Generative KI Flashcards
Neue KI Modellarchitektur und die Verfügbarkeit umfangreicher Trainingsdaten sind zwei Faktoren für die rasante Weiterentwicklung der generativen KI. Was ist der dritte Faktor?
Höhere Verfügbarkeit von paralleler Rechenleistung
Grundlegende 4 Bausteine der KI Technologie, die - innovativ kombiniert- einen echten Mehrwert fur Unternehmen schaffen
⁉️Ja/Nein Vorhersagen und Antworten
(basiert auf Wahrscheinlichkeit, dass x oder y richtig ist, bsp: ist dies ein guter Lead? Wird Kunde Email öffnen?)
💯Numerische Vorhersage
(Bsp: Wieviel Umsatz wird neuer Kunde bringen? Oder: Wieviele Tage werden wir brauchen, um das Problem dieses Kunden zu lösen?)
📚Klassifizierungen
basiert häufig auf Deep Learning Funktionen um unstrukturierte Daten zu verarbeiten
Bsp: Muster erkennen, die nicht eindeutig sind, e.g alte Männer auf dem Land und junge mid Zwanziger kaufen Denselben Pullover
👩🏫 Empfehlungen
E.g Personen, die ein bestimmtes Paar Schuhe gekauft haben, bestellen oft auch ein bestimmtes Paar Socken. -> Empfehlung zum verfassen einer email
Wann kann KI fur zuverlässige Prognosen nicht genutzt werden? (Binsenweisheit)
Wenn sie etwas nicht in einem Bericht erfassen können, können sie es nicht vorhersagen.
Es braucht historische Daten.
Wenn sie etwas in Berichten erfassen, möchten sie es oft auch vorhersagen. D.h Ergebnisse dieser Berichte sind ein guter Ausgangspunkt für KI Optimierungen
Wie kommen verschiedene Unternehmensbereiche KI nutzen?
Marketing
Vertrieb
Kundendienst
Handel und Gewerbe
🔆Marketing: werden Kunden email öffnen oder dich abmelden bei Empfang der Mail? Sie kennen für jeden Kunden den richtigen Kanal. Hilfe bei textgenerierung. Versandzeitoptimierung
💶 vertrieb
- Vorhersage bestmögliche Vertriebs Chancen
- relevante Informationen aus email extrahieren in CRM Felder. Empfehlung zusätzlicher Produkte basierend auf Kaufverhalten ähnlicher Kunden
🛍️ Kundendienst
automatische Klassifikation con Supportanfragen
Knowledge Artikel empfehlen in denen ähnliche Probleme gelost wurden. Automatisch generierte Antworten vorschreiben
⛴️Handel und Gewerbe
Personalisierte Empfehlungen für Kunden
Maschinelles Lernen
nutzt verschiedene mathematische Algorithmen um Erkenntnisse aus Daten zu gewinnen und Vorhersagen zu treffen
3 Kategorien maschinellen Lernens
Beaufsichtigtes lernen - Lernen anhand gekennzeichneter Daten
Unbeaufsichtigtes lernen - lernen anhand u gekennzeichneter Daten
Bestärkendes lernen - try and error
Grenzen maschinellen Lernens
Über Anpassung (overfitting)
Modell bildet Trainingsdaten zu genau ab und ist somit schlecht zu verallgemeinern
Unteranpassung (Underfitting)
Die Muster in den Daten werden nicht erfasst/ erkannt
Bias
Trainingsdaten sind nicht repräsentativ
Datenmebenszyklus
Datenerfassung
Daten Speicherung
Datenverarbeitung
Datennutzung
Daten Freigabe
Datenaufbewahrung
Datenvernichtung
Strategien um Bias zu vermeiden und Gerechtigkeit zu fördern
- Vielfalt Datenquellen (e.g. Vergleichsdaten heranziehen oder mehrere Quellen)
- verbessern con Datenqualität
Daten genau, vollständig und repräsentativ für Zielgruppe - Durchführung von Bias Prüfungen
regelmäßige Überprüfung von Daten und Algorithmen - Kennzahlen für Gerechtigkeit
- Verbesserung der Transparenz
Daten und Algorithmen werden zugänglich gemacht und es kann erklärt werden warum Entscheidungen gefallen sind. Feedback von Beteiligten einholen
Fragen, um ethische Probleme aufzudecken
Produkt Management: welche geschäftlichen Auswirkungen hat ein falsch positives Ergebnis, welche Auswirkungen ein falsch negatives Ergebnis?
Forschung: wer ist wie betroffen? Wie kann es missbraucht werden? In welchem gesellschaftlichen Kontext wird es genutzt?
Design: Welche Vorgaben/ Annahmen werden im Produkt umgesetzt? Gestalte ich es im Sinne von Transparenz und Chancengleichheit?
Data Science: Welche Auswirkungen hat es auf Benutzer wenn ich mein Modell auf bestimmte Weise optimiere?
Inhalts Erstellung: kann ich verständlich erklären warum eine Entscheidung oder Vorhersage getroffen wurde?
Entwicklung:
Welche Benachrichtigungen Prozesse Prüfungen oder Ausfallsicherungen können in das System integriert werden um Schaden zu minimieren?
Wie wird Bewusste Reibung eingesetzt um auf die Grenzen von KI aufmerksam zu machen?
Unterbrechungen, um zum nachdenken anzuregen.
Zb Pop up mit Info über Verzerrungen und toxizitat
Diffusionsmodell
Basis Bild generierender Ki
Lo darauf trainiert Verbindungen zwischen Bild und Text herzustellen
Einstein Bot
Sammeln Kundeninfos im Chat und lenken Kunden nahtlos an Mitarbeiter
Einstein Agent
Kundenvorgangsumlenkung
Sichtung und Vorhersage kundenvirgangsfelder
Einstein Discovery
Echtzeitanalyse treibender Faktoren, die sich auf KPis treibender Faktoren wie Kunden Abwanderung oder Kundenzufriedenheit
