Bevor generative KI zu einem prominenten Trend in der Industrie wurde, ebnete die prädiktive KI bereits den Weg, indem sie Vorhersagen über zukünftige Ereignisse basierend auf vorhandenen Daten traf. Stellen Sie sich vor, die Stärken beider Technologien zu vereinen – das ist die Vision von Pecan AI.
Vor acht Jahren gegründet, hat Pecan AI eine prädiktive Analyseplattform für Unternehmen etabliert und 116 Millionen Dollar an Finanzierungen gesammelt, darunter eine bemerkenswerte Runde über 66 Millionen Dollar im Februar 2022.
Einführung von Predictive GenAI
Heute präsentiert Pecan AI Predictive GenAI, ein neues Tool, das die fortschrittlichen Fähigkeiten der generativen KI mit prädiktivem maschinellem Lernen kombiniert. „Während wir uns auf klassische maschinelle Lernlösungen konzentrierten, entfaltete sich die Revolution der generativen KI in der Branche“, bemerkte Zohar Bronfman, CEO und Mitgründer von Pecan AI. „Allerdings hat generative KI Schwierigkeiten, genaue Vorhersagen zu treffen.“
Während generative KI in verschiedenen Aufgaben, wie der Inhaltszusammenfassung und der Entwicklung von Chatbots, glänzt, ist sie nicht für Vorhersagen konzipiert. Prädiktives maschinelles Lernen kann für Benutzer hingegen herausfordernd sein. Pecan AIs Predictive GenAI kombiniert diese Technologien effektiv, sodass Datenwissenschaftler mühelos prädiktive Modelle erstellen können.
Zugänglichkeit von Prädiktiver KI für Unternehmen
Pecan AI hat sich zum Ziel gesetzt, die Einführung von maschinellem Lernen und KI für Unternehmen zu vereinfachen. Traditionell waren Datenwissenschaftler die Hauptnutzer der prädiktiven Analysewerkzeuge.
Bronfman betonte, dass Pecan AI darauf abzielt, KI-Fähigkeiten zu demokratisieren und Fachleuten aus der Wirtschaft zu ermöglichen, prädiktive Erkenntnisse zu nutzen, ohne tiefgehende technische Kenntnisse vorzuhalten.
Hauptmerkmale von Predictive GenAI
1. Prädiktiver Chat: Diese Funktion ermöglicht es den Nutzern, mit einer chatbot-ähnlichen Schnittstelle zu interagieren, um natürliche Sprachabfragen zu spezifischen geschäftlichen Herausforderungen zu stellen. Sie führt die Nutzer intuitiv zu den relevantesten prädiktiven Frameworks.
2. Prädiktives Notebook: Mithilfe von generativer KI dient dieses proprietäre, SQL-basierte Notebook als Grundlage zum Erstellen prädiktiver Modelle. Es automatisiert die Umwandlung roher Unternehmensdaten in KI-bereite Datensätze durch generierte Zellen, die Datenanfragen, -strukturierung und -verknüpfung übernehmen. Nutzer können diese Zellen automatisch ausführen oder mithilfe von SQL anpassen, um tiefer involviert zu sein.
Herausforderungen der prädiktiven KI in generativen Modellen
Nutzer stellen möglicherweise fest, dass generative KI zwar in verschiedenen Aufgaben effizient ist, jedoch bei Vorhersagen versagt. Laut Bronfman liegt das daran, dass die Datensätze, auf die generative KI während des Trainings angewiesen ist, nicht dem strukturierten Format entsprechen, das für prädiktives Modellieren erforderlich ist.
Ein prädiktiver Datensatz muss klar definierte Entitäten in Zeilen und eindeutige Merkmale in Spalten sowie ein Ziellabel aufweisen. Der Erwerb von Daten in diesem Format erfordert jedoch oft umfangreiche Datenengineering-Arbeiten – eine Aufgabe, die normalerweise von erfahrenen Datenwissenschaftlern übernommen wird.
Bronfman hob auch die Einschränkungen bei der Nutzung von Vektordatenbanken für prädiktives Modellieren hervor. Obwohl Vektor-Embeddings grundlegende prädiktive Funktionen unterstützen können, arbeiten sie meist mit einem eingeschränkten Merkmalsatz und erfordern entweder einfache Modelle oder erheblichen Aufwand im Feature Engineering von Datenwissenschaftlern zur angemessenen Datenaufbereitung.
Innovationen in der Datenaufbereitung
Obwohl die konversationelle Schnittstelle von Predictive GenAI ihre sichtbarste Funktion sein mag, konzentriert sich Pecan AI auch auf Innovationen in der automatisierten Datenaufbereitung und im Feature Engineering.
Zu den Fortschritten gehört eine Automatisierungslösung zur Minderung von Datenlecks – einem häufigen Problem, das die Modellgenauigkeit beeinträchtigen kann. Datenlecks beziehen sich auf die Verwendung von Trainingsdaten, die während Vorhersagen verborgen bleiben sollten, was ohne Fachkenntnisse schwer zu erkennen ist.
„Es ist nicht einfach, Lecks zu erkennen, insbesondere für Nicht-Experten“, erklärte Bronfman. „Wir bieten automatisierte Methoden an, um sie zu identifizieren und zu beheben.“
Durch die Verbesserung von Zugänglichkeit und Genauigkeit wird Pecan AI die Nutzung prädiktiver Analysen in Unternehmen revolutionieren und damit den Weg für informiertere Entscheidungen in der sich ständig weiterentwickelnden Landschaft der KI ebnen.
Rangliste
