Wie generative KI die Entscheidungsoptimierung für alle verständlich macht
Wenn Algorithmen sprechen und chatten lernen
Die Anpassungsfähigkeit ist ein Kernmerkmal moderner KI-basierter Entscheidungs- und Optimierungsalgorithmen, die ihr Verhalten kontinuierlich an neue Datensituationen und Fakten anpassen können. Eine neue Entwicklung verspricht nun, die Interaktion mit Algorithmen auf eine sprachgesteuerte Ebene zu heben. Ermöglicht wird dies durch die Kombination von KI-Entscheidungs- und Optimierungsalgorithmen mit generativer KI (Gen-AI) in RAG-Anwendungen (Retrieval-Augmented Generation).
Brücke zwischen KI-Optimierung und menschlicher Kommunikation
Dadurch wird der faktenbasierte numerische Teil der Ergebnisdarstellung intuitiv leichter verständlich und umfassend erklärbar. Zudem ermöglicht es Prozessexperten, die Entscheidungsgrundlagen vollständig zu verstehen und zu steuern, ohne selbst Datenwissenschaftler sein zu müssen. Dies schlägt eine Brücke zwischen den hochspezialisierten, datenwissenschaftlich orientierten numerischen Prozessen der KI-Optimierung und der menschlichen Kommunikation in natürlicher Sprache.
Was ist die Lösung?
Die neueste Generation von KI-basierten Entscheidungs- und Optimierungsprozessen wird zudem generative KI in Kombination mit RAG-Anwendungen nutzen. Künftig wird generative KI, insbesondere in chat-orientierter Form auf Basis großer Sprachmodelle (LLM) wie Gemini, dazu eingesetzt, die außerhalb des LLM erzielten Optimierungsergebnisse zu erklären. Dies geschieht durch den zusätzlichen Einsatz maschinell gelernter Entscheidungsmuster und durch die Einbettung themen- und prozessspezifischer Dokumente aus dem jeweiligen Anwendungsbereich (RAG) in den KI-Kontext der Anwendung. Das PSIqualicision AI Framework stellt hierfür das Tool PSIqualicision A2 (Ask and Answer) bereit, das mit LLMs und RAG-Komponenten kombiniert wird.
Was sind die Vorteile für den Nutzer?
Die Integration von Gen-AI-basierten RAG-Anwendungen in KI-gestützte Entscheidungs- und Optimierungssoftware bietet eine Vielzahl von Vorteilen. Erstens wird ein neues Niveau sprachorientierter Erklärbarkeit erreicht, da die Optimierungsergebnisse auf verständliche Weise erläutert werden können. Diese Erklärungen können auf bereits erzielten Ergebnissen basieren oder Vorhersagen über noch zu erzielende Ergebnisse enthalten. Letztere helfen nicht nur, die Entscheidungssituation zu verstehen, sondern bieten auch Anleitungen dazu, wie Prozesse ergebnisorientiert gesteuert werden können. Zweitens ermöglicht diese Verbindung die Steuerung der Entscheidungs-KI durch verbal kommunizierte Präferenzeinstellungen. Das System ordnet entsprechend (auch qualitativ) gelabelte Ausgabedaten und durch maschinelles Lernen ermittelte konsistente Präferenzen anhand von Eingaben in natürlicher Sprache zu und steuert so die KI-Optimierungssoftware weiterhin automatisch. Die Konfigurierbarkeit der KI-Systeme durch den Nutzer erfolgt in der Regel sprachlich, basierend auf Geschäftsprozess-Know-how.
Was wäre, wenn Algorithmen sprechen und chatten lernen würden?
Die Kombination aus adaptiver KI-Entscheidungsfindung und Optimierungssoftware mit Gen-AI-basierten RAG-Anwendungen stellt einen bedeutenden Entwicklungsschritt dar. Sie verlagert die Interaktion von einer numerischen auf eine sprachliche Ebene und verbessert die Nachvollziehbarkeit der Ergebnisse sowie die Steuerbarkeit von KI-Optimierungen erheblich. Durch den Einsatz von LLMs und speziellen RAG-basierten Dokumenteneinbettungen erhalten die Anwendungen einen eher chatähnlichen Charakter, können aber dennoch numerisch mit hoher Effizienz optimieren. Dadurch können adaptive KI-Algorithmen ihre Ergebnisse nicht nur kontinuierlich berechnen, sondern auch so erklären, dass sie für Personen mit Prozessexpertise verständlich sind. Das Chatten auf Geschäftsprozessebene mit KI-Entscheidungs- und Optimierungsalgorithmen wird Realität.
