webinar - KI für Führungskräfte

# KI für Führungskräfte ![[Pasted image 20250226154732.png]] Denys Holovatyi, Chief Artificial Intelligence Officer @ OSNOVA GmbH Email schicken an: [email protected] Hinzufügen auf: [LinkedIn](https://www.linkedin.com/in/denysholovatyi/) --- # Agenda ## 1. Einführung in KI (20 Minuten) - Begrüßung und Überblick der Agenda (5 Min.) - Was ist Künstliche Intelligenz? (5 Min.) - Large Language Models (LLMs) verstehen (5 Min.) - Generative KI in der Praxis (5 Min.) ## 2. Anwendungsfälle (30 Minuten) - Vertrieb (10 Min.) - Lead Qualifizierung und Recherche - Personalisierter Newsletter - HR & Administration (10 Min.) - Bewerbermanagement - Buchung von Eingangsrechnungen - Produktion & Qualitätsmanagement (10 Min.) - Inventurmanagement & Bestandsoptimierung - Zustandsüberwachung von Produktionsanlagen - Fehleranalyse und Oberflächendetektion (optional) ## 3. Umsetzung (20 Minuten) - Prozesse und Technologie (10 Min.) - Prozess der KI-Umsetzung - Model, Datenbank, Interface, Server - Datengrundlage, Qualität und Datenschutz (10 Min.) - Datenqualität als Erfolgsfaktor - Datensicherheit bei externen KI-Diensten ## 4. Integration im Unternehmen (10 Minuten) - Mitarbeiter einbinden und befähigen (10 Min.) - Umgang mit Ängsten und Widerständen - Schulungskonzepte für verschiedene Nutzergruppen ## 5. Fragen & Antworten (10 Minuten) ** >> Mehr im [[Handbuch - KI für Führungskräfte]] --- # Einführung in KI ## Was ist Künstliche Intelligen? Ein Forschungsbereich der Informatik, der sich mit der Simulation menschlicher Intelligenz in Computern befasst KI erforscht selbst-lernende Systeme, die Muster in den Training-Daten erkennen und nicht explizit programmiert werden ![[black-and-white-photo-of-seven-smiling-men-sitting-on-a-lawn-in-front-of-a-tree-and-a-white-school-building-with-many-windows.webp]] [Dartmouth Workshop](https://en.wikipedia.org/wiki/Dartmouth_workshop), 1956, organisiert von [John McCarthy](https://amturing.acm.org/award_winners/mccarthy_1118322.cfm), [Marvin Minsky](https://en.wikipedia.org/wiki/Marvin_Minsky),, und [Nathaniel Rochester](https://en.wikipedia.org/wiki/Nathaniel_Rochester_$computer_scientist$), und [Claude Shannon](https://spectrum.ieee.org/claude-shannon-tinkerer-prankster-and-father-of-information-theory) (Gründer der Informationstheorie). --- ## Wer ist Claude? ![[Pasted image 20250226133105.png]] ```instruction wer bist du ``` Link zu [Claude](https://claude.ai/) und zu [alan](https://decisionai.streamlit.app/) --- ## Was ist ein Large Language Model? Ein Sprachmodell, oder Language Model genannt, ist eine ==Wahrscheinlichkeitsverteilung== über Wörter, die in den Modellparametern (Gewichten) dargestellt wird. ![[Line-Plot-of-the-Gaussian-Probability-Density-Function-1024x768.webp]] Ein Sprachmodell hat einen ==Wortschatz== der Größe N (wie viele einzigartige Wörter in allen gelesenen Texten vorkommen). Das Modell schätzt die ==Wahrscheinlichkeit jedes neuen Wortes== aus dem Wortschatz ein und spuckt das nächste wahrscheinlichste Wort raus. ![[0_CgN3YcpuSxGYNFBz.webp]] Ein Sprachmodell sieht Texte nicht wie wir Menschen - sondern anhand von Tokens aka Wortteilen: ![[Pasted image 20250226133849.png]] ![[Pasted image 20250226133919.png]] Selbst [Tokenizer](https://platform.openai.com/tokenizer) ausprobieren. --- ## LLM ist quasi eine Excel-Tabelle ![[Pasted image 20240908211902.png]] Diese Tabelle können wir runterladen und in unserem Unternehmen "lokal im Keller" installieren. zB [Meta Llama 405B auf HuggingFace](https://huggingface.co/meta-llama/Llama-3.1-405B-Instruct): ![[Pasted image 20250226134303.png]] "Tensor"-Dateien sind Tabellen (oder multidimensionale Matrizen): ![[Pasted image 20250226134317.png]] >> Letztendlich sind LLMs nichts anderes als riesige Excel-Tabellen. --- ## Und was ist ChatGPT? * ChatGPT ist ein Produkt, das auf dem KI-Sprachmodell von OpenAI basiert. * Es wurde mit vielen Texten trainiert – ca. 10% des gesamten Internet-Volumens. * Diese KI kann Fragen beantworten, Texte schreiben und bei verschiedenen Aufgaben helfen. ![[Pasted image 20240903151906.png]] --- ## Generative KI ### Bild Image Generation Modelle sind fortschrittliche KI-Systeme, die in der Lage sind, realistische Bilder aus Textbeschreibungen oder anderen Eingabedaten zu erzeugen. * Tools: Flux ([Web](https://flux1.ai/create) oder kostenlos [HF Space](https://huggingface.co/spaces/black-forest-labs/FLUX.1-dev)), [DALL-E 3](https://chatgpt.com/), [Stable Diffusion](https://beta.dreamstudio.ai/generate), [Midjourney](https://www.midjourney.com/), [Ideogram](https://ideogram.ai/login), [Imagen 3](https://gemini.google.com/) --- #### Beispiel > prompt: ``` Generate a professional close-up photograph of two cherries on a real cherry blossom tree, they are made entirely of transparent glass, with the cherry blossoms in the bokeh clearly reflected in these transparent cherries. ``` **Tool**: Flux im [HF Space](https://huggingface.co/spaces/black-forest-labs/FLUX.1-dev) **Komponenten**: - **Fotoqualität**: Professional close-up - **Art des Bildes**: photograph of - **Objekt**: two cherries on a real cherry blossom tree - **Qualitäten**: they are made entirely of transparent glass - **Hintergrund**: with the cherry blossoms in the bokeh clearly reflected in these transparent cherries es fehlen noch - **im Stil**: by Caspar David Friedrich - **Kamera**: DSLR Canon R1 - **Farben**: red, white, yellow >> Später ausprobieren! --- ### Audio Generative Modelle im Audiobereich können neue Audiodateien erzeugen, etwa Musikstücke oder Sprachaufnahmen. Sie finden Anwendung in der Musikproduktion und Sprachsynthese. * Tools: [ElevenLabs](https://elevenlabs.io/app/speech-synthesis/text-to-speech), [Suno](https://suno.com/), [Udio](https://www.udio.com/) ![[ElevenLabs_2024-09-03T14_30_11_dh de_ivc_s65_sb100_se34_b_m2.mp3]] --- #### Krautsalat Lied [Verse] Ich will einen Krautsalat Frisch und knackig wunderbar Kohl und Möhren fein gemischt Auf den Teller auf den Tisch [Verse 2] Mit Essig und mit Öl Und ein bisschen Zucker drin Etwas Salz und Pfeffer drauf Macht den Salat so schön [Chorus] Oh Krautsalat mein Krautsalat Immer frisch und immer satt Ich will dich jeden Tag Oh Krautsalat mein Krautsalat ![[Krautsalat Lied.mp3]] [Song auf Suno](https://suno.com/song/cd6e4251-d44b-4e9a-9c02-1690cbc1f6d3) --- ### Video Generative Modelle für die Videogenerierung haben in den letzten Jahren erhebliche Fortschritte gemacht. Diese Modelle können verwendet werden, um neue Videos von Grund auf zu erstellen, bestehende Videos zu verändern oder bestimmte Videoeffekte zu erzielen * Tools: [Luma Labs](https://lumalabs.ai/dream-machine), [Gen-3](https://app.runwayml.com/login), [Pika](https://pika.art/home), Kling, Sora --- #### Beispiel **DreamMachine + Kling + Gen-3**: <iframe width="560" height="315" src="https://www.youtube.com/embed/soFXIJj81hE?si=y7LQJWVP5aRDRx4s" title="YouTube video player" frameborder="0" allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share" referrerpolicy="strict-origin-when-cross-origin" allowfullscreen></iframe> --- # Anwendungsfälle - Vertrieb (10 Min.) - Lead Qualifizierung und Recherche - Personalisierter Newsletter - HR & Administration (10 Min.) - Bewerbermanagement - Buchung von Eingangsrechnungen - Produktion & Qualitätsmanagement (10 Min.) - Zustandsüberwachung von Produktionsanlagen - Fehleranalyse und Oberflächendetektion --- ## Vertrieb ### Lead Qualifizierung und Recherche KI-Tools wie Perplexity und ChatGPT können mit ihren Fähigkeiten ProSuche und Deep Research bei der Lead Qualifizierung unterstützen. 1. Start mit [[prompt - lead research]], hier Firmennamen ersetzen 2. Dann [[prompt - lead qualifizierung]] ausführen 3. Und letztlich [[prompt - lead scoring]] [Auf Perplexity](https://www.perplexity.ai/) ![[Pasted image 20250226180227.png]] --- ### Personalisierter Newsletter Sprachmodelle sind besonders gut darin, bestehende Inhalte als Vorlage zu nehmen und auf individuelle Anforderungen, zum Beispiel kundenspezifische Bedürfnisse, anzupassen. 1. [[prompt - newsletter]] im Chat öffnen und verschicken 2. [[example - customer crm data]] als Dummy-Datensatz kopieren 3. [[example - fake newsletter]] kopieren 4. Thema des neuen Newsletters definieren 1. zB, KI Automatisierung 5. Alles verschicken ![[Pasted image 20250226183127.png]] --- ## HR & Administration ### Karriere-Chatbot für Bewerber ![[Pasted image 20250226135056.png]] siehe [[prompt - chatbot für karriere-interessenten]] Am besten mit ChatGPT ausführen. --- ### Auswertung von Lebensläufen - Vergleich der Lebensläufe mit den Stellenausschreibungen - Erstellung von Fragen für das Interview. Auswerten dieser Fragen, sowie weitere Fragen für das Interview - Scoring der Bewerber anhand stellenspezifischen Kriterien --- #### Beispiel 1. [Claude](https://claude.ai/) öffnen 2. Prompt kopieren 3. Lebenslauf hochladen 1. Keine CVs suchen - sondern diesen erst mit KI generieren 2. siehe [[example - fake cv generation]] 3. siehe Claude Artifact for [AI Developer CV](https://claude.site/artifacts/39593124-09d8-4820-aa0a-c7237be53a44) 4. ![[Pasted image 20240909175146.png]] 4. Weitere Prompts schicken ** Mehr zu KI für Personalwesen: [[module 4 - automation in people management]] --- ### Buchung von Eingangsrechnungen Für diese Aufgabe brauchen wir einen neuen Prompt: ```instruction Erstelle einen Prompt für einen hochqualifizierten Buchhalter von Eingangsrechnungen, der eingehende Lieferantenrechnungen bezahlen, genehmigen oder freigeben muss. Die Aufgabe ist, diese Rechnungen mit der deutschen Gesetzgebung sowie internen Unternehmensrichtlinien zu vergleichen. Du musst erst einmal die jetzige Gesetzgebung zusammenfassen, dann das Dokument mit den Rechnungen zusammenfassen und dann Schritt für Schritt eine gründliche und ausführliche Analyse der Rechnung durchführen. ``` Dann mit [Anthropic Workbench](https://console.anthropic.com/workbench/) einen neuen Prompt generieren: ![[Pasted image 20250226140012.png]] dann ![[Pasted image 20250226135918.png]] Mit etwas manueller Anpassung + Übersetzung: [[prompt - lieferantenrechnungen]] --- #### Beispiel 1. ChatGPT öffnen 2. [[prompt - lieferantenrechnungen]] kopieren 3. Fake-[[rechnung.pdf]] und Fake-[[Anforderungen_Lieferantenrechnungen.pdf]] runterladen und im Chat einfügen 4. Ausführen --- ## Produktion & Qualitätsmanagement ### Inventurmanagement & Bestandsoptimierung - **Ziel:** Rohstoffbestände um 15% reduzieren, Über- und Unterbestände vermeiden - **Herausforderungen:** - Manuelle Inventurbuchungen - Dynamische Bestandsentwicklung und variable Verbrauchsdaten - Klassische Zeitreihenmodelle sind oft zu empfindlich und wenig robust ![[Pasted image 20250227132203.jpg]] --- #### Dateninfrastruktur & Pipeline - **ERP-Datenintegration:** - Automatisierter Export von Buchungssätzen, Käufen, Verbrauch und manuellen Inventurdaten - Einsatz von ETL-Prozessen (z. B. Talend, AWS Glue) für den Transfer in ein Data Warehouse / Data Lake / Ablage - **Datenaufbereitung:** - Bereinigung, Anreicherung und Feature Engineering (z. B. saisonale Indikatoren, Trendanalysen) - Cloud-basierte Speicherung und Verarbeitung (AWS, Azure, GCP) --- #### KI-Modellierung & robuste Vorhersagen - **Traditionelle Zeitreihenmodelle:** - ARIMA - gut verständlich, aber anfällig für Ausreißer und strukturelle Änderungen - **Hybride Ansätze zur Robustheitssteigerung:** - **Ensemble-Methoden:** Kombination klassischer Modelle mit Machine-Learning-Algorithmen (z. B. Random Forest, Gradient Boosting) - **Deep Learning:** Einsatz von LSTM-Netzwerken und CNNs für komplexe Mustererkennung - **Adaptive Verfahren:** Kontinuierliches Monitoring und automatisiertes Retraining bei Bedarf --- #### Demo ![[Pasted image 20250227142850.png]] [inventory.ai](https://rainbow-rolypoly-53874c.netlify.app/) --- ### Zustandsüberwachung von Produktionsanlagen Ungeplante Ausfallzeiten verursachen in der verarbeitenden Industrie durchschnittliche Kosten von 260.000 Euro pro Stunde. Die KI-basierte Zustandsüberwachung nutzt verschiedene Technologien: - **Sensorik**: Erfassung von Daten zu Schwingung, Geräuschen, Druck, Temperatur etc. - **Datenanalyse**: Auswertung großer Datenmengen mittels Machine Learning - **Predictive Maintenance**: Vorhersage von Wartungsbedarf - **Echtzeit-Monitoring**: Kontinuierliche Überwachung kritischer Parameter --- #### Welche Sensoren? Moderne Überwachungssysteme integrieren multimodale Sensornetzwerke: - **Inertiale Messeinheiten (IMU)** erfassen dreidimensionale Beschleunigungen. KI-Algorithmen vergleichen die aktuellen Schwingungsmuster mit Referenzwerten. - **Akustische Emissionssensoren** detektieren Ultraschallsignaturen von Lagerdefekten im Frequenzbereich 30-300 kHz. - **Infrarot-Thermografie** überwacht Temperaturgradienten an elektrischen Kontakten mit ±1°C Genauigkeit. --- #### Welche KI? Führende Ansätze kombinieren überwachtes und unüberwachtes Lernen: $f(x)=LSTM∘CNN(x)+λ⋅Autoencoder(x)f(x)=LSTM∘CNN(x)+λ⋅Autoencoder(x)$ Hierbei analysieren Convolutional Neural Networks (CNN) spektrale Muster, während Long Short-Term Memory (LSTM)-Netze zeitliche Degradationstrends modellieren. Unüberwachte Autoencoder detektieren Anomalien durch Rekonstruktionsfehler im latenten Raum. Eine Studie des Fraunhofer LBF demonstrierte, dass hybrides Deep Learning die Fehlerfrüherkennungsrate bei Kugellagern auf 98,7% steigert – 23% höher als konventionelle Fourier-Analyse. --- #### Quellen - Fraunhofer LBF: [KI-Zustandsüberwachung von Produktionsanlagen](https://www.lbf.fraunhofer.de/de/veranstaltungen/KI-zustandsueberwachung-von-produktionsanlagen.html) - Manubes: [KI in der Produktion](https://www.manubes.de/ki-in-der-produktion/) - Intel: [Predictive Maintenance with AI & Machine Learning](https://www.intel.de/content/www/de/de/goal/predictive-maintenance-with-ai-machine-learning.html) - Zukunftszentrum Süd: [Überwachung von Produktionsanlagen](https://zukunftszentrum-sued.de/wp-content/uploads/2024/09/Praesentation-Ueberwachung-von-Produktionsanlagen-.pdf) - Fraunhofer LBF: [KI-Methoden zur Zustandsüberwachung in der Produktion](https://www.lbf.fraunhofer.de/de/veranstaltungen/KI-methoden-zustandsueberwachung-in-der-produktion.html) - Elektronikforschung: [KI Predict – Künstliche Intelligenz für prädiktive Wartung](https://www.elektronikforschung.de/projekte/ki-predict) - IT-P: [Künstliche Intelligenz (KI)-Einsatz in der Produktion](https://www.it-p.de/kuenstliche-intelligenz-ki-einsatz-in-der-produktion/) - GFE: [Nachrüstbarer KI-basierter Sensor zur Lüfterüberwachung](https://demonstratoren.gfe-net.de/demonstratoren/nachruestbarer-ki-basierter-sensor-zur-luefterueberwachung) ---- ### Fehleranalyse und Oberflächendetektion #### Welche Technologie? - In der Fertigungsindustrie können verschiedene Oberflächendefekte wie Kratzer, Dellen oder Verfärbungen erkannt werden. - AI-powered Automated Optical Inspection (AOI) Systeme nutzen Kameras, Sensoren und KI-Algorithmen zur automatischen Inspektion von Produktoberflächen. - Machine Learning-Modelle werden trainiert, um zwischen defektfreien und fehlerhaften Oberflächen zu unterscheiden. --- #### Wie funktioniert das? **Datenerfassung und Bildaufnahme** - Hochauflösende Kameras und spezialisierte Beleuchtungstechniken werden eingesetzt, um detaillierte Aufnahmen der zu prüfenden Oberflächen zu erstellen. - Diese Systeme können selbst bei komplexen Bauteilgeometrien und Freiformflächen angewendet werden. ![[Pasted image 20250226143057.jpg]] **KI-basierte Analyse** - Deep-Learning-Algorithmen und Machine-Learning-Modelle analysieren die aufgenommenen Bilder in Echtzeit. - Die KI wird darauf trainiert, verschiedene Arten von Oberflächendefekten zu erkennen, wie Kratzer, Dellen, Risse oder Farbabweichungen. **Fehlerklassifizierung und -lokalisierung** - Das System klassifiziert erkannte Defekte automatisch und lokalisiert sie präzise auf der Oberfläche. - Dies ermöglicht eine sofortige Reaktion im Produktionsprozess und gezielte Nachbearbeitung. --- #### Quellen - Sciotex: [How to Use AI for Defect Detection](https://sciotex.com/how-to-use-ai-for-defect-detection/) - Intelgic: [Surface Inspection Using AI-Powered AOI System](https://intelgic.com/Surface-inspection-using-AI-powered-AOI-system) - Oberflächen-Technik.net: [Oberflächeninspektion mit KI-Technologie](https://www.oberflaechen-technik.net/themen/themenwelt/analytik/oberflaecheninspektion-mit-ki-technologie) - Elunic: [Automatische Oberflächenprüfung in der Produktion](https://www.elunic.com/de/showcase/automatische-oberflaechenpruefung-in-der-produktion/) --- # Umsetzung - Prozesse und Technologie (10 Min.) - Prozess der KI-Umsetzung - Model, Datenbank, Interface, Server - Datengrundlage, Qualität und Datenschutz (10 Min.) - Datenqualität als Erfolgsfaktor - Datensicherheit bei externen KI-Diensten --- ## Prozess der KI-Umsetzung ![[Pasted image 20240903230030.png]] **Problem verstehen** - Zielgruppe - Problemstellung - Lösung mit KI **Daten holen** - Data Warehouse / Datenbank - Extraktion aus produktiven Systemen (CSV-Export oder Schnittstelle) - Datenablagen wie OneDrive, Gdrive **Daten verstehen** - Datei- und Datenformate - Tabellen oder unstrukturierte Daten - Menge: # Datensätze / Dokumente - Explorative Datenanalyse **Modell einsetzen** - ChatGPT / Anthropic / Microsoft Azure Schnittstellen - Lokales Model (eigener Server oder private Cloud) - Quoten und Kosten **Prompts entwickeln** - Design von initialen Prompts - Testen und Optimierung, Versionierung - Anbindung Vector Datenbank - Prompt Sequence für E2E Automatisierung **Maßnahmen durchführen** - Automatisierung von Aktivitäten - Veränderung im Regelwerk + Schulungen - Neue Features, Dienstleistungen --- ## LLM Für den Einsatz einigen sich proprietäre Closed-Source-Modelle sowie Open-Source-Modelle. **Closed-Source** - OpenAI GPT-4, GPT-4o, GPT-4o-mini - Anthropic Claude Sonnet 3.5 **Open-Source** - Meta Llama 3.1 405B, 70B, 8B - Mistral Large 2 --- ### Auswahl des LLM * Performance * Qualität * Geschwindigkeit * Länge des Kontexts * Modalitäten * Nur Text * Text und Bild * Text, Bild, Audio * Nutzung * Bibliotheken und Ökosystem * Time to First Generation * Time to Pilot * [[Reinforcement Learning with Human Feedback]] * Kosten * Open Source günstiger als Closed Source pro API Call * GPU Server für Open Source oft teuer * Datenschutz * Cloud Modelle sind mit Risiko verbunden * Open Source Modelle kann man 100% lokal aufsetzen --- ## Datenbank Ein Vector Store oder Vektor-Datenbank (VDB) ist ein **spezialisierter Datenspeicher**, der insbesondere für die effiziente Speicherung und den schnellen Zugriff auf hochdimensionale Vektordaten ausgelegt ist. ![[Pasted image 20250226154322.png]] Solche Systeme sind besonders nützlich in Anwendungen des maschinellen Lernens, der künstlichen Intelligenz und der Datenanalyse, wo es oft notwendig ist, große Mengen an Vektoren zu verwalten und schnelle Ähnlichkeitsabfragen durchzuführen. Beispiele: [Pinecone](https://www.pinecone.io/), [qdrant](https://qdrant.tech/), [Weaviate](https://weaviate.io/), [MongoDB Atlas Vector Search](https://www.mongodb.com/products/platform/atlas-vector-search), PostgreSQL mit [pgvector](https://github.com/pgvector/pgvector), [pgvectorscale](https://github.com/timescale/pgvectorscale), [pgai](https://github.com/timescale/pgai) --- ## Interface ### Streamlit Streamlit ist ein Open-Source-Framework, das die Erstellung von interaktiven Webanwendungen erleichtert. ![[media/Pasted image 20241118202301.png]] --- ### Business Apps ServiceNow bietet seine KI-Funktionalität in Form von Geschäftsanwendungen an, und viele Entwickler auf der Plattform ([ServiceNow Store](https://store.servicenow.com/sn_appstore_store.do#!/store/application/09b3ed146d3f6110fa9b8fce9b16f3e3/5.1.0?sl=sh)) tun dasselbe. ![[Pasted image 20240626214932.png]] ___ ### Emails als Interface Viele Anwendungsfälle im Bereich Prozessoptimierung brauchen keine Interfaces, weil die Prozesse eben in bestehende Systeme wie SAP oder Salesforce ausgeführt werden. Wenn KI zu einer **Automatisierung der Prozessaktivität** ("Dunkelverarbeitung") führt, muss auch kein Nutzer das direkt sehen. Ein häufiges Beispiel ist ein **Team-Inbox**, wo verschiedene Dokumente ankommen, Lieferantenrechnungen, Kundentickets, Aufträge und so weiter. Für das Team, das **Interface zur KI** besteht darin, dass die Liste von ungeöffneten E-Mails verschwindet. ![[Pasted image 20240626215629.png]] --- ### BI als Interface Ein weiteres KI-Interface, das wenig Hype sieht, sind bestehende BI- und Datenanalytics-Tools. Deswegen oft macht das Sinn, die Vorhersagen und Auswertungen der KI als Teil von aufgebauten Datenmodellen zu sehen. Wir können z.B. mit KI neue Felder in einer Standardtabelle erzeugen und diese abgewählte Tabelle wieder in das Datenmodell im BI-Tool einspielen. --- ## Server ### Ollama [Ollama](https://ollama.com/) ist ein einfach zu bedienendes Tool zum Ausführen großer Sprachmodelle wie Llama 3 und Code Llama auf lokalen Maschinen. Es unterstützt Linux, macOS und Windows und ermöglicht die Ausführung der Modelle ohne Datenweitergabe an externe Server. Ollama kann auch Modelle serven, mehr zum [Aufsetzen auf Runpod](https://medium.com/@pooya.haratian/running-ollama-with-runpod-serverless-and-langchain-6657763f400d). ![[Pasted image 20240626200741.png]] ```cli ollama run llama3 ``` >> Mehr zur Technologie: [[slides/projects/module 5 - build ai#Technologie|module 5 - build ai]] --- ## Daten ### Datenqualität als Erfolgsfaktor Eine hohe Datenqualität ist entscheidend für präzise Analysen und fundierte Entscheidungen. Dafür sind folgende Aspekte besonders wichtig: - **Datenqualität**: Sicherstellen, dass Daten korrekt, vollständig und aktuell sind. - **Konsistenz**: Einheitliche und widerspruchsfreie Daten über verschiedene Systeme und Quellen hinweg. - **Qualitätssicherung**: Kontinuierliche Überprüfung und Verbesserung der Daten durch Prozesse und Tools. --- ### Probleme mit Datenqualität Die Qualität von Daten kann durch verschiedene Arten von Inkonsistenzen und Fehlern beeinträchtigt werden. Einige Beispiele dafür sind: 1.**Duplikate**: Mehrfache Einträge desselben Datensatzes können die Analyse verzerren, indem sie die tatsächliche Frequenz oder Bedeutung eines Phänomens überbewerten. 2.**Fehlende Werte**: Lücken in Daten können zu unvollständigen Analysen führen und die Genauigkeit von Modellen reduzieren. 3.**Falsche Formate**: Datumswerte, die in unterschiedlichen Formaten vorliegen (z.B. DD/MM/YYYY versus MM/DD/YYYY), oder numerische Werte, die fälschlicherweise als Text codiert sind, können die Datenverarbeitung und -analyse erschweren. 4.**Ungenauigkeiten**: Fehlerhafte Dateneingaben, sei es durch menschliche Fehler oder fehlerhafte Sensoren, können zu irreführenden Analyseergebnissen führen. --- ### Lösungsansätze zur Verbesserung der Datenqualität Um die Datenqualität nachhaltig zu verbessern, sind folgende Maßnahmen essenziell: - **Datensynthese**: Ergänzung oder Simulation von Daten, um Lücken zu schließen oder Testfälle zu erstellen. - **Datenbereinigung**: Erkennen und Korrigieren von Fehlern, Duplikaten und falschen Formaten. - **Datenpflege**: Regelmäßige Wartung, Aktualisierung und Validierung der Daten zur Sicherstellung langfristiger Qualität. --- ### Datensicherheit bei externen KI-Diensten Bei der Nutzung von KI-Diensten externer Anbieter stellt sich die Frage, wie sicher die eigenen Daten verarbeitet und gespeichert werden. Eine zentrale Herausforderung besteht darin, ob und wie diese Daten zur Verbesserung der KI-Modelle verwendet werden. --- #### Datenverarbeitung und KI-Training Viele Anbieter verwenden Kundendaten zur Verbesserung ihrer Modelle, während andere Unternehmen strikte Trennungen einhalten. - **OpenAI, Anthropic & Co.:** - OpenAI, Anthropic verwenden standardmäßig keine Benutzereingaben zum Training der Modelle (bei API-Nutzung). - Bei einer in-Chat Nutzung sollte man folgende Einstellung setzen: ![[Pasted image 20250226144657.png]] Profil -> Einstellungen -> Data Controls -> Improve model for everyone -> AUS ** - **Microsoft, Google, Amazon:** - Cloud-Plattformen wie Azure, Google Cloud oder AWS bieten KI-Dienste an, die oft mit großen Datensätzen trainiert werden. - Einige Dienste sammeln und analysieren Nutzereingaben standardmäßig zur Verbesserung der Modelle, es gibt jedoch Enterprise-Optionen ohne Datennutzung. --- #### Lokale Nutzung Für Unternehmen, die höchste Kontrolle über ihre Daten behalten wollen, gibt es Alternativen zur Cloud-Nutzung: - Open-Source-Modelle wie Llama (Meta) oder Qwen können lokal betrieben werden. - Daten bleiben zu 100% im Unternehmen Nachteil: lokale Installation erfordert Server mit Grafikkarten, die ziemlich teuer sind - obwohl man seit kurzem auch mit 10.000, 20.000 Euro anfangen kann (Stand: Anfang 2025) --- # Integration im Unternehmen - Mitarbeiter einbinden und befähigen (10 Min.) - Umgang mit Ängsten und Widerständen - Schulungskonzepte für verschiedene Nutzergruppen --- ## Umgang mit Ängsten und Widerständen Es gibt unterschiedliche Gruppen im Umgang mit KI: - ✅ **Technologieoffene Nutzer** → Keine Überzeugung nötig, einfache Integration. - ❌ **KI-Verweigerer** → Mit Worten schwer zu überzeugen, oft tiefe Skepsis. - ⭐ **Die "goldene Mitte"** → Offen, aber mit Bedenken – **Fokus auf diese Gruppe!** ![[Pasted image 20250226185051.jpg]] --- ## Erfolgsstrategien für KI-Akzeptanz ### Auswahl des richtigen Anwendungsfalls - KI für **lästige, repetitive Aufgaben**, die keiner gerne macht. - Fokus auf **produktive Automatisierung** statt auf Ersatz von Mitarbeitern. ### Einbindung des Fachbereichs - Nicht nur die IT – auch **Fachbereichsleiter & Mitarbeitende** einbinden. - **Frühe Abstimmung** über Problemstellungen, Lösungen & Workflows. - Nutzer sollen Kontrolle über den KI-Einsatz behalten. ### Klare Kommunikation & Nutzenvermittlung - Was kann KI? Was kann sie nicht? - Direkte Ansprache von Ängsten & Vorbehalten. --- ## Schulungskonzepte für verschiedene Nutzergruppen ### KI für Führungskräfte Führungskräfte sollen verstehen, wie KI als strategisches Werkzeug zur Optimierung von Geschäftsprozessen und Entscheidungsfindung genutzt werden kann. **Schulungsinhalte** - Grundlagen von KI & Machine Learning: Was kann KI? Wo sind die Grenzen? - Effizienzsteigerung & Automatisierung: Welche Prozesse lassen sich optimieren? - Risiken & ethische Fragestellungen: Datenschutz, Bias in KI-Modellen, regulatorische Anforderungen. - Best Practices aus der Industrie: Erfolgreiche KI-Anwendungen in vergleichbaren Branchen. --- ### KI für Sachbearbeiter Sachbearbeiter sollen KI-Tools effektiv nutzen, um Routineaufgaben zu automatisieren und ihre tägliche Arbeit zu erleichtern. **Schulungsinhalte** - Einsatzbereiche von KI im Arbeitsalltag: Automatische Dokumentenverarbeitung, Texterkennung, Datenanalyse - Bedienung von KI-gestützten Tools: Einführung in Softwarelösungen zur Automatisierung - Prompting: Wie können Mitarbeiter und KI produktiv interagieren? --- ### KI für Entwickler Entwickler sollen lernen, KI-Modelle zu verstehen, anzupassen und in bestehende Systeme zu integrieren. **Schulungsinhalte** - Grundlagen von KI & Deep Learning: Architektur von Modellen, neuronale Netze - Modellauswahl & Training: Welche Algorithmen sind für welche Anwendungsfälle geeignet? - APIs & Cloud-Integration: Nutzung von KI-Diensten von OpenAI, Microsoft, Google & Co. - Fehlersuche & Optimierung: Bias erkennen, Modellgenauigkeit verbessern, Performance-Optimierung --- # Fragen & Antworten 1. . 2. . 3. . --- # Kontakt **Denys Holovatyi** *Experte für künstliche Intelligenz* Founder & Chief AI Officer von OSNOVA [email protected] [LinkedIn](https://www.linkedin.com/in/denysholovatyi/) --- --end--