Datenengineering

Der Artikel "Operationalizing Genie Ontology in Your Data Stack" erläutert, wie Unternehmen die Genie Ontology nutzen können, um ihre Datenmodelle und den Kontext für KI-Agenten effektiv zu operationalisieren. Um KI-Agenten mit dem erforderlichen Geschäftswissen auszustatten, ist es wichtig, dass sie nicht nur auf Daten zugreifen, sondern auch die spezifischen Definitionen, Beziehungen und Regeln des Unternehmens verstehen. Die Genie Ontology integriert modellierte Geschäftsemantik mit Kontext aus bestehenden Datenressourcen, was den Agenten ermöglicht, relevante Informationen zu priorisieren. Der Prozess umfasst mehrere Schritte: Zunächst wird eine solide Datenbasis geschaffen, gefolgt von der Anreicherung von Metadaten und dem Aufbau einer semantischen Schicht, die logische Beziehungen und Geschäftslogik definiert. Eine effektive Governance ist entscheidend, um die Sicherheit und Vertrauenswürdigkeit der Antworten der KI-Agenten zu gewährleisten. Der Artikel empfiehlt, die Implementierung schrittweise zu gestalten, beginnend mit einem hochpriorisierten Geschäftsbereich, um Vertrauen in die Antworten zu schaffen und die Datenqualität kontinuierlich zu verbessern.

Laut einer aktuellen Umfrage von Achilles, die 2.805 Organisationen weltweit befragte, liegt die AI-Adoption im Bereich Lieferantenrisiko und Nachhaltigkeit bei 37%. Trotz der Nutzung von AI zur Verbesserung von Beschaffung und Risikomanagement berichten nur 2% der Befragten von einer umfassenden Implementierung. Die Umfrage zeigt, dass Unternehmen AI zunehmend als Werkzeug zur Effizienzsteigerung und Entscheidungsfindung betrachten, jedoch mit Herausforderungen wie Datenqualität und internen Fähigkeiten kämpfen. Die häufigsten Anwendungsfälle sind Prozessautomatisierung und Risikominderung, wobei die Vorteile vor allem in der Effizienzsteigerung liegen. Obwohl 45% der Organisationen eine positive Einstellung zu AI haben, bleibt die vollständige Integration eine Herausforderung, da viele AI nicht als strategische Priorität behandeln. Adam Whitfield von Achilles betont die Bedeutung vertrauenswürdiger Daten für die Effektivität von AI. Zudem haben nur 6% der Organisationen vollständige Sichtbarkeit über ihre Tier-1-Lieferanten hinaus, was die Notwendigkeit unterstreicht, Risiken in der gesamten Lieferkette besser zu verstehen. Um AI erfolgreich zu skalieren, ist die Zuverlässigkeit der Lieferantendaten entscheidend.