Schlagwort: Datenqualität

Die KI-Integration in Business-Software bietet immense Chancen, bringt jedoch auch Herausforderungen mit sich. Um das volle Potenzial von KI zu entfalten, müssen Unternehmen nicht nur technologische, sondern auch organisatorische Hürden überwinden. Dabei sind bestimmte Erfolgsfaktoren entscheidend, um die Einführung von KI-Lösungen nachhaltig und effektiv zu gestalten.

Künstliche Intelligenz (KI) hat sich als eine der wichtigsten Technologien der digitalen Transformation etabliert. So bietet KI z.B. zahlreiche Möglichkeiten, die Kundenerfahrung zu personalisieren und die Ressourcennutzung in Unternehmen zu optimieren. Diese beiden Aspekte unterstreichen, wie tiefgreifend KI die Arbeitsweise von Unternehmen verändert.

14.03.2025 | Webinar | 09:30–10:15 Uhr

Die Qualität von Stamm- und Bewegungsdaten ist ein entscheidender Faktor für die Effizienz eines ERP-Systems. Ein strukturiertes Datenmanagement – von der Systemeinführung bis zum kontinuierlichen Monitoring – sorgt für reibungslose Abläufe und nachhaltige Kostensenkung in der Auftragsabwicklung.

Der Schmuckhändler Amor GmbH hat sein Master Data Management optimiert. Der Angleich zwischen dem SAP-System und dem Product Information Management läuft weitgehend automatisch. Das steigert die Datenqualität und die Effizienz der Abläufe.

Datengetriebene Entscheidungen, Cloud-Technologien und KI prägen das moderne Datenmanagement und steigern die Nachfrage nach Data Engineers. Um in diesem dynamischen Umfeld erfolgreich zu bleiben, sollten sich Data Engineers auf einige zentrale Fähigkeiten konzentrieren, die ihnen langfristig Vorteile bringen.

Der Hype rund um generative Künstliche Intelligenz (KI) wie ChatGPT hat hohe Erwartungen geweckt, doch nun rücken die Herausforderungen bei KI-Projekten in den Fokus. Laut Gartner sind viele Unternehmen mit der Frage konfrontiert, wann sich ihre Investitionen in KI-Projekte rentieren. Die Prognosen dafür sind leider nicht vielversprechend. Um hier Projektfehlschläge zu minimieren hat SAP eine Partnerschaft mit der Anwenderinitiative applied AI geschlossen.

Datenqualität bei Künstlicher Intelligenz ist entscheidend für präzise und faire Ergebnisse. Die Auswahl und Verarbeitung von Daten spielen eine zentrale Rolle, um Verzerrungen zu vermeiden und den Datenschutz sicherzustellen. Reinhard Heckel, Professor für Maschinelles Lernen an der TU München, erläutert, wie eine hohe Datenqualität den Erfolg von KI-Anwendungen beeinflusst.

KI-Lösungen können nur so wertvoll, einzigartig und nützlich sein, wie Menge, Qualität und Vielfalt der verfügbaren Trainingsdaten. Dies bedeutet für Unternehmen, dass sie jetzt Methoden benötigen, um ihre Daten in einem Workflow zu speichern, der eine Analyse, Katalogisierung und Kennzeichnung all ihrer Daten ermöglicht. Dies erfordert eine End-to-End-Infrastruktur für unstrukturierte Daten, die sich an neue Herausforderungen anpassen lässt.

Digitalisierung und Künstliche Intelligenz sind auf qualitative Daten angewiesen, um sinnvolle Resultate zu liefern. Aparavi, ein Anbieter von Lösungen zur Verwaltung unstrukturierter Daten, benennt vier Entwicklungen, bei denen die Datenqualität unverzichtbar ist.