Potenzial und Anwendungsbeispiele von Natural Language Processing (NLP) in Analytics und Business Intelligence
Künstliche Intelligenz ist längst fester Bestandteil der BI Welt. Die Integration von Natural Language Processing (NLP) vervielfacht den Mehrwert von KI durch die Interaktion in natürlicher Sprache. EVACO zeigt an konkreten Beispielen, wie ChatGPT den Umgang mit Daten vereinfacht und welcher Informationsgewinn sich daraus ergibt.
Durch die Integration von NLP in Analytics and Business Intelligence Plattformen können Abfragen ohne tiefergehende technische Kenntnisse in natürlicher Sprache erfolgen. Dialogorientierte Schnittstellen ermöglichen eine natürliche und intuitive Art der Interaktion mit Daten und Analysen. Ab jetzt können auch nicht-tägliche Nutzer durch die Unterstützung der Assistenz hochqualitative Analysen End-to-End durchführen.
Einfach fragen, komplexe Analysen erhalten: ThoughtSpot Sage demokratisiert den Zugang zu Unternehmensinformationen
ThoughtSpot durchsucht tokenbasiert Milliarden Zeilen und gibt in Sekundenschnelle Antworten und Analyseeinblicke in ihre Daten.
Abfragen in natürlicher Sprache
Abfragen können nun analog zur Google Suche auch in Prosa formuliert werden. Die Semantik jeder Frage wird in das zugrunde liegende Datenmodell übersetzt und in eine ThoughtSpot Antwort umgewandelt.
KI-unterstützte Suchvorschläge
ThoughtSpot Sage nutzt statistische Methoden, um Ihre Daten selbstständig zu durchsuchen und Ihnen interessante Zusammenhänge als Fragen vorzuschlagen und die Antworten zu präsentieren. Wie gewohnt können Sie diese als Ausgangspunkt nehmen und mit eigenen Fragen tiefer analysieren.
KI-unterstützte Datenmodellierung
ThoughtSpot Sage generiert automatisch Vorschläge für Synonyme, um die Suche zu optimieren. Durch die erweiterte Auffindbarkeit der einzelnen Daten erreichen Sie eine breitere Nutzerschicht und diese erhält einen noch niedrigschwelligeren Zugang zu ihren Daten.
Human in the loop: mitlernende KI
Durch Human-in-the-Loop Interaktionen lernt das System von seinen Nutzern, verbessert das systeminterne Verständnis des Datenmodells und optimiert damit die Grundlage der automatisierten Fragestellungen für zielgenauere Analysen.
Code schreiben in natürlicher Sprache mit DataRobot
Die einfache Bedienung und sehr gute Ergebnisqualität von DataRobot reduziert durch einen hohen Automatisierungsgrad Projektzeiten dramatisch. Die Einbindung von Notebooks in die Plattform und damit die einfache Verbindung von individuellem Code und automatisiertem Modelling wird durch die Integration von ChatGPT zukünftig noch effizienter.
DataRobot verwendet OpenAI, um Fragestellungen in natürlicher Sprache für die Generierung von Codes zu verarbeiten.
Automatische Code-Generierung
Die Integration von Azure OpenAI Service in DataRobots Notebooks schreibt auf Wunschäußerung entsprechenden Code und nimmt damit den Data Scientisten weitere Fleißarbeit ab.
Ergebnisinterpretation
DataRobots „Feature Effects“ können nun auch von den Azure OpenAI Services interpretiert werden und damit Startpunkte für tiefergehende Analysen liefern.
Blueprint-Integration
Mittelfristig werden weitere Large Language Models (LLMs) in das Algorithmenportfolio von DataRobot aufgenommen, sodass diese auch in Blueprints verwendet werden und ähnlich wie Regressionsalgorithmen gegeneinander antreten können und um die beste Lösung eines Business Problems wetteifern.
Fazit
Automatisierte KI ist kein nice-to-have feature, sondern geschäftskritisch. No-Code Schnittstellen in natürlicher Sprache gewähren einen niedrigschwelligeren Zutritt zu Datenanalysen und damit zu Wissen.
Das betrifft alle Stadien des Data-Lifecycles und bietet damit mehr als nur eine interessante Option in Zeiten des Fachkräftemangels. NLP-basierte KI ermöglicht das Verlagern von „Datenarbeit“ in operative Bereiche, die anhand der gewonnenen Informationen fachliche Entscheidungen treffen. Das verbessert die Qualität und reduziert time-to-knowledge – und zwar unternehmensweit.