AI im Einsatz für die Analyse von Unternehmensdaten

Es ist bekannt, dass große Sprachmodelle in der künstlichen Intelligenz Probleme mit der Interpretation strukturierter Daten haben. Das liegt daran, dass LLMs hauptsächlich auf unstrukturierten Text wie Bücher, Artikel und Webseiten trainiert werden. Strukturierte Daten, wie z. B. Unternehmensdaten, haben oft einen impliziten Kontext, der durch ihre Struktur selbst vermittelt wird: Eine Tabelle mit Spaltenüberschriften wie "Kunde", "Produkt", "Menge" und "Umsatz" liefert Informationen, die durch ihre Position in der Tabelle und eine Berechnungsregel verstanden werden müssen. Modelle, die natürliche Sprache verarbeiten, müssen lernen, diese impliziten Strukturen zu verstehen

Retrieval Augmented Generation (RAG) Systeme liefern in dieser Hinsicht hervorragende Ergebnisse. Sie kombinieren die Fähigkeiten von Retrievalsystemen mit denen von generativen LLM-Modellen. Der Retrieval-Teil des RAG-Systems kann verwendet werden, um relevante Daten aus großen strukturierten Datensätzen präzise zu finden. Dies kann durch Suchalgorithmen geschehen, die bestimmte Einträge oder Abschnitte von Daten identifizieren und extrahieren können, sei es aus einer Tabelle, einer Datenbank oder einem anderen strukturierten Datensatz. Sobald die Retrieval-Komponente relevante Daten extrahiert hat, kann die generative Komponente des RAG-Systems diese Daten interpretieren und eine detaillierte Analyse liefern. Bei der Frage "Welche drei Produkte hatten in den letzten fünf Jahren das höchste Umsatzwachstum und warum?" sucht das Retrievalsystem zunächst die Umsatzzahlen aller Produkte, identifiziert dann die am stärksten gewachsenen Produkte und übergibt die Daten an das LMM. Dieses liefert dann die umfassenden Antworten. Neugierig geworden? Wir zeigen Ihnen in unserem Workshop, wie es geht.