# KI-Anwendungsfälle für Unternehmen * KI in operativen Prozessen * Fallstudien aus der Projektarbeit * Firmeninterne Anwendungsfälle --- # KI in operativen Prozessen ## Übersicht ![[Pasted image 20240903210412.png]] **Marketing** - Optimierung von AdWords-Kampagnen - Content Erstellung (Beiträge, Bilder, E-Mails usw.) - Kundenreise und Next Best Action - Konversions-Prognose **Kunden Service** - Automatische Content-Erstellung - Prognose der Lösungszeit - Dringlichkeitserkennung - Upselling - Prognosen - Chatbots **Vertrieb** - Verkaufsprognose - Automatisierte Dateneingabe - Leistungsanalyse der Gespräche aus Vertrieb - Upselling - Prognosen **Produktion** - Prädiktive Instandhaltung - Fehlererkennung - Generatives Design **Buchhaltung** - Optimierung des Liquiditätsmanagements - Klassifizierung von Dokumenten - Betrugserkennung **Beschaffung** - Automatisierung von Genehmigungen - Lieferantenabgleich - KI-gestütztes Vertragsmanagement --- ## Prozessoptimierung mit KI: wichtige Konzepte * Prozess = Steuerung von Dokumenten * Rechnung, Auftrag, Kundenticket, E-Mail ... * Dokument ist Text -> Sprachmodelle sind sehr gut darin, diese Texte zu analysieren und erzeugen * Selten End-2-End, sondern einzelne Prozessschritte * Digitaler Fußabdruck des Prozesses ist notwendig --- ## Prozessdiagramme als Ideenquelle ![[Pasted image 20240903210530.png]] --- ## Was tut die KI in einem Prozess? Erstellung von Dokumenten (E-Mails, Rechnungen, Doku) Entscheidungsfindung (z.B., Genehmigung einer Zahlung)   Auslösen von Aktionen (Write-Back ins System) --- ## Arten der firmeninternen KI KI im Unternehmen bezeichnen wir mit dem Stichwort ==cogit@company== Die verschiedenen Arten von cogit@company beziehen sich vor allem auf die Herangehensweisen an die Nutzung: - Prozessautomatisierung mit Prompt Engineering - Enterprise Search mir RAG - Produkte mit KI --- ## Retrieval Augmented Generation Retrieval Augmented Generation oder RAG ist ein Ansatz für Sprachmodelle, um zu lernen, und auch eine Architektur für KI-Anwendungen. Es ist eine Art In-Context Learning auf Steroiden, bei dem die Informationen für den Prompt aus einer Datenbank oder einem Vector Store geliefert werden. ![[Pasted image 20240624152720.jpg]] --- ## Keyword-based search vs Vector search ### Stichwortbasierte Suche Die stichwortbasierte Suche im Kontext der hybriden Suche verwendet oft eine Darstellung namens **sparse embeddings**, weshalb sie auch als sparse vector search bezeichnet wird. Sparse embeddings sind Vektoren mit hauptsächlich Nullwerten und nur wenigen Nicht-Nullwerten, wie unten gezeigt. [0, 0, 0, 0, 0, 1, 0, 0, 0, 24, 3, 0, 0, 0, 0, ...] Sparse embeddings können mit verschiedenen Algorithmen erzeugt werden. Der am häufigsten verwendete Algorithmus für sparse embeddings ist [BM25](https://en.wikipedia.org/wiki/Okapi_BM25) (Best match 25), der auf dem [TF-IDF](https://en.wikipedia.org/wiki/Tf%E2%80%93idf) (Term Frequency-Inverse Document Frequency) Ansatz aufbaut und diesen verfeinert. Vereinfacht ausgedrückt betont BM25 die Wichtigkeit von Begriffen basierend auf ihrer Häufigkeit in einem Dokument relativ zu ihrer Häufigkeit in allen Dokumenten. ++ **Definition:** Sucht nach genauen Wörtern oder Phrasen. **Mechanismus:** Verwendet invertierte Indizes mit Boolescher Logik. **Stärken:** - Einfach und schnell für präzise Suchanfragen. - Leicht zu implementieren. **Schwächen:** - Empfindlich gegenüber Wortvariationen. - Versteht Kontext und Semantik nicht. --- ### Vektorsuche Vektorsuche ist eine moderne Suchtechnik, die mit den Fortschritten im maschinellen Lernen entstanden ist. Moderne ML-Algorithmen, wie z. B. [Transformers](https://huggingface.co/docs/transformers/index), können eine numerische Darstellung von Datenobjekten in verschiedenen Modalitäten (Text, Bilder, usw.) erzeugen, die als Vektor-Embeddings bezeichnet wird. Diese Vektor-Embeddings sind normalerweise dicht gepackt mit Informationen und bestehen größtenteils aus Nicht-Nullwerten (dichte Vektoren), wie unten gezeigt. Deshalb wird die Vektorsuche auch als dense vector search bezeichnet. [0.634, 0.234, 0.867, 0.042, 0.249, 0.093, 0.029, 0.123, 0.234, ...] ++ **Definition:** Nutzt Vektoreinbettungen (Vector Embedding) zur Darstellung der Bedeutung von Wörtern. **Mechanismus:** Konvertiert Wörter/Dokumente in hochdimensionale Vektoren, misst Ähnlichkeit. **Stärken:** - Erfasst semantische Bedeutung und Kontext. - Robust gegenüber Wortvariationen und Synonymen. **Schwächen:** - Rechenintensiv, komplexer. - Benötigt große Datensätze und vortrainierte Modelle. --- ### Zusammenfassung | Merkmal | Stichwortbasierte Suche | Vektorsuche | |---------------------------|----------------------------------------|-------------------------------------------------| | **Basis** | Exakte Stichwortübereinstimmung | Semantische Ähnlichkeit mit Vektoreinbettungen | | **Umgang mit Variationen**| Eingeschränkt | Robust | | **Kontextverständnis** | Gering | Hoch | | **Komplexität** | Gering | Hoch | | **Ressourcenintensität** | Gering | Hoch | | **Implementierung** | Einfach | Komplex | | **Anwendungsfälle** | Einfache Dokumentensuche | Fortgeschrittene Suche, Empfehlungen, NLP --- ## Embeddings Eine Embedding (Einbettung) ist ein relativ niedrigdimensionaler Raum, in den hochdimensionale Vektoren übersetzt werden können. Word2Vec, entwickelt von Google-Forschern unter der Leitung von Tomas Mikolov im Jahr 2013, ist eine revolutionäre Technik im Bereich der natürlichen Sprachverarbeitung (Natural Language Processing, NLP). Das Dokument gibt Beispiele für die Vektoren von "dad" und "mom": - “dad” = [0.1548, 0.4848, …, 1.864] - “mom” = [0.8785, 0.8974, …, 2.794] ==Die Entfernung im Vektorspace zwischen Mutter und Vater, König und Königin, ist gleich die Entfernung zwischen Mann und Frau.== ![[Pasted image 20240624010105.png]] Deswegen kann man mit der Berechnung von dem Kosinus in dem multidimensionalen Raum des Embeddings die [semantische Ähnlichkeit](https://en.wikipedia.org/wiki/Cosine_similarity) von Dokumenten messen. Nicht nur Textdokumente, sondern auch Bilder, Audio und Video können als Embeddings dargestellt werden. --- ## Vector Store Ein Vector Store oder Vektor-Datenbank ist ein **spezialisierter Datenspeicher**, der insbesondere für die effiziente Speicherung und den schnellen Zugriff auf hochdimensionale Vektordaten ausgelegt ist. 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) --- ## RAG Cycle Der RAG (Retrieval-Augmented Generation) Cycle ist ein Prozess zur Verbesserung von KI-Modellen durch die Integration von externen Informationen in den Generierungsprozess. 1. **Collect** - Sammlung der Daten aus verschiedenen Quellen, die für das Modell relevant sind. 2. **Chunk** - Aufteilung der gesammelten Daten in kleinere, verarbeitbare Einheiten. 3. **Embed** - Transformation der Daten in eine vektorbasierte Darstellung. 4. **Index**- Speicherung der eingebetteten Daten in einer suchfähigen Struktur. 5. **Retrieve** - Abruf relevanter Informationen aus dem Index basierend auf einer Abfrage. 6. **Evaluate** - Bewertung der Leistung und Genauigkeit des Modells. Das sogenannte "naive RAG" beginnt so: ![[Pasted image 20240821221745.png]] --- ### Chunk Chunking ist eine entscheidende Technik in Retrieval-Augmented Generation (RAG)-Systemen, bei der große Textstücke in kleinere Segmente aufgeteilt werden, um die Relevanz des Inhalts zu optimieren. **Auswirkungen der Chunk-Größe auf die Qualität** Die Chunk-Größe beeinflusst direkt die Qualität der abgerufenen Informationen, die wiederum die Qualität der generierten Antworten beeinflusst. Eine kleinere Chunk-Größe kann zu präziseren und kontextuell relevanten Informationen führen, was zu genaueren Antworten führt. **Überlappung in Chunking** Überlappung in Chunking bezieht sich auf die Menge an redundanten Informationen zwischen Chunks. Eine Reduzierung der Überlappung kann die Effizienz des Systems verbessern, indem die Abrufung redundanter Informationen minimiert wird.  Eine zu starke Reduzierung der Überlappung kann jedoch zu einem Verlust von Kontext führen, was zu weniger genauen Antworten führt. **Dynamisches Chunking** Dynamisches Chunking ist eine Methode, die die Chunk-Größe basierend auf kontextuellen Hinweisen, Benutzerpräferenzen oder Aufgaben-spezifischen Anforderungen anpasst. Diese Methode kann helfen, die Einschränkungen von festen Chunk-Größen zu überwinden, die möglicherweise nicht immer die natürliche Struktur des Textes erfassen. --- ### Embed **Best Practice** - **Verwenden von pre-trained Modellen**: Vorgefertigte Modelle wie BERT, RoBERTa, ColBERT, SPLADE haben sich bei einer Vielzahl von Aufgaben im Bereich der natürlichen Sprachverarbeitung bewährt, einschließlich RAG. - **Fine Tuning des Modells**: Die Feinabstimmung des vorgefertigten Modells auf die spezifische Aufgabe von RAG kann die Leistung verbessern. - **Verwenden von domänenspezifischen Daten**: Die Verwendung von domänenspezifischen Daten zum Fine Tuning der Einbettungen kann die Leistung verbessern. - Auswahl von Dokumenten - Separate Vector Stores - Namespaces - Metadaten - **Bewertung des Modells** (evals): Die Bewertung des Modells anhand einer Vielzahl von Metriken, einschließlich der Abrufgenauigkeit und Effizienz, ist entscheidend. --- ### Retrieve Die Retrieval-Stufe ist ein entscheidender Bestandteil des Information-Retrieval-Prozesses. Ihr Ziel ist es, relevante Informationen aus einer großen Menge an Daten zu finden und zurückzugeben. Um das zu erreichen, werden die folgenden Best Practices eingesetzt: - **Reranking**: Die Neubewertung der abgerufenen Informationen kann die Relevanz der höchstrangigen Ergebnisse verbessern. ![[Pasted image 20240821222212.png]] - **Hybride Suche**: Die hybride Suche kombiniert die Stärken verschiedener Suchtechniken, wie Vektorsuche und Schlüsselwortsuche, um die Relevanz und Effizienz des Retrieval-Prozesses zu verbessern. ![[Pasted image 20240821222228.png]] - **Verwendung von Metadaten**: Metadaten können verwendet werden, um irrelevante Informationen herauszufiltern und die Effizienz des Retrieval-Prozesses zu verbessern (zB, Dateitype, Erstellungsdatum, Autor, ... ) ![[Pasted image 20240821222250.png]] - **Abfrageoptimierung**: Die Optimierung der Abfrage kann die Relevanz der abgerufenen Informationen verbessern. Techniken wie Abfrageumformulierung, Abfrageerweiterung können verwendet werden (Stichwort *Query Transformation*) --- ### Evaluate **Bewertungsmetriken** - **Abrufgenauigkeit**: Diese Metrik misst die Genauigkeit des abgerufenen Kontexts. - **Effizienz**: Diese Metrik misst die rechnerische Effizienz der Einbettungen. - **Recall**: Diese Metrik misst den Anteil der relevanten Kontexte, die abgerufen werden. - **Präzision**: Diese Metrik misst den Anteil der abgerufenen Kontexte, die relevant sind. Eine andere Metrik, die oft in der Praxis verwendet wird: ``LGTM@10 `` Looks good to me - mit 10 Beispielen :) --- ## Welche Anwendungsfälle fallen Ihnen ein? --- # Fallstudien aus der Projektarbeit ## Fallstudie: Erstellung von Neuaufträgen #### Problem - Kunden eines deutschen Unternehmens schicken ihre Aufträge auf eine Team-Inbox - **Aufträge** kommen als PDFs (mit und ohne Textschicht) sowie einfache E-Mails. Das Team muss nachfragen, wo und wann ein Container hingeschickt werden muss - **Neuaufträge für Subunternehmen** werden manuell im CRM-System angelegt --- ### Lösung Entwicklung einer benutzerdefinierten Schnittstelle und Datenextraktion aus Outlook und Sprachmodell-API #### Daten - **Automatisierte Analyse** der E-Mail-Inbox - **Verarbeitung von Kundenaufträgen**: - PDFs mit Textlayer: Direkte Textextraktion - PDFs ohne Textlayer: Einsatz von OCR-Technologie - Freitext E-Mails: Identifikation fehlender Informationen und Generierung von Rückfragen - **Extraktion relevanter Daten** aus dem CRM-System und per E-Mail verschickt #### KI - Einsatz von Sprachmodellen zur intelligenten **Verarbeitung der extrahierten Daten** - **Textextraktion** aus PDF-Dokumenten (direkt/OCR) - **Interpretation der Textdaten** und Erzeugung E-Mails mit Rückfragen - Automatische **Zuordnung** von Kunden, Leistungen, Adressen - **Erkennung und Verarbeitung** von Sonderfällen und Bemerkungen #### Integration - **Nahtloses Write-Back** ins CRM-System - Automatisierte **Erstellung der Aufträge** - Erstellung einer E-Mail mit PDF-Anhang, bereit zur Versendung an Subunternehmen --- ### Ergebnis - Automatisierung der Auftragserstellung mit KI - Schnelle Bearbeitung von Kundenaufträgen ![[Pasted image 20241112151101.png]] --- ## Fallstudie: Analyse von Patenten ### Problem - Eine **Patentkanzlei in Großbritannien** wollte eine große Anzahl von Patenten analysieren. - Ihre Kunden sind Unternehmen wie Samsung, Apple, Qualcomm, Intel, die den Wert ihres **Patentportfolios** bewerten wollen. - Für die Analyse werden Patentanwälte eingesetzt und eine **Auswertung dauert 3-4 Stunden und kostet viel**, insb. wenn man Tausende von Patenten auswerten möchte. --- ### Lösung Es wurde ein KI-basiertes Tool eingesetzt, um Änderungen in Patenten vorzuschlagen und umzusetzen. Dieses Tool ermöglichte die Analyse von Patenten in kürzester Zeit. #### Daten - **Datenbank von Patenten** in verschiedenen technologischen Bereichen wie 5G, WLAN und verschiedenen Videocodecs. - **Patentstandards** von European Patent Office und weiteren Organisationen, die die Anforderungen an solche Patente festlegen. #### KI - Einsatz von Sprachmodellen zur intelligenten **Verarbeitung der Patente** - Hochkomplexe **Prompt Sequence** von 13 Prompts und 19 Versionen bis das entsprechende Qualitätsniveau erreicht wurde - Erkennung und Verarbeitung von Sonderfällen und Bemerkungen #### Produkt - Entwicklung eines **eigenständigen Produktes** für die Kunden der Rechtsberatung, das Funktionen wie Essentiality, Standard Comparison und Claim Charting umfasst. - **Streamlit App**, Azure Deployment mit Serverless Functions, JSON-basierte Dateiablage. - Weitere Entwicklung einer umfassenden **SaaS-Lösung** geplant. --- ### Ergebnis - Analyse von 50.000 Patenten - Beschleunigung der Analysezeit von 3-4 Stunden auf 15 Minuten ![[Pasted image 20241118184557.png]] --- ## Fallstudie: KI-Lernassistent ### Problem - Teilnehmende meiner Schulungen haben während der Veranstaltung kleiner Fragen zu Definitionen oder Tools, die sie nicht stellen wollen - Nach der Schulung müssen die Teilnehmende viel Zeit ausgeben, um ihre Kenntnisse aufzufrischen --- ### Lösung Es wurde ein RAG-Tool eingesetzt, um für die Teilnehmende als Ergänzung des Trainers zu dienen #### Daten - ca. 200 Markdown-Dateien mit den Folien, Prompts, Wissensartikeln - Python-Code der KI-Anwendung #### KI - Einsatz von Sprachmodellen zur Beantwortung der Fragen - Vector Datenbank zur Speicherung von allen Daten - Komplexe RAG-Pipeline mit Reranking und Hybrid Search #### Produkt - Entwicklung eines **eigenständigen Produktes** für die Teilnehmende - Website mit Schulungsunterlagen zum Lesen und KI-App zum Betreuen - **Streamlit App** und 1-push Deployment --- ### Ergebnis - Unterstützung von ca. 80 Teilnehmenden - Echtzeit-Anpassung der Unterlage - 1-push Deployment ![[Pasted image 20250207185811.png]] --- ## Welche Anwendungsfälle fallen Ihnen ein? --- # Firmeninterne Anwendungsfälle ## Ideen für KI-Anwendungsfälle Besonders interessant sind natürlich die Anwendungsfälle, die für das jeweilige Unternehmen relevant und umsetzbar sind. Es ist aber nicht immer offensichtlich, wie man diese Anwendungsfälle findet. Grundsätzlich gibt es **3 Quellen von Ideen**: - Berufliche Erfahrung und Beschäftigungsdauer beim Unternehmen - Analyse der Wertschöpfungskette und der Prozesse - Inspiration durch Recherche, Beratung, Austausch mit Partnern, Wettbewerbern, Marktführern --- ## Anwendung aus Erfahrung Diese Anwendungsfälle sind in der Regel leicht zu identifizieren. - Kennen Sie ein brennendes **Problem** in Ihrem Team oder Abteilung? - **Hassen** Sie es, eine bestimmte Aufgabe oder Prozess zu erledigen? - **Beschweren** sich die Kunden jeden Tag über das Gleiche? - Haben Sie immer die gleiche **Angst** am Ende des Quartals? - Berichtet der Team- oder Abteilungsleiter immer wieder von den gleichen **Kennzahlen**, die in die falsche Richtung gehen? Das ist ein guter Anzeichen dafür, dass Sie ein Geschäftsproblem haben. Falls sich dieses Problem durch eine ==Vorhersage== lösen oder zumindest mildern lässt, gibt es dort Potenziale für den Einsatz von KI. --- ## Analyse der Wertschöpfungskette Diese ähneln sich der üblichen Wertschöpfungskettenanalyse im Business Process Management. Der Unterschied liegt natürlich im Fokus auf künstlicher Intelligenz: - Wertschöpfungskette - Prozesse - Jobs in den Prozessen - Aufgaben in den Jobs Dann gucken wir auf die granulären Aufgaben, die sich mit KI automatisieren lassen. --- ### Beispiel: Prozess Kundenservice Für viele Unternehmen ist Service ein wichtiger Bestandteil der Wertschöpfungskette. Dieser besteht grob aus folgenden Jobs: **Informationssuche** * Kunden suchen nach Informationen zu Produkten, Dienstleistungen, Nutzung, Installation oder zur Lösung spezifischer Fragen **Prozessbegleitung** * Unterstützung bei der Navigation durch komplexe Prozesse oder Systeme, wie Online-Plattformen oder Installationsverfahren. **Transaktionsunterstützung** * Hilfe bei Kaufvorgängen, Rücksendungen, Umtausch oder Abrechnungsfragen. **Entscheidungsfindung** * Kunden suchen Unterstützung bei der Auswahl von Produkten oder Dienstleistungen, die ihren Bedürfnissen am besten entsprechen. --- ### Zerlegung von Jobs in Aufgaben Informationssuche * Erstkontakt mit Kunden * Verstehen der Kundenanfrage * Zugriff auf Informationssysteme * Analyse und Zusammenfassung von Informationen * Kommunikation der Lösung * Weiterleitung an spezialisierte Abteilungen * Empfehlung zusätzlicher Ressourcen * Feedback und Follow-Up * Dokumentation und Wissensmanagement --- ### Aufgaben: heute und morgen | Aufgabe im Kundensupport | Umsetzung in heutigen IT-Systemen | Anwendungsmöglichkeiten KI | | --------------------------------------------- | ------------------------------------ | --------------------------------------------------------------------------------------- | | Erstkontakt mit Kunden | Call-Center Software, CRM-Systeme | Sprachgesteuerte Schnittstellen, intelligente Chatbots | | Verstehen der Kundenanfrage | FAQs, Support-Datenbanken | Erweiterte NLP-Algorithmen für verbessertes Verständnis und Kontext­erkennung | | Zugriff auf Informationssysteme | Datenbankabfragen, CRM | Automatisierte Erzeugung von Datenabfragen | | Analyse und Zusammenfassung von Informationen | CRM-Tools, Analysetools | KI-gestützte Synthese von Kundeninformationen | | Kommunikation der Lösung | E-Mail, Chat, Telefonie | Automatisierte, kontextbezogene Kommunikationsassistenten | | Weiterleitung an spezialisierte Abteilungen | Ticket-Systeme, E-Mail | Intelligente Ticketzuweisung basierend auf Mustererkennung und Priorisierung | | Zusatzressourcen | CRM-Vorschlagssysteme | Vorausschauende Analyse für individuelle Empfehlungen | | Feedback und Follow-Up | Umfragen, CRM-Feedback-Tools | Emotions­erkennung und Stimmungs­analyse für verbessertes Feedback | | Dokumentation und Wissensmanagement | CRM-Systeme, Dokumentationswerkzeuge | Generierung von technischen Dokumentationen und Zusammenfassung der Kundeninteraktionen | Achtung: auch mit ChatGPT Vision erledigt ![[Pasted image 20240903212929.png]] --- ## Inspiration durch Recherche Manchmal ist es sinnvoll, sich die Arbeit bei der Analyse der Wertschöpfungskette und der Prozesse zu sparen und die **Anwendungsfälle zu übernehmen**, die aus Fahrung anderer Unternehmen kommen. Wettbewerber, Partner, KI-Anbieter, Dienstleister. Jede **Branche** und jede **Geschäftsfunktion** haben mittlerweile klassische Anwendungsfälle, die konzeptionell für alle gleich sind, siehe die Übersichtsfolie am Anfang dieses Moduls. Während die tatsächliche Implementierung für jede Firma anders ist, die grundlegenden Ideen zu der **Problemstellung, Lösungsansätzen und Technologien** kann man sich durch eine Recherche aneignen. Und was kann besser sein, als KI-Anwendungsfälle mit einer KI-gestützten Recherche zu finden? --- ### KI-Recherche Wie üblich fangen wir mit einer einfachen Suchanfrage an, die wir nach und nach ausbauen werden. ``` research use cases for artificial intelligence for an ai development and consulting company ``` Am besten mit Perplexity recherchieren ![[Pasted image 20240903213743.png]] oder dem ChatGPT extra Hinweis geben: ``` research use cases for artificial intelligence for an ai development and consulting company conduct a detailed search using your browsing capability ``` Wie gut sind die Ergebnisse? Ich würde maximal ein 3 von 10 geben. Sehr generisch. Das Ergebnis von ChatGPT hat mit meinen Fragen sehr wenig zu tun. ![[Pasted image 20240903213807.png]] Wir können das aber etwas verbessern. Wie? Wir lassen die KI konkrete Beispiele und Fallstudien recherchieren - und spezifizieren besser den Gegenstand des Unternehmens. Jedes Mal am besten in einem neuen Chat anfangen. ``` research use cases for artificial intelligence for an ai software development, process optimization, and consulting company give examples, be very detailed, search for case studies, success stories, experience reports - at least 3 per point, supply sources for each ``` **Perplexity** ![[Pasted image 20240903214128.png]] **ChatGPT** ![[Pasted image 20240903214144.png]] Das ist schon viel besser, aber viele Anwendungsfälle wie Predictive Analytics oder Maintenance haben mit dem Hauptthema, also Sprachmodellen, wenig zu tun. Wir versuchen das noch zu verbessern. ``` research use cases for artificial intelligence for an ai software development, process optimization, and consulting company give examples, be very detailed, search for case studies, success stories, experience reports - at least 3 per point, supply sources for each focus on large language models and working with text data ``` Außerdem können wir größere Bereiche spezifizieren, wo Engpässe vorkommen. ``` research use cases for artificial intelligence for an ai software development, process optimization, and consulting company give examples, be very detailed, search for case studies, success stories, experience reports - at least 3 per point, supply sources for each focus on large language models and working with text data concentrate on the use cases in the areas of project customization of project documentation screening, interviewing, evaluating the candidates for hiring formalizing and expanding the sales process accelerating code writing, application development and deployment. ``` Dieser Prompt liefert gute Ergebnisse in [Perplexity](https://www.perplexity.ai/search/research-use-cases-for-artific-Tl_nwiKURzWEkW7730L7vQ) und [ChatGPT](https://chatgpt.com/share/2f55c677-3c6b-412c-887d-8296303c710e). Und jetzt natürlich ist die Zeit für die Übung. --- ### Übung 1. Beispiel kurz sichten [[use cases - ai development and consulting]] 2. Im gleichen Ordner den passenden Prompt als Startpunkte nehmen 3. Diesen Prompt mit eigenem Wissen anreichern 1. Gegenstand des Unternehmens 2. Produkte und Dienstleistungen 3. Bekannte Engpässe 4. Bei Bedarf, Prompting-Techniken anwenden 1. Rollenspiel als Experte in unserer Branche oder Prozessoptimierungsspezialist 2. Denke Schritt für Schritt um die Suche für Perplexity zu schärfen 3. Output-Format der Recherche definieren (Überschriften, Bulletpoints zu Themen Mehrwert, Technologie, ... ) --- ## Welche Anwendungsfälle finden Sie besonders spannend? Merken Sie sich 2-3 Ideen - morgen werden wir diese noch brauchen --- --end--