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 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: sich mit dem Teil befassen, den die meisten überspringen, nämlich der Modelllandschaft selbst: Sprachmodelle, Schlussfolgerungsmodelle, Bildverarbeitungsmodelle, Sprachmodelle und Prognosemodelle. Jedes löst ein anderes Problem, und der häufigste und kostspieligste 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, bei dessen Entwicklung sie ein Team für einen Gastronomiebetrieb angeleitet hat. Genaue Prognosen machen den Unterschied zwischen dem Raten bei Bestellungen und Vorbereitungen und dem genauen Wissen darüber. 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 Prompts 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 verwertbar sind und nicht erst überarbeitet werden müssen.
3. Skizzieren, was erforderlich ist, um KI vom gelegentlichen Einsatz zu einem Betriebssystem zu machen, 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.