GLP setzt auf KI-gestützte Datenanalyse auf Microsoft Azure

So haben wir unterstützt

Nachdem GLP mehr als 20 potenzielle Anwendungsfälle für die geplante KI-gesteuerte Datenanalyselösung vorgelegt hatte, startete das Team von Foundry for AI by Rackspace (FAIR™) eine Reihe von Entdeckungssitzungen, um die Anforderungen von GLP sorgfältig zu analysieren und den dringendsten Anwendungsfall zu ermitteln. Während des bevorstehenden Besuchs eines internationalen Teams in Singapur wurde eine Demo erstellt, um das Potenzial der Lösung des Kernproblems von GLP aufzuzeigen: die Umgestaltung seiner täglichen Berichte durch KI-gestützte Datenabfragefunktionen.

„Wir haben ein paar Runden unserer Sprints absolviert. Und von Sprint zu Sprint wurde es immer besser. Der Anwendungsfall ist für unsere Organisation viel praktischer und realistischer geworden“, erklärt Song. „Das war ein entscheidendes Differenzierungsmerkmal für Rackspace. Ich denke, das Unternehmen hat im Vergleich zu traditionellen Beratungsfirmen einen anderen Ansatz. Sie sind viel einfacher, schneller und praktischer.“

Nathan Cheng, Data Analytics und Machine Learning Systems Engineer bei Rackspace Technology, erläuterte die beiden Hauptthemen der Wunschliste: eine benutzerfreundliche Produktschnittstelle und ein intelligentes System, das tief in Datendimensionen eintauchen kann, um komplexe Geschäftsanfragen zu beantworten. Aus dieser Wunschliste entstanden konkrete Testfälle, die den Fahrplan für den technischen Fortgang des Projekts vorgaben.

Der Aufbau eines zentralen Hubs für offene Dateneinblicke war ein ehrgeiziges Unterfangen, das mit einem Schwerpunkt auf dem Fondsmanagement begann und auf ESG-Kennzahlen und darüber hinaus ausgeweitet werden könnte. Das Ziel bestand darin, eine dynamische Schnittstelle zu erstellen, über die Benutzer problemlos auf ihre Gesprächsverläufe zugreifen können, insbesondere beim Überprüfen der KPIs des Fondsmanagements über die App.

Beim Interface-Design lag der Schwerpunkt auf einem einheitlichen Benutzererlebnis und einer einfachen, auf Konversationen basierenden Funktionalität. Interaktionen mussten protokolliert werden, da die Dokumentation von entscheidender Bedeutung für die Identifizierung und Analyse vorhandener Logiklücken war, was wiederum die Grundlage für iterative Verbesserungen des Systems bildete. Dann drehten sich die Gespräche um komplexe Fragen, etwa den Vergleich der Belegungsraten von Immobilien in verschiedenen Quartalen. Bei solchen Anfragen musste das System mehrere Datendimensionen durchforsten, die relevanten Daten herausstellen und die Faktoren identifizieren, die zu Änderungen in den Kennzahlen führten.

Im Übergang zur technischen Umsetzung hob Srinivas Chakravarthy, Senior Director of Business Development bei Rackspace, den innovativen Ansatz hervor, SQL-Abfragen spontan auf der Grundlage von Benutzeranfragen zu erstellen. Das Ziel bestand zunächst darin, mit CSP-Dateien zu arbeiten und den Übergang in eine produktionsreife Phase zu schaffen, in der Data Lakes für den Echtzeit-Datenzugriff und die Echtzeit-Analyse genutzt werden konnten. Der Prozess umfasste das Ausführen einer SQL-Abfrage, das Interpretieren der Daten und das Liefern aufschlussreicher Antworten an den Benutzer. Um dies zu erreichen, war eine präzise SQL-Formulierung erforderlich, die die Technologie so ausrichtete, dass sie die kontextuellen Nuancen jeder Anfrage verstehen und darauf reagieren konnte.