Einblick in Synitis Q2-Veröffentlichung: Verbesserung der Qualität unstrukturierter Daten für KI

Als direkte Reaktion auf die aktuellen Marktentwicklungen hat Syniti neue KI-gestützte Funktionen zur Verbesserung der Qualität unstrukturierter Daten eingeführt. Immer häufiger beobachten wir, dass Unternehmen, die KI in ihren operativen Betrieb integrieren, auf ein wiederkehrendes Problem stoßen. Die Herausforderung besteht nicht im Erstellen oder Implementieren von Modellen, sondern darin, sicherzustellen, dass die Daten, auf denen diese Systeme basieren, für Entscheidungen in großem Umfang geeignet sind.

Synitis neueste Version aus dem zweiten Quartal erweitert den Ansatz zur Datenqualität über strukturierte Systeme hinaus auf Dokumente und Inhalte, die zunehmend KI-gestützte Prozesse prägen. Sie ist darauf ausgelegt, Governance, Validierung und kontinuierliches Monitoring für unstrukturierte Daten zu ermöglichen, sodass die KI-Ergebnisse mit den tatsächlichen Geschäftsprozessen übereinstimmen. 

Überführung von KI-Innovationen von Pilotprojekten zur Umsetzung

Im vergangenen Jahr haben Unternehmen gezeigt, dass KI die Produktivität steigern und in kontrollierten Umgebungen wertvolle Erkenntnisse liefern kann. Da KI zunehmend in den Betriebsablauf integriert wird, wird nun erwartet, dass sie in Geschäftsprozessen konsistent arbeitet und Entscheidungen mit direkten finanziellen und betrieblichen Auswirkungen unterstützt. 

Doch sobald Unternehmen die Pilotphase hinter sich lassen, stoßen sie auf ein wiederkehrendes Problem: Die Ergebnisse spiegeln nicht die Realität des Geschäftsbetriebs wider. Sie fragen sich: Liegt es an einer Einschränkung des Modells? An den zugrundeliegenden Systemen? Verantwortliche für die KI-Einführung analysieren zu Recht die zugrundeliegenden Daten, um die Ursache des Problems zu finden. Dabei wird jedoch eine bedeutende Lücke häufig übersehen – und diese beeinträchtigt die Erfolgsaussichten der KI bereits im Vorfeld.

KI erweitert den Umfang dessen, was als Daten gilt.

Historisch gesehen stützten sich Unternehmenssysteme auf strukturierte Datensätze in ERP-Plattformen, die sorgfältig bereinigt und validiert wurden, da Fehler unmittelbare Konsequenzen hatten.

Infolgedessen werden strukturierte Daten seit Jahrzehnten reguliert, unstrukturierte Inhalte hingegen nicht. Sie haben sich systemübergreifend angesammelt, ohne dass einheitliche Zuständigkeiten, Validierungen oder die Einhaltung von Geschäftsregeln gewährleistet waren. Rund 80 % der Unternehmensinformationen sind unstrukturiert, werden aber nicht mit der gleichen Sorgfalt behandelt wie strukturierte Daten.

Bislang war das bei der Interpretation durch Menschen noch einigermaßen beherrschbar, doch da die KI versucht, sowohl auf strukturierte als auch auf unstrukturierte Daten zurückzugreifen, tritt der Kern des Problems zutage.

Die Skalierung von KI birgt nicht nur technische Komplexität, sondern auch operationelle Risiken.

Wenn Unternehmen von experimentellen KI-Anwendungsfällen zum operativen Einsatz übergehen, stoßen KI-Systeme auf die gesamte Variabilität und Inkonsistenz von Unternehmensinhalten. Sie integrieren Verträge, Richtlinien, Produktdokumentationen, Serviceberichte und andere unstrukturierte Inhalte, die einen wichtigen Kontext enthalten, den strukturierte Systeme nicht erfassen.

Es liegt nicht unbedingt daran, dass Organisationen ihre Daten bis jetzt nicht ordnungsgemäß verwaltet haben. Governance, Qualitätskontrollen und Eigentumsmodelle wurden um strukturierte Systeme herum entwickelt, in denen Daten definiert, validiert und durch klare Regeln durchgesetzt werden konnten. Unstrukturierte Inhalte blieben diesen Kontrollen schlichtweg fern und wurden oft informell von Geschäftsbereichen mit geringer Standardisierung verwaltet. 

Bislang haben diese Prozesse das Tempo der Organisation bis zu einem gewissen Grad unterstützt. Doch mit der zunehmenden Integration von KI in die Betriebsabläufe wird ihre Leistungsfähigkeit deutlich eingeschränkt. 

Organisationen fordern von KI die Verarbeitung von Inhalten, die bisher nicht als verlässliche Datenquelle galten. Die Datenqualität muss daher über traditionelle Messgrößen hinausgehen und Genauigkeit, Aktualität, Konsistenz, Vollständigkeit und Compliance berücksichtigen.

Ohne diese Eigenschaften kann unstrukturierter Inhalt nicht als verlässliche Entscheidungsgrundlage dienen. Es geht nicht um Zugänglichkeit, sondern darum, ob der Inhalt für konkrete Maßnahmen geeignet ist. Unternehmen müssen sowohl strukturierten als auch unstrukturierten Daten Priorität einräumen, um sich auf KI vorzubereiten. 

Nutzung von KI-Innovationen zur Schließung der Datenqualitätslücke in der KI

Dies ist die Grundlage der Veröffentlichung im zweiten Quartal. Es geht nicht nur darum, an der Erweiterung der KI-Funktionen teilzunehmen, sondern auch darum, die Frage zu klären, die darüber entscheidet, ob diese Funktionen einen Mehrwert bieten oder ein Risiko darstellen.

Denn das Marktsignal ist eindeutig. Unternehmen fragen nicht primär nach zusätzlichen KI-Funktionen, sondern danach, wie sichergestellt werden kann, dass die Daten, die diesen Funktionen zugrunde liegen, vertrauenswürdig sind.

Als Reaktion darauf haben wir unseren Ansatz zur Datenqualität auf den Bereich unstrukturierter Inhalte ausgeweitet. Ziel ist es, die gleiche Sorgfalt, die wir für strukturierte Daten anwenden, auch auf die Dokumente und Inhalte zu übertragen, die nun als Eingaben für KI-Systeme dienen, und gleichzeitig die vorhandenen Inhalte kontinuierlich zu bewerten.

Durch die Kombination von kontinuierlicher Überwachung und aktiver Validierung adressiert dieser Ansatz sowohl den aktuellen Zustand der Unternehmensinhalte als auch die Prozesse, die diese prägen. Er etabliert ein System, in dem Qualität nicht als gegeben vorausgesetzt, sondern als Teil des normalen Betriebs gesteuert wird.

So funktionieren diese Funktionen zusammen:

1. Dokumente werden aus verbundenen Quellen importiert und in aussagekräftige Kategorien oder Datensätze eingeteilt (z. B. Verträge vs. Bestellungen). Da Korrektheit kontextabhängig ist, können die verwendeten Qualitätskriterien je nach Dokumenttyp variieren. 
2. Wichtige Elemente wie Zahlungsbedingungen, Gerichtsstand und Preiskonditionen werden extrahiert, um sie an Geschäftseinheiten und -prozesse anzupassen.
3. Diese Daten werden anschließend in zwei Modi einer Qualitätskontrolle unterzogen:

• Passive Überwachung, das fortlaufend neue oder aktualisierte Dokumente auswertet
• Aktive Validierung, das Dokumente beim Hochladen anhand definierter Regeln prüft

Durch die Einführung von Validierungsmethoden direkt am Eingang können Organisationen Probleme erkennen, bevor diese den Betrieb beeinträchtigen, und so von der Reaktion zur Prävention übergehen. Treten Probleme auf, erfolgt das Feedback eindeutig und die Ergebnisse (bestanden/nicht bestanden) werden durch Dokumente belegt.

4. Auf aggregierter Ebene bieten Dashboards Transparenz über Dokumenttypen, Kategorien und Regeln hinweg und ermöglichen es Organisationen, Muster zu erkennen, Abhilfemaßnahmen zu priorisieren und Risiken proaktiv zu managen.

Hier erfahren Sie, wie Sie unstrukturierte Daten in großem Umfang innerhalb der Syniti Knowledge Platform verwalten können. 

Die Datenqualität wird zu einem entscheidenden Faktor für die Geschäftsleistung.

Wenn unstrukturierte Inhalte auf diese Weise verwaltet werden, reichen die Auswirkungen über die technische Zuverlässigkeit hinaus und wirken sich auch auf die Geschäftsergebnisse aus:

• Die Vertragsbedingungen werden einheitlich angewendet, wodurch Einnahmeverluste reduziert werden.
• Finanzprozesse werden zuverlässiger
• Die betrieblichen Arbeitsabläufe werden weniger stark gestört.

Am wichtigsten ist, dass das Vertrauen in KI steigt, wenn die Ergebnisse mit den tatsächlichen Geschäftsabläufen übereinstimmen. Mit dieser Übereinstimmung können Unternehmen KI über einzelne Anwendungsfälle hinaus skalieren. Ohne sie bleibt die Effektivität unabhängig von der Technologie begrenzt.

KI wird die Grundlage, auf der sie operiert, verstärken.

Mit zunehmender Verbreitung von KI wird der Unterschied zwischen Fähigkeit und Einsatzbereitschaft deutlicher. KI-Systeme spiegeln die Qualität ihrer Datenumgebung wider und verstärken sie. Fragmentierung führt zu Inkonsistenzen; Governance schafft Zuverlässigkeit.

Die Schlussfolgerung ist eindeutig: Der Erfolg von KI hängt weniger von der Komplexität der Modelle als vielmehr von der Zuverlässigkeit der Daten ab. Organisationen, die in diese Grundlage investieren, können von Experimenten zu nachhaltiger Leistung gelangen. Diejenigen, die dies nicht tun, werden Schwierigkeiten haben, ihre Systeme zu skalieren.

Die Entwicklung von KI-Assistenten hin zu in Arbeitsabläufe integrierte Systemen wird die Bedeutung der Datenqualität erhöhen. Je geringer die Distanz zwischen Daten und Handlung wird, desto unmittelbarer werden die Folgen von Inkonsistenzen.

In diesem Sinne wird die Zukunft der KI nicht allein durch Fortschritte bei Modellen oder Algorithmen definiert, sondern davon, ob Organisationen eine ausreichend zuverlässige Datengrundlage schaffen können, um Entscheidungen in großem Umfang zu unterstützen.

Unsere Kompetenz in der Qualitätssicherung unstrukturierter Daten ist eine direkte Reaktion auf diesen Wandel. Mit der zunehmenden Integration von KI in die Betriebsabläufe wird der Erfolg weniger von den technologischen Fähigkeiten abhängen, sondern vielmehr davon, ob die zugrunde liegenden Daten qualitativ hochwertig sind. geschäftsbereit—gesteuert, validiert und auf die Geschäftsprozesse in allen Formen abgestimmt.