Menü
Menü
Generative KI ist spätestens seit Ende 2022 ein heiß diskutiertes Thema. Nach einem ursprünglichen Staunen darüber, dass ChatGPT mehr kann, als man vor einigen Jahren noch erwartet hätte, sind wir mittlerweile eindeutig an dem Punkt, an dem sehr viele Unternehmen in den unterschiedlichsten Branchen diese neue Technologie einsetzen wollen.
Ist das sinnvoll? Aus unserer Sicht eindeutig ja. Man sollte sich neuen Technologien nicht verschließen. Oder sich an die Hoffnung klammern, dass eine neue Technologie irgendetwas noch nicht so gut kann wie die bisherige Lösung. Gleichzeitig sollte man aber auch nicht blauäugig jede Neuerung einsetzen. Vor dem Einsatz sind zwei Fragen zentral:
Gerade zu dem zweiten Punkt gibt es interessante Erkenntnisse, sowohl im Bereich Datensicherheit als auch im Bereich Hackerangriffe. Unsere Kolleg:innen von sequire technology haben dazu im letzten Jahr ausführlich berichtet und ein Paper zum Thema “Indirect Prompt Injection” veröffentlicht.
Aber zurück zur ursprünglichen Frage: Wo können Player im Automotive Aftermarket Generative KI sinnvoll einsetzen? Unser COO Kevin Dewi hat dazu auf dem diesjährigen DIGITAL COMMERCE SUMMIT automotive & industry ein sehr anschauliches Beispiel vorgebracht:
Der Automotive Aftermarket ist ein sehr komplexer Geschäftsbereich. Die richtigen Ersatzteile, beispielsweise Bremsscheiben, für ein bestimmtes Fahrzeugmodell zu finden, ist keine einfache Aufgabe. Dazu kommen weitere Fragen: Muss ich neben den Bremsscheiben selbst an dieser Stelle noch weitere Verschleißteile austauschen? Wie führe ich die Reparatur am besten aus? Was ist an Besonderheiten zu beachten? Hier hilft beispielsweise unsere B2B-Plattform N4PARTS kompetent weiter.
Retrieval Augmented Generation (RAG) ist ein innovativer Ansatz in der Künstlichen Intelligenz, der auf dem Zusammenspiel von abgerufenen Informationen und generierten Inhalten basiert. In diesem Modell werden zuerst relevante Informationen aus großen Textdatensätzen abgerufen („Retrieve“). Anschließend werden diese Informationen verwendet, um die Generierung von neuen, kontextuell passenden Texten zu leiten und zu verbessern („Generate“). Durch die Kombination von Retrieval-Techniken mit Generative-Modellen ermöglicht RAG präzise und reichhaltige Textgenerierung, die auf einem breiten Wissensfundament basiert. Dieser Ansatz findet Anwendung in verschiedenen Bereichen wie Frage-Antwort-Systemen, Textverarbeitung und Content-Erstellung, um hochwertige und relevante Texte zu produzieren, die den Anforderungen und dem Kontext entsprechend sind. RAG stellt somit eine Weiterentwicklung in der Nutzung von Textdaten und -generierung dar, um leistungsstarke und anpassungsfähige KI-Systeme zu entwickeln.
Unser Ansatz? Ein Assistent, in Form eines Co-Pilots, der den Dialog zwischen Mensch und Maschine intuitiver gestaltet. Dadurch wird das Tool einfacher nutzbar und wir können Mehrwert bieten, indem wir Zusatzinformationen geben, die nicht unmittelbar gefragt waren, aber für die Reparatur sinnvoll sind. Mit Hilfe von Retrieval Augmented Generation (RAG) stellen wir außerdem sicher, dass das Sprachnetzwerk zur Beantwortung der Frage die richtigen Dokumente vorgelegt bekommt, so dass die Antwort valide und auch für den Benutzer durch Anzeige der Quellen jederzeit nachvollziehbar ist – eine zusätzliche Sicherheit, damit man sich nicht rein auf die Aussagen eines Sprachmodelles verlassen muss.
DR. CHRISTOPH ENDRES
Geschäftsführer
sequire technology
Das könnte Sie auch interessieren
