Auf der Schwelle des Wendepunkts in der Industrialisierung der Künstlichen Intelligenz entwirft Belle Fashion die "Intelligentisierung"
Im Bereich des Marken-Einzelhandels befindet sich die digitale Transformation in einem seltsamen Kreis.
Das Technikteam konzentriert sich darauf, immer höhere Modellparameter und Algorithmusoptimierungen zu nutzen, um standardisierte Prozesse zu analysieren und Kosten zu senken und Effizienz zu steigern. Wenn das System jedoch in Betrieb ist, beschwert sich das Geschäftsfeld unweigerlich: „Das System versteht keine menschliche Sprache.“
Seit 2023 hat die digitale Transformation von Unternehmen die Welle der großen Modelle verfolgt. Während KI in der B2C-Sphäre immer wieder Effizienzsteigerungen bringt, kommt es in der B2B-Sphäre zu einer Fehlanpassung zwischen Geschäft und moderner Technologie.
Unternehmen stehen vor neuen Kosten für die Datenverwaltung. Die Grenzen von SaaS-Systemen sind beschränkt, und die Fähigkeit von großen Modellen, Entscheidungen zu unterstützen, muss noch überprüft werden. Insbesondere aus der Perspektive mittelgroßer und großer Unternehmen ist es schwierig, einen systemischen Ansatzpunkt für die Anwendung von KI in vielen Einzel-Szenarien zu finden.
Gerade in einer Zeit, in der die industrielle Umsetzung von KI dringend nach Pionierbeispielen sucht, hat die Belle Fashion Group (im Folgenden Belle Fashion) einen Weg gefunden, der zur Essenz der Digitalisierung zurückkehrt – indem das Geschäft die „Lenkerin“ der Technologie wird.
01. Systemische Neugestaltung: Geschäftsabläufe analysieren Technologie, Datenbasis festlegen
Belle Fashion, ein Riese in der Mode- und Schuhbranche mit über 8.000 Filialen in mehr als 300 Städten in China, hat in den letzten zwei Jahren eine eigene Methodik für die Umsetzung von KI entwickelt.
Anstatt das Geschäft mit Technologie zu revolutionieren, hat Belle Fashion die Geschäftsregeln in die „Muttersprache“ der KI umgewandelt. Dies zeigt in der heutigen Debatte um große Modelle die Eigenständigkeit des Unternehmens, die Welle zu nutzen.
Bevor Belle Fashion sich entschied, sich systemisch und umfassend der KI zu widmen, erkannte es zunächst, dass das Problem der Halluzinationen von großen Modellen in industriellen Szenarien unendlich vergrößert wird.
Beispielsweise kann die KI, wenn ein Manager fragt, warum ein bestimmtes Produkt schlecht verkauft wird, auf dieselben Daten verschiedene Erklärungen ableiten, aber es ist schwierig, die Kernaussagen des Geschäfts zu verstehen.
Das Problem liegt darin, dass sowohl allgemeine Modelle als auch branchenspezifische Modelle an Regeln für die eigenen Szenarien des Unternehmens fehlen.
Das bedeutet, dass die Leistungsgrenze der KI durch die Kombination von Geschäftsregeln, Datenqualität, technischer Umsetzung und menschlicher Erfahrung aufgefüllt werden muss.
Deshalb hat Belle Fashion sich entschieden, sich mit seinem langjährigen Data+AI-Dienstleister DEEPEXI zu kooperieren. Durch die Integration des Modellstapels und die Feinabstimmung des Trainings- und Inferenzmodells Deepexi-RM auf der Grundlage des Unternehmensgroßmodells Deepexi von DEEPEXI und der Datenbasis von Belle Fashion für die Umsetzung in der Handelsbranche wird ein branchenspezifisches Modell erstellt. Durch dieses Branchenmodell und die FastAGI-Intelligenzplattform von DEEPEXI wird die Logik der Agentic AI (vertretungsbasierte Künstliche Intelligenz) für Anwendungen implementiert, um die Genauigkeit der Anwendungen zu verbessern (Halluzinationen von großen Modellen zu eliminieren).
Darüber hinaus gibt es zwei weitere Schlüsselschmerzpunkte bei der industriellen Umsetzung von KI:
Erstens das Problem der Datenverwaltung, das die Innovationsfähigkeit einer Organisation stark herausfordert und als die „Grundlage“ der industriellen Umsetzung von KI angesehen wird. Um die Transformation von einem „Datenmorast“ zu einem „Datenlager“ und schließlich zu einem „Datengewinn“ zu erreichen, muss ein Unternehmen die isolierte technische Sicht verlassen und die Datenverwaltung in seinen strategischen Rahmen aufnehmen.
In der Vergangenheit hat Belle Fashion die Datenverarbeitung hauptsächlich auf der Grundlage von Tags durchgeführt. Das Tagging-Denken im Datenlager kann jedoch im Zeitalter der KI das volle Potenzial der Daten nicht ausschöpfen. Deshalb hat Belle Fashion begonnen, ein Annotationssystem zu entwickeln, das die Szenarien basierend auf der geschäftlichen Wertdichte analysiert.
Während der Implementierung eines KI-gesteuerten Toolsets für die Datenverwaltung wandelt Belle Fashion statische Daten in dynamische geschäftliche Kontexte um, die von der KI leichter verstanden und analysiert werden können. Beispielsweise wird das Tag „bestseller“ für einen Schuh nicht mehr manuell definiert, sondern dynamisch anhand von Indikatoren wie aktueller Verkaufszahl, Anprobungsrate und Begleitkaufrate generiert.
Die Datenverwaltung ist der erste Schritt eines Unternehmens auf dem Weg zur „Industriellen KI“. Ein weiteres Problem, das in der industriellen Umsetzung von KI häufig kritisiert wird, ist die Schwierigkeit, die Entscheidungen von datengesteuerten Modellen mit den Geschäftsanforderungen auszurichten, insbesondere in der langen Phase der Anwendung und des kontinuierlichen Lernens.
Nach den Erfahrungen von Belle Fashion ist die Datenmenge eines Unternehmens während des eigentlichen Modelltrainings sehr groß, und es gibt auch viele Störungen. Deshalb können nicht alle Daten an das große Modell übergeben werden, sondern es ist notwendig, die Datenqualität und die Modellleistung durch eine systematische Strategie auszugleichen.
In den meisten Branchen, die Produktentwicklung, Lieferkette, Einzelhandel und Marketing abdecken, einschließlich der Mode- und Schuhbranche, ist die Komplexität der geschäftlichen Analyse weit größer als erwartet. Von der Vorhersage von Markttrends, der flexiblen Planung der Lieferkette, der dynamischen Preisgestaltung bis zur Analyse von Lagerbeständen und Verkäufen erfordert jeder Entscheidungsschritt die Kombination von Erfahrung und rationaler Datenanalyse. Diese Vielfalt von Eigenschaften macht es schwierig, dass gewöhnliche Daten eine direkte Relevanz für Entscheidungen haben. Deshalb ist die Erstellung einer geschäftlichen Denkweise der Schlüssel zum Erfolg.
Aus der Praxis von Belle Fashion geht hervor, dass die größten Herausforderungen bei der Umsetzung von KI-Entscheidungen derzeit in der Integration von multimodalen Entscheidungen und der Erstellung eines schnellen Reaktionsmechanismus liegen. Deshalb kann die Erstellung eines branchenspezifischen Großmodells, die Optimierung des Datenlager-Managements für kritische Szenarien, die Schaffung einer Unternehmenswissensplattform und die Entwicklung von KI-Agenten für die Zusammenarbeit zwischen Menschen und Maschinen helfen, den Erfahrungstreiber in ein nachvollziehbares, berechenbares und optimierbares Intelligenzentscheidungssystem umzuwandeln.
02. Intelligentes Datenlager: Von der Ausführung von Regeln zur „Schaffung“ von Regeln
In der Praxis des intelligenten Datenlagers von Belle Fashion wird das Kriterium für die „Aktivität“ von Daten von KI neu definiert.
Das traditionelle Datenlager ist im Wesentlichen ein Behälter für statische Regeln. Das Geschäftsfeld muss alle Analysedimensionen aufzählen, so dass die sogenannte Intelligenz nicht über die menschliche Verständnisgrenze hinausgehen kann. Deshalb reicht das Indikatorsystem, das Belle Fashion in der vergangenen digitalen Transformation aufgebaut hat, für die Anforderungen von großen Modellen weit nicht aus.
Zur gleichen Zeit verbessert auch der Anbieter von Unternehmens-KI-Anwendungen wie DEEPEXI, der mit Belle Fashion zusammenarbeitet, seine Produkte für die intelligente Datenverwaltung. Basierend auf dem Konzept der Data Fabric-Architektur hat DEEPEXI eine intelligente Datenplattform mit integriertem See- und Lagerkonzept entwickelt, so dass das neue Datenverwaltungsmodell schneller und effizienter in die Datenanalyse und die intelligente Ausführung, die von großen Modellen angetrieben werden, integriert werden kann.
Aus dem technischen Ansatz von DEEPEXI kann man auch die Notwendigkeit der Datenrekonstruktion von Unternehmen im Zeitalter der Intelligenz erkennen.
In der Vergangenheit hat das traditionelle, stark digitalisierte Datenlager die Vorabdefinition von Geschäftsabfrageregeln betont. Das heißt, dass die Geschäftslogik in einer Pipeline festgelegt wird, nachdem die statischen Abfrageregeln manuell definiert wurden, um dann die Geschäftsanalyse durchzuführen. Dieser Ansatz ähnelt dem Pre-Training-Prozess in der Welt der großen Modelle.
Das heutige intelligente Datenlager hingegen konzentriert sich auf die Echtzeitgeschäftsanalyse und die Anwendungsentscheidungen. Das Modell generiert dynamisch Regeln und speichert die Geschäftskenntnisse in den Modellparametern und dem Vektorraum. Es legt stärkeren Wert auf den Post-Training-Prozess, bei dem die Geschäftsanalyse-Regeln schnell generiert und ausgeführt werden.
Deshalb hat Belle Fashion in diesem Jahr die Maßnahme ergriffen, auf der Grundlage verschiedener Indikatoren und ihrer Bedeutung auf der Indikatorplattform als Cold-Start-Daten einen geschäftlichen Kontext (business-context) zu generieren. Dadurch kann das Modell die Geschäftsregeln hinter den Indikatoren und die Beziehungen zwischen den Indikatoren lernen, um so ein intelligentes Datenlager zu realisieren.
Wenn die Fähigkeit der KI über die Ausführung von manuell definierten Regeln hinausgeht und die Geschäftsabläufe versteht und sogar „Regeln schafft“, wird die Zusammenarbeit zwischen dem Geschäftsfeld und der Leitungsebene effizienter.
Beispielsweise ist in einem allgemeinen standardisierten Kooperationsszenario die Leitungsebene vor der Entscheidung auf Daten angewiesen, und das Geschäftsfeld muss die Datenindikatoren abrufen. In einem traditionellen Middleware-System besteht oft eine Kluft zwischen den geschäftlichen Aktionen und der Datenrückmeldung: Es ist erforderlich, Anforderungen zu stellen und die Systeme manuell zu verbinden. Das Geschäftsfeld hat Schwierigkeiten, genau zu verstehen, wie viel Daten für die Analyseanforderungen der Leitungsebene ausreichen. Der Prozess der Regelgenerierung durch das große Modell bricht jedoch diese „Pattsituation“ in den Geschäftsabläufen.
Der Arbeitsablauf des „intelligenten Datenlagers + Verständnis des großen Modells“ wandelt die geschäftlichen Aktionen in einen Regelgenerator um. Durch Daten-Engines wie Echtzeitdiagramme, dynamische Indikatoren und die Verpackung von Geschäftsbefehlen wird jede Aktion des Geschäftsfelds zu einer Trainingsdatenquelle. Dadurch wird die Umstellung von der anforderungsorientierten Analyse zur handlungsgeleiteten Entscheidung ermöglicht, und die datengesteuerten Entscheidungen, die die Leitungsebene benötigt, bleiben nicht mehr nur auf der Ebene des „Datenbetrachtens“.
Wenn man das mit dem chinesischen Medizinprinzip des „Beobachtens, Hören, Fragen und Fühlen“ vergleicht, war es früher das „Beobachten“ von Daten, jetzt geht es allmählich zum „Fragen und Fühlen“.
Die neue Überlegung von Belle Fashion über das Middleware-Szenario hilft auch der Marken-Einzelhandelsbranche, die eigentliche Logik der heutigen digitalen Effizienzsteigerung zu verstehen: Die Technologie sollte nicht das Geschäft zerlegen, sondern es sollte der Mensch aus den Geschäftsszenarien heraus die Technologie analysieren.
Zu diesem Zweck hat Belle Fashion in der Zusammenarbeit mit DEEPEXI KI für Entscheidungen und KI für Ausführungen trainiert. Die traditionellen, starren digitalen Prozesse werden aufgelöst, die Middleware-Fähigkeiten werden in den Hintergrund verlagert, und vorne kann die Lernfähigkeit der KI genutzt werden, um API-Schnittstellen flexibel aufzurufen, so dass die Fähigkeiten der Mittel- und Rückebene flexibel wiederverwendet werden können.
Es ist erwähnenswert, dass Belle Fashion in der KI für Entscheidungen durch die Einführung eines multimodalen Modellstapels ein physikalisches Beschränkungssystem für B2B-Entscheidungen aufgebaut hat, um die Halluzinationsdrift der KI in Geschäftsszenarien einzudämmen und die intelligente Genehmigungsfluss-Neugestaltung, wie die Prüfung der Vertragskonformität, zu verbessern. Der Effizienzwert, den dies bringt, ist auch für die industrielle Umsetzung von KI in anderen Branchen von Referenzwert.
03. Agentic AI: Die letzte Meile der industriellen Umsetzung von großen Modellen
Mit der Popularität von Manus sind auch die Fähigkeiten und das Anwendungspotenzial von Agentic AI in die Öffentlichkeit getreten.
Tatsächlich ist Agentic AI in den Augen der ersten chinesischen Unternehmen, die sich auf dem Weg der industriellen Umsetzung von KI begaben, kein neues Konzept, sondern der unvermeidliche Schritt für die letzte Meile der industriellen Umsetzung von KI.
Nehmen wir das Optimierungsprogramm von Belle Fashion für den Nachbestellungsprozess als Beispiel. In der Vergangenheit hat das Hauptquartier wöchentlich eine Nachbestellungsliste an die Regionen per E-Mail verschickt. Nach einer mehrstufigen digitalen Genehmigung wurde die Liste über mehrere Systeme zurückgesendet, was zu einer gewissen Unordnung und Verzögerung der Materialversionen führte.
Heute hat Belle Fashion auf der Grundlage von Unternehmenskooperationsplattformen wie DingTalk eine leichte Anwendung entwickelt, die die gesamte Kette auf eingebettete Weise übermittelt. Anschließend werden die Systembefehle und der Genehmigungsfluss automatisch durch die intelligenten Mittel von Agentic AI ausgelöst, um die Echtzeiteffizienz zu verbessern.
Der Vorteil von Agentic AI liegt nicht nur darin, die Produktivität durch automatisierte Befehle freizusetzen, sondern auch darin, die Dateiformate und Aktionen, die ursprünglich in verschiedenen Systemen verteilt waren, in einen zusammenhängenden Datenstrom zu integrieren, so dass der gesamte Ausführungsprozess nachvollziehbar, beeinflussbar und von großen Modellen intelligent beurteilt werden kann.
Durch Agentic AI wandelt Belle Fashion die „Handlungsspuren“, die in der Unternehmensverwaltung am meisten gewertet werden, direkt in digitale Spuren um und liefert so für das nachfolgende Modelltraining „zelluläre“ Daten aus realen Geschäftsszenarien. Dies ist der Reiz von KI-Assistenten in der industriellen Umsetzung. Insbesondere im Bereich des Marken-Einzelhandels kann die Kooperationseffizienz zwischen der traditionellen „Person-Ware-Umgebung“ und der neuen digitalen Organisationsverwaltung oft der Schlüssel zum Erfolg oder Misserfolg eines Unternehmens sein.
Daraus geht hervor, dass die intelligente Neugestaltung sowohl eine klare Geschäftslogik erfordert als auch den Wert von Menschen und der technischen Grundlage berücksichtigen muss.
Ob es die Offenheit der intelligenten Anwendungsökosysteme von DingTalk oder die Upgrade der unteren Architektur von DEEPEXI von einem Middleware-System zu einer intelligenten Antriebsplattform ist, die Ergebnisse der systemischen Praxis basieren auf der Fähigkeit von Belle Fashion, die Geschäftserfahrung seiner Lieferanten zu beurteilen, anstatt einfach die technische Fortschrittlichkeit zu berücksichtigen.
In Zukunft wird Agentic AI möglicherweise das „Schloss“ der industriellen Umsetzung von KI öffnen und für eine Zeit die Form der B2B-Anwendung von großen Modellen bestimmen. In diesem Prozess sollten Unternehmen neben der systemischen Ne