Kapitel 3. Optimierung der Datenermittlung für KI-Systeme
Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: translation-feedback@oreilly.com
Auf hoher Ebene ist das Konzept der Auffindbarkeit ziemlich einfach. Es geht darum, wie leicht es ist, die Daten, Logik und Entscheidungen eines KI-Systems zu finden, zu verstehen und nachzuvollziehen. Letztendlich hilft das, Vertrauen bei Nutzern, Kunden und Regulierungsbehörden aufzubauen. Es kann auch die Benutzerfreundlichkeit verbessern. Wenn es einfacher wird, relevante Infos zu bekommen, wird es wahrscheinlich mehr Akzeptanz und einen höheren ROI geben.
Trotzdem wird der Auffindbarkeit nicht genug Aufmerksamkeit geschenkt. Schauen wir uns mal eine Umfrage von McKinsey an. Sie hat gezeigt, dass 40 % der Unternehmen sagten, dass die Erklärbarkeit ein großes Risiko sei, aber nur 17 % wollten sich ernsthaft damit befassen. Die Umfrage hat auch gezeigt, dass 91 % der Befragten dachten, dass ihre Organisation nicht „sehr gut vorbereitet” sei, um generative KI verantwortungsbewusst und sicher zu skalieren.
Dies erklärt, warum KI oft fehlschlägt, wie eine Umfrage von dbt Labs zeigt. Obwohl 80 % der Teams angaben, KI zu nutzen, blieb die Genauigkeit bei Abfragen von natürlicher Sprache zu SQL uneinheitlich. Außerdem fehlte den LLMs der Zugriff auf Semantik und Herkunft. Hinzu kam das Problem, dass der Kontext über Warehouses, BI-Tools und Wikis verstreut war.
Die Auffindbarkeit ist komplex ...
Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.
Read now
Unlock full access