Die Unternehmensgeschichte rund um generative KI ist an einem heiklen Scheideweg angelangt. Tech-Führungskräfte versprechen regelmäßig eine unmittelbar bevorstehende, reibungslose Realität, in der autonome Software program-Agenten die Komplexität des Unternehmensverkaufs steuern, Kundenabgänge vorhersagen und Markteinführungspipelines ohne menschliches Eingreifen verwalten.

Doch hinter den raffinierten Marketingpräsentationen und hochkarätigen Keynotes kommt eine völlig widersprüchliche technische Wahrheit zum Vorschein.

Die aggressive Ausrichtung der Branche auf grundlegende Sanitär-Frameworks, insbesondere das Mannequin Context Protocol (MCP) von Anthropic, ist der eindeutige Beweis für einen großen architektonischen Mangel. Große Sprachmodelle arbeiten trotz ihres milliardenschweren Trainingsbudgets und ihrer bemerkenswerten Sprachkompetenz im Wesentlichen in einem Informationsvakuum. Sie können echte kommerzielle Operationen nicht alleine durchführen, weil ihnen der Zugang zu strukturierten, realen Kontexten fehlt.

Diese zentrale Herausforderung wurde kürzlich offengelegt Präsentation zur Produkteinführung von EvoLusha 2026das als struktureller Katalysator für diese architektonische Neubewertung diente.

Während der Keynote Lusha CEO Yoni Tserruya signalisierte ausdrücklich das Ende der spekulativen KI-Einführung in Unternehmen und erklärte: „Die KI-Pilotphase ist vorbei. KI ist kein Werkzeug mehr, mit dem Unternehmen spielen; sie erledigt jetzt die eigentliche Arbeit.“

Er warnte davor, dass es nicht mehr um kurzfristige Risiken geht, und fügte hinzu: „Unternehmen, die ihre Agenten-Workflows auf den richtigen Grundlagen aufbauen, werden mehr Geschäfte abschließen, schneller wachsen und sich einen Umsatzvorteil aufbauen, den ihre Konkurrenten einfach nicht schließen können. Diese Lücke wird sich zu einem strukturellen und nicht zu einem vierteljährlichen, sondern zu einem dauerhaften Vorteil entwickeln.“

Der Vortrag verdeutlichte jedoch gleichzeitig, warum große Sprachmodelle diese Arbeit nicht isoliert leisten können. Um die Lücke zwischen Textgenerierung und Unternehmensausführung zu schließen, kündigte Lusha eine tiefe operative Integration mit dem Open-Supply-Normal von Anthropic an und verbindet seine umfangreichen kommerziellen B2B-Datenschichten über MCP direkt mit grundlegenden Modellen wie Claude. Die Notwendigkeit einer solchen Allianz wird zwar als wichtiger Meilenstein für die autonome Produktivität dargestellt, zeigt jedoch, dass der moderne Stack für künstliche Intelligenz vollständig auf zentralisierte Datenbanken der alten Schule angewiesen ist, um wirklich nützlich zu sein.

Die architektonische Phantasm der Selbstversorgung

Diese architektonische Abhängigkeit stellt die Vorstellung, dass grundlegende Modelle autarke kognitive Systeme sind, grundsätzlich in Frage. Entfernen Sie die Echtzeit-Suchmaschinen und alten Datenstrukturen, und ein fortschrittliches Unternehmensmodell beschränkt sich darauf, Unternehmenstelefonnummern zu erraten und frühere Beschäftigungsverläufe zu erfinden. Der kommerzielle Wert ergibt sich nicht aus der generativen Engine selbst, sondern aus den rohen, verifizierten Datenbankregistern, die Softwareunternehmen lange vor dem aktuellen Technologieboom jahrzehntelang erstellt haben.

Marktanalysten haben zunehmend festgestellt, dass eigenständige Modelle aufgrund des Mangels an internem Speicher und Echtzeiterkennung zu einer Belastung für präzise Unternehmensfunktionen werden. Laut einer Auswertung von Gartner über 50 % der unternehmensweiten generativen KI-Projekte Aufgrund schlechter Datenqualität und der Unfähigkeit der Modelle, ihre Ergebnisse auf authentischem Organisationswissen zu stützen, kommt es bei der Umsetzung zu Verzögerungen oder gar zum Scheitern. Dieses systemische Downside verdeutlicht, warum der Technologiesektor bestrebt ist, sichere Brücken zwischen Rohtextgeneratoren und starren, deterministischen Aufzeichnungssystemen zu bauen.

Diese Dynamik offenbart ein klares Ungleichgewicht im aufstrebenden Technologie-Ökosystem. Entwickler grundlegender Modelle haben enorme Kapitalsummen absorbiert, indem sie behaupteten, eine souveräne Softwareschicht zu schaffen, die in der Lage ist, menschliche Arbeitsabläufe zu überdenken. Der praktische Einsatz dieser Instruments zeigt jedoch ein anderes Bild.

Bei der Anwendung auf die tatsächliche Umsatzgenerierung fungiert ein Agent für künstliche Intelligenz lediglich als versatile Schnittstelle in natürlicher Sprache, die auf herkömmlichen, strukturierten Datenrepositorys aufsetzt. Es fungiert als eleganter Übersetzer, der Konversationsbefehle in Datenbankabfragen umwandelt und Zeilen- und Spaltenausgaben wieder in geschriebene Absätze umwandelt.

Wie Ben Harten-Beilis, Core Expertise Product Director bei Lusha, während der Übertragung betonte, führt die bloße Ausrichtung eines Rohmodells auf ein Marktsegment zu einem erheblichen operativen Versagen: „Die Vertriebsmitarbeiter hatten zwar Hear, aber keinen Grund, anzurufen. Sie haben 5.000 ICP-taugliche Kontakte abgerufen und völlig kalt gesprengt. Niedrige Verbindungsraten, verbrannte Kontakte – die Vertriebsmitarbeiter waren völlig demoralisiert.“

Was Unternehmensbetreiber wirklich brauchen, sind laut Harten-Beilis „Leads mit einem guten Grund, Leads, die tatsächlich konvertieren.“ Die eigentliche operative Schwerarbeit liegt weiterhin bei den Datenanbietern, die die reale Validierung, Compliance-Prüfung und kontinuierliche Registrierungsaktualisierungen verwalten.

Die Industrialisierung automatisierter Fehler

Die betriebliche Realität moderner Income-Operations-Groups unterstreicht diese Abhängigkeit von externen Daten noch mehr. Seit Jahren kämpfen Vertriebsprofis mit unorganisierten Plattformen für das Kundenbeziehungsmanagement, veralteten Kontaktdatensätzen und widersprüchlichen Marktindikatoren. Die Einführung der sprachlichen Automatisierung löst diese strukturellen Probleme nicht automatisch; Stattdessen besteht die Gefahr, dass sich die Verbreitung ungenauer Informationen im industriellen Maßstab beschleunigt.

Wenn ein autonomes System angewiesen wird, anhand ungeprüfter Daten eine Zielkontoliste zu erstellen oder personalisierte Nachrichten zu verfassen, automatisiert es Fehler einfach schneller, als es ein menschlicher Bediener jemals könnte. Berichte verschiedener Kommentatoren und Veröffentlichungen betonen, dass die Der Unternehmensmarkt verlagert sich weg von allgemeiner „Wrapper“-Software program hin zu tiefgreifenden Infrastrukturintegrationen, gerade weil sich Unternehmen das Reputationsrisiko nicht leisten können, dass KI-Halluzinationen in ihre kundenorientierten Kommunikationskanäle eindringen. Dieses Risiko erklärt, warum Unternehmenskäufer Anzeichen einer Erschöpfung in Bezug auf rein generative Instruments zeigen und Technologieanbieter dazu zwingen, nach sicheren, überprüfbaren Datenintegrationen zu suchen, um ihre Marktbewertungen zu schützen.

Diese Realität hat zu einem Wandel in der Artwork und Weise geführt, wie Vertriebsautomatisierungstools entwickelt und vermarktet werden. Der Fokus liegt weg von generischen Chat-Schnittstellen und hin zu hochspezifischen, signalgesteuerten Datenarchitekturen. Unternehmenslösungen betonen jetzt unterschiedliche Betriebsebenen, die die inhärenten Einschränkungen von Standardtextmodellen kompensieren sollen.

Während der Präsentation erläuterte Lusha, wie sie diese Angebote in zwei spezifische Systeme segmentiert haben. Tserruya erklärte, dass die erste Schicht „unsere Kerndaten sind; wir nennen sie die Suchschicht. Diese Daten sind universell, umfassend und objektiv und umfassen alles, was in der Geschäftswelt passiert. Die zweite Schicht sind die tiefgreifenden Informationen. Diese Schicht ist einzigartig für Ihr Unternehmen. Unsere KI lernt Ihren Kontext, Ihre Kunden, Ihre Muster und Ihre Geschäfte.“

Diese zweischichtige Struktur existiert genau deshalb, weil rohe Sprachmodelle diese sich schnell verändernden kommerziellen Realitäten nicht beibehalten oder unabhängig überprüfen können.

Die Realität kontrollierter Autonomie

Darüber hinaus verändert dieser Integrationstrend unser Verständnis von Softwareautonomie innerhalb des Unternehmens. Technikbegeisterte beschreiben oft eine Zukunft, in der automatisierte Software program komplexe Aufgaben routinemäßig isoliert erledigt. Tatsächliche Implementierungen zeigen jedoch eine kontrolliertere, kollaborativere Umgebung.

Eine aktuelle Studie veröffentlicht von der MIT Know-how Overview weist darauf hin, dass automatisierte Agenten zwar die Again-Workplace-Datensynthese effizient durchführen können, die Anwesenheit eines „Menschen in der Schleife“ jedoch weiterhin von entscheidender Bedeutung ist, um Betriebsabweichungen zu verhindern und die Einhaltung von Datenschutzbestimmungen wie der DSGVO aufrechtzuerhalten. Während automatisierte Systeme Datenbankänderungen erfolgreich überwachen, Kontaktdaten mit Querverweisen versehen und erste Mitteilungen generieren können, bleibt die menschliche Aufsicht ein kritischer betrieblicher Engpass.

Lushas Keynote demonstrierte diese Realität direkt und zeigte, dass seine Systeme menschliche Bediener nicht umgehen; Stattdessen liefern sie organisierte Zusammenfassungen, Personalbestandsdifferenzen und vorgefertigte Antworten an ein Dashboard oder einen Kommunikationskanal wie Slack zur abschließenden Überprüfung vor der Bereitstellung.

Tserruya legte Wert darauf, diese Sichtbarkeit hervorzuheben, um vorsichtige Unternehmenskäufer zu beruhigen, und erklärte: „Es handelt sich nicht um eine Black Field. Sie haben immer die Kontrolle. Sie können die Gründe erkennen und sie an Ihre Bedürfnisse anpassen.“ Dieser hybride Ansatz ist ein offenes Eingeständnis, dass vollständig autonome Unternehmenssoftware zu unvorhersehbar bleibt, als dass man ihr direkte, unüberwachte Kundeninteraktionen anvertrauen könnte.

Diese Entwicklung rückt die wahre Wirtschaftsstruktur der modernen Softwarelandschaft stärker in den Fokus. Der wahre Wert liegt nicht in der generischen Rechenschicht, die sich schnell zu einer Massenressource entwickelt, die durch sinkende Kosten und starken Wettbewerbsdruck gekennzeichnet ist. Stattdessen konzentriert sich der strategische Wert auf proprietäre, intestine gepflegte Datenökosysteme, die durch Internet-Scraping-Algorithmen nicht einfach repliziert werden können.

Finanzanalysen von Bloomberg und anderen deuten darauf hin, dass Kapitalinvestitionen zunehmend in Unternehmen fließen, die über einzigartige, proprietäre Datensätze verfügen, da die Margen für reine Rechenleistung und Basissprachmodelle in einem zunehmend überfüllten Markt immer weiter schrumpfen.

Die offene Standardisierung von Kommunikationsprotokollen wie dem Anthropic-Framework ermöglicht einen ungehinderten Fluss von Unternehmensdaten in verschiedene Produktivitätstools, stärkt aber gleichzeitig die Dominanz der zugrunde liegenden Dateneigentümer. Die Sprachmodelle selbst werden zu hocheffizienten Versorgungsleitungen, während die Entitäten, die die verifizierten Daten liefern, die wahren Schlüssel zur Unternehmensausführung innehaben.

Auf dem Weg zu einem pragmatischen Gleichgewicht

Letztendlich bewegt sich die technische Entwicklung von Unternehmenssoftware in Richtung eines pragmatischeren Gleichgewichts. Die anfängliche Begeisterung für unabhängige, eigenständige künstliche Intelligenz weicht der Erkenntnis, dass sprachliche Beherrschung etwas anderes ist als tatsächliches operatives Wissen.

Wie Tserruya bei der Produkteinführung abschließend feststellte, beruht der Weg nach vorn ausschließlich auf der Verknüpfung reiner Intelligenz mit strukturierten Grundlagen: „Die Suchschicht stellt Ihren Agenten die Daten zur Verfügung – universell, verifiziert, in Echtzeit … Durch die Zusammenarbeit hinter den Kulissen unterstützen sie nicht nur Ihre Agenten; sie machen jeden Mitarbeiter produktiver.“

Die Zukunft der Geschäftsautomatisierung wird nicht durch eine einzige, allwissende Software program-Engine definiert, die die bestehende Unternehmensinfrastruktur ersetzt. Vielmehr wird es wie ein hochgradig vernetztes Netzwerk spezialisierter Instruments aussehen, in dem moderne Schnittstellen in natürlicher Sprache systematisch an die präzisen, unscheinbaren Unternehmensdatenbanken gebunden sind, die die Softwareindustrie seit einer Technology verankert haben.

Entwickler nutzen Claude Code als erweitertes Autovervollständigungssystem. Sie öffnen eine Datei, geben eine Eingabeaufforderung ein und hoffen auf das Beste. Das System erzeugt eine ordentliche Ausgabe, die teilweise eine hervorragende Qualität erreicht. Die Ausgabe weist inkonsistente Ergebnisse auf. Das System verliert den Überblick über den Kontext und wiederholt seine anfänglichen Fehler.

Die Lösung braucht mehr organisiertes Projektnicht ein erweiterte Eingabeaufforderung.

In diesem Artikel wird eine Projektstruktur vorgestellt, die sich zu einem KI-gestützten System für die Reaktion auf Vorfälle entwickelt, das den Greatest Practices von Claude Code folgt.

Die Lüge, an die die meisten KI-Entwickler glauben

Das größte Missverständnis, das Entwickler heutzutage in Bezug auf KI haben, ist:

„Einfach LLM nutzen und fertig!“

Falsch! KI ist ein System. Kein Function.

Ein KI-System in Produktionsqualität erfordert:

• Datenpipelines: Aufnahme → Chunking → Einbettung
• Abruf: Hybridsuche mit Re-Rating
• Erinnerung: Semantisches Caching, In-Reminiscence-Recall
• Routing: richtige Quellenauswahl mit Fallbacks
• Technology: strukturierte Ausgaben
• Auswertung: offline und on-line
• Sicherheit: Ein- und Ausgangssicherungen
• Beobachtbarkeit: Vollständige Rückverfolgbarkeit der Abfrage
• Infrastruktur: asynchron, Container-basiert

Die meisten Entwickler bleiben bei API-Aufrufen stehen. Das ist nur das erste Degree! Was selten diskutiert wird:
Die Repository-Struktur bestimmt, wie intestine Claude Code Sie beim Aufbau dieser Ebenen unterstützt.

Korrigieren Sie die Struktur. Alles andere passt zusammen.

KI-System zur Reaktion auf Vorfälle

Bei diesem Projekt handelt es sich um ein cloudbasiertes, auf KI basierendes Vorfallmanagementsystem. Ich werde es anrufen antworten.

• Funktionen: Alarmaufnahme, Schweregradklassifizierung, Runbook-Generierung, Vorfallweiterleitung, Lösungsverfolgung.
• Fokus: nicht das System, sondern das Repository-Design.
• Zweck: Zeigen Sie, wie Struktur es Claude Code ermöglicht, mit Kontext, Regeln und Arbeitsabläufen zu arbeiten.
• Verzeichnisstruktur: Referenzmuster unten. Anwendbar auf jedes KI-System.

Lassen Sie uns analysieren, wie die Gesamtstruktur zu einem besseren Erlebnis mit Claude Code führt, und analysieren wir dann jeden Teil der Struktur.

Die vier Dinge, die jedes Claude Code-Projekt braucht

Bevor wir uns mit der Erstellung von Ordnern befassen, werfen wir einen Blick auf das Wesentliche von Claude Code. Um wie ein Ingenieur zu denken, benötigt Claude Code im Wesentlichen vier Informationen:

• Das Warum – was diese Komponente tut und warum sie existiert
• Die Karte – wo sich alles befindet
• Die Regeln – was erlaubt und was verboten ist
• Der Workflow – wie die Arbeit abgeschlossen wird

Alle darin enthaltenen Ordner respondly/ Das Verzeichnis übernimmt eine der oben genannten Rollen. Es gibt keine versehentliche Ordnerplatzierung.

CLAUDE.md: ROOT-Speicher

CLAUDE.md ist eine der wichtigsten Dateien für dieses Projekt, nicht die Dokumentation, sondern im Grunde der Speicher des Modells. Claude schaut zu CLAUDE.md wann es jedes Mal startet. Man kann es sich so vorstellen, als würde man einem neuen Ingenieur am ersten Tag einen Überblick über das System geben (außer Claude wird es jedes Mal gegeben). Sie sollten sich kurz und prägnant fassen und sich auf maximal drei Abschnitte beschränken.

Was respondly/CLAUDE.md enthält:

Das ist alles. Es gibt keine Philosophien oder ausführlichen Beschreibungen. Es ist alles nur so Informieren Sie das Modell.

Wenn CLAUDE.md Wird die Zeitspanne zu lang, ist das Modell nicht mehr in der Lage, die kritischen Anweisungen zu befolgen, denen es folgen soll. Klarheit ist immer wichtiger als Größe.

.claude/abilities: Wiederverwendbare Expertenmodi

In diesem Ordner lässt sich intestine erkennen, wie Claude Code vom Generalisten zum Spezialisten wird. Wiederverwendbare Anweisungscodes ermöglichen es Claude, wiederholbare Arbeitsabläufe zu erstellen.

Wenn Claude einen neuen Prozess lernt, muss er ihn nicht jedes Mal erklären. Definieren Sie es einmal, dann lädt Claude diesen Prozess bei Bedarf. Claude verfügt über drei einzigartige Fähigkeiten:

1. triage-review/SKILL.md: Wie Sie den Schweregrad von Warnungen genau überprüfen, eskalieren und auf falsch-positive Muster überprüfen und ob die Warnung über einen Klassifizierungscode verfügt, der die Warnung genau beschreibt.
2. runbook-gen/SKILL.md: So generieren Sie ein Runbook. Einzelheiten zum Ausgabeformat, den erforderlichen Feldern und dem Ton finden Sie in den Anweisungen.
3. eval-run/SKILL.md: So führen Sie die Offline-Bewertungspipeline aus. Enthält zu verwendende Metriken, Schwellenwerte, die eine Überprüfung auslösen, und Anweisungen zum Protokollieren von Ergebnissen.

Dadurch erhält jeder, der mit Claude Code an dem Projekt arbeitet, eine konsistente, qualitativ hochwertige Ausgabe aller Benutzer, was die Verwendung und Ausführung von Claude betrifft.

.claude/guidelines: Leitplanken, die man nie vergisst

Wie Sie wissen, werden Fashions es oft vergessen. Haken und Regeln werden es nicht geben. Das Regelverzeichnis enthält die Regeln, die IMMER eingehalten werden MÜSSEN, ohne dass jemand daran erinnert werden muss.

• code-style.md stellt sicher, dass alle Anforderungen an Formatierung, Importreihenfolge, Typ und Kind für ALLE Python-Dateien eingehalten werden.
• testen.md definiert, wann Exams ausgeführt werden sollen (und welche Module geschützt werden sollen) und wie viel Testabdeckung erreicht werden muss, um zu bestehen (dh es legt den Maßstab für die Abdeckung fest, nach dem nichts anderes mehr von Bedeutung ist).

Beachten Sie die Regeln, die von Natur aus Teil des Projekts sind. Daher enthält jedes mit Claude erstellte Projekt automatisch die Regeln, ohne dass es einer Erinnerung bedarf.

.claude/Docs: Progressiver Kontext, keine sofortige Überlastung

Sie müssen nicht alle Informationen in einer einzigen Eingabeaufforderung zusammenfassen. Dadurch entsteht ein Anti-Muster. Erstellen Sie stattdessen eine Dokumentation, damit Claude zum richtigen Zeitpunkt auf die erforderlichen Abschnitte zugreifen kann. Der Antwort/Dokumente Verzeichnis besteht aus:

• Architektur.md – Gesamtdesign, Beziehung zwischen Komponenten, Datenflussdiagramme
• api-reference.md – Endpunktspezifikationen, Anforderungs-/Antwortschema, Authentifizierungsmuster
• Bereitstellung.md – Infrastruktur-Setup, Umgebungsvariablen, Docker Compose-Setup

Claude muss sich diese ganze Dokumentation nicht merken; Es muss lediglich wissen, wo es die benötigten Informationen erhalten kann. Daher wird allein dadurch eine erhebliche Anzahl von Fehlern reduziert.

Lokale CLAUDE.md-Dateien: Kontext für Gefahrenzonen

Es gibt bestimmte Bereiche einer Codebasis, die verborgene Komplexität enthalten. Obwohl sie oberflächlich betrachtet zunächst recht einfach erscheinen, sind sie es nicht.

Für antworten/Diese Komplexitätsbereiche sind wie folgt:

• App/Sicherheit/ – Mechanismen zur Verhinderung von Immediate-Injection, Methoden zur Inhaltsfilterung, Prozesse zur Ausgabevalidierung
• app/agenten/ – Orchestrierungslogik für LLMs, Aufruf externer Instruments und adaptives Routing von Anfragen
• Auswertung/ – Gültigkeit des goldenen Datensatzes, Korrektheit der Bewertungspipeline

Jeder dieser Bereiche hat seinen eigenen Ort CLAUDE.md Datei:

App/safety/CLAUDE.md
app/brokers/CLAUDE.md
analysis/CLAUDE.md 

Anhand dieser Dateien erhält das CLAUDE-System einen klaren Überblick darüber, welche Aspekte dieses Bereichs eine Bedrohung darstellen, welche Fehler vermieden werden sollten und welche Konventionen zum Zeitpunkt der Arbeit von CLAUDE innerhalb der Grenzen dieses Verzeichnisses unerlässlich sind.

Dieser isolierte Prozess reduziert das Auftreten von LLM-fähigen Fehlern in Modulen mit hohem Einsatz erheblich.

Warum ist die Agenten-/Schicht die Actual-Intelligence-Schicht?

Antworten/ hat ein Multi-Agenten-Framework erstellt. Im Inneren antworten/agenten/ Ordner sind 4 Dateien:

• triage_agent.pydas Warnungen nach Schweregrad klassifiziert und eine strukturierte Ausgabe und einen goldenen Datensatz nutzt, um sich kontinuierlich neu zu kalibrieren;
• runbook_generator.py um Vorfall-Runbooks zu erstellen, indem man herausfindet, was die Aufgabe ist, und dann Schritt-für-Schritt-Anweisungen basierend auf einem „Lernen und Anpassen“-Modell unter Verwendung von LLMs sowie Vorlagen und validierten Ausgaben erstellt;
• adaptive_router.pydas basierend auf dem Kontext eine geeignete Datenquelle für die Abfrage auswählt (z. B. PagerDuty, Datadog oder interne Wissensdatenbank);
• Werkzeuge/Hier befinden sich alle externen Integrationen, die an das System angeschlossen sind. Jedes Software ist ein eigenständiges Modul, sodass zum Erstellen einer neuen Integration lediglich eine Datei hinzugefügt werden muss.

Es sind diese Merkmale, die ein KI-Produktionssystem von einem KI-Demosystem unterscheiden (z. B. die Fähigkeit, hinsichtlich der Intelligenz modular zu sein, verschiedene Exams für jede einzelne Komponente des Programs durchführen zu können und die Fähigkeit, die Kette von Ereignissen anzuzeigen, die zu einer bestimmten Entscheidung geführt haben).

Der Wandel, der alles verändert

Was die meisten Menschen übersehen:

Aufforderung ist ein vorübergehendes Maß, während Struktur ein dauerhaftes Kriterium ist.

Eine fachmännisch verfasste Eingabeaufforderung reicht nur für eine einzelne Sitzung aus, ein fachmännisch erstelltes Repository hingegen reicht für die gesamte Projektdauer.

Wenn Ihr Projekt richtig strukturiert ist:

• Claude versteht den Zweck des Programs, ohne dass es ihm gesagt werden muss.
• Claude hält sich stets an die etablierten verwendeten Codierungsstandards.
• Claude meidet schädliche Module, ohne ausdrücklich vor der Verwendung dieser Module gewarnt zu werden.
• Claude kann komplexe Arbeitsabläufe sitzungsweise mit gleichmäßiger Geschwindigkeit umsetzen

Dies ist kein Chatbot. Dies ist ein Ingenieur, der mit dem Projekt vertraut ist.

Abschluss

Der größte Fehler, den Menschen bei der Entwicklung von KI machen, besteht darin, sie als praktische oder erweiterte Suchfunktion zu betrachten. Claude ist das nicht; Es handelt sich um eine Argumentationsmaschine, die Kontext, Struktur und Gedächtnis erfordert. Jeder Antwort-/Ordner beantwortet eine Frage: Was braucht Claude, um in diesem Second sein Urteil zu fällen? Wenn Sie mit Ihrer Antwort konsistent sind, wird es nicht mehr nur ein Werkzeug sein; Sie haben einen Ingenieur in Ihrer Codebasis erstellt.

Der Ausführungsplan ist unkompliziert: Erstellen Sie ein Grasp-CLAUDE.md, entwickeln Sie drei Fähigkeiten, die für sich wiederholende Prozesse wiederverwendet werden können. Legen Sie dann Regeln für das fest, was Sie nicht ändern können. Legen Sie einen Satz lokaler Kontextdateien in Ihren vier größten Modulen ab, um mit der Erstellung Ihrer Architektur zu beginnen. Nachdem Sie diese vier Dateien erstellt haben, haben Sie Ihre Grundbausteine ​​für die Entwicklung festgelegt. Dann sollten Sie sich auf die Einrichtung Ihrer Architektur konzentrieren, bevor Sie die Anzahl der Dateien und/oder Funktionen erhöhen, die Sie zur Unterstützung Ihrer Anwendung erstellen. Sie werden feststellen, dass sich alles weitere von selbst ergeben wird.

Häufig gestellte Fragen

In einem riesigen autonomen Lagerhaus flitzen Hunderte von Robotern durch die Gänge, während sie Artikel sammeln und verteilen, um einen stetigen Strom an Kundenbestellungen zu erfüllen. In dieser geschäftigen Umgebung können selbst kleine Staus oder kleinere Kollisionen zu massiven Verzögerungen führen.

Um eine solche Lawine von Ineffizienzen zu vermeiden, haben Forscher des MIT und des Technologieunternehmens Symbotic eine neue Methode entwickelt, die automatisch dafür sorgt, dass eine Roboterflotte reibungslos läuft. Ihre Methode lernt anhand der Staubildung, welche Roboter zu jedem Zeitpunkt zuerst fahren sollten, und passt sich an, um Robotern Priorität einzuräumen, die kurz davor stehen, stecken zu bleiben. Auf diese Weise kann das System Roboter im Voraus umleiten, um Engpässe zu vermeiden.

Das Hybridsystem nutzt Deep Reinforcement Studying, eine leistungsstarke Methode der künstlichen Intelligenz zur Lösung komplexer Probleme, um herauszufinden, welche Roboter priorisiert werden sollten. Anschließend übermittelt ein schneller und zuverlässiger Planungsalgorithmus den Robotern Anweisungen, sodass sie auf sich ständig ändernde Bedingungen schnell reagieren können.

In Simulationen, die von tatsächlichen E-Commerce-Lagerlayouts inspiriert waren, erzielte dieser neue Ansatz eine Durchsatzsteigerung von rund 25 Prozent gegenüber anderen Methoden. Wichtig ist, dass sich das System schnell an neue Umgebungen mit unterschiedlichen Robotermengen oder unterschiedlichen Lagerlayouts anpassen kann.

„Es gibt viele Entscheidungsprobleme in der Fertigung und Logistik, bei denen Unternehmen auf Algorithmen angewiesen sind, die von menschlichen Experten entwickelt wurden. Aber wir haben gezeigt, dass wir mit der Kraft des Deep Reinforcement Studying eine übermenschliche Leistung erzielen können. Das ist ein sehr vielversprechender Ansatz, denn in diesen riesigen Lagerhäusern kann selbst eine Steigerung des Durchsatzes um 2 oder 3 Prozent enorme Auswirkungen haben“, sagt Han Zheng, Doktorand am Laboratory for Data and Resolution Programs (LIDS) am MIT und Hauptautor einer Arbeit über diesen neuen Ansatz.

Zheng wird bei der Arbeit von Yining Ma, einem LIDS-Postdoktoranden, begleitet; Brandon Araki und Jingkai Chen von Symbotic; und leitende Autorin Cathy Wu, außerordentliche Professorin für Karriereentwicklung im Jahrgang 1954 für Bau- und Umweltingenieurwesen (CEE) und Institut für Daten, Systeme und Gesellschaft (IDSS) am MIT sowie Mitglied von LIDS. Die Forschung erscheint heute im Zeitschrift für künstliche Intelligenzforschung.

Roboter umleiten

Hunderte von Robotern gleichzeitig in einem E-Commerce-Lager zu koordinieren, ist keine leichte Aufgabe.

Das Downside ist besonders kompliziert, da das Lager eine dynamische Umgebung ist und Roboter ständig neue Aufgaben erhalten, nachdem sie ihre Ziele erreicht haben. Sie müssen beim Verlassen und Betreten der Lagerhalle schnell umgeleitet werden.

Unternehmen nutzen häufig von menschlichen Experten geschriebene Algorithmen, um zu bestimmen, wohin und wann sich Roboter bewegen sollten, um die Anzahl der Pakete zu maximieren, die sie verarbeiten können.

Kommt es jedoch zu einer Überlastung oder einer Kollision, bleibt einem Unternehmen möglicherweise keine andere Wahl, als das gesamte Lager stundenlang herunterzufahren, um das Downside manuell zu beheben.

„In dieser State of affairs haben wir keine genaue Vorhersage der Zukunft. Wir wissen nur, was die Zukunft bringen könnte, in Bezug auf die eingehenden Pakete oder die Verteilung zukünftiger Bestellungen. Das Planungssystem muss sich im Laufe des Lagerbetriebs an diese Änderungen anpassen können“, sagt Zheng.

Diese Anpassungsfähigkeit erreichten die MIT-Forscher durch maschinelles Lernen. Sie begannen mit der Entwicklung eines neuronalen Netzwerkmodells, um Beobachtungen der Lagerumgebung zu erfassen und zu entscheiden, wie die Roboter priorisiert werden sollten. Sie trainieren dieses Modell mithilfe von Deep Reinforcement Studying, einer Versuch-und-Irrtum-Methode, bei der das Modell lernt, Roboter in Simulationen zu steuern, die tatsächliche Lagerhäuser nachahmen. Das Modell wird dafür belohnt, dass es Entscheidungen trifft, die den Gesamtdurchsatz steigern und gleichzeitig Konflikte vermeiden.

Mit der Zeit lernt das neuronale Netzwerk, viele Roboter effizient zu koordinieren.

„Durch die Interaktion mit Simulationen, die von realen Lagerlayouts inspiriert sind, erhält unser System Suggestions, das wir nutzen, um seine Entscheidungsfindung intelligenter zu gestalten. Das trainierte neuronale Netzwerk kann sich dann an Lager mit unterschiedlichem Structure anpassen“, erklärt Zheng.

Es ist darauf ausgelegt, die langfristigen Einschränkungen und Hindernisse auf dem Weg jedes Roboters zu erfassen und gleichzeitig dynamische Interaktionen zwischen Robotern bei ihrer Bewegung durch das Lager zu berücksichtigen.

Durch die Vorhersage aktueller und zukünftiger Roboterinteraktionen plant das Modell, Staus zu vermeiden, bevor sie auftreten.

Nachdem das neuronale Netzwerk entschieden hat, welche Roboter Vorrang haben sollen, verwendet das System einen bewährten Planungsalgorithmus, um jedem Roboter mitzuteilen, wie er sich von einem Punkt zum anderen bewegen soll. Dieser effiziente Algorithmus hilft den Robotern, schnell auf die sich ändernde Lagerumgebung zu reagieren.

Diese Methodenkombination ist entscheidend.

„Dieser hybride Ansatz baut auf der Arbeit meiner Gruppe auf, wie man das Beste aus beiden Welten zwischen maschinellem Lernen und klassischen Optimierungsmethoden erreichen kann. Rein maschinelle Lernmethoden haben immer noch Schwierigkeiten, komplexe Optimierungsprobleme zu lösen, und dennoch ist es für menschliche Experten äußerst zeit- und arbeitsintensiv, effektive Methoden zu entwerfen. Aber zusammen kann die richtige Verwendung von Experten entwickelten Methoden die Aufgabe des maschinellen Lernens enorm vereinfachen“, sagt Wu.

Komplexität überwinden

Nachdem die Forscher das neuronale Netzwerk trainiert hatten, testeten sie das System in simulierten Lagerhäusern, die sich von denen unterschieden, die es während des Trainings gesehen hatte. Da Industriesimulationen für dieses komplexe Downside zu ineffizient waren, entwarfen die Forscher ihre eigenen Umgebungen, um die Vorgänge in tatsächlichen Lagerhäusern nachzuahmen.

Im Durchschnitt erreichte ihr hybrider, lernbasierter Ansatz einen um 25 Prozent höheren Durchsatz als herkömmliche Algorithmen sowie eine Zufallssuchmethode, gemessen an der Anzahl der professional Roboter zugestellten Pakete. Ihr Ansatz könnte auch realisierbare Roboterpfadpläne generieren, die die durch herkömmliche Methoden verursachten Staus überwinden.

„Besonders wenn die Roboterdichte im Lager zunimmt, nimmt die Komplexität exponentiell zu und diese traditionellen Methoden beginnen schnell zu versagen. In diesen Umgebungen ist unsere Methode viel effizienter“, sagt Zheng.

Auch wenn ihr System noch weit von einem realen Einsatz entfernt ist, verdeutlichen diese Demonstrationen die Machbarkeit und die Vorteile der Verwendung eines auf maschinellem Lernen basierenden Ansatzes in der Lagerautomatisierung.

In Zukunft möchten die Forscher Aufgabenzuweisungen in die Problemformulierung einbeziehen, da sich die Festlegung, welcher Roboter welche Aufgabe erledigen wird, auf die Überlastung auswirkt. Sie planen außerdem, ihr System auf größere Lager mit Tausenden von Robotern auszudehnen.

Diese Forschung wurde von Symbotic finanziert.

Verarbeitung natürlicher Sprache ist in den letzten Jahren schnell gewachsen. Während personal Modelle die Führung haben, haben Open-Supply-Modelle aufgenommen. Olmo 2 ist ein großer Schritt nach vorne in der Open-Supply-Welt und bietet Macht und Zugänglichkeit ähnlich wie personal Modelle. Dieser Artikel enthält eine detaillierte Diskussion von OLMO 2, die seine Ausbildung, Leistung und die Verwendung vor Ort behandelt.

Lernziele

• Verstehen Sie die Bedeutung von Open-Supply Llms und die Rolle von Olmo 2 in der KI -Forschung.
• Erkunden Sie die Architektur, Trainingsmethodik und Leistungsbenchmarks von Olmo 2.
• Unterscheiden Sie zwischen offenen, teilweise offenen und vollständig geöffneten Modellen.
• Erfahren Sie, wie Sie OLMO 2 lokal mit Gradio und ausführen Langchain.
• Implementieren Sie OLMO 2 in einer Chatbot -Anwendung mit Python Codebeispiele.

Dieser Artikel wurde als Teil der veröffentlicht Knowledge Science Blogathon.

Verständnis der Notwendigkeit von Open-Supply-LLMs

Die anfängliche Dominanz von proprietären LLMs führte zu Bedenken hinsichtlich Zugänglichkeit, Transparenz und Kontrolle. Forscher und Entwickler waren begrenzt in ihrer Fähigkeit, die inneren Funktionsweise dieser Modelle zu verstehen, wodurch weitere Innovationen behindert und möglicherweise Vorurteile aufrechterhalten werden. Open-Supply LLMs haben diese Bedenken berücksichtigt, indem sie ein kollaboratives Umfeld bereitstellen, in dem Forscher vorhandene Modelle prüfen, modifizieren und verbessern können. Ein offener Ansatz ist entscheidend, um das Feld voranzutreiben und sicherzustellen, dass die Vorteile von LLMs weit verbreitet sind.

Olmoinitiiert vom Allen Institute for AI (AI2), warfare an der Spitze dieser Bewegung. Mit der Veröffentlichung von OLMO 2 haben sie ihr Engagement für die Öffnung der Wissenschaft festgenommen, indem sie nicht nur die Modellgewichte, sondern auch die Schulungsdaten, Code, Rezepte, Zwischenkontrollpunkte und Anweisungsmodelle bereitstellen. Diese umfassende Veröffentlichung ermöglicht es Forschern und Entwicklern, den Entwicklungsprozess des Modells vollständig zu verstehen und zu reproduzieren und den Weg für weitere Innovationen zu ebnen. Laufen Olmo 2 vor Ort mit Gradio und Langchain

Was ist Olmo 2?

Olmo 2 markiert ein erhebliches Improve des Vorsterbens, dem Olmo-0424. Die neuartige Familie der Parametermodelle 7B und 13B zeigt vergleichbare Leistung oder manchmal besser als ähnlich offene Modelle, während sie mit einer Open-Gewicht-Model wie Lama 3.1 über englische akademische Benchmarks konkurrieren. Dies macht die Leistung angesichts einer verringerten Gesamtmenge an Trainingsflops in Bezug auf einige ähnliche Modelle sehr bemerkenswert.

• OLMO-2 zeigt eine signifikante Verbesserung: Die Olmo-2-Modelle (sowohl 7B- als auch 13B-Parameterversionen) zeigen einen klaren Leistungssprung im Vergleich zu den früheren Olmo-Modellen (OLMO-7B, OLMO-7B-0424, OLMOE-1B-7B-0924). Dies deutet auf erhebliche Fortschritte in der Architektur, Schulungsdaten oder Schulungsmethoden des Modells hin.
• Wettbewerbsfähig mit Map-Neo-7b: Die Olmo-2-Modelle, insbesondere die 13B-Model, erzielen mit MAP-Neo-7B vergleichbar, was wahrscheinlich eine stärkere Grundlinie unter den aufgeführten vollständig geöffneten Modellen warfare.

Brechen Sie den Trainingsprozess von Olmo 2 ab

Die Architektur von Olmo 2 baut auf der Grundlage des ursprünglichen Olmo auf und enthält mehrere wichtige Änderungen, um die Trainingsstabilität und -leistung zu verbessern.

Der Vorbereitungsverfahren für OLMO 2 ist in zwei Stufen unterteilt:

• Stufe 1: Basis-Coaching: In dieser Part wird der Dataset Olmo-Combine-1124 verwendet, eine huge Sammlung von ungefähr 3,9 Billionen Tokens aus verschiedenen offenen Datensätzen. Diese Part konzentriert sich auf den Aufbau einer starken Grundlage für die Funktionen des Sprachverständnisses des Modells.
• Stufe 2: Verfeinerung und Spezialisierung: In dieser Part wird der Datensatz von Dolmino-Combine-1124 verwendet, eine kuratierte Mischung aus hochwertigen Webdaten und domänenspezifischen Daten, einschließlich akademischer Inhalte, Q & A-Foren, Anweisungsdaten und Mathematik-Arbeitsmappen. Diese Part verfeinert das Wissen und die Fähigkeiten des Modells in bestimmten Bereichen. Die Verwendung von „Modellsuppen“ zum Kombinieren mehrerer geschulter Modelle verbessert den endgültigen Kontrollpunkt weiter.

Da OLMO-2 ein vollständig geöffnetes Modell ist, sehen wir uns an, was der Unterschied zwischen offenen Gewichtsmodellen, teilweise offenen Modellen und vollständig geöffneten Modellen ist:

Modelle mit offenem Gewicht

LLAMA-2-13B, MISTRAL-7B-V0.3, LAMA-3.1-8B, MISTRAL-TRAL-NEMO-12B, QWEN-2.5-7B, GEMMA-2-9B, QWEN-2.5-14B: Diese Modelle haben ein Schlüsselmerkmal: Ihre Gewichte sind öffentlich verfügbar. Auf diese Weise können Entwickler sie für verschiedene NLP -Aufgaben verwenden. Kritische Particulars zu ihrem Schulungsprozess, wie der genauen Datensatzzusammensetzung, dem Trainingscode und den Hyperparametern, werden jedoch nicht vollständig offengelegt. Dies macht sie zu „offenem Gewicht“, aber nicht vollständig clear.

Teilweise offene Modelle

Stablelm-2-128, Zamba-2-7b: Diese Modelle fallen in eine Grauzone. Sie bieten einige zusätzliche Informationen, die über die Gewichte hinausgehen, aber nicht das vollständige Bild. Stablelm-2-128 listet beispielsweise Trainingsflops auf, was auf mehr Transparenz als rein offene Modelle hinweist. Das Fehlen vollständiger Trainingsdaten und Code stellt sie jedoch in die Kategorie „teilweise offen“ ein.

Voll offene Modelle

Amber-7b, Olmo-7b, Map-Neo-7b, Olmo-0424-7b, DCLM-7b, Olmo-2-1124-7b, Olmo-2-1124-13b: Diese Modelle sind aufgrund ihrer umfassenden Offenheit hervorgehoben. AI2 (Allen Institute for AI), die Organisation hinter der Olmo -Serie, hat alles veröffentlicht, was für die vollständige Transparenz und Reproduzierbarkeit erforderlich ist: Gewichte, Trainingsdaten (oder detaillierte Beschreibungen davon), Trainingscode, das vollständige Coaching „Rezept“ (einschließlich Hyperparameter) , Intermediate Checkpoints und Anleitungsversionen. Dies ermöglicht es Forschern, diese Modelle tief zu analysieren, ihre Stärken und Schwächen zu verstehen und auf ihnen aufzubauen.

Schlüsselunterschiede

Erforschen Sie Olmo 2

OLMO 2 ist ein fortschrittliches Open-Supply-Sprachmodell für effiziente und leistungsstarke KI-gesteuerte Gespräche. Es integriert sich nahtlos in Frameworks wie Langchain, sodass Entwickler intelligente Chatbots und AI -Anwendungen erstellen können. Erforschen Sie seine Fähigkeiten, Architektur und die Verständnis der natürlichen Sprache in verschiedenen Anwendungsfällen.

• Holen Sie sich das Modell und die Daten: Herunterladen Hier
• Trainingscode: Sicht
• Auswertung: Sicht

Lassen Sie es uns lokal laufen lassen

Obtain Ollama Hier.

So herunterladen OLMO-2 Open CMD und Typ

ollama run olmo2:7b

Dadurch wird OLMO2 in Ihr System heruntergeladen

Bibliotheken installieren

pip set up langchain-ollama
pip set up gradio

Erstellen eines Chatbots mit Olmo 2

Nutzen Sie die Leistung von OLMO 2, um einen intelligenten Chatbot mit Open-Gewicht-LLM-Funktionen aufzubauen. Erfahren Sie, wie Sie es in Python, Gradio und Langchain integrieren können, um nahtlose Interaktionen zu erhalten.

Schritt 1: Importieren der erforderlichen Bibliotheken

Laden Sie essentielle Bibliotheken, einschließlich Gradio für UI, Langchain für die schnelle Handhabung und Ollamallm zur Nutzung des Olmo 2 -Modells in Chatbot -Antworten.

import gradio as gr
from langchain_core.prompts import ChatPromptTemplate
from langchain_ollama.llms import OllamaLLM

Schritt 2: Definieren der Reaktionsgenerierungsfunktion

Erstellen Sie eine Funktion, die den Chat-Verlauf und die Benutzereingabe nimmt, die Eingabeaufforderung format, das OLMO 2-Modell aufruft und den Gesprächsverlauf mit AI-generierten Antworten aktualisiert.

def generate_response(historical past, query):
    template = """Query: {query}

    Reply: Let's suppose step-by-step."""
    immediate = ChatPromptTemplate.from_template(template)
    mannequin = OllamaLLM(mannequin="olmo2")
    chain = immediate | mannequin
    reply = chain.invoke({"query": query})
    historical past.append({"function": "consumer", "content material": query})
    historical past.append({"function": "assistant", "content material": reply})
    return historical past

Die Funktion generate_response nimmt einen Chat -Verlauf und eine Benutzerfrage als Eingabe an. Es definiert eine schnelle Vorlage, bei der die Frage dynamisch eingefügt wird, wobei die KI schrittweise nachdenkt. Die Funktion erstellt dann eine ChatpromptTemplate und initialisiert das Ollamallm -Modell (OLMO2). Mit Langchains Pipeline (Eingabeaufforderung | Modell) generiert es eine Antwort, indem das Modell mit der angegebenen Frage aufgerufen wird. Der Gesprächsverlauf wird aktualisiert und erhält die Frage des Benutzers und die Antwort der KI. Es gibt die aktualisierte Geschichte für weitere Interaktionen zurück.

Schritt 3: Erstellen der Gradio -Schnittstelle

Verwenden Sie Gradio BlocksAnwesend ChatbotUnd Textbox Komponenten zum Entwerfen einer interaktiven Chat -Oberfläche, mit der Benutzer Fragen eingeben und Antworten dynamisch empfangen können.

with gr.Blocks() as iface:
    chatbot = gr.Chatbot(sort="messages")
    with gr.Row():
        with gr.Column():
            txt = gr.Textbox(show_label=False, placeholder="Kind your query right here...")
    txt.submit(generate_response, (chatbot, txt), chatbot)

• Verwendet gr.chatbot () zum Anzeigen von Gesprächen.
• Verwendet Gr.TextBox () für die Benutzereingabe.

Schritt 4: Starten der Anwendung

Führen Sie die Gradio -App mit iface.launch()Bereitstellung des Chatbot als webbasierte Schnittstelle für Echtzeit-Interaktionen.

iface.launch()

Dadurch startet die Gradio -Schnittstelle und führt den Chatbot als Internet -App aus.

Holen Sie sich Code von GitHub Hier.

Ausgabe

Immediate

Schreiben Sie eine Python -Funktion, die true zurückgibt, wenn eine bestimmte Zahl eine Leistung von 2 ist, ohne Schleifen oder Rekursion zu verwenden.

Antwort

Abschluss

Daher ist OLMO-2 als einer der größten Beiträge zum Open-Supply LLM-Ökosystem heraus. Es ist einer der mächtigsten Performer in der Enviornment der vollständigen Transparenz mit Schwerpunkt auf Trainingseffizienz. Es spiegelt die wachsende Bedeutung einer offenen Zusammenarbeit in der Welt der KI wider und wird den Weg für zukünftige Fortschritte in zugänglichen und transparenten Sprachmodellen ebnen.

Während Olmo-2-138 ein sehr starkes Modell ist, dominiert es bei allen Aufgaben nicht deutlich. Einige teilweise geöffnete Modelle und QWEN-2.5-14B erhalten beispielsweise höhere Ergebnisse für einige Benchmarks (z. B. QWEN-2.5-14B übertrifft signifikant bei Arc/C und WinOG). Außerdem bleibt OLMO-2 bei bestimmten herausfordernden Aufgaben wie GSM8K (Mathematik der Grundschule) und wahrscheinlich agieval ein deutlich hinter den besten Modellen hinter den besten Modellen.

Im Gegensatz zu vielen anderen LLMs ist OLMO-2 vollständig geöffnet und bietet nicht nur die Modellgewichte, sondern auch die Trainingsdaten, Code, Rezepte und Zwischenkontrollpunkte. Dieses Transparenzniveau ist entscheidend für die Forschung, Reproduzierbarkeit und gemeindenahe Entwicklung. Es ermöglicht den Forschern, die Stärken, Schwächen und möglichen Verzerrungen des Modells gründlich zu verstehen.

Schlüssel zum Mitnehmen

• Die OLMO-2-Modelle, insbesondere die 13B-Parameterversion, zeigen großartige Leistungsergebnisse bei einer Vielzahl von Benchmarks und schlagen andere offene und sogar teilweise offene Architekturen. Es scheint, dass die volle Offenheit in der Tat eine der Möglichkeiten ist, leistungsfähige LLMs zu machen.
• Die vollständig offenen Modelle (insbesondere OLMO) leisten in der Regel intestine. Dies unterstützt das Argument, dass der Zugriff auf den vollständigen Trainingsprozess (Daten, Code usw.) die Entwicklung effektiverer Modelle erleichtert.
• Der Chatbot behält den Gesprächsgeschichte bei und stellt sicher, dass Antworten frühere Interaktionen berücksichtigen.
• Die ereignisbasierte UI (TXT.Submit) von Gradio in Echtzeit aktualisiert die Chatbot reaktionsschnell und benutzerfreundlich.
• Ollamallm integriert KI-Modelle in die Pipeline und ermöglicht eine nahtlose Frage-Beantwortungsfunktionalität.

Häufig gestellte Fragen

Die in diesem Artikel gezeigten Medien sind nicht im Besitz von Analytics Vidhya und werden nach Ermessen des Autors verwendet.

Stellen Sie sich die Frustration vor, die mit den Folgen eines kleinen Kotflügelschadens einhergeht – die Mühe, sich mit der Versicherungsgesellschaft zu befassen, herauszufinden, wie man einen Anspruch geltend macht, in der Warteschleife auf die Hilfe eines Vertreters zu warten und dann die Reparaturen in der Autowerkstatt zu vereinbaren , die Koordinierung der Zahlung und die Suche nach einer alternativen Transportmethode in der Zwischenzeit – und das alles, während Sie Ihren regulären, alltäglichen Aufgaben nachgehen. Allein der Gedanke ist anstrengend. Stellen Sie sich nun eine Zukunft vor, in der ein KI-gestützter virtueller Concierge den Anspruchsprozess in Ihrem Namen verwaltet und die damit verbundenen Komplexitäten bewältigt. Die KI arbeitet im Hintergrund, reicht Fotos des Schadens ein, reicht den Schadensfall ein, stimmt sich mit Ihrer bevorzugten Karosseriewerkstatt ab und bucht einen Mietwagen, der an Ihre Haustür geliefert wird – und das alles, ohne dass Sie ständig daran beteiligt sein müssen. Die KI arbeitet im Hintergrund, reicht Fotos des Schadens ein, reicht den Schadensfall ein, stimmt sich mit Ihrer bevorzugten Karosseriewerkstatt ab und bucht einen Mietwagen, der an Ihre Haustür geliefert wird – und das alles, ohne dass Sie ständig daran beteiligt sein müssen.

Während sich die KI-Technologie schnell weiterentwickelt, kann es für Verbraucher schwierig sein, zu erkennen, wie wir den oben beschriebenen Automatisierungsgrad erreichen, wenn einige der heutigen Chat- und Voicebots die Verbraucher frustriert und enttäuscht zurücklassen, weil sie an ihre Designgrenzen stoßen.

Auch wenn die heutigen Bots die Erwartungen der Kunden nicht immer erfüllen, haben sie den Weg für effektivere, nützlichere und leistungsfähigere Kundenerlebnisse in der Zukunft geebnet.

Die Entwicklungen von Chatbots

Heute der Weg Bots Die Kommunikation wurde von einem Menschen entwickelt, der sein Verhalten vorprogrammiert hat. Bots verlassen sich auf Pure Language Processing (NLP), um Verbraucher zu verstehen und mit ihnen zu kommunizieren. Deshalb beschränken sich Bots meist auf einfache Aufgaben wie das Stornieren von Bestellungen, das Verwalten von Retouren oder das Aktualisieren von Passwörtern. Darüber hinaus kann es von einer Organisation zur anderen große Unterschiede in ihrer Komplexität geben. Einige Bots sind auf Kundenkontext und Kundeninformationen ausgelegt, andere sind jedoch nicht so sorgfältig eingerichtet und verfügen nicht über die Fähigkeit, Informationen für zusammenhängende Erlebnisse zu verknüpfen, was dazu führen kann, dass Verbraucher in irrelevanten Haufen vorprogrammierter Antworten gefangen sind und Kunden warten müssen bis zu den Geschäftszeiten, um schließlich mit einem menschlichen Agenten zu kommunizieren.

Derzeit befinden sich die meisten Unternehmen in einem frühen Stadium der Automatisierung. Bots übernehmen einen beträchtlichen Teil der ersten Kundenansprache und erledigen einfache Aufgaben wie den Bestellstatus oder FAQs, während sie kompliziertere Aufgaben an menschliche Agenten weiterleiten. Während die KI weiter voranschreitet, werden wir sehen, wie die Technologie über die Automatisierung hinausgeht und beginnt, Kundenerlebnisse auf neue und leistungsstarke Weise zu personalisieren und zu optimieren – wodurch häufige Kundenprobleme gelindert werden und die Artwork und Weise, wie sie mit Marken interagieren, neu gedacht wird.

Mit der Einführung der generativen KI ist die nächste Technology von Bots da. Diese virtuelle Agenten sind in der Lage, kompliziertere Aufgaben zu erledigen, einschließlich Fehlerbehebung und Produktanfragen. Sie verknüpfen den historischen Kontext der Kunden mit dem Wissen und den Fähigkeiten der Organisation, sodass sie bestimmte Situationen erkennen können. Da virtuelle Agenten zunehmend in der Lage sind, immer komplexere Probleme zu lösen und die menschliche Sprache besser zu verstehen, wird sich die Wahrnehmung der Verbraucher verändern und einige Verbraucher werden aktiv nach virtuellen Agenten suchen, um mit einem Unternehmen in Kontakt zu treten.

Virtuelle Agenten sind darauf trainiert, die besten Agenten einer bestimmten Organisation zu modellieren. Sie sind in der Lage, großartige Ergebnisse für Kunden zu liefern und Verwaltungsaufgaben nach der Interaktion wie Fallzusammenfassungen und Folgemaßnahmen zu übernehmen, um einen effizienteren und effektiveren Service bei allen Gesprächen sicherzustellen. Kunden müssen nicht mehr lange warten oder sich mit Bots auseinandersetzen, die nicht ausgereift genug sind, um ihre Probleme ohne menschliche Hilfe oder Einfühlungsvermögen zu lösen. Gleichzeitig wird die Zeit der menschlichen Agenten entlastet, so dass sie sich auf die Kunden konzentrieren können, die ihre Unterstützung am meisten benötigen.

Bald werden wir die nächste Stufe ihrer Entwicklung erleben, wenn ausgefeiltere Methoden eingesetzt werden, die Emotionen und Gefühle aus dem, was Menschen sagen, extrahieren und diese gewähren können einfühlsame virtuelle Agenten die Fähigkeit, viel effektiver zu kommunizieren. Da sie die Feinheiten der menschlichen Sprache besser verstehen, führen sie nicht nur Gespräche mit einem natürlicheren Gefühl, sondern beurteilen auch den emotionalen Zustand eines Kunden und passen die Interaktion entsprechend an. Da es immer natürlicher wird, mit einem einfühlsamen virtuellen Agenten zu sprechen, bevorzugen immer mehr Kunden den Kontakt mit ihm gegenüber einem menschlichen Agenten, insbesondere wenn es um smart oder möglicherweise peinliche Themen geht.

Zu diesem Zeitpunkt wird der Großteil der Kundendienstinteraktionen durch KI abgewickelt. Immer wenn die Interaktion jedoch zu komplex oder emotional aufgeladen wird, wird der einfühlsame virtuelle Agent das Gespräch einbeziehen und an einen menschlichen Agenten übergeben.

KI-Concierges machen asynchronen Assist zur Realität

Da KI das Tempo der CX-Innovation beschleunigt, werden sich einfühlsame virtuelle Agenten entwickeln persönliche virtuelle Concierges die Kundenbedürfnisse antizipieren und praktisch alle Erfahrungen automatisieren. Diese leistungsstarken persönlichen virtuellen Concierges sind in der Lage, selbst die komplexesten Kundenanfragen zu bearbeiten und hochgradig personalisierte, einfühlsame und menschenähnliche Unterstützung zu bieten. Dadurch können sich die Mitarbeiter auf die sensibelsten oder einzigartigsten Kundengespräche konzentrieren, die immer noch die menschliche Word erfordern, während die überwiegende Mehrheit der Kunden keine Wartezeiten und asynchronen Assist genießen kann.

Anstatt einen Chat offen zu lassen oder in der Warteschleife zu bleiben, wie wir es heute tun, können Kunden darauf vertrauen, dass persönliche virtuelle Concierges asynchron an der Lösung ihrer Probleme arbeiten und sich melden, wenn das Drawback gelöst wurde. Nehmen Sie zum Beispiel den verbogenen Kotflügel – Sie haben Ihr Auto endlich aus der Werkstatt zurückbekommen, aber Ihre Versicherung hat einen Fehler gemacht und Ihren Anspruch abgelehnt. Anstatt in der Warteschleife zu sitzen und zu versuchen, einen Reside-Agenten zu erreichen, um den Fehler zu beheben, kümmert sich Ihr virtueller Concierge um die Streitigkeit – und teilt Ihnen anschließend mit, dass Ihr Anspruch nun genehmigt wurde.

Die Chatbots, mit denen wir heute vertraut sind, sind nur der Wendepunkt für tiefgreifendere KI-Implementierungen in der Zukunft. Chatbots haben bereits die Artwork und Weise verändert, wie Unternehmen mit ihren Kunden agieren und interagieren, aber in nicht allzu ferner Zukunft wird die nächste Technology von KI die Artwork und Weise, wie Kunden mit den Marken, die sie lieben, interagieren, Beziehungen aufbauen und Kundendienstprobleme lösen, dramatisch verändern.

Über den Autor

Dr. Peter Graf ist SVP of Technique bei Genesys. In seiner Rolle ist er für die Entwicklung, Kommunikation und Aufrechterhaltung der Genesys-Strategie verantwortlich. Bevor er 2017 zu Genesys kam, hatte Peter während seiner mehr als 25-jährigen Tätigkeit in der globalen Unternehmenssoftwarebranche verschiedene Führungspositionen in den Bereichen Strategie, Entwicklung und Advertising inne, insbesondere als Govt Vice President beim multinationalen Softwarekonzern SAP. Peter erwarb einen Doktortitel in Künstlicher Intelligenz an der Universität des Saarlandes und einen Grasp-Abschluss in Informatik und Wirtschaftswissenschaften an der Technischen Universität Kaiserslautern in Deutschland.

Melden Sie sich für die kostenlosen insideAI-Information an Publication.

Begleiten Sie uns auf Twitter: https://twitter.com/InsideBigData1

Treten Sie uns auf LinkedIn bei: https://www.linkedin.com/firm/insideainews/

Begleiten Sie uns auf Fb: https://www.fb.com/insideAINEWSNOW

Schauen Sie bei uns vorbei YouTube!