ADWEKO AI Enablement Initiative

Generative AI hilft IT-Beratungsunternehmen im Finanzdienstleistungsbereich effizientere sowie intelligentere Lösungen zu entwickeln und verschafft den Kunden somit einen erheblichen Wettbewerbsvorteil.

Dabei ist der Aufbau von internem Know-how entscheidend, um sicherzustellen, dass die AI-Lösungen effektiv implementiert und verwaltet werden können und sie den spezifischen Anforderungen und Zielen des jeweiligen Unternehmens entsprechen. Voraussetzung hierfür ist eine gewisse Offenheit für Innovation sowie die Anpassung an die dynamische Landschaft der Finanzdienstleistungsbranche.

Wir bei ADWEKO haben die „ADWEKO AI Enablement Initiative“ ins Leben gerufen: Ein Programm zum Aufbau von internem Generative AI Know-how zur Aus- und Weiterbildung unserer Mitarbeitenden, um fortan unseren Kunden die Unterstützung und das Verständnis für Projekte mit Generativer AI-Technologie zu bieten.

Um das Enablement effizient und kompetent aufzubauen, orientieren wir uns hierbei am 4-Phasen-Modell als Themenuhr:

„Wir legen besonderen Wert auf eine qualitativ hochwertige Ausbildung unserer Berater.

Unser 4-phasiges Vorgehensmodell berücksichtigt durch die Learning Journeys sowohl die individuellen Vorlieben und Talente unserer Berater als auch die ideale Vorbereitung auf Kundenprojekte durch unser Inhouse Projekt ‚AI4Sales‘, welches genau wie ein Kundenprojekt (mit der Abteilung Sales als Stakeholder) aufgebaut ist.

Die Projektergebnisse werden dann bei ADWEKO produktiv durch unser Sales-Team eingesetzt.“

Daniel Ring, Topic Lead Gen. AI, ADWEKO Consulting GmbH

4-Phasen-Modell für das Team Enablement

Die Initiative besteht aus 4 Phasen, die einen Leitfaden für unsere Beratungsteams darstellen, um das Enablement effizient und kompetent aufzubauen und durchzuführen.

EXPLORING — ACQUAINTANCE Phase

In der Kennenlernphase machen sich unsere Berater:innen mit den Technologien vertraut. Im Rahmen individueller Learning Journeys werden Prototypen erstellt, analysiert und die verschiedensten aktuellen AI-Ansätze erforscht. Durch das Absolvieren von Trainings werden eigene Erkenntnisse anschließend ergänzt. Dabei dokumentiert jeder Mitarbeitende die eigenen Lernfortschritte intern in Confluence Blogs, Jupyter Notebooks und Github Repositories. So können diese Erkenntnisse jederzeit unkompliziert von anderen Mitarbeitenden für den eigenen Lernfortschritt mitbenutzt werden.

Was ist Confluence, Jupyter & Github?

Confluence ist ein Arbeitsbereich für Teams, in dem Wissen und Zusammenarbeit aufeinandertreffen. Es ermöglicht das Erstellen, Erfassen und gemeinsame Arbeiten an dynamischen Seiten rund um Projekte oder Ideen. Zudem strukturiert und organisiert es Aufgaben, sodass Teammitglieder auf institutionelles Wissen zugreifen und effizient zusammenarbeiten können.

Jupyter Notebooks sind Webanwendungen, die es Entwicklern und Data Scientists ermöglichen, Dokumente zu erstellen und zu teilen, die Code, Gleichungen, Visualisierungen und Text enthalten.

GitHub ist ein Onlinedienst zur Softwareentwicklung und Versionsverwaltung für Softwareprojekte auf Git-Basis.

Forming — Experience Phase

Beim Forming werden die erlangten Erkenntnisse in konkrete Trainingspläne transformiert, um zukünftig für jeden Mitarbeitenden nach Kenntnisstand angepasste Trainings bereitstellen zu können. Funktionierende Ansätze werden als „Best Practice“-Guides dokumentiert.

Norming — Standardisation Phase

In der Standardisierungsphase werden aus den bisherigen Ergebnissen und funktionierenden Prototypen „Solution Blueprints“ für zukünftige Projekte erstellt. Die dabei erstellten Architekturansätze werden zu einer Gen. AI Referenzarchitektur zusammengestellt, um für neue Projekte einen erprobten und funktionalen Ansatz bereitstellen zu können. Aus den Prototyp-Projekten können allgemeine Lösungsansätze abgeleitet werden, um kundenspezifische Solution Proposals erstellen zu können.

Performing — Employable Business Unit

Die ausgebildeten Mitarbeitenden können nun erfolgreich in Kundenprojekten eingesetzt werden. Unsere Architekturen dienen der effizienten Implementierung unserer Solution Blueprints und Proposals in den Kundenprojekten.

4-Phasen Modellübersicht und Komponenten

KISS Data Management Four Phase Model

Die inhaltlichen Komponenten der 4 Team Enablement Phasen bauen aufeinander auf und ermöglichen so ein konsistentes, stufenweises Enablement in den Themenbereichen.

  • Mitarbeiterausbildung/Project Resources

  • Lösungsdesign/Solution Proposals

  • Prozessanalyse und Optimierung/Process Optimizsations

  • Gen. AI Projektvorgehen, Referenzprojekt/Projects

  • Gen. AI Architektur/Reference Architecture

Zusammen fördern alle diese Elemente ein tiefgreifendes und nachhaltiges Lernen und bereiten unsere Mitarbeiter ideal auf Kundenprojekte vor.

Inhouse Projekt „AI4Sale“

Vision

“Ich wünsche mir eine AI-Anwendung, die Kenntnisse über unsere Mitarbeiter, deren Fähigkeiten und die Projekte meiner Firma hat.
Ich übergebe der AI-Anwendung Projekt-Ausschreibungsunterlagen und diese erstellt die benötigten Angebotsunterlagen, Dokumente und ein Angebots-Handout für das Angebotsteam.”

Inhouse Projekt “AI4Sale”

Erläuterung

Um die Vision zu erläutern, hier eine Erklärung generiert direkt per Bing-Copilot (leicht gekürzt):

„Unser AI-Projekt zielt darauf ab, mit Hilfe Generative AI aus einer Projektausschreibung ein Angebotsdokument zu erstellen, das das gesamte Wissen des Unternehmens über Projekte, Mitarbeiterprojekt, Fähigkeiten, Preisgestaltung usw. enthält. (…)

Unser AI-Projekt nutzt Generative AI, um den Prozess der Erstellung eines Angebotsdokuments aus einer Projektausschreibung zu automatisieren. Es funktioniert wie folgt:

Es analysiert die Projektausschreibung und extrahiert die relevanten Informationen wie die Anforderungen, Spezifikationen, Bewertungskriterien und Einreichungsrichtlinien.

Es durchsucht die Datenbank des Unternehmens und ruft das relevante Wissen über Projekte, Mitarbeiterprojekte, Fähigkeiten, Preise usw. ab.

Es fasst die Informationen und das Wissen in einem kohärenten und überzeugenden Angebotsdokument zusammen, das die Erwartungen des potenziellen Kunden erfüllt.

Es erstellt eine Zusammenfassung des Angebotsdokuments, die die wichtigsten Punkte und Vorteile des Projekts oder der Dienstleistung hervorhebt.

Unser AI-Projekt hat mehrere Vorteile gegenüber der herkömmlichen manuellen Erstellung eines Angebotsdokuments. Einige davon sind:

Es spart Zeit und Ressourcen, indem es den Arbeitsaufwand und die menschlichen Fehler bei der Erstellung eines Angebotsdokuments reduziert.

Es verbessert die Qualität und Konsistenz, indem es sicherstellt, dass das Angebotsdokument den besten Praktiken und Standards der Branche und des Unternehmens entspricht.

Es erhöht die Kundenzufriedenheit und -treue, indem es ein Angebotsdokument liefert, das auf die Bedürfnisse und Vorlieben der Kunden zugeschnitten ist.“

Unser Prototyp: K.I.S.S.

Unser Prototyp K.I.S.S. steht für „Künstliche Intelligenz für spezialisierte Suche“ – In unserem Fall die spezialisierte Suche nach dem Perfect Match zwischen Projektausschreibung und den vorhandenen Fähigkeiten und Kompetenzen im Unternehmen.

Dieser Prototyp demonstriert die Fähigkeit, Informationen aus Word-CVs zu extrahieren und strukturiert darzustellen, selbst wenn die Erfassung dieser CVs auf individueller Beraterbasis erfolgt. Dabei gelingt die Initialisierung im Rahmen des Prototypings in folgenden Punkten:

  • Die vorliegenden CVs im Word Format werden per Wordscraper eingelesen
  • Die Inhalte werden per Gen. AI strukturiert, da die Erfassung der CVs berater-individuell erfolgt
  • Die Inhalte werden per sog. Embedding in ein für AI verarbeitbares Format gebracht und in einer Datenbank gespeichert

Die Anwendung wurde per Streamlit-Webanwendung als Chatbot realisiert. Dabei spezifiziert der Benutzer seine Anforderungen als Texteingabe, wodurch danach die passenden Berater per „Similarity Search“ in der Datenbank gesucht und per „Retrieval Augmented Generation“ der Gen. AI übergeben werden. Es werden alle relevanten Informationen wie die Anforderungen, Spezifikationen und Bewertungskriterien extrahiert. Die Gen. AI ruft dabei das relevante Wissen über Mitarbeiterprojekte, Fähigkeiten usw. ab.

Der Anwender kann nun 

  • ein Empfehlungsschreiben als Textausgabe passend zu den Benutzeranforderungen generieren 
  • ein One-Pager-Template im Powerpoint Format mit den passenden Skills, Profil etc. befüllen lassen.

 

Was ist Similarity Search und Retrieval Augmented Generation?

Similarity Search ist eine Suchmethode, die Objekte basierend auf ihrer Ähnlichkeit zu einem Abfrageobjekt abruft, anstatt nach exakten Übereinstimmungen zu suchen. Die abgerufenen Objekte müssen nicht identisch mit dem Abfrageobjekt sein, sondern ähnlich dazu, basierend auf vordefinierten Kriterien.

Retrieval Augmented Generation (RAG) ist eine fortschrittliche künstliche Intelligenz-Technik, die Information Retrieval mit Textgenerierung kombiniert. Dabei kann ein KI-Modell relevante Informationen aus einer Wissensquelle abrufen und in den generierten Text einfließen lassen.

Jetzt kostenlosen Demotermin sichern! 

Unser Ansatz ermöglicht eine gezielte und effiziente Suche nach spezialisierten Informationen, sei es für Personalbeschaffung, Forschung oder andere Anwendungen, die hochwertige und präzise Daten erfordern. Der Inhouse Ansatz der „AI Enablement Initiative“ etabliert dabei vor allem eine nachhaltige und kompetente AI Business Unit in unserem Beratungshaus.

Sparen Sie Zeit und Ressourcen, indem Gen. AI den Arbeitsaufwand und die menschlichen Fehler bei der Erstellung eines Angebotsdokuments reduziert.

Verbessern Sie die Qualität und Konsistenz, indem Gen. AI sicherstellt, dass das Angebotsdokument den besten Praktiken und Standards der Branche und des Unternehmens entspricht. 

Erhöhen Sie die Kundenzufriedenheit und -treue, indem Gen. AI ein Angebotsdokument liefert, das auf die Bedürfnisse und Vorlieben der Kunden zugeschnitten ist.

Sprechen sie mit
Daniel ring!

Daniel Ring