Die KI-Roadmap für Betreiber: Von Eingabeaufforderungen bis hin zu Vorhersagemodellen – präsentiert von 4 Elements Hospitality

Die meisten Betreiber von Attraktionen lassen sich in zwei Lager einteilen: Entweder haben sie sich noch nicht mit KI befasst, oder sie nutzen sie täglich und fragen sich insgeheim, ob sie auf einem wackeligen Fundament oder auf einem dauerhaften Fundament aufgebaut haben. Diese Veranstaltung richtet sich an beide Gruppen. 

Wir beginnen mit der Geschichte der KI, die länger zurückreicht, als die meisten Menschen denken: Jahrzehnte langsamer Fortschritte, gefolgt von einem plötzlichen Einzug in den Alltag. Genau dieses Muster ist der Grund dafür, dass sich das Tempo derzeit nicht verlangsamt 

Anschließend folgt die Übersicht über die Tools nach Kenntnisstand: Anfängerstufe: Wissen, welches Tool man an einem Montagmorgen für welche Aufgabe öffnen muss; Fortgeschrittene: den Teil verstehen, den die meisten Menschen überspringen, nämlich die Modelllandschaft selbst: Sprachmodelle, Schlussfolgerungsmodelle, Bildverarbeitungsmodelle, Sprachmodelle und Prognosemodelle. Jedes löst ein anderes Problem, und der häufigste kostspielige Fehler in dieser Branche ist es, einen Chatbot auf eine mathematische Aufgabe anzusetzen. 

Anschließend werfen wir einen Blick auf eine konkrete Implementierung. Chefköchin Nicole stellt ein KI-Prognose- und SOP-System vor, das ein von ihr geleitetes Entwicklungsteam für einen Gastronomiebetrieb aufgebaut hat. Eine genaue Prognose macht den Unterschied zwischen dem Raten bei Bestellungen und der Zubereitung und dem genauen Wissen darüber aus. Diese Sitzung zeigt ein Prognosemodell, das diese Aufgabe in einem realen Betrieb übernimmt und dem Management mehr Zeit gibt, sich um seine Mitarbeiter zu kümmern. 

Die Teilnehmer erhalten am Ende eine Modellauswahlübersicht, ein Framework für Eingabeaufforderungen und ein realistisches Bild davon, was die Umsetzung tatsächlich erfordert. 

Lernziele:

1. Erkennen, was es neben Chatbots noch gibt – darunter Bildverarbeitungsmodelle, Einbettungsmodelle und Prognosemodelle – und verstehen, welches betriebliche Problem jedes einzelne davon löst.
2. Ein wiederholbares Prompt-Framework auf die tägliche Arbeit anwenden, damit die Ergebnisse auf Anhieb brauchbar sind und nicht neu geschrieben werden müssen.
3. Skizzieren, was erforderlich ist, um KI von einer gelegentlichen Nutzung zu einem Betriebssystem zu entwickeln – einschließlich der Daten, auf die sie angewiesen ist, der Stellen, an denen der Mensch weiterhin eingebunden bleibt, und der Kontrollpunkte, die die Zuverlässigkeit der Ergebnisse gewährleisten.