Den Weg aufzeigen: Warum Data für die Entwicklung effektiver AI entscheidend ist

In der heutigen data Welt ist es wichtiger denn je, den Weg der data– von ihrem Ursprung bis zu ihrem endgültigen Ziel – nachzuvollziehen. Diese Fähigkeit, die als data bezeichnet wird, bietet einen umfassenden Überblick darüber, wie data durch ein Unternehmen data , und zeigt dabei detailliert die Transformationen und Abhängigkeiten auf. Data variiert hinsichtlich ihrer Komplexität: Die „grobe Datenherkunft“ zeigt die Transformationen von Tabelle zu Tabelle auf, während die „feine Datenherkunft“ auf Attributebene erfolgt. Diese Informationen lassen sich in Tools wie Solidatus abbilden und bieten eine automatisierte Methode zur Erstellung eines klaren Überblicks über data , Transformationen und Nutzung. Bei Artefact entwerfen und entwickeln unsere Teams Tag für data data AI für unsere Kunden, data Datenherkunft hilft unseren Kunden dabei, Fragen zu beantworten wie: „Welche Systeme liefern uns diesen Kundensaldo, da er ungenau erscheint?“ oder „Warum liefert mein Modell zur Kreditvergabe-Neigung speziell mittwochs andere Ergebnisse?“ Wir folgen einer sorgfältig strukturierten sechsstufigen Methodik für die groß angelegte Einführung von Lineage, beginnend mit einer umfassenden Bewertung des individuellen Geschäftsanwendungsfalls und seines intrinsischen Werts. Dieser Prozess gipfelt in einer nahtlosen Implementierung, bei der die laufende Wartung und die Akzeptanz durch die Nutzer im Mittelpunkt stehen.

Unternehmen nutzen data aus mehreren wichtigen Gründen, wobei die Einhaltung gesetzlicher Vorschriften und das data im Vordergrund stehen. In der Finanzdienstleistungsbranche ist data solide data unerlässlich, um strenge Prüfungsanforderungen und -grundsätze wie BCBS 239 zu erfüllen und die Einhaltung von Vorschriften in Bezug auf Governance, data , data sowie Genauigkeit, Integrität und Häufigkeit der Risikoberichterstattung sicherzustellen. Ein Beispiel hierfür ist das Firmenkundengeschäft, wo die Bewertung eines Workflows zur Finanzberichterstattung im Hypothekenbereich es einem Unternehmen ermöglicht, die Herkunft und Verwendung sensibler data nachzuverfolgen.

Über die reine Einhaltung von Vorschriften hinaus ist data ein leistungsstarkes Instrument zur Verbesserung data , das es Unternehmen ermöglicht, data nachzuverfolgen, die Richtigkeit zu überprüfen und das Vertrauen in ihre Informationssysteme zu wahren. Dieser Artikel befasst sich eingehend mit den Feinheiten data , insbesondere der groben Datenherkunft, und untersucht, warum sie zu einem Eckpfeiler moderner data geworden ist.

Ausgehend von der Bedeutung des data verändert Artificial Intelligence AI) die moderne Finanzdienstleistungslandschaft, indem sie menschliche Intelligenz nachahmt, um Aufgaben auszuführen, die Lernen und Entscheidungsfindung erfordern. Die Anwendungsbereiche AIsind vielfältig und wirkungsvoll: Dialogorientierte AI, wie beispielsweise Chatbots, verbessert die Kundeninteraktion; Produktivitätsassistenten optimieren Arbeitsabläufe und automatisieren Aufgaben; und data automatisierte data beschleunigt die Gewinnung von Erkenntnissen aus komplexen Datensätzen. Im August 2024 führte das AI der Europäischen Union neue Vorschriften ein, die darauf abzielen, AI ethische AI sicherzustellen und die Rechte der Nutzer zu schützen, was den globalen Wandel hin zu AI verantwortungsvollen AI unterstreicht. Diese Entwicklung unterstreicht die wachsende Notwendigkeit für Unternehmen, die Leistungsfähigkeit AInicht nur zu nutzen, sondern sie auch unter sorgfältiger Aufsicht zu verwalten, um ihre Bemühungen im Bereich data und des Qualitätsmanagements zu ergänzen.

Während der Einsatz von Open-Source-Generativer AI ChatGPT für den privaten Gebrauch möglich ist, ist die Integration AI ein Unternehmen und die Schaffung eines echten Mehrwerts für das Geschäft eine ganz andere Sache. Die meisten Finanzinstitute befinden sich in einem rasanten Wettlauf um die Umsetzung von AI und Proof-of-Concepts; echte Investitionen werden jedoch erst getätigt, wenn sich die potenziellen Vorteile als zuverlässig erwiesen haben und das Produkt sowohl für geschäftliche als auch für technische Anwender geeignet ist. Viele Institute haben nach wie vor Schwierigkeiten, diese Technologien zu skalieren, da sie Bedenken hinsichtlich der Zuverlässigkeit (74 %), der Akzeptanz durch die Nutzer (60 %) (1) und unzureichender technischer Expertise (60 %) haben. Artefact hat ein AI für generative AI entwickelt, Artefact die zentralen Skalierbarkeitsdimensionen anzugehen: Relevanz der Ergebnisse, Erklärbarkeit, Fairness/Voreingenommenheit, Latenz, Infrastruktur, organisatorische Effizienz sowie Benutzererfahrung/Akzeptanz.

Im Zusammenhang mit AI bietet data einen erheblichen geschäftlichen Mehrwert, indem data Transparenz und Zuverlässigkeit bei data Entscheidungen gewährleistet. Heute sind über 75 % der Verbraucher besorgt über Fehlinformationen durch AI(2). AI oft als „Black Box“ bezeichnet, was bedeutet, dass Endnutzer häufig die inneren Abläufe nicht verstehen, die zu den Ergebnissen führen, die sie regelmäßig nutzen. Da AI zunehmend auf umfangreiche und komplexe Datensätze angewiesen sind, data das Verständnis der Herkunft und der Transformationen dieser data entscheidend für die Aufrechterhaltung von Genauigkeit und Vertrauenswürdigkeit. Data hilft Unternehmen dabei, die in AI data nachzuverfolgen und zu validieren, was für die Optimierung der Modellleistung und die Behebung von Problemen wie Verzerrungen oder Fehlern unerlässlich ist. Durch die Bereitstellung eines klaren Prüfpfads unterstützt data zudem die Einhaltung von Vorschriften und verbessert data , was letztlich zu fundierteren, zuverlässigeren und ethischeren AI führt, die bessere Geschäftsergebnisse erzielen.

Data ist entscheidend für die Einhaltung regulatorischer und gesetzlicher Anforderungen im Bereich AI, insbesondere im Rahmen von Richtlinien wie dem California Consumer Privacy Act (CCPA) und dem Gramm-Leach-Bliley Act (GLBA). Betrachten wir beispielsweise einen Anwendungsfall, bei dem es um die Kundenfluktuation in einem Finanzdienstleistungsunternehmen geht. In diesem Fall fehlten dem System standardisierte Verfahren zur Anonymisierung personenbezogener Daten, und es gab keine data , um data nachzuverfolgen. Infolgedessen wurde data zur Maskierung sensibler Details als letzter Schritt mit minimaler Governance durchgeführt. Dieser Ansatz gefährdete nicht nur data , sondern setzte das System auch Compliance-Risiken aus. Hätte unsere Partnerorganisation über data robuste data in Solidatus verfügt, hätte sie nachverfolgen können, wo data verwendet data , data erfassen, eine ordnungsgemäße Anonymisierung in jeder Phase sicherstellen und regulatorische Anforderungen effektiver erfüllen können, wodurch der Datenschutz gewahrt und data verbessert worden wäre.

Die Mehrheit der Unternehmen (80 %) gibt an, dass ihre data für den Einsatz in AI bereit data , doch mehr als die Hälfte (52 %)(3) hatte aufgrund der data Probleme bei der Implementierung. Data ist für die Sicherstellung data bei AI von entscheidender Bedeutung, da sie einen klaren Überblick darüber bietet, wie data beschafft, transformiert und genutzt data . Wir bei Artefact wissen, wie wichtig data und -qualität sind. Wir glauben an ein AI , bei dem die technischen Anforderungen parallel zur data und -governance entwickelt werden, die für den Einsatz zuverlässiger AI in großem Maßstab erforderlich sind. Unsere Teams arbeiteten an einem Modell zur Kreditrisikovorhersage, das sich auf mehrere data stützte, um das Risiko von Kreditnehmern zu bewerten. Bei ihren Voruntersuchungen stellte das Team Unstimmigkeiten zwischen diesen Tabellen fest – beispielsweise Abweichungen bei data oder veraltete Informationen. Dies hätte zu einer Verzerrung des Modells und damit zu einer ungenauen Risikobewertung geführt. Durch die Implementierung data konnte das Unternehmen die Herkunft der data zurückverfolgen, feststellen, wo Unstimmigkeiten auftreten, und sicherstellen, dass data den Qualitätsstandards entsprechen. Diese Transparenz hilft dabei, Probleme zu beheben, bevor sie sich auf das Modell auswirken, was letztlich zu zuverlässigeren und genaueren Vorhersagen führt und die allgemeine Integrität des AI gewährleistet.

Data verbessert die Fehlerbehebung, Optimierung und Reproduzierbarkeit AI , indem Data einen detaillierten Überblick über den Weg datadurch den Modellierungsprozess bietet. Wenn ein Modell unerwartete Ergebnisse liefert, hilft data dabei, die data alle Phasen zu verfolgen – von der Erfassung über die Vorverarbeitung bis hin zum Feature Engineering. Diese Transparenz ermöglicht es data , festzustellen, wo Probleme oder Inkonsistenzen entstanden sein könnten, was eine präzise Fehlerbehebung und gezielte Verbesserungen erleichtert. Darüber hinaus ist „Domain Adaptation“ eine gängige Methode zur Wiederverwendung von Algorithmuskomponenten, um den Zeit- und Ressourcenaufwand für die Erstellung eines AI von Grund auf zu reduzieren. Die Datenherkunft ist für diese Reproduzierbarkeit über verschiedene Iterationen und Experimente hinweg unerlässlich, da sie die Dokumentation und Verwendung der data die Algorithmen bereitstellt.

Artefact und Solidatus sind Kooperationspartner, die in ihrer Überzeugung vereint sind, dass data effektives data für den Erfolg von AI unerlässlich ist. Akhilesh Kale, Leiter Artefact Finanzdienstleistungen bei Artefact , erklärt:data ist das Rückgrat des Vertrauens in Finanzinstitute und sorgt für jene Integrität, die in einem derart hochkomplexen Umfeld, das durch regulatorischen Druck geprägt ist, von entscheidender Bedeutung ist.“ Diese Betonung der data ist zentral dafür, wie ArtefactFachwissen in den Bereichen data AI die strukturierte Umgebung von Solidatus ergänzt, die bei der Verwaltung und Speicherung der groben Datenherkunft hilft. Gemeinsam ermöglichen sie Finanzinstituten, die Transparenz der data AI zu verbessern. Wie Phil Yeoman, ehemals bei Cardano, betont: „Mit Solidatus ist unser data nun abgebildet, modelliert und katalogisiert. In einer einzigen Ansicht kann ich dem Unternehmen zeigen, wo data seine data , wie sie durch Systeme und Anwendungen fließen, welche data gelten und welche data der DSGVO data .“ Diese nahtlose Integration von Tools und Diensten unterstreicht die transformative Kraft der data für AI. Sie vereinfacht die Einhaltung von Compliance-Vorgaben, gewährleistet erstklassige data und verbessert die Modellgenauigkeit, indem data Ursprung bis zum Ziel zurückverfolgt werden. Diese Rückverfolgbarkeit ist von unschätzbarem Wert für die Einhaltung regulatorischer Standards wie CCPA und GLBA und hilft gleichzeitig dabei, data zu identifizieren, die AI beeinträchtigen könnten. Darüber hinaus optimiert data die Fehlerbehebung, steigert die Modellleistung und gewährleistet konsistente, zuverlässige Ergebnisse.

(1) Prestianni, Timothy. „131 AI und Trends AI für (2024)“. National University, 30. Mai 2024. ai.

(2) Matthew Fox, „Wie Artificial Intelligence die Verbraucherstimmung Artificial Intelligence “, Forbes, 22. September 2023, https://www.forbes.com/advisor/business/artificial-intelligence-consumer-sentiment/.

(3) Campus Technology, „Bericht: AI durch Data behindert“, 10. April 2024, Data:~:text=Unternehmen%20haben%20ernsthafte%20Bedenken%20hinsichtlich%20der%20Komplexität%20der%20Integration%20(59%25)