Das Problem der letzten Meile der KI: Die Vereinbarkeit von Modellleistung und Kostennachhaltigkeit bei unvollständigen Daten

Joe RosePräsident eines strategischen Technologieanbieters JBS Dev, hat es sich zur Aufgabe gemacht, einen der hartnäckigsten Mythen rund um die Einführung von generativer und agentenbasierter KI in Unternehmen zu entkräften.

„Es ist ein weit verbreiteter Irrglaube, dass Ihre Daten perfekt sein müssen, bevor Sie solche Arbeitslasten bewältigen.“

— Joe Rose, Präsident, JBS Dev

Wie in einem hervorgehoben wurde Ein aktueller Artikel im AI FieldbookAnbieter und Berater behaupten oft, Unternehmen bräuchten riesige Data Lakes und mehrjährige Datentransformationsprogramme, bevor sie KI nutzen könnten – eine Vorstellung, die viele Führungskräfte überfordert. Doch die Realität sieht laut Rose anders aus.

💡 „Noch nie waren die Werkzeuge so gut wie jetzt, um mit Daten minderer Qualität umzugehen.“ sagt Rose. „Es ist fast schon bemerkenswert, was ein LLM-Absolvent anhand einer nur halb ausgearbeiteten Aufgabenstellung alles verstehen kann.“

Die inhärente Unvorhersagbarkeit von KI-Modellen erfordert einen sorgfältigen Umgang – insbesondere bei fehlerhaften Ergebnissen. Hier kommt die Mensch-im-Kreislauf Das Modell wird unerlässlich. Rose merkt an, dass Text- oder Kategoriendaten bereits eine natürliche Resilienz aufweisen, Organisationen sich aber von der Denkweise „einrichten und vergessen“ verabschieden müssen.

„Die Leute sind es gewohnt: ‚Wir bauen es, es funktioniert, und dann vergessen wir es.‘ So funktionieren diese Systeme einfach nicht.“

— Joe Rose, JBS Dev

🏥 Praxisbeispiel: Abstimmung der medizinischen Abrechnung

Um die Leistungsfähigkeit von KI anhand unvollständiger Daten zu veranschaulichen, verweist Rose auf einen Kunden in der medizinischer Sektor die auf ein neues Abrechnungsabstimmungssystem umgestellt werden mussten. Die Datensätze waren ein chaotisches Durcheinander:

• Einige Datensätze waren in PDF-Formatandere waren Bilddateien
• Verfahrensdetails wurden manchmal unter dem Name des Arztes
• Die Namen der Ärzte erschienen in Patientennamensfelder
• Die Daten waren im gesamten System inkonsistent.

Trotzdem war generative KI in der Lage, die Daten mithilfe einer einfachen Eingabeaufforderung zu erfassen und zu bereinigen – durch die Nutzung von OCR für Bilder Und Textextraktion aus PDFsAnschließend wurden stärker agentenbasierte Ansätze verfolgt, wie beispielsweise der Abgleich von Kundendaten mit Versicherungsverträgen, um die Richtigkeit der Abrechnungen zu überprüfen.

📈 Das inkrementelle Automatisierungsmodell

„Man beginnt, verschiedene Anwendungsfälle übereinander zu schichten. Wir haben mit 20 % Automatisierung angefangen, dann 40 %, dann 60 %, 80 % – und das im Laufe der Zeit gesteigert.“

— Joe Rose, JBS Dev

Rose betont, dass es hier nicht darum geht, über Nacht Perfektion zu erreichen. phasenweiser, inkrementeller Ansatz – unter menschlicher Aufsicht in jeder Phase – ist sowohl realistisch als auch effektiv. Ziel ist eine schrittweise Automatisierung, keine einmalige Umgestaltung.

🔗 Die Zukunft der KI: Kosten, Portabilität und Nachhaltigkeit

Rose ist überzeugt, dass der nächste große Wandel im KI-Diskurs sich von bahnbrechenden Modellfähigkeiten hin zu folgendem verlagern wird: Kostennachhaltigkeit Und PortabilitätDie

„Wie können wir die Kosten nachhaltiger gestalten, damit wir nicht mehr in dem Tempo Rechenzentren bauen müssen, in dem wir es derzeit tun?“

— Joe Rose, JBS Dev

📱 Die Herausforderung der „letzten Meile“Wie Rose es beschreibt, geht es darum, diese Modelle auf einem System zum Laufen zu bringen. Laptop oder Smartphone Anstatt eine umfangreiche Rechenzentrumsinfrastruktur zu benötigen, stellt er auch die Annahme in Frage, dass neue Trainingsdaten den nächsten großen KI-Durchbruch ermöglichen werden – und argumentiert, dass Modelle bereits mit einem enormen Korpus bestehender Informationen trainiert wurden.

💬 Hören Sie auf, bei SaaS-Anbietern zu kaufen – bauen Sie es selbst!

Bei KI- und Big-Data-ExpoRose, an dem JBS Dev aktiv beteiligt ist, bereitet die Vorstellung dessen vor, was er als mehr bezeichnet. kontroverse AnsichtOrganisationen sollten Kaufen Sie nicht mehr bei SaaS-Anbietern. wenn sie die Fähigkeit besitzen, selbst Lösungen zu entwickeln.

„Es ist nicht so schwer, wie es sich anhört. Fast jeder hat irgendeine Form von Cloud-Präsenz – und genau da würde ich ansetzen. Die Cloud-Tools, insbesondere die der drei großen Anbieter, bieten alles, was man braucht, um morgen mit der Implementierung agentenbasierter Workloads zu beginnen, ohne neue Softwarelizenzen und Schulungen.“

— Joe Rose, JBS Dev

✅ Die Botschaft ist klar: Organisationen benötigen keine perfekten Daten, riesige Budgets oder langwierige Lieferantenverträge, um mit KI zu beginnen. Die Werkzeuge sind bereits vorhanden. Die Cloud ist bereits verfügbar. Jetzt ist es an der Zeit zu handeln.