So heben Unternehmen den eigenen Datenschatz mit ChatGPT und anderen Sprachmodellen

Die disruptive Entwicklung von großen Sprachmodellen und die massentaugliche Nutzung von Anwendungen wie ChatGPT, Bing Chat   und Co. birgt Risiken: Große Sprachmodelle sind oft intransparent und ihre Ergebnisse nicht immer nachvollziehbar. Sie können Fehler, sogenannte Halluzinationen, enthalten. Bis zu 20 Prozent der ausgespielten Antworten sind falsch. Ein Risiko sowohl für die KundInnen als auch für die Unternehmen. Denn falsche Informationen säen Misstrauen und können sich negativ auf die Kundenerfahrung auswirken.

Um dieses Risiko zu reduzieren und gleichzeitig ein bequemes Kundenerlebnis zu schaffen, empfiehlt es sich, unternehmenseigene Kanäle wie Website, Intranet oder Social Media KI-seitig zu optimieren und sie mit eigenen Inhalten zu trainieren.

Auf diese Weise behalten Unternehmen nicht nur die Kontrolle über die verbreiteten Informationen, KI-gestützte Lösungen können obendrein dabei helfen, standardisierte Inhalte mit wenig Aufwand zu veröffentlichen und so interne Workflows etwa im Kundenservice zu verschlanken. KundInnen profitieren hingegen von einer vereinfachten Handhabung und können mit Unternehmen leichter in Dialog treten.

Damit Kunden und Kundinnen an den verschiedenen Touchpoints, sei es über die Google-Suche, die Onsite-Suche oder den Chatbot, die richtigen Informationen in kanalspezifischer Aufbereitung erhalten und schneller an ihr Ziel gelangen, brauchen sie verschiedene Elemente.

Große Datenmengen (Big Data)

Dies sind alle verfügbaren, relevanten Unternehmensinformationen. Dazu können Handbücher, FAQs, Standortinformationen, wie Adresse und Telefonnummer sowie Produktbeschreibungen, Biografien und technische Spezifikationen zählen. Grundvoraussetzung ist, dass die Datenbasis strukturiert, aktuell und sauber ist und sensible oder vertrauliche Inhalte anonymisiert werden.

Die Qualität der Daten steht dabei im direkten Zusammenhang mit den Ergebnissen der Modelle und Prognosen. Damit diese aussagekräftig sind, müssen die Inhalte zunächst bereinigt werden. Dies bedeutet unter anderem, fehlende Datensätze zu identifizieren und zu ergänzen, Ausreißer zu erkennen sowie offensichtlich falsche oder inkonsistente Daten zu korrigieren oder zu entfernen.

Eine Datenquelle

Die Informationen können in einem Knowledge Graph, einem Headless Content Management System, gesammelt, organisiert und gespeichert werden. Einzelne Entitäten sind dort so aufbereitet, dass sie zueinander in Beziehung gesetzt werden können. Mit Hilfe Künstlicher Intelligenz können so Zusammenhänge, Schlussfolgerungen und Erkenntnisse extrahiert werden, die auf herkömmliche Weise nicht zugänglich wären. So können später auch komplexe Fragestellungen wie Türkisch sprechender Bankberater mit Schwerpunkt Baufinanzierung am Standort Köln beantwortet werden.

Zusätzlicher Vorteil: Da nur validierte Informationen im System gespeichert werden, behalten Unternehmen die Kontrolle über die veröffentlichten Inhalte. Damit das passieren kann, müssen die Daten zunächst in das System eingespeist werden. Da diese in der Regel aus unterschiedlichen Systemen stammen, empfiehlt es sich, die Übertragung über eine angebundene API-Schnittstelle laufen zu lassen. Dieser automatisierte Prozess ist nicht nur deutlich schneller, sondern auch weniger fehleranfällig. Sollten Unternehmen nicht über die nötige Schnittstellen verfügen, ist eine manuelle Übertragung dennoch möglich.

Ein weiterer Vorteil der Datenbank: Sie hilft, Datenschutzrisiken zu reduzieren und Compliance-Richtlinien zu erfüllen. Eine zwischengeschaltete Plattform, wie ein Headless CMS, verhindert, dass Daten direkt mit der KI wie ChatGPT und Co. geteilt werden. Die KI-Modelle erhalten so Zugang zu den Daten, die sie für ihre Funktion benötigen. Darüber hinaus sind interne Schulungen der MitarbeiterInnen notwendig, um diese für einen gewissenhaften Umgang mit Sprachmodellen zu sensibilisieren.

Große Sprachmodelle

Sprachmodelle wie GPT3.5   , LaMDA, PaLM   , Gopher, Jurassic-1 und BERT lesen die Inhalte und geben sie je nach Anwendungsfall aus. Dabei gibt es nicht das eine richtige Sprachmodell. Vielmehr greift jede Anwendung auf das für sie passende Modell zu. So dient GPT-3 dazu, Inhalte wie Produktbeschreibungen oder Stellenanzeigen schnell und mit wenig Aufwand zu erstellen oder Bewertungen beinahe automatisch zu beantworten und damit den Kundenservice zu entlasten.

LaMDA   und BERT   helfen hingegen dabei, Suchanfragen direkt über die Website-Suche zu beantworten. Um die Sprachmodelle optimal nutzen zu können, sollten Unternehmen über ausreichend Rechenleistung und Speicherplatz verfügen. Gleichzeitig müssen die Modelle kontinuierlich trainiert werden, um die Qualität der Antworten sukzessive zu verbessern. Die ständige Aktualisierung der Datenbasis ist dabei entscheidend.

Schließlich werden die gespeicherten Inhalte mit Hilfe der Sprachmodelle für die jeweiligen Anwendungen aufbereitet und sowohl für interne als auch externe Kanäle bereitgestellt. Neben den externen NutzerInnen, die durch die Technologie schnelle und verifizierte Antworten in natürlicher Sprache erhalten, profitieren auch Mitarbeitende. Inhalte wie Produkt- oder Personenbeschreibungen sowie Antworten auf Online-Rezensionen können auf Basis der hinterlegten Daten automatisch erstellt werden. Gleichzeitig können etwa interne Schulungsmaterialien im Intranet, wie Pitch Decks zum Thema Banking, schnell gefunden und Arbeitsschritte vereinfacht werden. So können sich die Fachkräfte auch komplexen Themen widmen.

Also: Die Daten-Hausaufgaben JETZT machen

Eines ist sicher: KI und Sprachmodelle sind mehr als ein kurzfristiger Trend. Diese Technologie wird unsere Zukunft bestimmen. Unternehmen sollten sich daher damit beschäftigen, wie sie KI-Tools für sich und ihr Geschäftsmodell nutzen können, um in einer technologisierten Welt wettbewerbsfähig zu bleiben. Trotz der großen Innovation ist es wichtig, im Vorfeld seine Hausaufgaben zu machen und die Daten vor der Nutzung zu sammeln, zu verdichten und zu bereinigen, um die Datenqualität und -sicherheit zu fördern.

Dann hat die Integration von GPT-3 und anderen großen Sprachmodellen in unternehmenseigene Kanäle großes Potenzial, um die Markenintegrität zu wahren und gleichzeitig überzeugende Kundenerlebnisse zu kreieren. Sie sind jedoch keine Stand-Alone-Lösung, und Sprachmodelle nur so gut wie die zugrundeliegenden Inhalte. Sie müssen daher kontinuierlich mit markenspezifischen Inhalten trainiert werden. Datenorganisation und eine skalierbare Infrastruktur dienen dazu, die Verbreitung von Fehlinformationen einzudämmen und eine nahtlose Kundenkommunikation mit validen Antworten herzustellen.

Björn Lorenzen ist Regional Vice President EMEA Central bei der Digital Experience Platform Yext   .