ünstliche Intelligenz (KI) und Large Language Models (LLMs) haben seit der Veröffentlichung von ChatGPT im Herbst 2022 eine neue Epoche eingeleitet. Durch sie sind völlig neuartige "Mensch-Maschine"-Kommunikationen möglich. Dies erleichtert nicht nur den Umgang mit den IT-Systemen, sondern gibt völlig neue Ansatzpunkte, die Prozesse in Unternehmen weiter zu automatisieren und zu optimieren. So kann gegebenenfalls eine hohe Effizienzsteigerung erreicht werden und bisher ungenutzte wirtschaftliche Ressourcen zu heben.

Motivation: KI und Arbeitserleichterung

Der Fachkräftemangel wird sich insbesondere in den nächsten Jahren weiter verschärfen. Gleichzeitig steigen - insbesondere für Wirtschaftsprüfer, Banken und stark regulierte Unternehmen - die Anforderungen an die Mitarbeiter. Ältere Mitarbeiter haben sehr viel Erfahrung und sind für viele Unternehmen unverzichtbar. Allerdings erschwert die technolgische Weiterentwicklung und die zunehmende Datenmenge dieses Wissen optimal einzusetzen. Sprachmodelle können hier als Mensch-Maschine-Schnittstelle dienen, um eine optimale Verzahlung von langjährigem Expertenwissen und verfügbaren Daten zu schaffen. Mehr lesen ...

LLMs als neue Meta-Programmiersprache

LLMs sind keine Spielerei, sondern können als Art Meta-Programmiersprache betrachtet werden. Sie erleichtern die Kommunikation zwischen Mensch und Maschine, da Datenverarbeitungen nun mit menschlicher Sprache, anstelle "hartem Programmcode" erstellt werden können. Allerdings erfordern LLMs damit auch ein Umdenken im Umgang mit IT-Lösungen. Mehr lesen ...

Theorie: SQL-Generierung mit LLMs

Large Language Models (LLMs) wie beispielsweise ChatGPT oder Gemini sind mächtige Werkzeuge. Daten an diese Modelle weiterzugeben, ist oft problematisch und nicht selten aus Compliance-Gründen verboten. LLMs können in diesem Fall auf einer abstrakteren Ebene eingesetzt werden. Grundlage hierfür ist eine gut dokumentierte Datenstruktur. Mehr lesen ...

Case Study: LLMs und vertrauliche Daten

Es wurde eine fiktive Bankdatenbank lokal hinterlegt. Die Bank hat Kredite (festverzinslich, Hypothekarkredite, variabel verzinslich etc.) und besicherte bzw. unbesicherte Derivate (Zins und FX). Dem LLM (model="gpt-4o", temperature=0) wird nur die Anfrage und die Datenstruktur mitgeteilt. Die vertraulichen Daten bleiben sicher auf dem eigenen Server. So können Mitarbeiter ohne SQL-Kenntnisse die Daten sicher und effizient nutzen. Ausprobieren

Case Study: LLMs und Workflow

Am Beispiel einer Wetterstation wird das automatische Beantworten von Anfragen durch LLMs gezeigt und der entsprechende Workflow dargestellt. Dabei werden zwei LLMs eine Wetter-Anfrage eigenständig beantworten. Ausprobieren

Case Study: LLMs und Analyse

Hier kann das Wetter zu einem Tag in der Vergangenheit ortsabhängig aus 72 Mio. (!) Datensätze abgefragt und analysiert werden. Die Case Study zeigt, wie sich klassische Programierung und LLMs miteinander kombinieren lassen. Dem LLM kommt hier die Aufgabe zu, die Daten auszuwerten und zu analysieren, während die "klassische" Programmierung die Daten logisch und sinnvoll zur Verfügung stellt. Ausprobieren