Wenn Sie mir als Unternehmensleiter Ihre Symptome schildern und ich diese in ChatGPT eingebe, würden Sie erwarten, dass ich ohne vorherige Konsultation eines Arztes einen Behandlungsplan für Sie erstelle? Was wäre, wenn ich Ihnen ein Angebot mache: die besten Datenwissenschaftler der Welt treten Ihrer Organisation bei, aber jeder Ihrer Fachkräfte muss zu einem Konkurrenten wechseln, sodass Sie mit Daten, aber ohne Experten dastehen?
In der heutigen, von KI geprägten Landschaft diskutieren viele die Chancen, Risiken und bewährten Verfahren zur Integration von generativer KI, insbesondere von Sprachmodellen wie GPT-4 oder Bard. Täglich sehen wir Ankündigungen neuer Open-Source-Modelle, Forschungsergebnisse und Produkteinführungen.
Inmitten dieser rasanten Entwicklungen liegt der Fokus auf den Fähigkeiten von Sprachmodellen. Doch Sprache allein ist nur dann wirksam, wenn sie mit Wissen und Verständnis kombiniert wird. Wenn jemand zum Beispiel alle Begriffe der Chemie auswendig lernt, aber kein Fundament hat, bleibt diese auswendig gelernte Sprache wirkungslos.
Das richtige Rezept finden
Sprachmodelle können irreführend sein, da sie Inhalte ohne echtes Verständnis erzeugen. Wenn sie aufgefordert werden, ein neues Rezept zu erstellen, analysieren sie möglicherweise frühere Rezepte auf Zusammenhänge, haben jedoch kein intrinsisches Wissen darüber, was gut schmeckt. Dies kann zu ungewöhnlichen Kombinationen führen, wie etwa der Mischung von Olivenöl, Ketchup und Pfirsichen – das ist eher auf fehlende Daten in vorherigen Datensätzen zurückzuführen, nicht weil das Modell über tatsächliche kulinarische Expertise verfügt.
Folglich wird ein gut ausgearbeitetes Rezept von einem Sprachmodell statistisch abgeleitet, dank der Einsichten kulinarischer Experten. Der Schlüssel zu effektiven Sprachmodellen liegt in der Integration von Expertise.
Expertise kombiniert Sprache mit Wissen und Verständnis
Der Satz „Korrelation bedeutet nicht Kausalität“ ist ein vertrauter Ausdruck unter Datenprofis, der das Risiko der fehlerhaften Verknüpfung zwei unabhängiger Phänomene verdeutlicht. Während Maschinen in der Lage sind, Korrelationen und Muster zu identifizieren, ist echte Expertise erforderlich, um Kausalität zu erkennen und Entscheidungen zu leiten.
Auf unserer Lernreise ist Sprache lediglich der Ausgangspunkt. Wenn Kinder Sprache entwickeln, vermitteln Betreuer Wissen über ihre Umwelt. Im Laufe der Zeit verstehen sie Ursache und Wirkung und verbinden Handlungen wie das Springen in einen See mit den Ergebnissen. Im Erwachsenenalter internalisieren wir komplexe Strukturen von Expertise, die Sprache, Wissen und Verständnis miteinander verweben.
Die Struktur der Expertise rekonstruieren
Beim Erforschen eines Themas bedeutet das Vorhandensein von Sprache ohne Wissen oder Verständnis nicht, dass man Expertise hat. Zum Beispiel könnte ich wissen, dass ein Auto ein Getriebe und einen Motor mit Kolben hat, aber mein Verständnis dafür, wie sie funktionieren und sie reparieren zu können, würde praktische Erfahrung erfordern – einen Bereich, in dem ich keine Expertise besitze.
Übertragen auf die Maschinenkontext sollten Sprachmodelle ohne verbundenes Wissen oder Verständnis keine Entscheidungen treffen. Einem Sprachmodell die eigenständige Entscheidungsfindung zu überlassen, ist wie jemandem einen Werkzeugkasten zu geben, der nur weiß, wie man das nächste wahrscheinliche Wort zum Thema Auto vorhersagt.
Nutzung von Sprachmodellen durch Rekonstruktion von Expertise
Um Sprachmodelle effektiv zu nutzen, müssen wir mit Expertise beginnen und den Prozess umkehren. Maschinelles Lernen (ML) und maschinelles Unterrichten konzentrieren sich darauf, menschliche Expertise in maschinenlesbare Formate zu übertragen, sodass Maschinen selbstständig informieren oder Entscheidungen treffen, wodurch die menschliche Fähigkeit zur nuancierten Entscheidungsfindung verbessert wird.
Ein weit verbreitetes Missverständnis über KI und ML ist, dass Daten das wichtigste Element sind. In Wirklichkeit steht die Expertise an dieser Stelle im Vordergrund. Wenn ein Modell die Anleitung eines Experten nicht hat, welche wertvollen Einsichten kann es dann aus den Daten ableiten?
Indem wir Muster identifizieren, die Experten als vorteilhaft wahrnehmen, können wir dieses Wissen in maschinenlesbare Sprache übersetzen, um autonome Entscheidungen zu ermöglichen. Somit beginnt der Prozess mit der Expertise und arbeitet rückwärts. Beispielsweise kann ein Maschinenbediener bestimmte Geräusche erkennen, die auf notwendige Anpassungen hinweisen. Indem wir Maschinen mit Sensoren ausstatten, kann diese Expertise in maschinenlesbare Sprache übersetzt werden, wodurch der Bediener für andere Aufgaben entlastet wird.
Kritische Expertise identifizieren
Beim Aufbau von KI-Lösungen müssen Organisationen bestimmen, welche Expertise am wichtigsten ist, und das Risiko bewerten, dieses Wissen zu verlieren, im Vergleich zu den potenziellen Vorteilen der Automatisierung entsprechender Entscheidungen.
Gibt es einen einzelnen Mitarbeiter, der für einen bestimmten Prozess entscheidend ist? Können Routineaufgaben an autonome Systeme delegiert werden, um den Mitarbeitern mehr Zeit zu verschaffen? Nach dieser Bewertung können Organisationen erörtern, wie sie hochriskante oder hochvorteilhafte Expertise in maschinenlesbare Sprache umsetzen.
Glücklicherweise ist das Fundament für Expertensysteme oft bereits gelegt. Sprachmodelle können auf bestehende Expertise zugreifen, die in sie programmiert ist.
Von der Erkundung zu den Operationen
In den kommenden zehn Jahren wird sich das Marktumfeld basierend auf den Investitionen von Organisationen in KI verändern. Ein warnendes Beispiel ist Netflix, das 2007 das Streaming einführte, was drei Jahre später zur Insolvenz von Blockbuster führte, obwohl Blockbuster in diesem Bereich frühzeitig tätig war.
Wenn Wettbewerber fortgeschrittene KI-Anwendungen ankündigen, könnte es zu spät sein für andere, sich anzupassen, zumal Zeit und Fähigkeiten erforderlich sind, um robuste Lösungen zu entwickeln.
Bis 2030 könnten Unternehmen, die darauf warten, zu reagieren, anstatt innovativ zu sein, irrelevant werden, ähnlich wie Blockbusters Schicksal.
Anstatt darauf zu warten, dass andere aufholen, sollten Unternehmensleiter proaktiv erkunden, welche einzigartigen Marktpositionen sie schaffen können, um Wettbewerber dazu zu bringen, nach Antworten zu suchen.
In dieser Ära autonomer Transformation werden Organisationen, die es priorisieren, betriebliche Expertise auf Maschinen zu übertragen und die zukünftigen Marktdynamiken zu antizipieren, ihre Marktpositionen festigen.
Rangliste
