Amal lehnt sich zurück und schaut auf ihr Notizbuch. Drei Seiten vollgeschrieben. Dazu vier Whiteboards voller Post-its aus dem Requirements-Workshop. Und irgendwo dazwischen stecken die Geschäftsobjekte, die sie für das neue Datenmodell braucht. „Diego", fragt sie, „wie lange hat das früher gedauert, bis du aus so einem Workshop wirklich wusstest, was modelliert werden muss?" Diego lächelt. „Früher? Manchmal eine Woche."
KI-Systeme benötigen perfekt strukturierte Daten, können aber die notwendigen Datenmodelle nicht selbst erstellen. Warum scheitert selbst die leistungsfähigste KI daran, zu verstehen, was ein "Kunde" oder ein "Produkt" in einem spezifischen Unternehmen bedeutet? Und warum ist genau diese Definitionsarbeit der Schlüssel zum Erfolg jeder KI-Implementierung?
Künstliche Intelligenz revolutioniert gerade nahezu jeden Geschäftsbereich. Doch bei aller Begeisterung für diese Technologien wird dabei oft ein fundamentales Paradox übersehen: KI benötigt hochwertige, strukturierte Daten, um überhaupt funktionieren zu können. Gleichzeitig ist ausgerechnet KI selbst nicht in der Lage, die Datenstrukturen zu schaffen, die sie zum Arbeiten braucht.
Ein besonderer Moment liegt hinter uns: Im August haben Roelant und ich die ersten Exemplare unserer "Special Edition" von Data Engine Thinking für die Menschen signiert, die uns von Anfang an unterstützt haben – insbesondere für die Unterstützer unserer ursprünglich geplanten Limited Edition.
Whether you’ve been following our journey from the beginning or are just curious what all the fuss is about, we’d love for you to check it out.
Wie kann ich natürliche Sprache in meinem Modellierungsprozess verwenden, um qualitativ hochwertige Informationsmodelle zu erstellen?
Da war sie wieder, die lebhafte Diskussion über die Verwendung eines Data Vault Link-Satellite. Die Argumentation, ob ja oder nein, drehte sich im Kreis.
Seite 1 von 12