![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/11\/tina-chace.jpg\")
![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/11\/akhilesh-kale.jpg\")
![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/11\/robyn-kiernan.jpg\")
Die Data-Abstammung verstehen: Die Definition und die wachsende Akzeptanz in Unternehmen erforschen<\/h2><\/div>In der heutigen data-driven-Welt ist es wichtiger denn je, den Weg von data zu verstehen - von seinem Ursprung bis zu seinem endg\u00fcltigen Ziel. Diese F\u00e4higkeit, die als data Lineage bezeichnet wird, bietet einen umfassenden \u00dcberblick dar\u00fcber, wie data durch ein Unternehmen flie\u00dft, und beschreibt seine Transformationen und Abh\u00e4ngigkeiten auf dem Weg dorthin. Data Lineage variiert in Bezug auf die Komplexit\u00e4t, wobei \u201cCoarse Lineage\u201d die Transformationen von Tabelle zu Tabelle zeigt und \u201cFine Lineage\u201d auf der Ebene der Attribute liegt. Diese Best\u00e4nde k\u00f6nnen in Tools wie Solidatus abgebildet werden und bieten eine automatisierte Methode zur Erstellung eines klaren \u00dcberblicks \u00fcber data-Quellen, -Transformationen und -Nutzung. Bei Artefact entwerfen und erstellen unsere Teams tagt\u00e4glich data- und KI-Produkte f\u00fcr unsere Kunden, und Lineage hilft unseren Kunden, Fragen wie diese zu beantworten: \u201cWelche Systeme liefern uns diese Kundenbilanz, die ungenau zu sein scheint?\u201d oder \u201cWarum zeigt mein Kundenkreditmodell speziell mittwochs andere Ergebnisse an?\u201d Wir folgen einer sorgf\u00e4ltig strukturierten, sechsstufigen Methodik f\u00fcr den Einsatz von Lineage in gro\u00dfem Umfang, beginnend mit einer umfassenden Bewertung des einzigartigen gesch\u00e4ftlichen Anwendungsfalls und seines inneren Werts. Dieser Prozess gipfelt in einer nahtlosen Implementierung, bei der die laufende Wartung und die Benutzerakzeptanz im Mittelpunkt stehen.<\/p>\n<\/div>
![\"Chart:](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/11\/Capture-decran-2024-11-21-115250.png\" "\\"Chart:")
<\/span><\/div>Unternehmen nutzen data Lineage aus mehreren wichtigen Gr\u00fcnden, wobei die Einhaltung von Vorschriften und das data-Qualit\u00e4tsmanagement im Vordergrund stehen. In der Finanzdienstleistungsbranche ist eine robuste data-Abstammung unerl\u00e4sslich, um strenge Pr\u00fcfungsanforderungen und Grunds\u00e4tze wie den BCBS 239 zu erf\u00fcllen und die Einhaltung von Vorschriften in Bezug auf Governance, data-Architektur, data-Risikoaggregation, Genauigkeit, Integrit\u00e4t und H\u00e4ufigkeit der Risikoberichterstattung zu gew\u00e4hrleisten. Zum Beispiel im kommerziellen Bankwesen, wo die Bewertung eines Hypotheken-Finanzberichts-Workflows es einem Unternehmen erm\u00f6glicht, die Herkunft und den Verbrauch von sensiblen data nachzuvollziehen.<\/p>\n<\/div>
![\"solidatus](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/11\/unnamed-3.png\" "\\"solidatus")
<\/span><\/div>\u00dcber die Einhaltung von Vorschriften hinaus ist data Lineage ein leistungsf\u00e4higes Instrument zur Verbesserung der data-Qualit\u00e4t, das es Unternehmen erm\u00f6glicht, data-Probleme zu verfolgen, die Genauigkeit zu \u00fcberpr\u00fcfen und das Vertrauen in ihre Informationssysteme zu erhalten. Dieser Artikel befasst sich mit den Feinheiten der data-Abstammung, insbesondere der groben Abstammung, und zeigt, warum sie zu einem Eckpfeiler moderner data-Managementstrategien geworden ist.<\/p>\n<\/div>
Der rasante Aufstieg der KI bei Finanzdienstleistungen: Chancen, Herausforderungen und der Weg in die Zukunft<\/h2><\/div>Aufbauend auf der Bedeutung des Verst\u00e4ndnisses von data ver\u00e4ndert K\u00fcnstliche Intelligenz (KI) die moderne Finanzdienstleistungslandschaft, indem sie die menschliche Intelligenz simuliert, um Aufgaben auszuf\u00fchren, die Lernen und Entscheidungsfindung erfordern. Die Anwendungen von KI sind vielf\u00e4ltig und wirkungsvoll: Konversations-KI, wie Chatbots, verbessert die Interaktion mit Kunden; Produktivit\u00e4tsassistenten rationalisieren Arbeitsabl\u00e4ufe und automatisieren Aufgaben; und automatisierte data-Analysen beschleunigen die Erkenntnisse aus komplexen data-Sets. Im August 2024 wurden mit dem KI-Gesetz der Europ\u00e4ischen Union neue Vorschriften eingef\u00fchrt, die eine ethische KI-Nutzung und den Schutz der Nutzerrechte gew\u00e4hrleisten sollen. Dies unterstreicht den globalen Wandel hin zu einer verantwortungsvollen KI-Implementierung. Diese Entwicklung unterstreicht die wachsende Notwendigkeit f\u00fcr Unternehmen, die M\u00f6glichkeiten der KI nicht nur zu nutzen, sondern sie auch mit sorgf\u00e4ltiger Aufsicht zu verwalten und so ihre Bem\u00fchungen um data-Abstammung und Qualit\u00e4tsmanagement zu erg\u00e4nzen.<\/p>\n<\/div>
W\u00e4hrend die Verwendung von generativer Open-Source-KI wie ChatGPT f\u00fcr den pers\u00f6nlichen Gebrauch geeignet ist, ist die Integration von KI in ein Unternehmen und die Generierung von echtem Wert f\u00fcr das Unternehmen eine ganz andere Sache. Die meisten Finanzinstitute sind dabei, im Eiltempo Gen-KI-Pilotprojekte und POCs zu entwickeln. Allerdings wird erst dann wirklich Geld in die Hand genommen, wenn bewiesen ist, dass der potenzielle Nutzen verl\u00e4sslich ist und das Produkt sowohl f\u00fcr gesch\u00e4ftliche als auch f\u00fcr technische Anwender geeignet ist. Viele Institutionen tun sich immer noch schwer, diese Technologien zu skalieren, weil sie Bedenken hinsichtlich der Zuverl\u00e4ssigkeit (74%), der Benutzerakzeptanz (60%)(1) und der unzureichenden technischen Expertise (60%) haben. Ein Rahmenwerk f\u00fcr die Skalierbarkeit von Gen AI wurde von Artefact entwickelt, um die wichtigsten Dimensionen der Skalierbarkeit zu ber\u00fccksichtigen: Output-Relevanz, Erkl\u00e4rbarkeit, Fairness\/Vorurteil, Latenz, Infrastruktur, organisatorische Effizienz und Benutzererfahrung\/Adoption.<\/p>\n<\/div>
Im Zusammenhang mit KI bietet die data Abstammung einen erheblichen gesch\u00e4ftlichen Nutzen, da sie f\u00fcr Transparenz und Zuverl\u00e4ssigkeit bei data-driven Entscheidungen sorgt. Heute sind \u00fcber 75% der Verbraucher besorgt \u00fcber Fehlinformationen durch KI(2). KI wird oft als \u201cBlack Box\u201d bezeichnet, was bedeutet, dass die Endnutzer h\u00e4ufig nicht verstehen, wie die Ergebnisse, die sie regelm\u00e4\u00dfig nutzen, zustande kommen. Da KI-Systeme zunehmend auf umfangreiche und komplexe data-Sets zur\u00fcckgreifen, ist das Verst\u00e4ndnis der Urspr\u00fcnge und Umwandlungen dieser data entscheidend f\u00fcr die Aufrechterhaltung von Genauigkeit und Vertrauensw\u00fcrdigkeit. Die Data-Abstammung hilft Unternehmen, die data, die in KI-Modelle einflie\u00dfen, zu verfolgen und zu validieren, was f\u00fcr die Optimierung der Modellleistung und die Behebung von Problemen wie Verzerrungen oder Fehlern unerl\u00e4sslich ist. Durch die Bereitstellung eines klaren Pr\u00fcfpfads unterst\u00fctzt data Lineage auch die Einhaltung von Vorschriften und verbessert data governance, was letztlich zu fundierteren, zuverl\u00e4ssigeren und ethischeren KI-Anwendungen f\u00fchrt, die bessere Gesch\u00e4ftsergebnisse erzielen.<\/p>\n<\/div>
Data Lineage in Aktion: Wie es die KI-Entwicklung in der realen Welt h\u00e4tte vorantreiben k\u00f6nnen<\/h2><\/div>Data Lineage ist entscheidend f\u00fcr die Erf\u00fcllung gesetzlicher und beh\u00f6rdlicher Anforderungen im Bereich KI, insbesondere im Rahmen von Richtlinien wie dem California Consumer Privacy Act (CCPA) und dem Gramm-Leach-Bliley Act (GLBA). Nehmen wir zum Beispiel einen Anwendungsfall, bei dem es um den Kundenwechsel in einem Finanzdienstleistungsunternehmen geht. In diesem Fall fehlten dem System standardisierte Verfahren zur Anonymisierung privater Informationen und es gab keine data-Abstammung, um data-Fl\u00fcsse zu verfolgen. Infolgedessen wurde die data-Anreicherung zur Maskierung sensibler Details als letzter Schritt mit minimaler Kontrolle durchgef\u00fchrt. Dieser Ansatz gef\u00e4hrdete nicht nur den data-Datenschutz, sondern setzte das System auch Compliance-Risiken aus. H\u00e4tte unser Partnerunternehmen \u00fcber eine robuste data-Abstammung in Solidatus verf\u00fcgt, h\u00e4tte das Unternehmen nachverfolgen k\u00f6nnen, wo data verwendet wurde, data-Transformationen erfassen, eine ordnungsgem\u00e4\u00dfe Anonymisierung in jeder Phase sicherstellen und die gesetzlichen Anforderungen effektiver erf\u00fcllen k\u00f6nnen, wodurch die Privatsph\u00e4re gesch\u00fctzt und data governance verbessert worden w\u00e4re.<\/p>\n<\/div>
Die Mehrheit der Unternehmen (80%) gab an, dass ihr data f\u00fcr den Einsatz in der KI bereit ist, aber mehr als die H\u00e4lfte (52%)(3) hatten Probleme mit der Implementierung aufgrund der Qualit\u00e4t ihres data. Die Data-Abstammung ist f\u00fcr die Sicherstellung der data-Qualit\u00e4t in der KI-Entwicklung von entscheidender Bedeutung, da sie einen klaren \u00dcberblick dar\u00fcber gibt, wie data beschafft, umgewandelt und verwendet wird. Wir bei Artefact verstehen die Notwendigkeit von data-Bereitschaft und -Qualit\u00e4t. Wir glauben an ein KI-Betriebsmodell, das die technischen Anforderungen gleichzeitig mit der data-Vorbereitung und -Governance entwickelt, die f\u00fcr den Einsatz zuverl\u00e4ssiger KI in gro\u00dfem Ma\u00dfstab erforderlich sind. Unsere Teams arbeiteten an einem Modell zur Vorhersage des Kreditrisikos, das sich auf mehrere data-Tabellen st\u00fctzte, um das Risiko eines Kreditnehmers zu bewerten. Das Team entdeckte bei seinen Voruntersuchungen Unstimmigkeiten zwischen diesen Tabellen, z. B. Diskrepanzen in den data-Formaten oder veraltete Informationen. Dies w\u00fcrde zu einer Verzerrung des Modells und einer ungenauen Risikobewertung f\u00fchren. Durch die Implementierung der data-Abstammung k\u00f6nnte das Unternehmen die Urspr\u00fcnge der data zur\u00fcckverfolgen, feststellen, wo Unstimmigkeiten auftreten, und sicherstellen, dass die data-Transformationen mit den Qualit\u00e4tsstandards \u00fcbereinstimmen. Diese Transparenz hilft dabei, Probleme zu korrigieren, bevor sie sich auf das Modell auswirken, was letztlich zu zuverl\u00e4ssigeren und genaueren Vorhersagen f\u00fchrt und die Gesamtintegrit\u00e4t des KI-Systems aufrechterh\u00e4lt.<\/p>\n<\/div>
Data lineage verbessert die Fehlersuche in KI-Modellen, Verbesserungen und Reproduzierbarkeit, indem es einen detaillierten \u00dcberblick \u00fcber die Reise von data durch den Modellierungsprozess bietet. Wenn ein Modell unerwartete Ergebnisse liefert, hilft data Lineage dabei, das data durch alle Phasen zu verfolgen - von der Erfassung \u00fcber die Vorverarbeitung bis hin zum Feature Engineering. Dank dieser Transparenz k\u00f6nnen data-Wissenschaftler erkennen, wo Probleme oder Unstimmigkeiten aufgetreten sind, was eine pr\u00e4zise Fehlersuche und gezielte Verbesserungen erleichtert. Dar\u00fcber hinaus ist die \u201cDomain Adaptation\u201d eine g\u00e4ngige Methode zur Wiederverwendung von Komponenten von Algorithmen, um den Zeit- und Ressourcenaufwand f\u00fcr die Erstellung eines KI-Modells von Grund auf zu reduzieren. Lineage ist f\u00fcr diese Reproduzierbarkeit \u00fcber verschiedene Iterationen und Experimente hinweg unerl\u00e4sslich, da es die Dokumentation und Verwendung von data f\u00fcr die Algorithmen liefert.<\/p>\n<\/div>
KI f\u00fcr den Erfolg: Wie Artefact und Solidatus das Data-Management f\u00fcr Finanzinstitute revolutionieren<\/h2><\/div>Artefact<\/a> und Solidatus <\/a>sind Kooperationspartner, die sich in der \u00dcberzeugung einig sind, dass ein effektives data-Management f\u00fcr den Erfolg von KI unerl\u00e4sslich ist. Akhilesh Kale, einer der f\u00fchrenden Mitarbeiter von Artefact im Bereich Finanzdienstleistungen, erkl\u00e4rt: \u201cDie data-Linie ist das R\u00fcckgrat des Vertrauens in Finanzinstitute und sorgt f\u00fcr die Integrit\u00e4t, die in einer so hochkomplexen, von regulatorischem Druck gepr\u00e4gten Landschaft entscheidend ist.\u201d Diese Betonung der data-Integrit\u00e4t ist von zentraler Bedeutung f\u00fcr die Art und Weise, wie die Expertise von Artefact in der data- und KI-Ausf\u00fchrung die strukturierte Umgebung von Solidatus erg\u00e4nzt, die bei der Verwaltung und Speicherung von grobem Datenmaterial hilft. Gemeinsam erm\u00f6glichen sie es Finanzinstituten, die Transparenz der data-Quellen f\u00fcr KI-Modelle zu verbessern. Phil Yeoman, ehemals bei Cardano, betont: \u2019Mit Solidatus ist unser data-Bestand jetzt abgebildet, modelliert und katalogisiert. In einer einzigen Ansicht kann ich dem Unternehmen zeigen, wo sich sein data befindet, wie es durch Systeme und Anwendungen flie\u00dft, welche data-Qualit\u00e4tsregeln gelten und welches data der GDPR unterliegt.\u201c Diese nahtlose Integration von Tools und Diensten unterstreicht die transformative Kraft von data Lineage for AI. Sie vereinfacht die Einhaltung von Vorschriften, gew\u00e4hrleistet erstklassige data-Qualit\u00e4t und verbessert die Modellgenauigkeit durch die R\u00fcckverfolgung von data vom Ursprung bis zum Ziel. Diese R\u00fcckverfolgbarkeit ist von unsch\u00e4tzbarem Wert, wenn es darum geht, regulatorische Standards wie CCPA und GLBA zu erf\u00fcllen und gleichzeitig data-Inkonsistenzen zu identifizieren, die KI-Modelle gef\u00e4hrden k\u00f6nnten. Au\u00dferdem, data Abstammung<\/a> rationalisiert die Fehlersuche, steigert die Modellleistung und gew\u00e4hrleistet konsistente, zuverl\u00e4ssige Ergebnisse.<\/p>\n<\/div>Referenzen<\/h2><\/div>(1) Prestianni, Timothy. \u201c131 KI-Statistiken und Trends f\u00fcr (2024)\u201d. Nationale Universit\u00e4t, 30. Mai 2024. https:\/\/www.nu.edu\/blog\/ai-statistics-trends\/<\/a>.<\/p>\n(2) Matthew Fox, \u201cHow Artificial Intelligence Is Shaping Consumer Sentiment\u201d, Forbes, 22. September 2023, https:\/\/www.forbes.com\/advisor\/business\/artificial-intelligence-consumer-sentiment\/<\/a>.<\/p>\n
In der heutigen data-driven-Welt ist es wichtiger denn je, den Weg von data zu verstehen - von seinem Ursprung bis zu seinem endg\u00fcltigen Ziel. Diese F\u00e4higkeit, die als data Lineage bezeichnet wird, bietet einen umfassenden \u00dcberblick dar\u00fcber, wie data durch ein Unternehmen flie\u00dft, und beschreibt seine Transformationen und Abh\u00e4ngigkeiten auf dem Weg dorthin. Data Lineage variiert in Bezug auf die Komplexit\u00e4t, wobei \u201cCoarse Lineage\u201d die Transformationen von Tabelle zu Tabelle zeigt und \u201cFine Lineage\u201d auf der Ebene der Attribute liegt. Diese Best\u00e4nde k\u00f6nnen in Tools wie Solidatus abgebildet werden und bieten eine automatisierte Methode zur Erstellung eines klaren \u00dcberblicks \u00fcber data-Quellen, -Transformationen und -Nutzung. Bei Artefact entwerfen und erstellen unsere Teams tagt\u00e4glich data- und KI-Produkte f\u00fcr unsere Kunden, und Lineage hilft unseren Kunden, Fragen wie diese zu beantworten: \u201cWelche Systeme liefern uns diese Kundenbilanz, die ungenau zu sein scheint?\u201d oder \u201cWarum zeigt mein Kundenkreditmodell speziell mittwochs andere Ergebnisse an?\u201d Wir folgen einer sorgf\u00e4ltig strukturierten, sechsstufigen Methodik f\u00fcr den Einsatz von Lineage in gro\u00dfem Umfang, beginnend mit einer umfassenden Bewertung des einzigartigen gesch\u00e4ftlichen Anwendungsfalls und seines inneren Werts. Dieser Prozess gipfelt in einer nahtlosen Implementierung, bei der die laufende Wartung und die Benutzerakzeptanz im Mittelpunkt stehen.<\/p>\n<\/div>
<\/span><\/div>Unternehmen nutzen data Lineage aus mehreren wichtigen Gr\u00fcnden, wobei die Einhaltung von Vorschriften und das data-Qualit\u00e4tsmanagement im Vordergrund stehen. In der Finanzdienstleistungsbranche ist eine robuste data-Abstammung unerl\u00e4sslich, um strenge Pr\u00fcfungsanforderungen und Grunds\u00e4tze wie den BCBS 239 zu erf\u00fcllen und die Einhaltung von Vorschriften in Bezug auf Governance, data-Architektur, data-Risikoaggregation, Genauigkeit, Integrit\u00e4t und H\u00e4ufigkeit der Risikoberichterstattung zu gew\u00e4hrleisten. Zum Beispiel im kommerziellen Bankwesen, wo die Bewertung eines Hypotheken-Finanzberichts-Workflows es einem Unternehmen erm\u00f6glicht, die Herkunft und den Verbrauch von sensiblen data nachzuvollziehen.<\/p>\n<\/div>
<\/span><\/div>\u00dcber die Einhaltung von Vorschriften hinaus ist data Lineage ein leistungsf\u00e4higes Instrument zur Verbesserung der data-Qualit\u00e4t, das es Unternehmen erm\u00f6glicht, data-Probleme zu verfolgen, die Genauigkeit zu \u00fcberpr\u00fcfen und das Vertrauen in ihre Informationssysteme zu erhalten. Dieser Artikel befasst sich mit den Feinheiten der data-Abstammung, insbesondere der groben Abstammung, und zeigt, warum sie zu einem Eckpfeiler moderner data-Managementstrategien geworden ist.<\/p>\n<\/div>
Der rasante Aufstieg der KI bei Finanzdienstleistungen: Chancen, Herausforderungen und der Weg in die Zukunft<\/h2><\/div>Aufbauend auf der Bedeutung des Verst\u00e4ndnisses von data ver\u00e4ndert K\u00fcnstliche Intelligenz (KI) die moderne Finanzdienstleistungslandschaft, indem sie die menschliche Intelligenz simuliert, um Aufgaben auszuf\u00fchren, die Lernen und Entscheidungsfindung erfordern. Die Anwendungen von KI sind vielf\u00e4ltig und wirkungsvoll: Konversations-KI, wie Chatbots, verbessert die Interaktion mit Kunden; Produktivit\u00e4tsassistenten rationalisieren Arbeitsabl\u00e4ufe und automatisieren Aufgaben; und automatisierte data-Analysen beschleunigen die Erkenntnisse aus komplexen data-Sets. Im August 2024 wurden mit dem KI-Gesetz der Europ\u00e4ischen Union neue Vorschriften eingef\u00fchrt, die eine ethische KI-Nutzung und den Schutz der Nutzerrechte gew\u00e4hrleisten sollen. Dies unterstreicht den globalen Wandel hin zu einer verantwortungsvollen KI-Implementierung. Diese Entwicklung unterstreicht die wachsende Notwendigkeit f\u00fcr Unternehmen, die M\u00f6glichkeiten der KI nicht nur zu nutzen, sondern sie auch mit sorgf\u00e4ltiger Aufsicht zu verwalten und so ihre Bem\u00fchungen um data-Abstammung und Qualit\u00e4tsmanagement zu erg\u00e4nzen.<\/p>\n<\/div>
W\u00e4hrend die Verwendung von generativer Open-Source-KI wie ChatGPT f\u00fcr den pers\u00f6nlichen Gebrauch geeignet ist, ist die Integration von KI in ein Unternehmen und die Generierung von echtem Wert f\u00fcr das Unternehmen eine ganz andere Sache. Die meisten Finanzinstitute sind dabei, im Eiltempo Gen-KI-Pilotprojekte und POCs zu entwickeln. Allerdings wird erst dann wirklich Geld in die Hand genommen, wenn bewiesen ist, dass der potenzielle Nutzen verl\u00e4sslich ist und das Produkt sowohl f\u00fcr gesch\u00e4ftliche als auch f\u00fcr technische Anwender geeignet ist. Viele Institutionen tun sich immer noch schwer, diese Technologien zu skalieren, weil sie Bedenken hinsichtlich der Zuverl\u00e4ssigkeit (74%), der Benutzerakzeptanz (60%)(1) und der unzureichenden technischen Expertise (60%) haben. Ein Rahmenwerk f\u00fcr die Skalierbarkeit von Gen AI wurde von Artefact entwickelt, um die wichtigsten Dimensionen der Skalierbarkeit zu ber\u00fccksichtigen: Output-Relevanz, Erkl\u00e4rbarkeit, Fairness\/Vorurteil, Latenz, Infrastruktur, organisatorische Effizienz und Benutzererfahrung\/Adoption.<\/p>\n<\/div>
Im Zusammenhang mit KI bietet die data Abstammung einen erheblichen gesch\u00e4ftlichen Nutzen, da sie f\u00fcr Transparenz und Zuverl\u00e4ssigkeit bei data-driven Entscheidungen sorgt. Heute sind \u00fcber 75% der Verbraucher besorgt \u00fcber Fehlinformationen durch KI(2). KI wird oft als \u201cBlack Box\u201d bezeichnet, was bedeutet, dass die Endnutzer h\u00e4ufig nicht verstehen, wie die Ergebnisse, die sie regelm\u00e4\u00dfig nutzen, zustande kommen. Da KI-Systeme zunehmend auf umfangreiche und komplexe data-Sets zur\u00fcckgreifen, ist das Verst\u00e4ndnis der Urspr\u00fcnge und Umwandlungen dieser data entscheidend f\u00fcr die Aufrechterhaltung von Genauigkeit und Vertrauensw\u00fcrdigkeit. Die Data-Abstammung hilft Unternehmen, die data, die in KI-Modelle einflie\u00dfen, zu verfolgen und zu validieren, was f\u00fcr die Optimierung der Modellleistung und die Behebung von Problemen wie Verzerrungen oder Fehlern unerl\u00e4sslich ist. Durch die Bereitstellung eines klaren Pr\u00fcfpfads unterst\u00fctzt data Lineage auch die Einhaltung von Vorschriften und verbessert data governance, was letztlich zu fundierteren, zuverl\u00e4ssigeren und ethischeren KI-Anwendungen f\u00fchrt, die bessere Gesch\u00e4ftsergebnisse erzielen.<\/p>\n<\/div>
Data Lineage in Aktion: Wie es die KI-Entwicklung in der realen Welt h\u00e4tte vorantreiben k\u00f6nnen<\/h2><\/div>Data Lineage ist entscheidend f\u00fcr die Erf\u00fcllung gesetzlicher und beh\u00f6rdlicher Anforderungen im Bereich KI, insbesondere im Rahmen von Richtlinien wie dem California Consumer Privacy Act (CCPA) und dem Gramm-Leach-Bliley Act (GLBA). Nehmen wir zum Beispiel einen Anwendungsfall, bei dem es um den Kundenwechsel in einem Finanzdienstleistungsunternehmen geht. In diesem Fall fehlten dem System standardisierte Verfahren zur Anonymisierung privater Informationen und es gab keine data-Abstammung, um data-Fl\u00fcsse zu verfolgen. Infolgedessen wurde die data-Anreicherung zur Maskierung sensibler Details als letzter Schritt mit minimaler Kontrolle durchgef\u00fchrt. Dieser Ansatz gef\u00e4hrdete nicht nur den data-Datenschutz, sondern setzte das System auch Compliance-Risiken aus. H\u00e4tte unser Partnerunternehmen \u00fcber eine robuste data-Abstammung in Solidatus verf\u00fcgt, h\u00e4tte das Unternehmen nachverfolgen k\u00f6nnen, wo data verwendet wurde, data-Transformationen erfassen, eine ordnungsgem\u00e4\u00dfe Anonymisierung in jeder Phase sicherstellen und die gesetzlichen Anforderungen effektiver erf\u00fcllen k\u00f6nnen, wodurch die Privatsph\u00e4re gesch\u00fctzt und data governance verbessert worden w\u00e4re.<\/p>\n<\/div>
Die Mehrheit der Unternehmen (80%) gab an, dass ihr data f\u00fcr den Einsatz in der KI bereit ist, aber mehr als die H\u00e4lfte (52%)(3) hatten Probleme mit der Implementierung aufgrund der Qualit\u00e4t ihres data. Die Data-Abstammung ist f\u00fcr die Sicherstellung der data-Qualit\u00e4t in der KI-Entwicklung von entscheidender Bedeutung, da sie einen klaren \u00dcberblick dar\u00fcber gibt, wie data beschafft, umgewandelt und verwendet wird. Wir bei Artefact verstehen die Notwendigkeit von data-Bereitschaft und -Qualit\u00e4t. Wir glauben an ein KI-Betriebsmodell, das die technischen Anforderungen gleichzeitig mit der data-Vorbereitung und -Governance entwickelt, die f\u00fcr den Einsatz zuverl\u00e4ssiger KI in gro\u00dfem Ma\u00dfstab erforderlich sind. Unsere Teams arbeiteten an einem Modell zur Vorhersage des Kreditrisikos, das sich auf mehrere data-Tabellen st\u00fctzte, um das Risiko eines Kreditnehmers zu bewerten. Das Team entdeckte bei seinen Voruntersuchungen Unstimmigkeiten zwischen diesen Tabellen, z. B. Diskrepanzen in den data-Formaten oder veraltete Informationen. Dies w\u00fcrde zu einer Verzerrung des Modells und einer ungenauen Risikobewertung f\u00fchren. Durch die Implementierung der data-Abstammung k\u00f6nnte das Unternehmen die Urspr\u00fcnge der data zur\u00fcckverfolgen, feststellen, wo Unstimmigkeiten auftreten, und sicherstellen, dass die data-Transformationen mit den Qualit\u00e4tsstandards \u00fcbereinstimmen. Diese Transparenz hilft dabei, Probleme zu korrigieren, bevor sie sich auf das Modell auswirken, was letztlich zu zuverl\u00e4ssigeren und genaueren Vorhersagen f\u00fchrt und die Gesamtintegrit\u00e4t des KI-Systems aufrechterh\u00e4lt.<\/p>\n<\/div>
Data lineage verbessert die Fehlersuche in KI-Modellen, Verbesserungen und Reproduzierbarkeit, indem es einen detaillierten \u00dcberblick \u00fcber die Reise von data durch den Modellierungsprozess bietet. Wenn ein Modell unerwartete Ergebnisse liefert, hilft data Lineage dabei, das data durch alle Phasen zu verfolgen - von der Erfassung \u00fcber die Vorverarbeitung bis hin zum Feature Engineering. Dank dieser Transparenz k\u00f6nnen data-Wissenschaftler erkennen, wo Probleme oder Unstimmigkeiten aufgetreten sind, was eine pr\u00e4zise Fehlersuche und gezielte Verbesserungen erleichtert. Dar\u00fcber hinaus ist die \u201cDomain Adaptation\u201d eine g\u00e4ngige Methode zur Wiederverwendung von Komponenten von Algorithmen, um den Zeit- und Ressourcenaufwand f\u00fcr die Erstellung eines KI-Modells von Grund auf zu reduzieren. Lineage ist f\u00fcr diese Reproduzierbarkeit \u00fcber verschiedene Iterationen und Experimente hinweg unerl\u00e4sslich, da es die Dokumentation und Verwendung von data f\u00fcr die Algorithmen liefert.<\/p>\n<\/div>
KI f\u00fcr den Erfolg: Wie Artefact und Solidatus das Data-Management f\u00fcr Finanzinstitute revolutionieren<\/h2><\/div>Artefact<\/a> und Solidatus <\/a>sind Kooperationspartner, die sich in der \u00dcberzeugung einig sind, dass ein effektives data-Management f\u00fcr den Erfolg von KI unerl\u00e4sslich ist. Akhilesh Kale, einer der f\u00fchrenden Mitarbeiter von Artefact im Bereich Finanzdienstleistungen, erkl\u00e4rt: \u201cDie data-Linie ist das R\u00fcckgrat des Vertrauens in Finanzinstitute und sorgt f\u00fcr die Integrit\u00e4t, die in einer so hochkomplexen, von regulatorischem Druck gepr\u00e4gten Landschaft entscheidend ist.\u201d Diese Betonung der data-Integrit\u00e4t ist von zentraler Bedeutung f\u00fcr die Art und Weise, wie die Expertise von Artefact in der data- und KI-Ausf\u00fchrung die strukturierte Umgebung von Solidatus erg\u00e4nzt, die bei der Verwaltung und Speicherung von grobem Datenmaterial hilft. Gemeinsam erm\u00f6glichen sie es Finanzinstituten, die Transparenz der data-Quellen f\u00fcr KI-Modelle zu verbessern. Phil Yeoman, ehemals bei Cardano, betont: \u2019Mit Solidatus ist unser data-Bestand jetzt abgebildet, modelliert und katalogisiert. In einer einzigen Ansicht kann ich dem Unternehmen zeigen, wo sich sein data befindet, wie es durch Systeme und Anwendungen flie\u00dft, welche data-Qualit\u00e4tsregeln gelten und welches data der GDPR unterliegt.\u201c Diese nahtlose Integration von Tools und Diensten unterstreicht die transformative Kraft von data Lineage for AI. Sie vereinfacht die Einhaltung von Vorschriften, gew\u00e4hrleistet erstklassige data-Qualit\u00e4t und verbessert die Modellgenauigkeit durch die R\u00fcckverfolgung von data vom Ursprung bis zum Ziel. Diese R\u00fcckverfolgbarkeit ist von unsch\u00e4tzbarem Wert, wenn es darum geht, regulatorische Standards wie CCPA und GLBA zu erf\u00fcllen und gleichzeitig data-Inkonsistenzen zu identifizieren, die KI-Modelle gef\u00e4hrden k\u00f6nnten. Au\u00dferdem, data Abstammung<\/a> rationalisiert die Fehlersuche, steigert die Modellleistung und gew\u00e4hrleistet konsistente, zuverl\u00e4ssige Ergebnisse.<\/p>\n<\/div>Referenzen<\/h2><\/div>(1) Prestianni, Timothy. \u201c131 KI-Statistiken und Trends f\u00fcr (2024)\u201d. Nationale Universit\u00e4t, 30. Mai 2024. https:\/\/www.nu.edu\/blog\/ai-statistics-trends\/<\/a>.<\/p>\n(2) Matthew Fox, \u201cHow Artificial Intelligence Is Shaping Consumer Sentiment\u201d, Forbes, 22. September 2023, https:\/\/www.forbes.com\/advisor\/business\/artificial-intelligence-consumer-sentiment\/<\/a>.<\/p>\n
Aufbauend auf der Bedeutung des Verst\u00e4ndnisses von data ver\u00e4ndert K\u00fcnstliche Intelligenz (KI) die moderne Finanzdienstleistungslandschaft, indem sie die menschliche Intelligenz simuliert, um Aufgaben auszuf\u00fchren, die Lernen und Entscheidungsfindung erfordern. Die Anwendungen von KI sind vielf\u00e4ltig und wirkungsvoll: Konversations-KI, wie Chatbots, verbessert die Interaktion mit Kunden; Produktivit\u00e4tsassistenten rationalisieren Arbeitsabl\u00e4ufe und automatisieren Aufgaben; und automatisierte data-Analysen beschleunigen die Erkenntnisse aus komplexen data-Sets. Im August 2024 wurden mit dem KI-Gesetz der Europ\u00e4ischen Union neue Vorschriften eingef\u00fchrt, die eine ethische KI-Nutzung und den Schutz der Nutzerrechte gew\u00e4hrleisten sollen. Dies unterstreicht den globalen Wandel hin zu einer verantwortungsvollen KI-Implementierung. Diese Entwicklung unterstreicht die wachsende Notwendigkeit f\u00fcr Unternehmen, die M\u00f6glichkeiten der KI nicht nur zu nutzen, sondern sie auch mit sorgf\u00e4ltiger Aufsicht zu verwalten und so ihre Bem\u00fchungen um data-Abstammung und Qualit\u00e4tsmanagement zu erg\u00e4nzen.<\/p>\n<\/div>
W\u00e4hrend die Verwendung von generativer Open-Source-KI wie ChatGPT f\u00fcr den pers\u00f6nlichen Gebrauch geeignet ist, ist die Integration von KI in ein Unternehmen und die Generierung von echtem Wert f\u00fcr das Unternehmen eine ganz andere Sache. Die meisten Finanzinstitute sind dabei, im Eiltempo Gen-KI-Pilotprojekte und POCs zu entwickeln. Allerdings wird erst dann wirklich Geld in die Hand genommen, wenn bewiesen ist, dass der potenzielle Nutzen verl\u00e4sslich ist und das Produkt sowohl f\u00fcr gesch\u00e4ftliche als auch f\u00fcr technische Anwender geeignet ist. Viele Institutionen tun sich immer noch schwer, diese Technologien zu skalieren, weil sie Bedenken hinsichtlich der Zuverl\u00e4ssigkeit (74%), der Benutzerakzeptanz (60%)(1) und der unzureichenden technischen Expertise (60%) haben. Ein Rahmenwerk f\u00fcr die Skalierbarkeit von Gen AI wurde von Artefact entwickelt, um die wichtigsten Dimensionen der Skalierbarkeit zu ber\u00fccksichtigen: Output-Relevanz, Erkl\u00e4rbarkeit, Fairness\/Vorurteil, Latenz, Infrastruktur, organisatorische Effizienz und Benutzererfahrung\/Adoption.<\/p>\n<\/div>
Im Zusammenhang mit KI bietet die data Abstammung einen erheblichen gesch\u00e4ftlichen Nutzen, da sie f\u00fcr Transparenz und Zuverl\u00e4ssigkeit bei data-driven Entscheidungen sorgt. Heute sind \u00fcber 75% der Verbraucher besorgt \u00fcber Fehlinformationen durch KI(2). KI wird oft als \u201cBlack Box\u201d bezeichnet, was bedeutet, dass die Endnutzer h\u00e4ufig nicht verstehen, wie die Ergebnisse, die sie regelm\u00e4\u00dfig nutzen, zustande kommen. Da KI-Systeme zunehmend auf umfangreiche und komplexe data-Sets zur\u00fcckgreifen, ist das Verst\u00e4ndnis der Urspr\u00fcnge und Umwandlungen dieser data entscheidend f\u00fcr die Aufrechterhaltung von Genauigkeit und Vertrauensw\u00fcrdigkeit. Die Data-Abstammung hilft Unternehmen, die data, die in KI-Modelle einflie\u00dfen, zu verfolgen und zu validieren, was f\u00fcr die Optimierung der Modellleistung und die Behebung von Problemen wie Verzerrungen oder Fehlern unerl\u00e4sslich ist. Durch die Bereitstellung eines klaren Pr\u00fcfpfads unterst\u00fctzt data Lineage auch die Einhaltung von Vorschriften und verbessert data governance, was letztlich zu fundierteren, zuverl\u00e4ssigeren und ethischeren KI-Anwendungen f\u00fchrt, die bessere Gesch\u00e4ftsergebnisse erzielen.<\/p>\n<\/div>
Data Lineage in Aktion: Wie es die KI-Entwicklung in der realen Welt h\u00e4tte vorantreiben k\u00f6nnen<\/h2><\/div>Data Lineage ist entscheidend f\u00fcr die Erf\u00fcllung gesetzlicher und beh\u00f6rdlicher Anforderungen im Bereich KI, insbesondere im Rahmen von Richtlinien wie dem California Consumer Privacy Act (CCPA) und dem Gramm-Leach-Bliley Act (GLBA). Nehmen wir zum Beispiel einen Anwendungsfall, bei dem es um den Kundenwechsel in einem Finanzdienstleistungsunternehmen geht. In diesem Fall fehlten dem System standardisierte Verfahren zur Anonymisierung privater Informationen und es gab keine data-Abstammung, um data-Fl\u00fcsse zu verfolgen. Infolgedessen wurde die data-Anreicherung zur Maskierung sensibler Details als letzter Schritt mit minimaler Kontrolle durchgef\u00fchrt. Dieser Ansatz gef\u00e4hrdete nicht nur den data-Datenschutz, sondern setzte das System auch Compliance-Risiken aus. H\u00e4tte unser Partnerunternehmen \u00fcber eine robuste data-Abstammung in Solidatus verf\u00fcgt, h\u00e4tte das Unternehmen nachverfolgen k\u00f6nnen, wo data verwendet wurde, data-Transformationen erfassen, eine ordnungsgem\u00e4\u00dfe Anonymisierung in jeder Phase sicherstellen und die gesetzlichen Anforderungen effektiver erf\u00fcllen k\u00f6nnen, wodurch die Privatsph\u00e4re gesch\u00fctzt und data governance verbessert worden w\u00e4re.<\/p>\n<\/div>
Die Mehrheit der Unternehmen (80%) gab an, dass ihr data f\u00fcr den Einsatz in der KI bereit ist, aber mehr als die H\u00e4lfte (52%)(3) hatten Probleme mit der Implementierung aufgrund der Qualit\u00e4t ihres data. Die Data-Abstammung ist f\u00fcr die Sicherstellung der data-Qualit\u00e4t in der KI-Entwicklung von entscheidender Bedeutung, da sie einen klaren \u00dcberblick dar\u00fcber gibt, wie data beschafft, umgewandelt und verwendet wird. Wir bei Artefact verstehen die Notwendigkeit von data-Bereitschaft und -Qualit\u00e4t. Wir glauben an ein KI-Betriebsmodell, das die technischen Anforderungen gleichzeitig mit der data-Vorbereitung und -Governance entwickelt, die f\u00fcr den Einsatz zuverl\u00e4ssiger KI in gro\u00dfem Ma\u00dfstab erforderlich sind. Unsere Teams arbeiteten an einem Modell zur Vorhersage des Kreditrisikos, das sich auf mehrere data-Tabellen st\u00fctzte, um das Risiko eines Kreditnehmers zu bewerten. Das Team entdeckte bei seinen Voruntersuchungen Unstimmigkeiten zwischen diesen Tabellen, z. B. Diskrepanzen in den data-Formaten oder veraltete Informationen. Dies w\u00fcrde zu einer Verzerrung des Modells und einer ungenauen Risikobewertung f\u00fchren. Durch die Implementierung der data-Abstammung k\u00f6nnte das Unternehmen die Urspr\u00fcnge der data zur\u00fcckverfolgen, feststellen, wo Unstimmigkeiten auftreten, und sicherstellen, dass die data-Transformationen mit den Qualit\u00e4tsstandards \u00fcbereinstimmen. Diese Transparenz hilft dabei, Probleme zu korrigieren, bevor sie sich auf das Modell auswirken, was letztlich zu zuverl\u00e4ssigeren und genaueren Vorhersagen f\u00fchrt und die Gesamtintegrit\u00e4t des KI-Systems aufrechterh\u00e4lt.<\/p>\n<\/div>
Data lineage verbessert die Fehlersuche in KI-Modellen, Verbesserungen und Reproduzierbarkeit, indem es einen detaillierten \u00dcberblick \u00fcber die Reise von data durch den Modellierungsprozess bietet. Wenn ein Modell unerwartete Ergebnisse liefert, hilft data Lineage dabei, das data durch alle Phasen zu verfolgen - von der Erfassung \u00fcber die Vorverarbeitung bis hin zum Feature Engineering. Dank dieser Transparenz k\u00f6nnen data-Wissenschaftler erkennen, wo Probleme oder Unstimmigkeiten aufgetreten sind, was eine pr\u00e4zise Fehlersuche und gezielte Verbesserungen erleichtert. Dar\u00fcber hinaus ist die \u201cDomain Adaptation\u201d eine g\u00e4ngige Methode zur Wiederverwendung von Komponenten von Algorithmen, um den Zeit- und Ressourcenaufwand f\u00fcr die Erstellung eines KI-Modells von Grund auf zu reduzieren. Lineage ist f\u00fcr diese Reproduzierbarkeit \u00fcber verschiedene Iterationen und Experimente hinweg unerl\u00e4sslich, da es die Dokumentation und Verwendung von data f\u00fcr die Algorithmen liefert.<\/p>\n<\/div>
KI f\u00fcr den Erfolg: Wie Artefact und Solidatus das Data-Management f\u00fcr Finanzinstitute revolutionieren<\/h2><\/div>Artefact<\/a> und Solidatus <\/a>sind Kooperationspartner, die sich in der \u00dcberzeugung einig sind, dass ein effektives data-Management f\u00fcr den Erfolg von KI unerl\u00e4sslich ist. Akhilesh Kale, einer der f\u00fchrenden Mitarbeiter von Artefact im Bereich Finanzdienstleistungen, erkl\u00e4rt: \u201cDie data-Linie ist das R\u00fcckgrat des Vertrauens in Finanzinstitute und sorgt f\u00fcr die Integrit\u00e4t, die in einer so hochkomplexen, von regulatorischem Druck gepr\u00e4gten Landschaft entscheidend ist.\u201d Diese Betonung der data-Integrit\u00e4t ist von zentraler Bedeutung f\u00fcr die Art und Weise, wie die Expertise von Artefact in der data- und KI-Ausf\u00fchrung die strukturierte Umgebung von Solidatus erg\u00e4nzt, die bei der Verwaltung und Speicherung von grobem Datenmaterial hilft. Gemeinsam erm\u00f6glichen sie es Finanzinstituten, die Transparenz der data-Quellen f\u00fcr KI-Modelle zu verbessern. Phil Yeoman, ehemals bei Cardano, betont: \u2019Mit Solidatus ist unser data-Bestand jetzt abgebildet, modelliert und katalogisiert. In einer einzigen Ansicht kann ich dem Unternehmen zeigen, wo sich sein data befindet, wie es durch Systeme und Anwendungen flie\u00dft, welche data-Qualit\u00e4tsregeln gelten und welches data der GDPR unterliegt.\u201c Diese nahtlose Integration von Tools und Diensten unterstreicht die transformative Kraft von data Lineage for AI. Sie vereinfacht die Einhaltung von Vorschriften, gew\u00e4hrleistet erstklassige data-Qualit\u00e4t und verbessert die Modellgenauigkeit durch die R\u00fcckverfolgung von data vom Ursprung bis zum Ziel. Diese R\u00fcckverfolgbarkeit ist von unsch\u00e4tzbarem Wert, wenn es darum geht, regulatorische Standards wie CCPA und GLBA zu erf\u00fcllen und gleichzeitig data-Inkonsistenzen zu identifizieren, die KI-Modelle gef\u00e4hrden k\u00f6nnten. Au\u00dferdem, data Abstammung<\/a> rationalisiert die Fehlersuche, steigert die Modellleistung und gew\u00e4hrleistet konsistente, zuverl\u00e4ssige Ergebnisse.<\/p>\n<\/div>Referenzen<\/h2><\/div>(1) Prestianni, Timothy. \u201c131 KI-Statistiken und Trends f\u00fcr (2024)\u201d. Nationale Universit\u00e4t, 30. Mai 2024. https:\/\/www.nu.edu\/blog\/ai-statistics-trends\/<\/a>.<\/p>\n(2) Matthew Fox, \u201cHow Artificial Intelligence Is Shaping Consumer Sentiment\u201d, Forbes, 22. September 2023, https:\/\/www.forbes.com\/advisor\/business\/artificial-intelligence-consumer-sentiment\/<\/a>.<\/p>\n
Data Lineage ist entscheidend f\u00fcr die Erf\u00fcllung gesetzlicher und beh\u00f6rdlicher Anforderungen im Bereich KI, insbesondere im Rahmen von Richtlinien wie dem California Consumer Privacy Act (CCPA) und dem Gramm-Leach-Bliley Act (GLBA). Nehmen wir zum Beispiel einen Anwendungsfall, bei dem es um den Kundenwechsel in einem Finanzdienstleistungsunternehmen geht. In diesem Fall fehlten dem System standardisierte Verfahren zur Anonymisierung privater Informationen und es gab keine data-Abstammung, um data-Fl\u00fcsse zu verfolgen. Infolgedessen wurde die data-Anreicherung zur Maskierung sensibler Details als letzter Schritt mit minimaler Kontrolle durchgef\u00fchrt. Dieser Ansatz gef\u00e4hrdete nicht nur den data-Datenschutz, sondern setzte das System auch Compliance-Risiken aus. H\u00e4tte unser Partnerunternehmen \u00fcber eine robuste data-Abstammung in Solidatus verf\u00fcgt, h\u00e4tte das Unternehmen nachverfolgen k\u00f6nnen, wo data verwendet wurde, data-Transformationen erfassen, eine ordnungsgem\u00e4\u00dfe Anonymisierung in jeder Phase sicherstellen und die gesetzlichen Anforderungen effektiver erf\u00fcllen k\u00f6nnen, wodurch die Privatsph\u00e4re gesch\u00fctzt und data governance verbessert worden w\u00e4re.<\/p>\n<\/div>
Die Mehrheit der Unternehmen (80%) gab an, dass ihr data f\u00fcr den Einsatz in der KI bereit ist, aber mehr als die H\u00e4lfte (52%)(3) hatten Probleme mit der Implementierung aufgrund der Qualit\u00e4t ihres data. Die Data-Abstammung ist f\u00fcr die Sicherstellung der data-Qualit\u00e4t in der KI-Entwicklung von entscheidender Bedeutung, da sie einen klaren \u00dcberblick dar\u00fcber gibt, wie data beschafft, umgewandelt und verwendet wird. Wir bei Artefact verstehen die Notwendigkeit von data-Bereitschaft und -Qualit\u00e4t. Wir glauben an ein KI-Betriebsmodell, das die technischen Anforderungen gleichzeitig mit der data-Vorbereitung und -Governance entwickelt, die f\u00fcr den Einsatz zuverl\u00e4ssiger KI in gro\u00dfem Ma\u00dfstab erforderlich sind. Unsere Teams arbeiteten an einem Modell zur Vorhersage des Kreditrisikos, das sich auf mehrere data-Tabellen st\u00fctzte, um das Risiko eines Kreditnehmers zu bewerten. Das Team entdeckte bei seinen Voruntersuchungen Unstimmigkeiten zwischen diesen Tabellen, z. B. Diskrepanzen in den data-Formaten oder veraltete Informationen. Dies w\u00fcrde zu einer Verzerrung des Modells und einer ungenauen Risikobewertung f\u00fchren. Durch die Implementierung der data-Abstammung k\u00f6nnte das Unternehmen die Urspr\u00fcnge der data zur\u00fcckverfolgen, feststellen, wo Unstimmigkeiten auftreten, und sicherstellen, dass die data-Transformationen mit den Qualit\u00e4tsstandards \u00fcbereinstimmen. Diese Transparenz hilft dabei, Probleme zu korrigieren, bevor sie sich auf das Modell auswirken, was letztlich zu zuverl\u00e4ssigeren und genaueren Vorhersagen f\u00fchrt und die Gesamtintegrit\u00e4t des KI-Systems aufrechterh\u00e4lt.<\/p>\n<\/div>
Data lineage verbessert die Fehlersuche in KI-Modellen, Verbesserungen und Reproduzierbarkeit, indem es einen detaillierten \u00dcberblick \u00fcber die Reise von data durch den Modellierungsprozess bietet. Wenn ein Modell unerwartete Ergebnisse liefert, hilft data Lineage dabei, das data durch alle Phasen zu verfolgen - von der Erfassung \u00fcber die Vorverarbeitung bis hin zum Feature Engineering. Dank dieser Transparenz k\u00f6nnen data-Wissenschaftler erkennen, wo Probleme oder Unstimmigkeiten aufgetreten sind, was eine pr\u00e4zise Fehlersuche und gezielte Verbesserungen erleichtert. Dar\u00fcber hinaus ist die \u201cDomain Adaptation\u201d eine g\u00e4ngige Methode zur Wiederverwendung von Komponenten von Algorithmen, um den Zeit- und Ressourcenaufwand f\u00fcr die Erstellung eines KI-Modells von Grund auf zu reduzieren. Lineage ist f\u00fcr diese Reproduzierbarkeit \u00fcber verschiedene Iterationen und Experimente hinweg unerl\u00e4sslich, da es die Dokumentation und Verwendung von data f\u00fcr die Algorithmen liefert.<\/p>\n<\/div>
KI f\u00fcr den Erfolg: Wie Artefact und Solidatus das Data-Management f\u00fcr Finanzinstitute revolutionieren<\/h2><\/div>Artefact<\/a> und Solidatus <\/a>sind Kooperationspartner, die sich in der \u00dcberzeugung einig sind, dass ein effektives data-Management f\u00fcr den Erfolg von KI unerl\u00e4sslich ist. Akhilesh Kale, einer der f\u00fchrenden Mitarbeiter von Artefact im Bereich Finanzdienstleistungen, erkl\u00e4rt: \u201cDie data-Linie ist das R\u00fcckgrat des Vertrauens in Finanzinstitute und sorgt f\u00fcr die Integrit\u00e4t, die in einer so hochkomplexen, von regulatorischem Druck gepr\u00e4gten Landschaft entscheidend ist.\u201d Diese Betonung der data-Integrit\u00e4t ist von zentraler Bedeutung f\u00fcr die Art und Weise, wie die Expertise von Artefact in der data- und KI-Ausf\u00fchrung die strukturierte Umgebung von Solidatus erg\u00e4nzt, die bei der Verwaltung und Speicherung von grobem Datenmaterial hilft. Gemeinsam erm\u00f6glichen sie es Finanzinstituten, die Transparenz der data-Quellen f\u00fcr KI-Modelle zu verbessern. Phil Yeoman, ehemals bei Cardano, betont: \u2019Mit Solidatus ist unser data-Bestand jetzt abgebildet, modelliert und katalogisiert. In einer einzigen Ansicht kann ich dem Unternehmen zeigen, wo sich sein data befindet, wie es durch Systeme und Anwendungen flie\u00dft, welche data-Qualit\u00e4tsregeln gelten und welches data der GDPR unterliegt.\u201c Diese nahtlose Integration von Tools und Diensten unterstreicht die transformative Kraft von data Lineage for AI. Sie vereinfacht die Einhaltung von Vorschriften, gew\u00e4hrleistet erstklassige data-Qualit\u00e4t und verbessert die Modellgenauigkeit durch die R\u00fcckverfolgung von data vom Ursprung bis zum Ziel. Diese R\u00fcckverfolgbarkeit ist von unsch\u00e4tzbarem Wert, wenn es darum geht, regulatorische Standards wie CCPA und GLBA zu erf\u00fcllen und gleichzeitig data-Inkonsistenzen zu identifizieren, die KI-Modelle gef\u00e4hrden k\u00f6nnten. Au\u00dferdem, data Abstammung<\/a> rationalisiert die Fehlersuche, steigert die Modellleistung und gew\u00e4hrleistet konsistente, zuverl\u00e4ssige Ergebnisse.<\/p>\n<\/div>Referenzen<\/h2><\/div>(1) Prestianni, Timothy. \u201c131 KI-Statistiken und Trends f\u00fcr (2024)\u201d. Nationale Universit\u00e4t, 30. Mai 2024. https:\/\/www.nu.edu\/blog\/ai-statistics-trends\/<\/a>.<\/p>\n(2) Matthew Fox, \u201cHow Artificial Intelligence Is Shaping Consumer Sentiment\u201d, Forbes, 22. September 2023, https:\/\/www.forbes.com\/advisor\/business\/artificial-intelligence-consumer-sentiment\/<\/a>.<\/p>\n
Artefact<\/a> und Solidatus <\/a>sind Kooperationspartner, die sich in der \u00dcberzeugung einig sind, dass ein effektives data-Management f\u00fcr den Erfolg von KI unerl\u00e4sslich ist. Akhilesh Kale, einer der f\u00fchrenden Mitarbeiter von Artefact im Bereich Finanzdienstleistungen, erkl\u00e4rt: \u201cDie data-Linie ist das R\u00fcckgrat des Vertrauens in Finanzinstitute und sorgt f\u00fcr die Integrit\u00e4t, die in einer so hochkomplexen, von regulatorischem Druck gepr\u00e4gten Landschaft entscheidend ist.\u201d Diese Betonung der data-Integrit\u00e4t ist von zentraler Bedeutung f\u00fcr die Art und Weise, wie die Expertise von Artefact in der data- und KI-Ausf\u00fchrung die strukturierte Umgebung von Solidatus erg\u00e4nzt, die bei der Verwaltung und Speicherung von grobem Datenmaterial hilft. Gemeinsam erm\u00f6glichen sie es Finanzinstituten, die Transparenz der data-Quellen f\u00fcr KI-Modelle zu verbessern. Phil Yeoman, ehemals bei Cardano, betont: \u2019Mit Solidatus ist unser data-Bestand jetzt abgebildet, modelliert und katalogisiert. In einer einzigen Ansicht kann ich dem Unternehmen zeigen, wo sich sein data befindet, wie es durch Systeme und Anwendungen flie\u00dft, welche data-Qualit\u00e4tsregeln gelten und welches data der GDPR unterliegt.\u201c Diese nahtlose Integration von Tools und Diensten unterstreicht die transformative Kraft von data Lineage for AI. Sie vereinfacht die Einhaltung von Vorschriften, gew\u00e4hrleistet erstklassige data-Qualit\u00e4t und verbessert die Modellgenauigkeit durch die R\u00fcckverfolgung von data vom Ursprung bis zum Ziel. Diese R\u00fcckverfolgbarkeit ist von unsch\u00e4tzbarem Wert, wenn es darum geht, regulatorische Standards wie CCPA und GLBA zu erf\u00fcllen und gleichzeitig data-Inkonsistenzen zu identifizieren, die KI-Modelle gef\u00e4hrden k\u00f6nnten. Au\u00dferdem, data Abstammung<\/a> rationalisiert die Fehlersuche, steigert die Modellleistung und gew\u00e4hrleistet konsistente, zuverl\u00e4ssige Ergebnisse.<\/p>\n<\/div> (1) Prestianni, Timothy. \u201c131 KI-Statistiken und Trends f\u00fcr (2024)\u201d. Nationale Universit\u00e4t, 30. Mai 2024. https:\/\/www.nu.edu\/blog\/ai-statistics-trends\/<\/a>.<\/p>\n (2) Matthew Fox, \u201cHow Artificial Intelligence Is Shaping Consumer Sentiment\u201d, Forbes, 22. September 2023, https:\/\/www.forbes.com\/advisor\/business\/artificial-intelligence-consumer-sentiment\/<\/a>.<\/p>\nReferenzen<\/h2><\/div>