![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/05\/logo-la-jaune-et-la-rouge.png\"){kind=logo}
<\/a><\/span><\/div>Was ist die DNA von Artefact?<\/h2><\/div>Artefact ist ein Ingenieurb\u00fcro, das sich auf KI und data spezialisiert hat. Das f\u00fchrende europ\u00e4ische Unternehmen ist in 23 L\u00e4ndern vertreten und hat eine starke Pr\u00e4senz in Frankreich. Es besch\u00e4ftigt 1.700 Mitarbeiter, von denen ein gro\u00dfer Teil Ingenieure sind. Artefact unterst\u00fctzt seine Kundenunternehmen bei ihren KI- und data-Projekten und deckt dabei strategische Fragen wie data governance bis hin zur Entwicklung und Einf\u00fchrung von Modellen ab.<\/p>\n
Unsere Teams, die sich aus data-Wissenschaftlern, Software-Ingenieuren und data-Analysten zusammensetzen, k\u00f6nnen eine breite Palette von Techniken des maschinellen Lernens in angewandten F\u00e4llen einsetzen. Das Ziel: \u00fcber die gesamte Wertsch\u00f6pfungskette hinweg zu arbeiten, damit unsere Kunden die KI voll nutzen k\u00f6nnen.<\/p>\n
Artefact hat auch andere Facetten, wie die Schule von Data, die sich auf die Umschulung von Fachleuten konzentriert, und die Organisation von Gro\u00dfveranstaltungen in Frankreich wie AI for Health oder Adopt AI.<\/p>\n<\/div>
Informieren Sie uns \u00fcber Artefact's Research Center<\/h2><\/div>Das Forschungszentrum widmet sich der Open-Source-Forschung. Seine Aufgabe ist es, KI in Gesch\u00e4ftsanwendungen zu verbessern, um sie benutzerfreundlicher und bedarfsgerechter zu machen. Unser Ziel ist es, die Wahrnehmung des maschinellen Lernens als unkontrollierbare Blackbox zu durchbrechen.<\/p>\n
Zu diesem Zweck ist das Zentrum in zwei Fachbereiche unterteilt: angewandte Mathematik, um Modelle aus statistischer Sicht zu verbessern, und Managementwissenschaften, die Unternehmen und Organisationen als Studienobjekte behandeln. Wir untersuchen, wie sie Technologien einsetzen und stellen uns m\u00f6gliche Verbesserungen vor.<\/p>\n<\/div>
Wie arbeiten Sie?<\/h2><\/div>Wir betreiben vor allem wissenschaftliche Forschung ohne Gewinnabsicht. Das Ergebnis unserer Arbeit sind wissenschaftliche Ver\u00f6ffentlichungen und internationale Konferenzen. Im Gegensatz zur Beratung, die sehr schnell geht, arbeitet das Forschungszentrum auf einer l\u00e4ngeren Zeitachse. Wir bauen Partnerschaften zwischen akademischen Experten und Unternehmen auf, die reale Herausforderungen mitbringen. Diese Korrelation erm\u00f6glicht es uns, konkrete Anwendungsf\u00e4lle anzugehen, indem wir auf die data-Basis der Partnerunternehmen zugreifen. Das Ziel ist es, unsere Methoden an diesen gro\u00df angelegten, realen Problemen zu testen und zu verbessern.<\/p>\n<\/div>
Eine Revolution f\u00fcr den Einzelhandel?<\/h2><\/div>Der Einzelhandel ist ein data-lastiger Sektor, insbesondere durch Kassenbons. Durch die Anpassung an diese Struktur kann artificial intelligence den Bon \u201centschl\u00fcsseln\u201d, da jedes aufgef\u00fchrte Produkt als ein Wort betrachtet werden kann, das mit anderen verbunden ist.<\/p>\n
So k\u00f6nnen wir die Verbrauchergewohnheiten vorhersagen und die Gesch\u00e4fte entsprechend anpassen. Wir k\u00f6nnen Produktinteraktionen erfassen, um z.B. komplement\u00e4re Produkte zusammen auszustellen oder eine \u201cKannibalisierung\u201d zwischen Produkten oder Werbeaktionen zu vermeiden. Wir sind \u00fcberzeugt, dass dieser Einsatz von data die Zukunft des Einzelhandels ist. KI wird niemals die Erfahrung und das Know-how eines Abteilungsleiters oder eines Einzelhandelspartners ersetzen, aber sie kann sie durch wertvolle Erkenntnisse aus data noch effektiver machen.<\/p>\n<\/div>
Ein wichtiges Instrument auch im Bankensektor?<\/h2><\/div>Noch einmal: Artefact zielt nicht darauf ab, Finanzanalysten zu ersetzen, die \u00fcber ausgezeichnete Fachkenntnisse verf\u00fcgen. Sie k\u00f6nnen jedoch nicht alle gef\u00e4hrdeten Kunden oder Betr\u00fcger erkennen. Mithilfe von Scoring-Modellen, die auf historischen data-Daten trainiert wurden, k\u00f6nnen wir ungew\u00f6hnliche Kundenprofile erkennen und negative Ereignisse vorhersehen, bevor sie zu echten Problemen werden. Da Analysten ihre Entscheidungen begr\u00fcnden m\u00fcssen, was eine regulatorische Anforderung ist, arbeiten wir an der Entwicklung von Scoring-Systemen, die erkl\u00e4rbar sind und interpretierbare Gr\u00fcnde f\u00fcr Hochrisikoprofile bieten.<\/p>\n<\/div>
KI verbessert also die menschlichen F\u00e4higkeiten bei der Arbeit?<\/h2><\/div>Ganz genau. Ich verwende oft das Beispiel von Google. Wenn Sie online etwas suchen, findet eine Analyse statt. Das maschinelle Lernen fragt Billionen von Webseiten ab, was ohne Automatisierung unm\u00f6glich w\u00e4re. Die Zeit, die der Algorithmus einspart, ist die gesamte Vorarbeit, die der Mensch nicht mehr leisten muss. KI funktioniert \u00e4hnlich. Letztendlich ist es immer der Mensch, der entscheidet, ob er das Ergebnis annimmt oder nicht und ihm eine Bedeutung gibt. Das begann mit der Buchsuche, setzte sich mit dem Aufkommen des Internets und von Wikipedia fort und setzt sich nun mit den heutigen Technologien fort. Und das wird auch so schnell nicht aufh\u00f6ren.<\/p>\n<\/div>
Was sind Ihrer Meinung nach die Herausforderungen der generativen KI?<\/h2><\/div>Vor allem mit ChatGPT hat es einen Wendepunkt in der Art und Weise gegeben, wie die \u00d6ffentlichkeit neue Technologien annimmt. Zum ersten Mal haben wir gesehen, dass sich etwas von unten nach oben durchsetzt: Mitarbeiter haben begonnen, gute Wege zu finden, ChatGPT als hilfreiches Werkzeug bei ihrer Arbeit zu nutzen. Aus der Sicht von Artefact liegt der Schl\u00fcssel darin, diese Technologien auf bestimmte Anwendungsf\u00e4lle auszurichten. Anstatt ein Allzweck-Tool f\u00fcr alles zu verwenden, geht es darum, robuste Anwendungen f\u00fcr pr\u00e4zise Aufgaben zu entwickeln.<\/p>\n
Im Moment sind diese Modelle nicht sehr robust. Sie rufen Informationen auf eine Art und Weise aus ihrem Ged\u00e4chtnis ab, die wir nicht ganz verstehen, was zu unangemessenen oder sogar absurden Ergebnissen f\u00fchren kann. Wir arbeiten zum Beispiel an einem einfachen, aber zuverl\u00e4ssigen Vertrauensindex, der den Benutzern angezeigt werden soll. Ziel ist es, sowohl irref\u00fchrende Informationen zu vermeiden als auch eine kritische Haltung gegen\u00fcber den Antworten des Modells zu f\u00f6rdern.<\/p>\n<\/div><\/div><\/div><\/div><\/article><\/p>","protected":false},"excerpt":{"rendered":"
Die Aufgabe des Artefact Research Center besteht darin, ein Innovations\u00f6kosystem rund um KI und data zu f\u00f6rdern, indem die Zusammenarbeit zwischen Hochschulprofessoren und Vertretern internationaler Partnerunternehmen angeregt wird. Das Ziel: Spitzenforschung, die von data und den industriellen Anwendungen der Partnerunternehmen vorangetrieben wird.<\/p>","protected":false},"featured_media":595969,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995],"blog-language":[2991],"class_list":["post-595833","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-ai-technology","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog\/595833","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media\/595969"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media?parent=595833"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-category?post=595833"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-language?post=595833"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
Artefact ist ein Ingenieurb\u00fcro, das sich auf KI und data spezialisiert hat. Das f\u00fchrende europ\u00e4ische Unternehmen ist in 23 L\u00e4ndern vertreten und hat eine starke Pr\u00e4senz in Frankreich. Es besch\u00e4ftigt 1.700 Mitarbeiter, von denen ein gro\u00dfer Teil Ingenieure sind. Artefact unterst\u00fctzt seine Kundenunternehmen bei ihren KI- und data-Projekten und deckt dabei strategische Fragen wie data governance bis hin zur Entwicklung und Einf\u00fchrung von Modellen ab.<\/p>\n
Unsere Teams, die sich aus data-Wissenschaftlern, Software-Ingenieuren und data-Analysten zusammensetzen, k\u00f6nnen eine breite Palette von Techniken des maschinellen Lernens in angewandten F\u00e4llen einsetzen. Das Ziel: \u00fcber die gesamte Wertsch\u00f6pfungskette hinweg zu arbeiten, damit unsere Kunden die KI voll nutzen k\u00f6nnen.<\/p>\n
Artefact hat auch andere Facetten, wie die Schule von Data, die sich auf die Umschulung von Fachleuten konzentriert, und die Organisation von Gro\u00dfveranstaltungen in Frankreich wie AI for Health oder Adopt AI.<\/p>\n<\/div>
Informieren Sie uns \u00fcber Artefact's Research Center<\/h2><\/div>Das Forschungszentrum widmet sich der Open-Source-Forschung. Seine Aufgabe ist es, KI in Gesch\u00e4ftsanwendungen zu verbessern, um sie benutzerfreundlicher und bedarfsgerechter zu machen. Unser Ziel ist es, die Wahrnehmung des maschinellen Lernens als unkontrollierbare Blackbox zu durchbrechen.<\/p>\n
Zu diesem Zweck ist das Zentrum in zwei Fachbereiche unterteilt: angewandte Mathematik, um Modelle aus statistischer Sicht zu verbessern, und Managementwissenschaften, die Unternehmen und Organisationen als Studienobjekte behandeln. Wir untersuchen, wie sie Technologien einsetzen und stellen uns m\u00f6gliche Verbesserungen vor.<\/p>\n<\/div>
Wie arbeiten Sie?<\/h2><\/div>Wir betreiben vor allem wissenschaftliche Forschung ohne Gewinnabsicht. Das Ergebnis unserer Arbeit sind wissenschaftliche Ver\u00f6ffentlichungen und internationale Konferenzen. Im Gegensatz zur Beratung, die sehr schnell geht, arbeitet das Forschungszentrum auf einer l\u00e4ngeren Zeitachse. Wir bauen Partnerschaften zwischen akademischen Experten und Unternehmen auf, die reale Herausforderungen mitbringen. Diese Korrelation erm\u00f6glicht es uns, konkrete Anwendungsf\u00e4lle anzugehen, indem wir auf die data-Basis der Partnerunternehmen zugreifen. Das Ziel ist es, unsere Methoden an diesen gro\u00df angelegten, realen Problemen zu testen und zu verbessern.<\/p>\n<\/div>
Eine Revolution f\u00fcr den Einzelhandel?<\/h2><\/div>Der Einzelhandel ist ein data-lastiger Sektor, insbesondere durch Kassenbons. Durch die Anpassung an diese Struktur kann artificial intelligence den Bon \u201centschl\u00fcsseln\u201d, da jedes aufgef\u00fchrte Produkt als ein Wort betrachtet werden kann, das mit anderen verbunden ist.<\/p>\n
So k\u00f6nnen wir die Verbrauchergewohnheiten vorhersagen und die Gesch\u00e4fte entsprechend anpassen. Wir k\u00f6nnen Produktinteraktionen erfassen, um z.B. komplement\u00e4re Produkte zusammen auszustellen oder eine \u201cKannibalisierung\u201d zwischen Produkten oder Werbeaktionen zu vermeiden. Wir sind \u00fcberzeugt, dass dieser Einsatz von data die Zukunft des Einzelhandels ist. KI wird niemals die Erfahrung und das Know-how eines Abteilungsleiters oder eines Einzelhandelspartners ersetzen, aber sie kann sie durch wertvolle Erkenntnisse aus data noch effektiver machen.<\/p>\n<\/div>
Ein wichtiges Instrument auch im Bankensektor?<\/h2><\/div>Noch einmal: Artefact zielt nicht darauf ab, Finanzanalysten zu ersetzen, die \u00fcber ausgezeichnete Fachkenntnisse verf\u00fcgen. Sie k\u00f6nnen jedoch nicht alle gef\u00e4hrdeten Kunden oder Betr\u00fcger erkennen. Mithilfe von Scoring-Modellen, die auf historischen data-Daten trainiert wurden, k\u00f6nnen wir ungew\u00f6hnliche Kundenprofile erkennen und negative Ereignisse vorhersehen, bevor sie zu echten Problemen werden. Da Analysten ihre Entscheidungen begr\u00fcnden m\u00fcssen, was eine regulatorische Anforderung ist, arbeiten wir an der Entwicklung von Scoring-Systemen, die erkl\u00e4rbar sind und interpretierbare Gr\u00fcnde f\u00fcr Hochrisikoprofile bieten.<\/p>\n<\/div>
KI verbessert also die menschlichen F\u00e4higkeiten bei der Arbeit?<\/h2><\/div>Ganz genau. Ich verwende oft das Beispiel von Google. Wenn Sie online etwas suchen, findet eine Analyse statt. Das maschinelle Lernen fragt Billionen von Webseiten ab, was ohne Automatisierung unm\u00f6glich w\u00e4re. Die Zeit, die der Algorithmus einspart, ist die gesamte Vorarbeit, die der Mensch nicht mehr leisten muss. KI funktioniert \u00e4hnlich. Letztendlich ist es immer der Mensch, der entscheidet, ob er das Ergebnis annimmt oder nicht und ihm eine Bedeutung gibt. Das begann mit der Buchsuche, setzte sich mit dem Aufkommen des Internets und von Wikipedia fort und setzt sich nun mit den heutigen Technologien fort. Und das wird auch so schnell nicht aufh\u00f6ren.<\/p>\n<\/div>
Was sind Ihrer Meinung nach die Herausforderungen der generativen KI?<\/h2><\/div>Vor allem mit ChatGPT hat es einen Wendepunkt in der Art und Weise gegeben, wie die \u00d6ffentlichkeit neue Technologien annimmt. Zum ersten Mal haben wir gesehen, dass sich etwas von unten nach oben durchsetzt: Mitarbeiter haben begonnen, gute Wege zu finden, ChatGPT als hilfreiches Werkzeug bei ihrer Arbeit zu nutzen. Aus der Sicht von Artefact liegt der Schl\u00fcssel darin, diese Technologien auf bestimmte Anwendungsf\u00e4lle auszurichten. Anstatt ein Allzweck-Tool f\u00fcr alles zu verwenden, geht es darum, robuste Anwendungen f\u00fcr pr\u00e4zise Aufgaben zu entwickeln.<\/p>\n
Im Moment sind diese Modelle nicht sehr robust. Sie rufen Informationen auf eine Art und Weise aus ihrem Ged\u00e4chtnis ab, die wir nicht ganz verstehen, was zu unangemessenen oder sogar absurden Ergebnissen f\u00fchren kann. Wir arbeiten zum Beispiel an einem einfachen, aber zuverl\u00e4ssigen Vertrauensindex, der den Benutzern angezeigt werden soll. Ziel ist es, sowohl irref\u00fchrende Informationen zu vermeiden als auch eine kritische Haltung gegen\u00fcber den Antworten des Modells zu f\u00f6rdern.<\/p>\n<\/div><\/div><\/div><\/div><\/article><\/p>","protected":false},"excerpt":{"rendered":"
Die Aufgabe des Artefact Research Center besteht darin, ein Innovations\u00f6kosystem rund um KI und data zu f\u00f6rdern, indem die Zusammenarbeit zwischen Hochschulprofessoren und Vertretern internationaler Partnerunternehmen angeregt wird. Das Ziel: Spitzenforschung, die von data und den industriellen Anwendungen der Partnerunternehmen vorangetrieben wird.<\/p>","protected":false},"featured_media":595969,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995],"blog-language":[2991],"class_list":["post-595833","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-ai-technology","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog\/595833","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media\/595969"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media?parent=595833"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-category?post=595833"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-language?post=595833"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
Das Forschungszentrum widmet sich der Open-Source-Forschung. Seine Aufgabe ist es, KI in Gesch\u00e4ftsanwendungen zu verbessern, um sie benutzerfreundlicher und bedarfsgerechter zu machen. Unser Ziel ist es, die Wahrnehmung des maschinellen Lernens als unkontrollierbare Blackbox zu durchbrechen.<\/p>\n
Zu diesem Zweck ist das Zentrum in zwei Fachbereiche unterteilt: angewandte Mathematik, um Modelle aus statistischer Sicht zu verbessern, und Managementwissenschaften, die Unternehmen und Organisationen als Studienobjekte behandeln. Wir untersuchen, wie sie Technologien einsetzen und stellen uns m\u00f6gliche Verbesserungen vor.<\/p>\n<\/div>
Wie arbeiten Sie?<\/h2><\/div>Wir betreiben vor allem wissenschaftliche Forschung ohne Gewinnabsicht. Das Ergebnis unserer Arbeit sind wissenschaftliche Ver\u00f6ffentlichungen und internationale Konferenzen. Im Gegensatz zur Beratung, die sehr schnell geht, arbeitet das Forschungszentrum auf einer l\u00e4ngeren Zeitachse. Wir bauen Partnerschaften zwischen akademischen Experten und Unternehmen auf, die reale Herausforderungen mitbringen. Diese Korrelation erm\u00f6glicht es uns, konkrete Anwendungsf\u00e4lle anzugehen, indem wir auf die data-Basis der Partnerunternehmen zugreifen. Das Ziel ist es, unsere Methoden an diesen gro\u00df angelegten, realen Problemen zu testen und zu verbessern.<\/p>\n<\/div>
Eine Revolution f\u00fcr den Einzelhandel?<\/h2><\/div>Der Einzelhandel ist ein data-lastiger Sektor, insbesondere durch Kassenbons. Durch die Anpassung an diese Struktur kann artificial intelligence den Bon \u201centschl\u00fcsseln\u201d, da jedes aufgef\u00fchrte Produkt als ein Wort betrachtet werden kann, das mit anderen verbunden ist.<\/p>\n
So k\u00f6nnen wir die Verbrauchergewohnheiten vorhersagen und die Gesch\u00e4fte entsprechend anpassen. Wir k\u00f6nnen Produktinteraktionen erfassen, um z.B. komplement\u00e4re Produkte zusammen auszustellen oder eine \u201cKannibalisierung\u201d zwischen Produkten oder Werbeaktionen zu vermeiden. Wir sind \u00fcberzeugt, dass dieser Einsatz von data die Zukunft des Einzelhandels ist. KI wird niemals die Erfahrung und das Know-how eines Abteilungsleiters oder eines Einzelhandelspartners ersetzen, aber sie kann sie durch wertvolle Erkenntnisse aus data noch effektiver machen.<\/p>\n<\/div>
Ein wichtiges Instrument auch im Bankensektor?<\/h2><\/div>Noch einmal: Artefact zielt nicht darauf ab, Finanzanalysten zu ersetzen, die \u00fcber ausgezeichnete Fachkenntnisse verf\u00fcgen. Sie k\u00f6nnen jedoch nicht alle gef\u00e4hrdeten Kunden oder Betr\u00fcger erkennen. Mithilfe von Scoring-Modellen, die auf historischen data-Daten trainiert wurden, k\u00f6nnen wir ungew\u00f6hnliche Kundenprofile erkennen und negative Ereignisse vorhersehen, bevor sie zu echten Problemen werden. Da Analysten ihre Entscheidungen begr\u00fcnden m\u00fcssen, was eine regulatorische Anforderung ist, arbeiten wir an der Entwicklung von Scoring-Systemen, die erkl\u00e4rbar sind und interpretierbare Gr\u00fcnde f\u00fcr Hochrisikoprofile bieten.<\/p>\n<\/div>
KI verbessert also die menschlichen F\u00e4higkeiten bei der Arbeit?<\/h2><\/div>Ganz genau. Ich verwende oft das Beispiel von Google. Wenn Sie online etwas suchen, findet eine Analyse statt. Das maschinelle Lernen fragt Billionen von Webseiten ab, was ohne Automatisierung unm\u00f6glich w\u00e4re. Die Zeit, die der Algorithmus einspart, ist die gesamte Vorarbeit, die der Mensch nicht mehr leisten muss. KI funktioniert \u00e4hnlich. Letztendlich ist es immer der Mensch, der entscheidet, ob er das Ergebnis annimmt oder nicht und ihm eine Bedeutung gibt. Das begann mit der Buchsuche, setzte sich mit dem Aufkommen des Internets und von Wikipedia fort und setzt sich nun mit den heutigen Technologien fort. Und das wird auch so schnell nicht aufh\u00f6ren.<\/p>\n<\/div>
Was sind Ihrer Meinung nach die Herausforderungen der generativen KI?<\/h2><\/div>Vor allem mit ChatGPT hat es einen Wendepunkt in der Art und Weise gegeben, wie die \u00d6ffentlichkeit neue Technologien annimmt. Zum ersten Mal haben wir gesehen, dass sich etwas von unten nach oben durchsetzt: Mitarbeiter haben begonnen, gute Wege zu finden, ChatGPT als hilfreiches Werkzeug bei ihrer Arbeit zu nutzen. Aus der Sicht von Artefact liegt der Schl\u00fcssel darin, diese Technologien auf bestimmte Anwendungsf\u00e4lle auszurichten. Anstatt ein Allzweck-Tool f\u00fcr alles zu verwenden, geht es darum, robuste Anwendungen f\u00fcr pr\u00e4zise Aufgaben zu entwickeln.<\/p>\n
Im Moment sind diese Modelle nicht sehr robust. Sie rufen Informationen auf eine Art und Weise aus ihrem Ged\u00e4chtnis ab, die wir nicht ganz verstehen, was zu unangemessenen oder sogar absurden Ergebnissen f\u00fchren kann. Wir arbeiten zum Beispiel an einem einfachen, aber zuverl\u00e4ssigen Vertrauensindex, der den Benutzern angezeigt werden soll. Ziel ist es, sowohl irref\u00fchrende Informationen zu vermeiden als auch eine kritische Haltung gegen\u00fcber den Antworten des Modells zu f\u00f6rdern.<\/p>\n<\/div><\/div><\/div><\/div><\/article><\/p>","protected":false},"excerpt":{"rendered":"
Die Aufgabe des Artefact Research Center besteht darin, ein Innovations\u00f6kosystem rund um KI und data zu f\u00f6rdern, indem die Zusammenarbeit zwischen Hochschulprofessoren und Vertretern internationaler Partnerunternehmen angeregt wird. Das Ziel: Spitzenforschung, die von data und den industriellen Anwendungen der Partnerunternehmen vorangetrieben wird.<\/p>","protected":false},"featured_media":595969,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995],"blog-language":[2991],"class_list":["post-595833","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-ai-technology","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog\/595833","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media\/595969"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media?parent=595833"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-category?post=595833"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-language?post=595833"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
Wir betreiben vor allem wissenschaftliche Forschung ohne Gewinnabsicht. Das Ergebnis unserer Arbeit sind wissenschaftliche Ver\u00f6ffentlichungen und internationale Konferenzen. Im Gegensatz zur Beratung, die sehr schnell geht, arbeitet das Forschungszentrum auf einer l\u00e4ngeren Zeitachse. Wir bauen Partnerschaften zwischen akademischen Experten und Unternehmen auf, die reale Herausforderungen mitbringen. Diese Korrelation erm\u00f6glicht es uns, konkrete Anwendungsf\u00e4lle anzugehen, indem wir auf die data-Basis der Partnerunternehmen zugreifen. Das Ziel ist es, unsere Methoden an diesen gro\u00df angelegten, realen Problemen zu testen und zu verbessern.<\/p>\n<\/div>
Eine Revolution f\u00fcr den Einzelhandel?<\/h2><\/div>Der Einzelhandel ist ein data-lastiger Sektor, insbesondere durch Kassenbons. Durch die Anpassung an diese Struktur kann artificial intelligence den Bon \u201centschl\u00fcsseln\u201d, da jedes aufgef\u00fchrte Produkt als ein Wort betrachtet werden kann, das mit anderen verbunden ist.<\/p>\n
So k\u00f6nnen wir die Verbrauchergewohnheiten vorhersagen und die Gesch\u00e4fte entsprechend anpassen. Wir k\u00f6nnen Produktinteraktionen erfassen, um z.B. komplement\u00e4re Produkte zusammen auszustellen oder eine \u201cKannibalisierung\u201d zwischen Produkten oder Werbeaktionen zu vermeiden. Wir sind \u00fcberzeugt, dass dieser Einsatz von data die Zukunft des Einzelhandels ist. KI wird niemals die Erfahrung und das Know-how eines Abteilungsleiters oder eines Einzelhandelspartners ersetzen, aber sie kann sie durch wertvolle Erkenntnisse aus data noch effektiver machen.<\/p>\n<\/div>
Ein wichtiges Instrument auch im Bankensektor?<\/h2><\/div>Noch einmal: Artefact zielt nicht darauf ab, Finanzanalysten zu ersetzen, die \u00fcber ausgezeichnete Fachkenntnisse verf\u00fcgen. Sie k\u00f6nnen jedoch nicht alle gef\u00e4hrdeten Kunden oder Betr\u00fcger erkennen. Mithilfe von Scoring-Modellen, die auf historischen data-Daten trainiert wurden, k\u00f6nnen wir ungew\u00f6hnliche Kundenprofile erkennen und negative Ereignisse vorhersehen, bevor sie zu echten Problemen werden. Da Analysten ihre Entscheidungen begr\u00fcnden m\u00fcssen, was eine regulatorische Anforderung ist, arbeiten wir an der Entwicklung von Scoring-Systemen, die erkl\u00e4rbar sind und interpretierbare Gr\u00fcnde f\u00fcr Hochrisikoprofile bieten.<\/p>\n<\/div>
KI verbessert also die menschlichen F\u00e4higkeiten bei der Arbeit?<\/h2><\/div>Ganz genau. Ich verwende oft das Beispiel von Google. Wenn Sie online etwas suchen, findet eine Analyse statt. Das maschinelle Lernen fragt Billionen von Webseiten ab, was ohne Automatisierung unm\u00f6glich w\u00e4re. Die Zeit, die der Algorithmus einspart, ist die gesamte Vorarbeit, die der Mensch nicht mehr leisten muss. KI funktioniert \u00e4hnlich. Letztendlich ist es immer der Mensch, der entscheidet, ob er das Ergebnis annimmt oder nicht und ihm eine Bedeutung gibt. Das begann mit der Buchsuche, setzte sich mit dem Aufkommen des Internets und von Wikipedia fort und setzt sich nun mit den heutigen Technologien fort. Und das wird auch so schnell nicht aufh\u00f6ren.<\/p>\n<\/div>
Was sind Ihrer Meinung nach die Herausforderungen der generativen KI?<\/h2><\/div>Vor allem mit ChatGPT hat es einen Wendepunkt in der Art und Weise gegeben, wie die \u00d6ffentlichkeit neue Technologien annimmt. Zum ersten Mal haben wir gesehen, dass sich etwas von unten nach oben durchsetzt: Mitarbeiter haben begonnen, gute Wege zu finden, ChatGPT als hilfreiches Werkzeug bei ihrer Arbeit zu nutzen. Aus der Sicht von Artefact liegt der Schl\u00fcssel darin, diese Technologien auf bestimmte Anwendungsf\u00e4lle auszurichten. Anstatt ein Allzweck-Tool f\u00fcr alles zu verwenden, geht es darum, robuste Anwendungen f\u00fcr pr\u00e4zise Aufgaben zu entwickeln.<\/p>\n
Im Moment sind diese Modelle nicht sehr robust. Sie rufen Informationen auf eine Art und Weise aus ihrem Ged\u00e4chtnis ab, die wir nicht ganz verstehen, was zu unangemessenen oder sogar absurden Ergebnissen f\u00fchren kann. Wir arbeiten zum Beispiel an einem einfachen, aber zuverl\u00e4ssigen Vertrauensindex, der den Benutzern angezeigt werden soll. Ziel ist es, sowohl irref\u00fchrende Informationen zu vermeiden als auch eine kritische Haltung gegen\u00fcber den Antworten des Modells zu f\u00f6rdern.<\/p>\n<\/div><\/div><\/div><\/div><\/article><\/p>","protected":false},"excerpt":{"rendered":"
Die Aufgabe des Artefact Research Center besteht darin, ein Innovations\u00f6kosystem rund um KI und data zu f\u00f6rdern, indem die Zusammenarbeit zwischen Hochschulprofessoren und Vertretern internationaler Partnerunternehmen angeregt wird. Das Ziel: Spitzenforschung, die von data und den industriellen Anwendungen der Partnerunternehmen vorangetrieben wird.<\/p>","protected":false},"featured_media":595969,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995],"blog-language":[2991],"class_list":["post-595833","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-ai-technology","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog\/595833","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media\/595969"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media?parent=595833"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-category?post=595833"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-language?post=595833"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
Der Einzelhandel ist ein data-lastiger Sektor, insbesondere durch Kassenbons. Durch die Anpassung an diese Struktur kann artificial intelligence den Bon \u201centschl\u00fcsseln\u201d, da jedes aufgef\u00fchrte Produkt als ein Wort betrachtet werden kann, das mit anderen verbunden ist.<\/p>\n
So k\u00f6nnen wir die Verbrauchergewohnheiten vorhersagen und die Gesch\u00e4fte entsprechend anpassen. Wir k\u00f6nnen Produktinteraktionen erfassen, um z.B. komplement\u00e4re Produkte zusammen auszustellen oder eine \u201cKannibalisierung\u201d zwischen Produkten oder Werbeaktionen zu vermeiden. Wir sind \u00fcberzeugt, dass dieser Einsatz von data die Zukunft des Einzelhandels ist. KI wird niemals die Erfahrung und das Know-how eines Abteilungsleiters oder eines Einzelhandelspartners ersetzen, aber sie kann sie durch wertvolle Erkenntnisse aus data noch effektiver machen.<\/p>\n<\/div>
Ein wichtiges Instrument auch im Bankensektor?<\/h2><\/div>Noch einmal: Artefact zielt nicht darauf ab, Finanzanalysten zu ersetzen, die \u00fcber ausgezeichnete Fachkenntnisse verf\u00fcgen. Sie k\u00f6nnen jedoch nicht alle gef\u00e4hrdeten Kunden oder Betr\u00fcger erkennen. Mithilfe von Scoring-Modellen, die auf historischen data-Daten trainiert wurden, k\u00f6nnen wir ungew\u00f6hnliche Kundenprofile erkennen und negative Ereignisse vorhersehen, bevor sie zu echten Problemen werden. Da Analysten ihre Entscheidungen begr\u00fcnden m\u00fcssen, was eine regulatorische Anforderung ist, arbeiten wir an der Entwicklung von Scoring-Systemen, die erkl\u00e4rbar sind und interpretierbare Gr\u00fcnde f\u00fcr Hochrisikoprofile bieten.<\/p>\n<\/div>
KI verbessert also die menschlichen F\u00e4higkeiten bei der Arbeit?<\/h2><\/div>Ganz genau. Ich verwende oft das Beispiel von Google. Wenn Sie online etwas suchen, findet eine Analyse statt. Das maschinelle Lernen fragt Billionen von Webseiten ab, was ohne Automatisierung unm\u00f6glich w\u00e4re. Die Zeit, die der Algorithmus einspart, ist die gesamte Vorarbeit, die der Mensch nicht mehr leisten muss. KI funktioniert \u00e4hnlich. Letztendlich ist es immer der Mensch, der entscheidet, ob er das Ergebnis annimmt oder nicht und ihm eine Bedeutung gibt. Das begann mit der Buchsuche, setzte sich mit dem Aufkommen des Internets und von Wikipedia fort und setzt sich nun mit den heutigen Technologien fort. Und das wird auch so schnell nicht aufh\u00f6ren.<\/p>\n<\/div>
Was sind Ihrer Meinung nach die Herausforderungen der generativen KI?<\/h2><\/div>Vor allem mit ChatGPT hat es einen Wendepunkt in der Art und Weise gegeben, wie die \u00d6ffentlichkeit neue Technologien annimmt. Zum ersten Mal haben wir gesehen, dass sich etwas von unten nach oben durchsetzt: Mitarbeiter haben begonnen, gute Wege zu finden, ChatGPT als hilfreiches Werkzeug bei ihrer Arbeit zu nutzen. Aus der Sicht von Artefact liegt der Schl\u00fcssel darin, diese Technologien auf bestimmte Anwendungsf\u00e4lle auszurichten. Anstatt ein Allzweck-Tool f\u00fcr alles zu verwenden, geht es darum, robuste Anwendungen f\u00fcr pr\u00e4zise Aufgaben zu entwickeln.<\/p>\n
Im Moment sind diese Modelle nicht sehr robust. Sie rufen Informationen auf eine Art und Weise aus ihrem Ged\u00e4chtnis ab, die wir nicht ganz verstehen, was zu unangemessenen oder sogar absurden Ergebnissen f\u00fchren kann. Wir arbeiten zum Beispiel an einem einfachen, aber zuverl\u00e4ssigen Vertrauensindex, der den Benutzern angezeigt werden soll. Ziel ist es, sowohl irref\u00fchrende Informationen zu vermeiden als auch eine kritische Haltung gegen\u00fcber den Antworten des Modells zu f\u00f6rdern.<\/p>\n<\/div><\/div><\/div><\/div><\/article><\/p>","protected":false},"excerpt":{"rendered":"
Die Aufgabe des Artefact Research Center besteht darin, ein Innovations\u00f6kosystem rund um KI und data zu f\u00f6rdern, indem die Zusammenarbeit zwischen Hochschulprofessoren und Vertretern internationaler Partnerunternehmen angeregt wird. Das Ziel: Spitzenforschung, die von data und den industriellen Anwendungen der Partnerunternehmen vorangetrieben wird.<\/p>","protected":false},"featured_media":595969,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995],"blog-language":[2991],"class_list":["post-595833","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-ai-technology","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog\/595833","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media\/595969"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media?parent=595833"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-category?post=595833"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-language?post=595833"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
Noch einmal: Artefact zielt nicht darauf ab, Finanzanalysten zu ersetzen, die \u00fcber ausgezeichnete Fachkenntnisse verf\u00fcgen. Sie k\u00f6nnen jedoch nicht alle gef\u00e4hrdeten Kunden oder Betr\u00fcger erkennen. Mithilfe von Scoring-Modellen, die auf historischen data-Daten trainiert wurden, k\u00f6nnen wir ungew\u00f6hnliche Kundenprofile erkennen und negative Ereignisse vorhersehen, bevor sie zu echten Problemen werden. Da Analysten ihre Entscheidungen begr\u00fcnden m\u00fcssen, was eine regulatorische Anforderung ist, arbeiten wir an der Entwicklung von Scoring-Systemen, die erkl\u00e4rbar sind und interpretierbare Gr\u00fcnde f\u00fcr Hochrisikoprofile bieten.<\/p>\n<\/div>
KI verbessert also die menschlichen F\u00e4higkeiten bei der Arbeit?<\/h2><\/div>Ganz genau. Ich verwende oft das Beispiel von Google. Wenn Sie online etwas suchen, findet eine Analyse statt. Das maschinelle Lernen fragt Billionen von Webseiten ab, was ohne Automatisierung unm\u00f6glich w\u00e4re. Die Zeit, die der Algorithmus einspart, ist die gesamte Vorarbeit, die der Mensch nicht mehr leisten muss. KI funktioniert \u00e4hnlich. Letztendlich ist es immer der Mensch, der entscheidet, ob er das Ergebnis annimmt oder nicht und ihm eine Bedeutung gibt. Das begann mit der Buchsuche, setzte sich mit dem Aufkommen des Internets und von Wikipedia fort und setzt sich nun mit den heutigen Technologien fort. Und das wird auch so schnell nicht aufh\u00f6ren.<\/p>\n<\/div>
Was sind Ihrer Meinung nach die Herausforderungen der generativen KI?<\/h2><\/div>Vor allem mit ChatGPT hat es einen Wendepunkt in der Art und Weise gegeben, wie die \u00d6ffentlichkeit neue Technologien annimmt. Zum ersten Mal haben wir gesehen, dass sich etwas von unten nach oben durchsetzt: Mitarbeiter haben begonnen, gute Wege zu finden, ChatGPT als hilfreiches Werkzeug bei ihrer Arbeit zu nutzen. Aus der Sicht von Artefact liegt der Schl\u00fcssel darin, diese Technologien auf bestimmte Anwendungsf\u00e4lle auszurichten. Anstatt ein Allzweck-Tool f\u00fcr alles zu verwenden, geht es darum, robuste Anwendungen f\u00fcr pr\u00e4zise Aufgaben zu entwickeln.<\/p>\n
Im Moment sind diese Modelle nicht sehr robust. Sie rufen Informationen auf eine Art und Weise aus ihrem Ged\u00e4chtnis ab, die wir nicht ganz verstehen, was zu unangemessenen oder sogar absurden Ergebnissen f\u00fchren kann. Wir arbeiten zum Beispiel an einem einfachen, aber zuverl\u00e4ssigen Vertrauensindex, der den Benutzern angezeigt werden soll. Ziel ist es, sowohl irref\u00fchrende Informationen zu vermeiden als auch eine kritische Haltung gegen\u00fcber den Antworten des Modells zu f\u00f6rdern.<\/p>\n<\/div><\/div><\/div><\/div><\/article><\/p>","protected":false},"excerpt":{"rendered":"
Die Aufgabe des Artefact Research Center besteht darin, ein Innovations\u00f6kosystem rund um KI und data zu f\u00f6rdern, indem die Zusammenarbeit zwischen Hochschulprofessoren und Vertretern internationaler Partnerunternehmen angeregt wird. Das Ziel: Spitzenforschung, die von data und den industriellen Anwendungen der Partnerunternehmen vorangetrieben wird.<\/p>","protected":false},"featured_media":595969,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995],"blog-language":[2991],"class_list":["post-595833","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-ai-technology","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog\/595833","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media\/595969"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media?parent=595833"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-category?post=595833"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-language?post=595833"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
Ganz genau. Ich verwende oft das Beispiel von Google. Wenn Sie online etwas suchen, findet eine Analyse statt. Das maschinelle Lernen fragt Billionen von Webseiten ab, was ohne Automatisierung unm\u00f6glich w\u00e4re. Die Zeit, die der Algorithmus einspart, ist die gesamte Vorarbeit, die der Mensch nicht mehr leisten muss. KI funktioniert \u00e4hnlich. Letztendlich ist es immer der Mensch, der entscheidet, ob er das Ergebnis annimmt oder nicht und ihm eine Bedeutung gibt. Das begann mit der Buchsuche, setzte sich mit dem Aufkommen des Internets und von Wikipedia fort und setzt sich nun mit den heutigen Technologien fort. Und das wird auch so schnell nicht aufh\u00f6ren.<\/p>\n<\/div>
Was sind Ihrer Meinung nach die Herausforderungen der generativen KI?<\/h2><\/div>Vor allem mit ChatGPT hat es einen Wendepunkt in der Art und Weise gegeben, wie die \u00d6ffentlichkeit neue Technologien annimmt. Zum ersten Mal haben wir gesehen, dass sich etwas von unten nach oben durchsetzt: Mitarbeiter haben begonnen, gute Wege zu finden, ChatGPT als hilfreiches Werkzeug bei ihrer Arbeit zu nutzen. Aus der Sicht von Artefact liegt der Schl\u00fcssel darin, diese Technologien auf bestimmte Anwendungsf\u00e4lle auszurichten. Anstatt ein Allzweck-Tool f\u00fcr alles zu verwenden, geht es darum, robuste Anwendungen f\u00fcr pr\u00e4zise Aufgaben zu entwickeln.<\/p>\n
Im Moment sind diese Modelle nicht sehr robust. Sie rufen Informationen auf eine Art und Weise aus ihrem Ged\u00e4chtnis ab, die wir nicht ganz verstehen, was zu unangemessenen oder sogar absurden Ergebnissen f\u00fchren kann. Wir arbeiten zum Beispiel an einem einfachen, aber zuverl\u00e4ssigen Vertrauensindex, der den Benutzern angezeigt werden soll. Ziel ist es, sowohl irref\u00fchrende Informationen zu vermeiden als auch eine kritische Haltung gegen\u00fcber den Antworten des Modells zu f\u00f6rdern.<\/p>\n<\/div><\/div><\/div><\/div><\/article><\/p>","protected":false},"excerpt":{"rendered":"
Die Aufgabe des Artefact Research Center besteht darin, ein Innovations\u00f6kosystem rund um KI und data zu f\u00f6rdern, indem die Zusammenarbeit zwischen Hochschulprofessoren und Vertretern internationaler Partnerunternehmen angeregt wird. Das Ziel: Spitzenforschung, die von data und den industriellen Anwendungen der Partnerunternehmen vorangetrieben wird.<\/p>","protected":false},"featured_media":595969,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995],"blog-language":[2991],"class_list":["post-595833","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-ai-technology","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog\/595833","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media\/595969"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media?parent=595833"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-category?post=595833"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-language?post=595833"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
Vor allem mit ChatGPT hat es einen Wendepunkt in der Art und Weise gegeben, wie die \u00d6ffentlichkeit neue Technologien annimmt. Zum ersten Mal haben wir gesehen, dass sich etwas von unten nach oben durchsetzt: Mitarbeiter haben begonnen, gute Wege zu finden, ChatGPT als hilfreiches Werkzeug bei ihrer Arbeit zu nutzen. Aus der Sicht von Artefact liegt der Schl\u00fcssel darin, diese Technologien auf bestimmte Anwendungsf\u00e4lle auszurichten. Anstatt ein Allzweck-Tool f\u00fcr alles zu verwenden, geht es darum, robuste Anwendungen f\u00fcr pr\u00e4zise Aufgaben zu entwickeln.<\/p>\n
Im Moment sind diese Modelle nicht sehr robust. Sie rufen Informationen auf eine Art und Weise aus ihrem Ged\u00e4chtnis ab, die wir nicht ganz verstehen, was zu unangemessenen oder sogar absurden Ergebnissen f\u00fchren kann. Wir arbeiten zum Beispiel an einem einfachen, aber zuverl\u00e4ssigen Vertrauensindex, der den Benutzern angezeigt werden soll. Ziel ist es, sowohl irref\u00fchrende Informationen zu vermeiden als auch eine kritische Haltung gegen\u00fcber den Antworten des Modells zu f\u00f6rdern.<\/p>\n<\/div><\/div><\/div><\/div><\/article><\/p>","protected":false},"excerpt":{"rendered":"
Die Aufgabe des Artefact Research Center besteht darin, ein Innovations\u00f6kosystem rund um KI und data zu f\u00f6rdern, indem die Zusammenarbeit zwischen Hochschulprofessoren und Vertretern internationaler Partnerunternehmen angeregt wird. Das Ziel: Spitzenforschung, die von data und den industriellen Anwendungen der Partnerunternehmen vorangetrieben wird.<\/p>","protected":false},"featured_media":595969,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995],"blog-language":[2991],"class_list":["post-595833","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-ai-technology","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog\/595833","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media\/595969"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media?parent=595833"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-category?post=595833"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-language?post=595833"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}