Mit einer prüfbaren Aufgabe beginnen
Wissen, wie ein nützliches Ergebnis aussieht.
Die Suche in internen Dokumenten und die Vorhersage eines betrieblichen Ergebnisses erfordern unterschiedliche Daten und Bewertungsmethoden. Wir betrachten die Eingaben, die Entscheidung, die das Ergebnis unterstützen soll, und die Folgen eines Fehlers. So lässt sich festlegen, welcher Ansatz untersucht werden sollte, welche Nachweise nötig sind und an welcher Stelle ein Mensch das Ergebnis vor seiner Verwendung prüfen muss.
Eine gezielte Machbarkeitsprüfung kann eine konkrete technische Frage beantworten, bevor der Umfang einer größeren Anwendung vereinbart wird.
KI- und Machine-Learning-Leistungen
Den Ansatz anhand des Problems auswählen.
Verfügbare Daten, Zugriff auf Quellen und Prüfanforderungen bestimmen die Anwendung und die Bewertung ihrer Ergebnisse.
Lassen Sie uns Ihre Anforderungen besprechenEntwicklung von KI-Anwendungen
Entwickeln Sie Anwendungen, die bei der Dokumentenverarbeitung, Informationssuche und Erstellung von Textentwürfen unterstützen. Definieren Sie Quellenmaterial, erforderliche Ergebnisse und Prüfschritte innerhalb des zugehörigen Geschäftsprozesses.
- Dokumentenverarbeitung
- Suche in ausgewählten Wissensbeständen
- Unterstützte Inhaltserstellung
Entwicklung von Chatbots und Assistenten
Entwickeln Sie dialogbasierte Oberflächen mit freigegebenen Informationen und angebundenen Diensten. Legen Sie thematische Grenzen und Zugriffsregeln fest und ermöglichen Sie Rückfragen oder die Übergabe eines Gesprächs an einen Menschen.
- Dialogbasierte Benutzeroberflächen
- Anbindung von Wissensquellen
- Übergabe an menschlichen Support
Machine-Learning-Entwicklung
Bereiten Sie Daten für eine Vorhersage- oder Klassifizierungsaufgabe auf, entwickeln Sie Modellkandidaten und vergleichen Sie deren Ergebnisse mit einem geeigneten Referenzansatz. Die Bewertung nutzt repräsentative Beispiele und Kennzahlen, die zur Geschäftsfrage passen.
- Datenaufbereitung
- Vorhersage- und Klassifizierungsmodelle
- Modellvergleich und Bewertung
KI-Integration und Bewertung
Integrieren Sie das ausgewählte Modell in Ihre Anwendung und prüfen Sie das Verhalten des gesamten Workflows. Erfassen Sie hilfreiches Feedback und untersuchen Sie Fälle mit unbekannten Eingaben, fehlenden Quellen oder Ergebnissen, die Aufmerksamkeit erfordern.
- Integration von Anwendung und Modell
- Bewertungsbeispiele und Kriterien
- Monitoring und Nutzerfeedback
Illustratives Computer-Vision-Beispiel
Objekte erkennen, dann die Ergebnisse prüfen.
Dieses Beispiel aus einer Baustellenszene veranschaulicht Objekterkennung in einem Bildverarbeitungsablauf. Ein Projekt würde Objektkategorien und repräsentative Beispiele definieren und anschließend übersehene Objekte sowie Falscherkennungen untersuchen, bevor über die Verwendung der Ergebnisse entschieden wird.
- Definieren Sie die relevanten Objekte und Situationen.
- Prüfen Sie Falscherkennungen und übersehene Objekte.
- Verbinden Sie das Ergebnis mit einem vereinbarten menschlichen Prüfschritt.
Beispiel einer KI-Anwendung
Unternehmensdokumente mit Quellenverweisen durchsuchen.
Ein interner Assistent könnte Mitarbeitern helfen, Antworten in einem ausgewählten Bestand von Unternehmensdokumenten zu finden. Die Anwendung würde Material abrufen, auf das der Nutzer zugreifen darf, und eine Antwort mit Quellenverweisen erstellen. Die Bewertung würde prüfen, ob diese Verweise die Antwort stützen und wie der Assistent reagiert, wenn Dokumente fehlen, veraltet sind oder sich widersprechen.
- Wenden Sie Dokumentzugriffsregeln an, bevor Quellenmaterial abgerufen wird.
- Testen Sie hilfreiche Antworten ebenso wie nicht beantwortbare Fragen.
- Ermöglichen Sie die Prüfung der Quelle oder das Anfordern menschlicher Hilfe.
- FragenEin Mitarbeiter stellt eine Frage zu seiner Arbeit.
- AbrufenDie Anwendung durchsucht die freigegebenen Dokumentquellen.
- AntwortenDer Assistent erstellt eine Antwort mit Quellenverweisen.
- PrüfenDer Nutzer prüft die Verweise oder bittet um weitere Unterstützung.
Hypothetisches Assistentenszenario; Machbarkeit und Ergebnisqualität müssten für die ausgewählten Quellen bewertet werden.
Umsetzung von KI-Projekten
Bewertung als Grundlage für den nächsten Schritt.
Ein Prototyp ist nützlich, wenn er eine vereinbarte Frage zur Aufgabe, zu den Daten oder zum vorgeschlagenen Ansatz beantwortet.
Den Anwendungsfall bewerten
Prüfen Sie mit Ihrem Team Beispieleingaben, Quellenzugriff und das erwartete Ergebnis. Definieren Sie Bewertungsbeispiele, Erfolgskriterien und Bedingungen, unter denen der Ansatz ungeeignet wäre.
Ihre ErgebnisseUmfang des Anwendungsfalls und BewertungsplanEntwickeln und vergleichen
Entwickeln Sie einen fokussierten Prototyp oder ein Modell und bewerten Sie die Ergebnisse. Untersuchen Sie Fehlerfälle, vergleichen Sie mögliche Ansätze und bestimmen Sie, welche Einschränkungen vor der Integration behoben werden müssen.
Ihre ErgebnissePrototyp und dokumentierte ErkenntnisseIntegrieren und prüfen
Binden Sie den ausgewählten Ansatz mit vereinbarten Zugriffskontrollen und menschlicher Prüfung in die Anwendung ein. Dokumentieren Sie Monitoring, Feedbackerfassung und die Prüfung zukünftiger Modell- oder Quellenänderungen.
Ihre ErgebnisseIntegrierter Workflow und Prüfverfahren
Bevor wir beginnen
Fragen, die Sie
vielleicht beschäftigen.
Haben Sie eine andere Frage?
Sprechen wir darüber
Benötigen wir ein eigenes Machine-Learning-Modell?
Das hängt von der Aufgabe ab. Ein bestehendes Modell, eine suchbasierte Anwendung oder konventionelle Software kann die Anforderung bereits abdecken. Bevor wir die Entwicklung eines eigenen Modells empfehlen, berücksichtigen wir Datenverfügbarkeit, Bewertungsergebnisse und betriebliche Rahmenbedingungen.
Können wir beginnen, wenn unsere Unternehmensdaten unvollständig sind?
Wir können mit der Prüfung einer repräsentativen Stichprobe beginnen. Die Ergebnisse können auf notwendige Datenaufbereitung, eine bessere Quellenabdeckung oder eine enger gefasste erste Aufgabe hinweisen. Sie helfen außerdem zu unterscheiden, was sich bereits testen lässt und wofür zusätzliche Informationen benötigt werden.
Wie gehen Sie mit ungenauen KI-Antworten um?
Das Konzept kann Quellenverweise, menschliche Prüfung, definierte Ersatzabläufe und Feedbackerfassung enthalten. Diese Maßnahmen werden passend zur Aufgabe ausgewählt und anhand repräsentativer Fragen getestet. Sie helfen beim Umgang mit Fehlern, machen aber nicht jedes Ergebnis korrekt.
Ihr nächster Schritt
Welche Aufgabe soll Ihr KI-Projekt lösen?
Bringen Sie Beispieleingaben, das benötigte Ergebnis und die Entscheidung mit, die es unterstützen soll. Wir können daraus den Umfang einer ersten Bewertung definieren.