Große Sprachmodelle (LLMs) und Car as a Service

Von Simon Wilson, Wissenschaftlicher Leiter, GTS
FÜNFTE IN EINER FÜNFTEILIGEN SERIE

Im November letzten Jahres veröffentlichte IDC die Ergebnisse einer weltweiten Umfrage über den Einsatz von KI in Unternehmen. Der Bericht folgte auf die Explosion des Interesses am Chatbot ChatGPT von OpenAI und die anschließende Einführung ähnlicher Produkte von Microsoft und Google. Die Studie ergab, dass Unternehmen für jeden Dollar, den sie in KI investieren, im Durchschnitt 3,5 Dollar zurückerhalten; 5 % der Unternehmen weltweit erhalten im Durchschnitt 8 Dollar zurück. 

Da Autoabonnement- und -vermietungsprogramme so viele Daten (Fahrzeug und Kunde) generieren, sind sie perfekt positioniert, um von einer neuen Welle datengesteuerter Technologie zu profitieren, die in der Cloud läuft. KI und maschinelles Lernen sollten Teil ihrer IT-Umgebung sein und idealerweise Daten aus verschiedenen Bereichen des Unternehmens zusammenführen, um fundiertere strategische Entscheidungen zu treffen. 

Große Sprachmodelle (LLMs) sind ein Beispiel für ein KI-Werkzeug. Wie alle KI-Werkzeuge nehmen sie Daten auf und verwenden sie, um eine Lernaufgabe zu erfüllen und dieses Lernen für einen bestimmten Zweck einzusetzen. Im Fall von LLMs ist die Datenmenge enorm (ein großer Teil dessen, was im Internet niedergeschrieben ist), und ihr Zweck ist es, Textanfragen in natürlicher Sprache zu beantworten. Dies wird durch die Erkennung komplexer Muster in den Trainingsdaten erreicht, die eine große Anzahl von Dokumenten und unzählige Themen abdecken, wobei eine Art neuronales Netz, ein so genannter Transformer, verwendet wird. Aber was genau können solche Modelle für Sie tun?

Die wichtigste Beobachtung ist, dass das LLM dann eine Möglichkeit bietet, mit Kunden und anderen KI-Tools durch natürliche Sprache zu interagieren. Diese Beobachtung steht hinter ihrem Einsatz beim Carsharing. Schauen wir uns ein paar Beispiele an. 

Kundenbeziehungen:
LLMs haben sich schnell als Hilfsmittel für die Erstellung von Texten für Werbung und Pressemitteilungen durchgesetzt. Sie können auch eingesetzt werden, um die Leistung von Chat-Bots für Kundenanfragen zu verbessern, indem die Antwort flüssiger wird und die Themen, die der Bot bearbeiten kann, bevor er zu einem Menschen zurückkehrt, erweitert werden. In Verbindung mit der Spracherkennung kann diese Interaktion sowohl audio- als auch textbasiert sein. Bequemlichkeit ist ein wichtiges Verkaufsargument für Mobilitätsabonnements und -verleihdienste, die Apps und digitale Tools nutzen, um die Suche nach dem richtigen Auto zur richtigen Zeit so einfach wie möglich zu gestalten. Alles, was die Bequemlichkeit für den Kunden erhöht, ohne den Gewinn des Betreibers zu schmälern, ist ein großer Gewinn, und KI-basierter Kundensupport kann hier Abhilfe schaffen. 

Assistent für die Datenberichterstattung und -abfrage:
Der LLM kann auch als Vermittler zwischen dem Systemmanager für das Autoabonnement und den KI-Tools zur Leistungsüberwachung fungieren. Während Standard-Business-Informationstools Dashboards mit einfachen Zusammenfassungen der Systemleistung erstellen, benötigt jede neue Abfrage die Hilfe des Datenwissenschaftlers, um die Literatur zu konsultieren, die Systemdaten abzufragen und die Analyse zu programmieren. In den vorangegangenen Blogs haben wir viele dieser Themen erörtert: statistische Prozesskontrolle zur Erkennung von anormalem Verhalten, Betrugserkennung usw. Mit einem LLM kann man ihm im Prinzip eine Textabfrage stellen, z. B. "Gibt es in unserem Betriebsbereich Teile, die in dieser Woche ein deutlich über dem Normalwert liegendes Einkommen pro Auto aufweisen?". Das LLM "versteht" diese Abfrage, kann relevante Literatur zu dieser Frage identifizieren und ein Tool zur Beantwortung der Frage mit den Daten des Systems vorschlagen, das es dann an den Datenwissenschaftler weitergeben kann. Es kann dann alle Ergebnisse in natürlicher Sprache zurückmelden. Dies ermöglicht den Eigentümern des Systems einen viel leichteren Zugang zur Datenabfrage. Ein solcher Vermittler kann auch das Kundenerlebnis verbessern, indem er z. B. auf der Grundlage dessen, was das System über Ihre Vorlieben und Ihr bisheriges Verhalten weiß, maßgeschneiderte Empfehlungen für die Routenplanung gibt.

Codegenerierung:
Es wurde viel über die Fähigkeit der LLMs gesprochen, Code für bestimmte Aufgaben zu erstellen. Dies ist eher für Unternehmen wie GTS relevant, die Softwaredienste für die Mobilitätsindustrie anbieten. Wir sind der Meinung, dass diese Fähigkeiten noch nicht ausreichend erprobt sind, um in Produktionssoftware eingesetzt zu werden, die absolut zuverlässig sein muss.

Menschliche Assistenten sind kein Ersatz:
Ich betone, dass LLMs noch nicht über ausreichende Fähigkeiten oder Erfolge verfügen, um den Menschen bei kritischen Aufgaben zu ersetzen. Dennoch kann ihr Einsatz als menschlicher Assistent verschiedene Fähigkeiten in einem Carsharing-Betrieb verbessern.  

Abschließend möchte ich darauf hinweisen, dass es im Zusammenhang mit KI ethische Verantwortlichkeiten gibt, die wir alle kennen müssen, z. B. rechtliche Fragen, die im Zusammenhang mit der Nutzung von urheberrechtlich geschütztem Material zu klären sind. All dies sollte berücksichtigt werden, aber es sollte Sie nicht davon abhalten, mit den verfügbaren Tools zu experimentieren.