Foto: SomYuZu - shutterstock.com
Die Anwendungsfälle der Künstlichen Intelligenz und insbesondere der Generative AI haben die kollektive Vorstellungskraft von Führungskräften in allen Branchen beflügelt. Die wachsende Datenflut schafft dabei ein ideales Umfeld, um mit KI im großen Maßstab Datenintelligenz bereitzustellen. Unternehmen arbeiten inzwischen mit Hochdruck daran, KI-Techniken in ihre Strategien, Produkte und Prozesse zu integrieren und dadurch Wachstumsmöglichkeiten sowie Effizienzpotenziale auszunutzen.
Die Basis für den Erfolg der Generative AI
Insbesondere Generative AI bietet die große Chance, die Entwicklung einer datengetriebenen Unternehmenskultur voranzutreiben, indem sie die Art und Weise verändert, wie Data Teams Erkenntnisse gewinnen. Von Text Mining über Data Extraction bis zum Natural Language Processing - Generative AI und Large Language Models senken die Einstiegshürden und ermöglichen es allen, analytische Fragen zu stellen. Gleichzeitig regen sie unsere Vorstellungskraft rund um unser Verständnis und unsere Verwendungsweise von Daten an. Doch selbst einfach zugängliche Generative AI-Tools, die zur Überbrückung der Technologie- und Qualifikationslücken beitragen, sind nur so gut wie die Personen, die sie einsetzen.
Den aktuellen Trend zu KI-gesteuerten Erkenntnissen verdeutlicht auch eine aktuelle Studie von Alteryx über wichtige Eigenschaften der Organisationen in Zukunft: So ist für fast die Hälfte der deutschen Unternehmen die Kombination von Automatisierung und KI bei der Datenanalyse der interessanteste Anwendungsfall. Zugleich geben schon jetzt 87 Prozent der Organisationen an, dass sie mit KI ihre Geschäftsziele deutlich besser erreichen können.
Damit sich diese Entwicklung weiter fortsetzt, ist jedoch der Zugang zu qualitativ hochwertigen Daten und eine ausgereifte Analysekultur in Unternehmen erforderlich. Mitarbeitende müssen dabei in der Lage sein, auf Basis dieser Grundlage wertvolle Erkenntnisse zu gewinnen - und dazu die richtigen Fragen zu stellen und die richtigen Techniken anzuwenden. Kurz gesagt: Sie müssen zu KI-Flüsterern werden.
Aufgaben des Prompt Engineers
Wenn es darum geht, die Leistungsfähigkeit der Generative AI zu nutzen, ist zunächst viel Arbeit erforderlich. Denn es gilt sicherzustellen, dass die Ergebnisse zuverlässig, sicher und vertrauenswürdig sind. Ohne beispielsweise den Kontext eines spezifischen Geschäftsproblems, ohne das Fachwissen zur Interpretation der Ergebnisse und ohne Kenntnisse über die Daten, mit denen die KI trainiert wurde, ist es schwierig sicherzustellen, dass das Modell konsistente und hilfreiche Ergebnisse liefert sowie entsprechendes Optimierungspotenzial aufdeckt.
Damit Generative AI präzise Antworten liefern kann, muss der Zugang zu qualitativ hochwertigen Datensätzen gewährleistet sein. Diese sollten aus geregelten Analyseprozessen und vor allem aus der Hand von Experten kommen, die über ein tiefes Verständnis der Daten verfügen und in der Nutzung generativer KI geschult sind. Diese KI-Flüsterer - auch Prompt Engineers genannt - sind in der Lage, KI-Modelle im gesamten Unternehmen zu entwickeln, zu trainieren und zu implementieren. Sie überwachen und analysieren die Ergebnisse und tragen maßgeblich zu deren kontinuierlicher Verbesserung bei.
Das Schreiben dieser Prompts hat sich fast zu einer Kunstform entwickelt. Schließlich sind gut formulierte Prompts entscheidend dafür, dass generative KI-Modelle die gewünschten Ergebnisse liefern. KI-Flüsterer verfügen daher in der Regel über einen soliden fachlichen Hintergrund in dem Bereich, in dem sie arbeiten. Gleichzeitig haben sie ein tiefes Verständnis der KI-Technologie und ein Auge für Details, um die Qualität der KI-generierten Ergebnisse sicherzustellen.
Um mit Hilfe von Generativer AI schnell entscheidungsrelevante Informationen bereitstellen zu können, müssen KI-Spezialisten nicht nur die bestehenden geschäftlichen Herausforderungen verstehen, sondern diese auch in einfach zu nutzende und leicht verständliche Prompts übersetzen können. Nur so kann die generative KI in der richtigen Tonalität und mit präzisen Informationen antworten.
Anforderungen der Datenanalyse und KI
Die Tätigkeit der KI-Flüsterer erfordert im Grund genommen, einen versierten Umgang mit Daten. Einer der größten Mythen im Zusammenhang mit der Datenanalyse und künstlicher Intelligenz ist, dass man fundierte Programmier- und Datenbankerfahrung benötigt. Lange Zeit erforderte die Arbeit mit Daten technische Kenntnisse in verschiedenen Programmiersprachen wie SQL, Python, SPSS oder SAS. Der Weg in die Welt der KI führt jedoch nicht immer über fortgeschrittene Programmierkenntnisse oder gar eine Ausbildung in Data Science oder Informatik. So wie Computer und Grafikrechner die Arbeitsweise im Finanz- und Ingenieurwesen verändert haben, sind nun auch die Zeiten vorbei, in denen ein spezieller Abschluss in der Datenwissenschaft für den Einstieg in die KI erforderlich war.
Die tatsächlich erforderlichen Kompetenzen gehen über rein technische Fähigkeiten hinaus - von kritischem Denken über kreatives Problemlösen bis hin zu aktivem Zuhören. Um das Potenzial der Generative AI voll auszuschöpfen, ist eine Kombination aus grundlegendem Wissen, Interesse an Technologie und den bereits genannten Soft Skills erforderlich. Dabei verfügt schon jedes Unternehmen über einen großen Pool an Talenten mit genau diesen Fähigkeiten. Die Komplexität der Datenwissenschaft wird schließlich beseitigt, indem diesen Talenten der Zugang zu Daten und Self-Service-Analysen mit wenig oder gar keinem Code ermöglicht wird. Auf diese Weise können auch technisch nicht versierte Personen Prozesse entwickeln und automatisieren, ohne dafür programmieren zu müssen. KI wird damit für alle zugänglich und für die Entscheidungsfindung nutzbar.
Die KI-Talente von morgen
Unternehmen befinden sich an einem entscheidenden Punkt auf ihrem Weg, generative KI für ihren Geschäftserfolg zu nutzen. Immer mehr werden daher in KI investieren, um wertvolle Erkenntnisse zu gewinnen. Entscheidend für den Erfolg von KI sind Menschen, die das Geschäftskonzept verstehen und in der Lage sind, mit Daten umzugehen, relevante Fragen zu stellen und Generative AI zu trainieren.
Künstliche Intelligenz, die unbrauchbare Erkenntnisse liefert - sei es, weil die Entwicklerteams nur über geringe Fachkenntnisse verfügen oder die Fachabteilungen nicht richtig im Umgang mit KI geschult sind - kann die Strategie eines Unternehmens zum Einsatz von KI zunichte machen. In dieser entscheidenden Phase sind es die Menschen mit kritischem Denkvermögen, Fachwissen und analytischen Fähigkeiten, die den Erfolg ausmachen. Sie haben das Potenzial, zu den KI-Flüsterern der Zukunft zu werden.
- Wie sich Data Specialists in ihren Job-Profilen unterscheiden
Datenspezialist ist nicht gleich Datenspezialist. Für die erfolgreiche Datenanlyse müssen Unternehmen, die ihren Geschäftserfolg garantieren wollen, Datenexperten beschäftigen, die fünf verschiedene Data-Analytics-Segmente beherrschen - jeder dieser Data Specialists ist jedoch ein Profi auf seinem Spezialgebiet, etwa Datengewinnung oder Datenaufbereitung. Klaus Schulte, Professor für Controlling an der Fachhochschule Münster, erklärt die Aufgabenprofile von fünf IT-Jobs rund um das Thema Datenanalyse. - 1. Die Architekten: Datengewinnung
Am Anfang stehen Datenquellen. Die Daten stammen häufig aus operationalen Systemen im Unternehmen, wie ERP oder Salesforce, aber auch aus unstrukturierten Quellen wie Social Media. Unternehmen benötigen Experten, die Datenbanken aufbauen, deren Architektur gestalten und Zugänge verwalten - Data Architects. - 2. Die Ingenieure: Datenaufbereitung
Auf der nächsten Stufe stehen Data Engineers. Sie setzen automatisierbare Prozesse auf, um relevante Daten aus den unterschiedlichen Quellen zu extrahieren und sie in einem Data Warehouse oder Data Lake zu sichern. Dann bereiten sie die Daten für weitere Analysen auf und machen sie verfügbar. - 3. Die Analytiker: Informationsgewinnung
Anschließend gewinnen Data Analysts und Data Scientists mit unterschiedlichen Methoden Informationen aus den bereitgestellten Daten, die für die Geschäftsentscheidung des Unternehmens relevant sind. - 4. Profis treffen Fachabteilungen: Bereitstellung und Visualisierung
Die Visualisierung und Ergebnisdarstellung macht große heterogene Datenmengen anschaulich nutzbar und bildet die Brücke zwischen Datenprofis und Fachabteilungen. Data Visualists bereiten dabei relevanten Daten visuell auf, etwa für das Standard-Reporting oder für interaktive Dashboards wie Tableau. Sie veranschaulichen die gewonnenen Erkenntnisse so, dass Entscheider und Fachabteilungen sie verstehen, damit arbeiten und auf ihrer Basis Entscheidungen treffen können. - 5. Die Entwickler: Informationsnutzung
Wenn Daten nicht nur zum Monitoring und zur Entscheidungsfindung genutzt, sondern daraus neue Geschäftsmodelle entwickelt werden sollen, kommen Data Business Developers ins Spiel. Sie entwickeln aus den vorliegenden Erkenntnissen neue Produkte und Services.