umgebungen eingesetzt werden kann.

Abbildung 11 zeigt, wie Organisationen diese neuen Intelligenzen für eine Vielzahl von Anwendungen nutzen können.

Abbildung 11: Beispiel für ein Unternehmen, das eingebettete Intelligenz einsetzt.

Sehen wir uns an, wie Banken verkörperte Intelligenzen einsetzen. Verkörperte Intelligenzen im Kundensupport in den Filialen können die erste Interaktion mit einem Kunden einleiten, eine persönliche Finanzberatung anbieten und bei der Abwicklung von Transaktionen helfen.

Im Einzelhandel können verkörperte Intelligenzen die Form von Einkaufsassistenten annehmen, die Produktinformationen liefern und durch das Geschäft führen. In der Fertigung können diese Intelligenzen Aufgaben übernehmen, die Mobilität und Geschicklichkeit erfordern und für die menschliche Sicherheit gefährlich sind.

intelligente Vernetzung

Die effektive Kommunikation zwischen mehreren KI-Intelligenzen zur Erreichung gemeinsamer Ziele oder zur Lösung komplexer Probleme wird derzeit durch einen Mangel an standardisierten Nachrichtenformaten, Protokollen und Konfliktlösungsmechanismen behindert. Künftige Vernetzungskonzepte müssen skalierbar, latenzarm und sicher sein, um Vertrauen zwischen Intelligenzen aufzubauen und Kommunikationsnetze vor böswilligen Angriffen zu schützen.

Damit kommen wir zum letzten erwarteten Trend in Bezug auf die Verbesserung der intelligenten Körpernetze.

Effiziente Intelligenznetze können die Art und Weise revolutionieren, wie Intelligenzler innerhalb und außerhalb des Unternehmens kommunizieren, zusammenarbeiten, sich abstimmen, arbeiten und lernen. Dieser Trend ähnelt den Anfängen des Internets und der Standardisierung von Internetprotokollen sowie der Entwicklung von Communities und Foren in der Web-2.0-Ära. Diese Trends haben die Zusammenarbeit zwischen Menschen über physische Grenzen hinweg erheblich verbessert.

Abbildung 12 zeigt vier Optionen für den Aufbau eines wirksamen Netzes von Intelligenzen.

Abbildung 12: Beispiele für mögliche Standards für intelligente Körpernetzwerke

Die Vorteile all dieser Trends des Mondlandungsprogramms sind enorm. Kognitive Intelligenzen können durch diese Interaktionen lernen, indem sie ausgetauschte Daten analysieren, ihre eigene Wissensbasis aktualisieren, ausgetauschte Daten analysieren, die menschenähnliche Kommunikation verbessern und die Innovation innerhalb der Grenzen des Unternehmens beschleunigen.

ein Urteil fällen

Zusammenfassend lässt sich sagen, dass der Trend "Angewandte KI" die sinnvolle Einführung von KI-Intelligenzen und -Anwendungen im Unternehmen beschleunigt, während die Trends "Daten" und "Betrieb" eine solide Grundlage für die Unterstützung und Beschleunigung dieser Intelligenzanwendungen bilden. Darüber hinaus deckt das Programm "Moon Landing" Themen ab, die heute noch radikal erscheinen mögen, aber die nächsten transformativen Auswirkungen haben könnten.

Wie üblich liegt der Schwerpunkt dieser Untersuchung auf technologischen Lösungen und nicht auf organisatorischen Auswirkungen. Autonome Intelligenzen werfen natürlich Bedenken hinsichtlich des Verlusts von Arbeitsplätzen auf, da erwartet wird, dass KI-Intelligenzen repetitive Aufgaben übernehmen werden. Organisationen müssen die Synergie/Koordination zwischen Menschen und KI-Intelligenzen wiederentdecken, indem sie die Arbeitsaufgaben kritisch neu definieren und neue Aufgaben rund um die Entwicklung, Verwaltung und Zusammenarbeit mit KI schaffen. Dieser Wandel bringt eine weitere wichtige Aufgabe mit sich, da die meisten Unternehmen parallel zum KI-Wandel ihre Belegschaft kritisch verbessern und umschulen müssen.

Schließlich haben alle Durchbrüche in der LLM-Modellarchitektur, Lösungen, die eine adaptive Wissensinjektion auf kosteneffiziente Weise einführen können, oder signifikante Verbesserungen der Verständnis- und Schlussfolgerungsfähigkeiten das Potenzial, die potenzielle Realität von KI-Anwendungen weiter zu beeinflussen.