Generative AI

Übersetzung von Nutzer-Anfragen in maschinenlesbare Abfragen

Neue Anwendungsfälle und Lösungswege ergeben sich durch einen kombinierten Prozess und durch die Symbiose der GenAI sowie Datenverknüpfungs- und Wissensrepräsentationstechnologien. So ist es für die typischen Anwender in Großunternehmen notwendig, domänenspezifische Sprachen zu beherrschen, wenn sie intra- und inter-domänenspezifisches Wissen abfragen möchten. Diese Voraussetzung ist meist nicht gegeben und hier kommt GenAI ins Spiel: denn die natürlichsprachigen Anfragen werden durch AI verstanden und in maschinenlesbare Abfragen (Queries) nachvollziehbar transformiert.

‍

Diese Queries müssen Anwendern angezeigt werden und für sie verständlich sein, dann erst werden die Anfragen an Wissensbasen mit “gesichertem” Wissen gestellt. Das sorgt für Transparenz des Prozesses und Nachvollziehbarkeit der Ergebnisse - und folgt damit der Zielsetzung von "Responsible AI" & "Explainable AI”, also Konzepten, die darauf abzielen, den Einsatz von künstlicher Intelligenz ethischer, transparenter und nachvollziehbarer zu gestalten. 

‍

‍Gesichertes Faktenwissen statt “AI-Halluzination”

Das bei GenAI-Anwendungen bekannte Phänomen des “Halluzinierens” wird vermieden. Denn für eine sichere Wissensrepräsentation werden Knowledge Graphen genutzt: die im zweiten Schritt maschinenlesbare Abfrage wird gegen den Knowledge Graphen ausgeführt, der in verlässlichen Daten nach den Mustern und Beziehungen sucht, die der Abfrage entsprechen.

‍

Trainingsbeispiele zur Formulierung der korrekten maschinenlesbaren Abfragen aus den heterogenen, nicht voraussehbaren Benutzer-Anfragen stehen allerdings in Großunternehmen oft nicht zur Verfügung und können wegen des hohen Aufwandes auch nicht manuell bereitgestellt werden. Die zu erforschende Methodik nimmt an, dass es aufgrund der Inhomogenität der Anfragen und der Dynamik der Schemata begrenzt sinnvoll ist, aus vergangenen Anfragen zu lernen. Stattdessen sollte GenAI in der Lage sein, Schemata und ihre Dokumentation ähnlich einem Menschen zu verstehen und anzuwenden.

‍

Die Herausforderung besteht darin, industriell skalierbare parallele Abfragen von sich dynamisch ändernden, verteilten Knowledge Graphen mit großen Datenmengen unter Berücksichtigung von Sicherheitsaspekten zu entwickeln. Dabei setzt CONWEAVER auf eine Architektur, die auf der automatisierten Zusammenarbeit von mehr als 100 verschiedenen Modellen und Datensätzen basiert, statt auf einem einzigen großen Modell mit Daten.

‍

GenAI und die Datenvernetzung in Unternehmen

• GenAI muss mit zuverlässigen Daten arbeiten, um einen Mehrwert für Unternehmen schaffen zu können.

• Knowledge Graphen liefern den geschäftlichen Kontext, der Geschäftsobjekte im Rahmen des Industrial Metaverse verbindet.

• GenAI und Knowledge Graphen machen sich dieses verlässliche Wissen zunutze, um Halluzinationen zu vermeiden und wertvolle Insights zu liefern.

‍

‍Die Kerntechnologie von CONWEAVER gehört zu den laut Gartner aktuell businessrelevanten und entscheidenden Trends. Knowledge Graph und Generative AI werden im “2023 Gartner Emerging Technologies and Trends Impact Radar” als “Critical Enabler” eingestuft.

‍

‍

‍

‍

‍

‍

‍