AI Analytics

Verbesserter Datenzugang und Einblicke

NLP-Schnittstellen öffnen Analytics und BI für eine viel breitere Nutzerschaft, da technische Abfragen durch natürliche Sprache ersetzt werden. Operative Abteilungen können selbstständig Abfragen, Analysen und Prognosen durchführen und bessere und schnellere Entscheidungen treffen, da sie weniger auf den chronischen Flaschenhals der technischen BI- oder IT-Abteilung angewiesen sind.

Personalisierung und Kontextualisierung

LLMs (large language models) wie GPT (Generative Pre-trained Transformer) können auf spezifische Daten und den Geschäftskontext von Unternehmen trainiert werden. Das beschleunigt Onboarding-Prozesse und erhöht die Kundenzufriedenheit durch verbesserte Servicequalität und Geschwindigkeit. Durch das (lokale) individuelle Training der Modelle werden nicht nur die Ergebnisse besser, sondern es werden auch ihre Daten geschützt, weil sie eben nicht mit anderen geteilt werden (wie bei KI-Anwendung ChatGPT).

Skalierbarkeit und Kostenersparnis

NLP-basierte KI kann große Abfragevolumina und Interaktionen verarbeiten und ist eine skalierbare und kosteneffiziente Ergänzung, wenn es darum geht, die Benutzerfreundlichkeit und Performanz von Plattformen zu verbessern.

Gerade in Zeiten von IT-Fachkräftemangel unterstützen und entlasten diese Systeme IT-Abteilungen durch die Erledigung zeitraubender und stereotyper Jobs und reiner Fleißaufgaben.

Auf diese Art verschafft KI den IT-Experten Freiträume für komplexe und konzeptionelle Aufgaben.

Abfragen in natürlicher Sprache

Ab sofort können Abfragen so gestellt werden, wie man sich bisher an die Kollegen der BI-Abteilung gewendet hat. Die Semantik jeder Frage wird in das zugrunde liegende Datenmodell übersetzt und in eine ThoughtSpot Antwort umgewandelt.

KI-unterstützte Suchvorschläge

Falls Sie nicht wissen, wo Sie anfangen sollen, nutzt ThoughtSpot Sage statistische Methoden, um Ihnen Fragen vorzuschlagen, die Sie dann einfach mit Ihren eigenen Fragen weiterverfolgen können.

KI-unterstützte Datenmodellierung

ThoughtSpot Sage generiert automatisch Vorschläge für Synonyme, um die Suche zu optimieren. Je mehr Synonyme im Datenmodell hinterlegt werden, desto einfacher ist die Suche zu bedienen.

Human in the loop: mitlernende KI

Nutzer können wie auch schon bei SpotIQ über Auswahlfelder Feedback geben. Durch diese Human-in-the-Loop Interaktion lernt das System dazu und verbessert das eigene Verständnis des Datenmodells und die Art und Weise der Fragestellung für noch zielgenauere Analysen.

Automatisierung

Ob Verbindungen zu Datenquellen, Umformung und Zusammenführen von Datensets oder die Erstellung neuer Features: DataRobot nimmt dem Data Scientisten Fleißarbeit ab und reduziert Fehler.

Ergebnisinterpretation

Neben der schnelleren Entwicklung von ML-Modellen ist die Transparenz und die Interpretierbarkeit der Ergebnisse ein großer Pluspunkt. Durch den Einsatz von LLMs erweitert DataRobot die „Feature Effects“ um Interpretationsvorschläge und damit Startpunkte für tiefergehende Analysen.

Blueprint-Integration

Mittelfristig werden neben GPT auch andere Large Language Models (LLMs) in das Algorithmenportfolio von DataRobot aufgenommen, sodass diese auch in Blueprints verwendet werden können und somit ähnlich wie zum Beispiel Regressionsalgorithmen gegeneinander antreten und um die beste Lösung eines Business Problems wetteifern. Damit können weitere Problemklassen mit DataRobot gewohnt einfach und schnell bewältigt werden.