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

Die meisten Betreiber von Freizeitattraktionen lassen sich in zwei Lager einteilen: Entweder haben sie sich noch nicht mit KI beschäftigt, oder sie nutzen sie täglich und fragen sich insgeheim, ob sie auf einem wackeligen Fundament aufgebaut haben oder auf einem, das Bestand haben wird. 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 die Übersicht über die Tools nach Kenntnisstand: Anfängerstufe: Wissen, welches Tool man an einem Montagmorgen für welche Aufgabe öffnen muss; Fortgeschrittene: sich mit dem Teil befassen, den die meisten 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 ein mathematisches Problem anzusetzen.

Anschließend werfen wir einen Blick auf eine konkrete Implementierung. Chefköchin Nicole stellt ein KI-Prognose- und SOP-System vor, das sie gemeinsam mit einem Entwicklungsteam für einen Gastronomiebetrieb aufgebaut hat. Genaue Prognosen machen 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 Modellauswahl-Übersicht, ein Prompt-Framework 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 wiederverwendbares Prompt-Framework auf die tägliche Arbeit anwenden, damit die Ergebnisse auf Anhieb brauchbar sind und nicht erst überarbeitet werden müssen.

3. Skizzieren, was erforderlich ist, um KI vom gelegentlichen Einsatz zu einem Betriebssystem zu entwickeln, einschließlich der Daten, auf die sie angewiesen ist, der Stellen, an denen der Mensch in den Prozess eingebunden bleibt, und der Kontrollpunkte, die die Zuverlässigkeit der Ergebnisse gewährleisten.