adesso BLOG

Unternehmen und Behörden stehen oft vor der Herausforderung, relevante Informationen in riesigen Datenmengen zu finden. Obwohl mit Retrieval Augmented Generation (RAG) eine noch recht junge Technologie zur Verfügung steht um lokales Domänenwissen gezielt abzufragen, scheitert die Technologie oft daran komplexe verteilte Informationen zu aggregieren. Hier kommt GraphRAG ins Spiel. In diesem Blog-Beitrag stellen wir dies ausführlich vor.

Viel ist passiert seit mit ChatGPT der Durchbruch für Large Language Models (LLMs) gelang. Was geblieben ist, ist unser Wunsch diese Sprachmodelle mit weiterem Wissen zu ergänzen. Eine Pauschallösung gibt es nicht mehr, dafür zahlreiche Möglichkeiten. Dieser Blog-Beitrag bietet einen Überblick über die verschiedenen Optionen der Optimierung von LLMs.

In der Welt der Datenverarbeitung gibt es verschiedene Ansätze zur Verbesserung der Effizienz und Genauigkeit. Ein besonders vielversprechender Ansatz ist die Verwendung von Large Language Models (LLMs), um die Verknüpfung von Entitäten durch Entity Linking zu verbessern. In diesem Blog-Beitrag werde ich die neuen Möglichkeiten und Vorteile dieser Technologie beleuchten.

Künstliche Intelligenz entwickelt sich rasant und insbesondere Retrieval Augmented Generation (RAG) hat in letzter Zeit viel Aufmerksamkeit auf sich gezogen. Große Sprachmodelle wie ChatGPT zeigen ihr volles Potenzial, wenn sie durch RAG mit domänenspezifischem Wissen angereichert werden. Trotz dieses Potenzials sehen sich Benutzer oft mit Herausforderungen konfrontiert. In diesem Blog-Beitrag betrachten wir den Übergang von grundlegenden zu fortgeschrittenen RAG-Ansätzen und zeigen, wie typische Probleme überwunden werden können.

Im Bereich der generativen KI (GenAI) hat Snowflake einen späten, aber großen Schritt gemacht. Mit Services wie dem Snowpark Container Service, Snowflake Cortex und dem Snowflake-eigenen Large Language Model (LLM) ‚Arctic‘ will sich Snowflake einen Platz in der Welt der generativen KI sichern. Der zweite Teil des Blog-Beitrags beschäftigt sich mit diesen drei Diensten und den Möglichkeiten, die sich daraus (für Unternehmen) ergeben.

Die Welt der Künstlichen Intelligenz entwickelt sich mit atemberaubender Geschwindigkeit, und Large Language Models (LLMs) stehen an der Spitze dieser Revolution. LLM-Operationalisierung ist ein wesentlicher Bestandteil dieser Entwicklung und bietet Unternehmen die Möglichkeit, nicht nur die Grenzen der Technologie zu erweitern, sondern auch neue Maßstäbe für die Interaktion zwischen Mensch und Maschine zu setzen. Wieso das so ist, erklären wir in unserem Blog-Beitrag.

Die automatische Textzusammenfassung erleichtert die Arbeit erheblich, da solche Aufgaben zeitaufwendig sind und im Wesentlichen Datentransformation darstellen. Dieser Blog-Beitrag konzentriert sich auf das Prompt Engineering und die entsprechende Vorbereitung für die maschinelle Zusammenfassung von Texten mithilfe großer Sprachmodelle wie Aleph Alpha Luminous. Der erste Teil behandelt die Zusammenfassungsanforderungen und die technischen Herausforderungen mit LLMs.

Large Language Models sind hochentwickelte künstlich intelligente Systeme, die auf umfangreichem maschinellem Lernen basieren. LLMs sind immer dort hilfreich, wo Texte und Sprache zum Einsatz kommen. Wie genau der Einsatz von LLMs in der Versicherungsbranche aussieht, erklären wir in unserem Blog-Beitrag.