Datenengineering

Der Artikel mit dem Titel "Your AI Isn’t Hallucinating. Your Data Is Lying to It." thematisiert die Problematik der Datenqualität in der Künstlichen Intelligenz (KI). Er argumentiert, dass viele der vermeintlichen "Halluzinationen" von KI-Systemen nicht auf Fehler in den Algorithmen selbst zurückzuführen sind, sondern vielmehr auf fehlerhafte oder unzureichende Trainingsdaten. Diese Daten können Verzerrungen, Ungenauigkeiten oder unvollständige Informationen enthalten, die die Leistung der KI negativ beeinflussen. Der Autor betont die Notwendigkeit, die Daten, die zur Schulung von KI-Modellen verwendet werden, sorgfältig zu überprüfen und zu bereinigen, um die Zuverlässigkeit und Genauigkeit der Ergebnisse zu verbessern. Zudem wird darauf hingewiesen, dass ein besseres Verständnis der Datenquellen und deren Qualität entscheidend ist, um das volle Potenzial von KI-Technologien auszuschöpfen.

Der Artikel „KI im Unternehmen: Prozesse automatisieren und Mehrwert messen“ thematisiert die Integration von Künstlicher Intelligenz (KI) in Unternehmensprozesse und hebt hervor, dass viele Unternehmen das volle Potenzial von KI noch nicht ausschöpfen. Henrik Wenck von accompio AI betont die Wichtigkeit der Datenqualität und die Festlegung klarer Schwellenwerte für die Verarbeitung von KI-Ergebnissen. Ein effektives KI-Training sollte sich auf den Arbeitsalltag der Mitarbeitenden konzentrieren und deren kritisches Denken fördern, um die Qualität der Ergebnisse zu bewerten. Der Mehrwert von KI kann durch Kennzahlen wie Durchlaufzeit und Qualität gemessen werden, wobei ein Vergleich mit vorherigen Prozessen notwendig ist. Unternehmen sollten eine ehrliche Bestandsaufnahme ihrer aktuellen KI-Nutzung vornehmen und potenzielle Prozesse strukturiert bewerten, um eine Implementierungs-Roadmap zu erstellen. Häufig scheitern Unternehmen an einem unstrukturierten Vorgehen und der Erwartung, dass sich KI-Nutzung von selbst entwickelt, weshalb ein klarer Plan und kontinuierliche Weiterbildung unerlässlich sind.

Das Allen Institute for AI (Ai2) hat AstaBrief, ein neues Modell mit 8 Milliarden Parametern, vorgestellt, das Forschungsfragen und wissenschaftliche Literatur in vollständige Berichte umwandelt. AstaBrief zeichnet sich durch eine bemerkenswerte Geschwindigkeit aus und erstellt Berichte in nur 51 Sekunden, was eine erhebliche Verbesserung im Vergleich zu früheren Methoden darstellt. Die Entwicklung basierte auf 90.000 realen Anfragen von Forschern, wobei 47.000 Beispiele für das Training verwendet wurden, um die Qualität der Ergebnisse zu optimieren. Ai2 hat die Gewichte des Modells offen gelegt, um Institutionen die lokale Nutzung zu ermöglichen, was besonders wichtig für den Umgang mit sensiblen Daten ist. In Tests hat AstaBrief gezeigt, dass es mit größeren Modellen konkurrieren kann, indem es in mehreren Metriken gleichwertige Ergebnisse liefert. Diese Veröffentlichung könnte für Startups in den Bereichen Forschung, Gesundheit und Recht von Bedeutung sein, da sie beweist, dass ein kleineres, gut optimiertes Modell qualitativ hochwertige Ergebnisse liefern kann. Die Entwicklung von AstaBrief hebt die Bedeutung der Datenqualität im Training und die Notwendigkeit lokaler Implementierungen hervor.

Verana Health hat bedeutende Fortschritte in seinen Daten- und Softwarelösungen vorgestellt, um die ophthalmologische Forschung und Behandlung zu optimieren. Im Vorfeld des AAO 2026 wurden neue KI-Agenten und Datensätze präsentiert, die auf den Erfahrungen von über 90 Millionen anonymisierten Patienten basieren. In Zusammenarbeit mit Bitfount wird die Identifizierung geeigneter Patienten für klinische Studien durch die Kombination von ophthalmologischen Bilddaten und elektronischen Gesundheitsakten (EHR) verbessert. Der neue Agent Claire ermöglicht einen benutzerfreundlichen Zugriff auf spezifische Patientendaten ohne Programmierkenntnisse, was die Effizienz und Transparenz in der Forschung erhöht. Verana Health plant, während des AAO 2026 eine Vielzahl neuer Produkte und Dienstleistungen vorzustellen, die die klinische Praxis und Patientenversorgung optimieren sollen. Die Integration von Bilddaten mit klinischen Informationen soll eine skalierbare Datenressource schaffen, die die Forschung vorantreibt.

In der aktuellen Forschung zu genetischen Perturbationsmodellen wird festgestellt, dass tiefenlernende Modelle oft uninformative Baselines nicht übertreffen, wenn herkömmliche Metriken verwendet werden. Die Autoren präsentieren ein neues Kalibrierungsframework, das positive Kontrollbaselines und die Metrik Dynamic Range Fraction (DRF) umfasst, um die Sensitivität der Bewertungen zu verbessern. Durch die Anwendung dieses Frameworks auf 14 Datensätze und 18 Metriken zeigen sie, dass gut kalibrierte Metriken es ermöglichen, dass tiefenlernende Modelle tatsächlich uninformative Baselines übertreffen können. Besonders die Verwendung gewichteter Metriken wie dem gewichteten mittleren quadratischen Fehler (WMSE) verbessert die Modellleistung, da sie sich auf signifikante biologische Signale konzentrieren. Die Ergebnisse deuten darauf hin, dass frühere Berichte über die Unterperformance von Modellen häufig auf schlecht kalibrierte Metriken zurückzuführen sind. Die Studie betont die Bedeutung der Metrikauswahl zur genauen Bewertung der Leistungsfähigkeit genetischer Perturbationsmodelle und bietet einen optimistischeren Ausblick auf deren Machbarkeit.

Stravito und Langston haben eine strategische Partnerschaft ins Leben gerufen, um Verbraucherbrands den Zugang zu forschungsbasierten AI-Personas zu ermöglichen. Diese AI-Personas von Stravito verwandeln Verbraucherforschung in interaktive Profile, die Teams in Echtzeit erkunden und testen können. Durch die Integration von Langstons Life Lenses, einer universellen Segmentierung, die auf grundlegenden menschlichen Motivationen basiert, können Marken tiefere Einblicke in das Verhalten und die Entscheidungsfindung ihrer Kunden gewinnen. Die Kombination von Stravito AI Personas und Life Lenses fördert eine evidenzbasierte Entscheidungsfindung, die auf soliden Forschungsdaten basiert. Beide Unternehmen betonen die Wichtigkeit von Transparenz und Datenqualität in der Forschung, um vertrauenswürdige Ergebnisse zu gewährleisten. Ziel der Partnerschaft ist es, den Zugang zu Verbraucherinsights zu erleichtern und die Interaktivität bei der Anwendung dieser Erkenntnisse zu erhöhen.

Realmo.com, eine im November 2023 gegründete Plattform, revolutioniert die Suche und Bewertung von Gewerbeimmobilien mithilfe von KI. Mit über einer Million aktiven Listings und einer Datenbank von mehr als 50 Millionen gewerblichen Immobilien, sowohl auf dem Markt als auch im Off-Market, zielt Realmo darauf ab, die Fragmentierung von Marktdaten zu überwinden. Der KI-gestützte virtuelle Assistent Rey ermöglicht Nutzern, gezielte Anfragen zu stellen und vereinfacht so die Immobiliensuche erheblich. Zusätzlich bietet die Plattform Werkzeuge zur Immobilienbewertung und Marktanalysen, die eine schnelle Entscheidungsfindung unterstützen. Ein wesentlicher Vorteil ist der Zugang zu verifizierten Verkaufsdaten, die zuvor kostenpflichtig waren, was realistische Preisverhandlungen fördert. Durch die Integration verschiedener Funktionen auf einer einzigen Plattform wird die Zeit für Suche und Analyse reduziert, und die Notwendigkeit, zwischen unterschiedlichen Tools zu wechseln, minimiert. Dennoch bleibt die Herausforderung, die Datenqualität und Nutzerakzeptanz zu sichern, um die Effizienz im Transaktionsprozess zu steigern.

Die Automatisierung von Wareneingängen durch Künstliche Intelligenz (KI) transformiert den Empfangsprozess in Lagern, indem sie manuelle Überprüfungen weitgehend überflüssig macht. Anstatt jede Lieferung physisch zu öffnen, nutzt die Technologie Computer Vision und optische Zeichenerkennung (OCR), um relevante Informationen wie Etiketten, Gewicht und Beschädigungen zu erfassen und mit Bestellungen abzugleichen. Dies ermöglicht eine Verifizierung von bis zu 95 % der Lieferungen ohne Öffnung der Pakete, was die Effizienz erheblich steigert. Die Automatisierung verringert den Arbeitsaufwand für manuelle Inspektionen, minimiert Fehler und verbessert die Datenqualität im Lagerverwaltungssystem. Dadurch wird die Zeit von der Lieferung bis zur Bestandsverfügbarkeit deutlich verkürzt, was schnellere Nachbestellungen und weniger Streitigkeiten mit Lieferanten zur Folge hat. Unternehmen, die solche Systeme implementieren, berichten von erheblichen Einsparungen bei Arbeitsstunden und einer reduzierten Fehlerquote, was zu einer optimierten Lagerverwaltung führt. Allerdings erfordert die Technologie eine Integration mit bestehenden ERP-Systemen und eine geeignete Infrastruktur für eine effektive Nutzung.

Der Artikel "Your model is easy to buy. Your data pipeline is not." thematisiert die Herausforderungen bei der Nutzung von Daten für KI-Modelle und Robotik. Während digitale Agenten und Roboter unterschiedliche Datenquellen nutzen, ist die Generierung nützlicher Daten für beide entscheidend. In der Robotik wird menschliches Videomaterial als Rohmaterial verwendet, das jedoch durch komplexe Datenpipelines in eine für Roboter verständliche Form umgewandelt werden muss. Diese Pipelines erfordern umfangreiche technische Infrastruktur, um menschliche Erfahrungen in robotertaugliche Daten zu transformieren, was die wirtschaftliche Relevanz dieser Technologien erhöht. Zudem wird der Zugang zu Informationen im Internet zunehmend reguliert, was Unternehmen vor Herausforderungen in Bezug auf Datennutzung und -sicherheit stellt. Die zentrale Frage bleibt, wer die Verantwortung für die Umwandlung von Rohdaten in nutzbare Informationen trägt, was viele Unternehmen vor Managementprobleme stellt.

Die Flynn Group of Companies hat sich für IFS Cloud entschieden, um ihre nächste Wachstumsphase in Nordamerika zu unterstützen und die komplexen Abläufe in den Bereichen Fertigung, Bau und Service zu optimieren. Diese Entscheidung zielt darauf ab, über 6.000 Mitarbeiter in Kanada und den USA zu stärken, indem betriebliche Konsistenz, Datenqualität und Governance verbessert werden. IFS Cloud wird als zentrale Plattform fungieren, die Daten, Prozesse und Entscheidungsfindung in einem vernetzten Umfeld integriert. Zudem werden CRM und Enterprise Asset Management in die Lösung eingebunden, um einen umfassenden Überblick über Kunden und Betriebsabläufe zu ermöglichen. Flynn plant auch, IFS Loops zur Automatisierung der Kreditorenbuchhaltung zu nutzen, was eine erste praktische Anwendung der Automatisierung darstellt. Diese Investition spiegelt einen Trend wider, bei dem Unternehmen ihre operativen Grundlagen stärken, um Skalierbarkeit und verbesserte Entscheidungsfindung zu erreichen. Durch die Verbindung von Daten und Prozessen kann Flynn die Vorteile von Industrial AI nutzen, um manuelle Aufwände zu reduzieren und die Effizienz zu steigern.

Die britische Hauptstadt London hat ihre Digitalpolitik reformiert und ein vierstufiges Modell für städtische Innovationen eingeführt, das Teil des Londoner Wachstumsplans ist. Dieses Modell fokussiert sich auf Infrastruktur, Kollaboration, Künstliche Intelligenz und Vertrauen, um digitale Dienste der Stadtverwaltung zu optimieren. Ein zentrales Element ist die Data for London Library, die rund 20.000 städtische Datensätze aggregiert, um datengestützte Entscheidungen zu fördern und neue digitale Anwendungen zu entwickeln. Die Zusammenarbeit zwischen den Bezirken wird durch das London Office of Technology and Innovation unterstützt, das seit 2019 über 60 gemeinsame Projekte realisiert hat und ein spezialisiertes KI-Netzwerk leitet. Zudem plant die Greater London Authority Group, eine zentrale Funktion für Künstliche Intelligenz und Technologie einzurichten, um bereichsübergreifende Initiativen zu koordinieren. Öffentliche Institutionen setzen bereits moderne Technologien wie Drohnen ein, während Pilotprojekte für autonome Fahrzeuge in Planung sind, um die administrative Modernisierung mit innovativen Transportsystemen zu verknüpfen.

Apheris und Ginkgo Datapoints haben das Antibody Developability Consortium gegründet, um pharmazeutischen und biotechnologischen Unternehmen zu helfen, die Herstellungs- und Entwicklungsrisiken von Antikörpern frühzeitig zu erkennen. Ziel ist die Erstellung eines standardisierten Datensatzes von 10.000 Antikörpern, der sowohl proprietäre Sequenzen der Mitglieder als auch öffentlich verfügbare Daten umfasst. Zu den Mitgliedern gehören namhafte Unternehmen wie AbbVie und Takeda, die ihre Daten in einem geschützten Umfeld nutzen können, um KI-Modelle zu trainieren, ohne ihre Rohdaten preiszugeben. Dies soll die Vorhersage der Herstellbarkeit verbessern und die Entwicklungszeit sowie -kosten für vielversprechende Antikörperkandidaten reduzieren. Die wissenschaftliche Leitung wird von Experten der Universitäten Oxford und Michigan unterstützt, um die Qualität der Modelle sicherzustellen. Das Konsortium plant, bis Anfang 2027 erste Datensätze bereitzustellen und beabsichtigt, auch komplexere Antikörperformate zu berücksichtigen, um neue Arzneimittelklassen zu entwickeln.

Eine aktuelle Studie von SAS zeigt, dass Banken eine führende Rolle in der KI-Governance einnehmen. 85 Prozent der Vorreiter im Bankensektor haben bereits entsprechende Governance-Frameworks implementiert, die sie als entscheidenden Wettbewerbsvorteil betrachten. Diese Banken erwarten einen signifikanten Return on Investment (ROI), der fast sieben Mal höher ist als bei Nachzüglern. Der Einsatz von KI in geschäftskritischen Bereichen ist unter den führenden Banken weit verbreitet, was die Bedeutung von Vertrauen und Governance für die autonome Nutzung von KI unterstreicht. Unternehmen, die in vertrauenswürdige KI investieren, können ihren ROI um das 15-Fache steigern. Im Gegensatz dazu leiden Organisationen mit schwacher Governance und mangelhafter Datenqualität unter Produktivitäts- und Profitabilitätsverlusten. Ein weiteres Problem ist das fehlende Vertrauen der Mitarbeiter in KI-Systeme, was dazu führt, dass viele Empfehlungen ignoriert werden. Zudem haben nur 17,5 Prozent der Unternehmen ihre Dateninfrastruktur für KI-Anforderungen optimiert, was die Wertschöpfung aus KI weiter einschränkt. Die Studie basiert auf Umfragen unter etwa 2.700 Entscheidungsträgern weltweit und bewertet Unternehmen nach Kriterien wie Datenqualität, Governance und Erklärbarkeit.

Die nächste Generation von Rechenzentren, insbesondere AI-Fabriken, verändert den Energiebedarf der Versorgungsunternehmen erheblich. Diese Einrichtungen benötigen deutlich mehr Strom als herkömmliche Rechenzentren, was zu einer geographischen Konzentration großer Lasten führt, die schneller bedient werden möchten, als es die bestehende Infrastruktur zulässt. Vor dem Hintergrund von Übertragungsengpässen und langen Interkonnektionsfristen wird die Verfügbarkeit von Strom zu einem strategischen Faktor für die Entwicklung von AI-Infrastrukturen. Eine frühzeitige Koordination zwischen allen Beteiligten ist daher unerlässlich. Versorgungsunternehmen sollten ihre Planungsmethoden durch szenariobasierte und probabilistische Ansätze ergänzen, um Entscheidungen zu treffen, die in verschiedenen Zukunftsszenarien tragfähig sind. Flexibilität in den AI-Arbeitslasten kann helfen, die Belastung während Engpasszeiten zu reduzieren. Zudem können Automatisierung und KI-gestützte Arbeitsabläufe die Effizienz der Planungsteams steigern. Um in der Ära der AI-Fabriken erfolgreich zu sein, müssen Versorgungsunternehmen ihre physische Infrastruktur stärken, bestehende Kapazitäten effektiver nutzen und die Datenqualität verbessern.