Generative KI (GenAI) hat bereits viele Bereiche des beruflichen und privaten Lebens beeinflusst. Neben den Fähigkeiten im Bereich Sprache und Bilder hat GenAI hohe Fähigkeiten zum Umgang mit Daten. Die Nutzung von GenAI kann daher die Transformation zum datengetriebenen Unternehmen erheblich beschleunigen. Dabei müssen neben den Potenzialen auch die Besonderheiten und Randbedingungen bei der Verwendung von GenAI berücksichtigt werden. Diese haben vielfältige Auswirkungen, die weit über die Auswahl nutzbringender Use-Cases hinausgehen, kurz: Die optimale Nutzung von GenAI im Unternehmen muss in der Data- und Analytics-Strategie abgebildet sein. Besonders betroffen sind das Target Operating Model, die Governance, das Sourcing-Modell, aber auch weitere Anteile der D&A-Strategie. 
Im Vortrag werden aktuelle technische Entwicklungen, AI-Use-Cases sowie externe Rahmenbedingungen dargestellt. Davon werden systematisch die Auswirkungen auf die unterschiedlichen Bereiche der D&A-Strategie abgeleitet. Zum Schluss werden noch Best-Practices sowie Tipps zum Vermeiden typischer Risiken und Blocker vorgestellt.

Language Models wie ChatGPT können fachliche Fragen in SQL übersetzen. Welche Auswirkung hat die Auswahl der Modellierungstechnik auf das Verständnis durch LLMs? Ist es egal, ob die Daten als 3NF, Sternschema, Data Vault oder als Sammlung denormalisierter Tabellen strukturiert sind? Die Datenmodellierung ist ein wesentlicher Teil von Data Science Projekten. Es werden einerseits technische Belange wie die Gewährleistung der Datenintegrität und die Performance von Schreib- und Leseoperationen berücksichtigt. Andererseits ist das Verständnis der Modelle durch Anwender:innen und BI-Werkzeuge ein wichtiges Ziel der Modellierung. Für dispositive Abfragen ist das Sternschema etabliert und hat sich über viele Jahre bewährt. Ändert sich diese Empfehlung durch Chat GPT und Co.? Wird Datenmodellierung obsolet, wenn nur die „KI“ das Modell verstehen muss und der Mensch per Sprache interagiert? Oder ist auch für ChatGPT ein durchdachtes Datenmodell wichtig? 
Anhand praktischer Beispiele und Erfahrungen werden diese Fragestellungen beleuchtet und Empfehlungen für eine effektive Datenmodellierung im Zeitalter von LLMs gegeben.

In dieser Präsentation teilen wir Success Stroies darüber, wie wir Generative Künstliche Intelligenz (GenAI) eingesetzt haben, um verschiedene Herausforderungen in deutschen kleinen und mittleren Unternehmen (KMUs) zu bewältigen. Wir diskutieren zentrale Themen wie Prozessoptimierung, Verbesserung des Kundenservices, Feedback-Analyse und Datenmanagement. Wir präsentieren auch die architektonischen Lösungen, die wir in den Bereichen Infrastruktur, Finanzdienstleistungen, Luftfahrt und Automobilindustrie implementiert haben.

Wichtige Erkenntnisse:
- Schlüsselfaktoren für die Skalierung vom PoC zum vollständigen Projekt: Erfahren Sie, welche entscheidenden Faktoren einen Proof of Concept (PoC) in ein erfolgreiches, skalierbares Projekt verwandeln.
- Die Bedeutung der Datenmigration: Verstehen Sie, warum Datenmigration für den Erfolg von GenAI-Projekten entscheidend ist und wie sie effektiv durchgeführt wird.

Der EU AI Act ist am 1. August 2024 in Kraft getreten. Die Verpflichtungen für Unternehmen, die KI entwickeln und einsetzen, werden schrittweise bis August 2027 zur Gänze anwendbar sein. Da vor allem bei der Verwendung generativer KI im Bereich Data Analytics komplexe neue Verpflichtungen mit bestehenden Regelungen verschmelzen, ist die Zeitleiste für Unternehmen eine große Herausforderung. Wie eine effektive und zugleich rechtskonforme KI-Governance im Sinne des AI Act implementiert werden kann, zeigt das "AI-Excellence-Framework".

Nach der explosionsartigen Verbreitung verschiedenster KI-Tools und -Angebote seit Einführung von ChatGPT haben sich einige vielversprechende Paradigmen herauskristallisiert. In dieser Session werden wir eines davon, Retrieval Augmented Generation (RAG), anhand verschiedener Projekte beleuchten, die wir bei Kunden aus den Sektoren Finanzen, Energie und öffentliche Versorgung durchgeführt haben.
Ist ein klarer wirtschaftlicher Nutzen zu erkennen? Funktioniert die Technologie wie vom Kunden erwartet? Welche konkreten Use-Cases wurden umgesetzt? Wie schaut die Implementierung in der Realität aus?

AI can elevate your business to the next level of data intelligence, but research shows that only 4% of businesses believe their data is AI-ready. To ensure AI results you can trust, you need accurate, good quality data underpinning it. In this presentation, we’ll explore:

• The impacts of delivering data that is not AI-ready
• The essential data governance & quality considerations that will set you up for AI-success
• Practical solutions to common AI challenges such as AI bias, and lack of contextual relevance