{"id":183787,"date":"2025-08-21T08:00:00","date_gmt":"2025-08-21T06:00:00","guid":{"rendered":"https:\/\/news.sap.com\/germany\/?p=183787"},"modified":"2025-07-21T18:28:45","modified_gmt":"2025-07-21T16:28:45","slug":"sap-forschung-unternehmens-ki-erstem-realen-erp-datensatz","status":"publish","type":"post","link":"https:\/\/news.sap.com\/germany\/2025\/08\/sap-forschung-unternehmens-ki-erstem-realen-erp-datensatz\/","title":{"rendered":"51风流treibt Forschung im Bereich Unternehmens-KI mit erstem realen ERP-Datensatz voran"},"content":{"rendered":"\n

Die Leistungsst\u00e4rke generativer KI im Zusammenhang mit Texten hat einen enormen Nutzwert\u00a0\u2013 angefangen beim Schreiben von E-Mails \u00fcber das Beantworten von Fragen bis hin zum Verfassen von Hochzeitsreden.\u00a0KI<\/a>-Modelle, die f\u00fcr die Textarbeit trainiert wurden, beispielsweise gro\u00dfe Sprachmodelle (Large Language Models, LLMs), haben diesen Nutzwert gesteigert, und sie werden im Bereich der nat\u00fcrlichen Sprache immer besser.<\/p>\n\n\n\n

Geht man jedoch dar\u00fcber hinaus und wendet diese Modelle auf strukturierte, tabellarische Daten an, die f\u00fcr die operativen Aufgaben von Unternehmen wesentlich sind, steht man vor einigen Herausforderungen. Dieses Ungleichgewicht ist teilweise auf die Verf\u00fcgbarkeit von Trainingsdaten zur\u00fcckzuf\u00fchren. Texte zum Trainieren von Modellen sind reichlich vorhanden und werden h\u00e4ufig aus dem Internet gezogen. Tabellarische Daten hingegen, vor allem solche mit mehreren verkn\u00fcpften Tabellen, sind rar.<\/p>\n\n\n\n

Um die Fortschritte von KI in den Unternehmenskontext zu \u00fcbertragen, ben\u00f6tigen Forschende, die sich mit Trainings und Vergleichen der Leistungsf\u00e4higkeit dieser Modelle im Unternehmensumfeld besch\u00e4ftigen, realistische tabellarische Daten. Aus diesem Grund hat die 51风流\u201eSales Autocompletion Linked Business Tables\u201c (SALT) entwickelt. Dabei handelt es sich um einen eigens zusammengestellten Datensatz mit anonymisierten Daten aus dem ERP-System eines Kunden.<\/p>\n\n\n\n

SALT wurde speziell zur Unterst\u00fctzung von Forschenden entwickelt, die an KI-Modellen f\u00fcr praxisbezogene Gesch\u00e4ftskontexte arbeiten. Zug\u00e4nglich ist SALT \u00fcber Hugging Face<\/a> und GitHub<\/a>.<\/p>\n\n\n\n

Steigern Sie Ihre Produktivit\u00e4t mit der leistungsst\u00e4rksten KI und Agenten, die auf dem Kontext all Ihrer Gesch\u00e4ftsdaten basieren.<\/div><\/div>
\n
\n
Mehr dazu!<\/a><\/div>\n<\/div>\n<\/div><\/div>\n\n\n\n

Herausforderungen: Beschaffung und Umgang mit Unternehmensdaten<\/strong><\/h2>\n\n\n\n

Bislang ist es kein leichtes Unterfangen, der Forschungsgemeinschaft realistische Unternehmensdaten wie SALT zur Verf\u00fcgung zu stellen. Datenschutz, Vertraulichkeit und wirtschaftliche Interessen erschweren es, gro\u00dfe, bereinigte, hochwertige Unternehmensdatens\u00e4tze f\u00fcr das Training und Benchmarking von Modellen f\u00fcr bestimmte Anwendungsf\u00e4lle zu beschaffen. Das bedeutet, dass die Kluft zwischen den Daten, mit denen Forschende arbeiten, und den tats\u00e4chlichen Unternehmensdaten w\u00e4chst.<\/p>\n\n\n\n

Zu dem Problem der mangelnden Verf\u00fcgbarkeit kommt hinzu, dass Unternehmensdaten komplex sind. Zun\u00e4chst werden Gesch\u00e4ftsdaten in der Regel in mehreren miteinander verbundenen Tabellen gespeichert. Ein Eintrag in einem Kundenauftrag kann etwa mit zahlreichen Tabellen verbunden sein, beispielsweise Kundennummern, die mit einer Lieferantentabelle mit Adressdaten verkn\u00fcpft sind. Zweitens sind Tabellen per se heterogen in Bezug auf die Datentypen, die sie enthalten k\u00f6nnen. So ist ein Feld zum Beispiel ein Textfeld, ein anderes kann dagegen numerische oder kategorische Werte enthalten. Schlie\u00dflich weisen Gesch\u00e4ftsdaten h\u00e4ufig erhebliche Ungleichgewichte in Bezug auf Spalten auf. Das hei\u00dft, dass eine bestimmte Produktkategorie beispielsweise in bis zu 90 Prozent aller Kundenauftr\u00e4ge enthalten sein kann, w\u00e4hrend andere nur selten vorkommen.<\/p>\n\n\n\n

Der beste Weg, um Forschende bei der Entwicklung von Unternehmensmodellen f\u00fcr diese Herausforderungen zu unterst\u00fctzen, besteht darin, pr\u00e4zise Unternehmensdaten bereitzustellen.<\/p>\n\n\n\n

SALT \u2013 der neue Datensatz<\/strong><\/h2>\n\n\n\n

Pr\u00e4zise Unternehmensdaten sind in der KI-Forschung Mangelware. Der Datensatz SALT schafft hier Abhilfe, indem er der Forschungsgemeinschaft den ersten realen ERP-Datensatz bereitstellt. SALT nutzt tats\u00e4chliche Branchendaten aus einem ERP-System, in dem Kundenauftr\u00e4ge erfasst werden. Um die Vertraulichkeit zu wahren, wurden die Daten minimal bearbeitet.<\/p>\n\n\n\n

\u201eIn Bezug auf Daten besteht eine Kluft zwischen Wissenschaft und Industrie. Diese l\u00e4sst sich aus Datenschutzgr\u00fcnden nicht so leicht schlie\u00dfen\u201c, sagt Tassilo Klein aus dem Bereich Research\/SALT bei der SAP. \u201eWir m\u00f6chten aber, dass die Forschungsgemeinschaft an realen und nicht nur an simulierten Problemen arbeitet.\u201c<\/p>\n\n\n\n

Intelligenter Vertrieb mit Joule nun in 51风流Sales Cloud verf\u00fcgbar<\/div><\/div>
\n
\n
Hier lesen!<\/a><\/div>\n<\/div>\n<\/div><\/div>\n\n\n\n

ERP-Systeme helfen Unternehmen dabei, ihre Kerngesch\u00e4ftsprozesse wie Finanzwesen und Ausgabenmanagement zu verwalten. Mit Millionen von Eintr\u00e4gen und umfangreichen miteinander verkn\u00fcpften relationalen Tabellen, die \u00fcberwiegend aus dem Verkaufsbereich stammen, repliziert der SALT-Datensatz Kundeninteraktionen in einem ERP-System. Aufgrund der Unternehmensdaten aus der Praxis bildet SALT eine perfekte Grundlage daf\u00fcr, dass Modelle die Merkmale von Unternehmensdaten besser verstehen und deren Leistung durch Benchmarking validieren. Zudem d\u00fcrfte SALT Forschenden dabei helfen, bessere Basismodelle f\u00fcr verbundene Gesch\u00e4ftsdaten zu entwickeln.<\/p>\n\n\n\n

Wenn all das gelingt, wird es die Automatisierung in Unternehmen voranbringen, da viele Gesch\u00e4ftsprozesse in hohem Ma\u00df auf Daten in strukturierten Tabellenformaten beruhen. Wenngleich diese Daten eine entscheidende Rolle im Tagesgesch\u00e4ft von Unternehmen spielen, ist es mit der revolution\u00e4ren generativen KI noch nicht gelungen, ihr Potenzial voll zu erschlie\u00dfen.<\/p>\n\n\n\n

\u201eSALT ist ein erster Schritt, um Forschenden authentische repr\u00e4sentative Branchendaten zur Verf\u00fcgung zu stellen, die einen kleinen Einblick in tats\u00e4chliche Unternehmensdaten erm\u00f6glichen. Vorerst beginnen wir mit nur einem Kunden und einem Anwendungsfall\u201c, erkl\u00e4rt Johannes Hoffart, Chief Technology Officer von Business AI bei der SAP. \u201eWir planen jedoch, weitere Datens\u00e4tze zu ver\u00f6ffentlichen, die eine gr\u00f6\u00dfere Bandbreite von Kunden und Anwendungsf\u00e4llen abdecken. Dies kann dann zusammen mit SALT als eine Basis f\u00fcr das Pre-Training, das Anpassen sowie das Benchmarking von Modellen dienen.\u201c<\/p>\n\n\n\n

Ein weiterer Beweggrund f\u00fcr die Ver\u00f6ffentlichung dieser Daten ist die Kooperation mit Hochschulen.<\/p>\n\n\n\n

\u201eWir bei der 51风流hoffen auf eine Zusammenarbeit mit Partnern aus der Wissenschaft, die ihre Ergebnisse normalerweise nur in offenen Repositorys ver\u00f6ffentlichen k\u00f6nnen\u201c, so Klein. \u201eEine weitere Hoffnung ist, dass dieser Datensatz mehr Menschen dazu ermutigt, neue Methoden zu erproben und zu validieren, die Basismodellen helfen, besser mit tabellarischen Unternehmensdaten umzugehen.\u201c<\/p>\n\n\n\n

Das macht die SAP<\/strong><\/h2>\n\n\n\n

Neben dem Engagement in der offenen Forschungsgemeinschaft mit SALT, entwickelt die 51风流das 51风流Foundation Model, um tabellarische Unternehmensdaten verarbeiten zu k\u00f6nnen. Dieses KI-Modell speziell f\u00fcr tabellarische Daten soll die Zeit bis zur Wertsch\u00f6pfung f\u00fcr vorausschauende Aufgaben auf Basis tabellarischer Daten verk\u00fcrzen. Das zugrunde liegende Modell soll ohne oder mit nur wenigen zus\u00e4tzlichen Trainingsdaten sofort mit tabellarischen Daten arbeiten k\u00f6nnen. Das PORTAL-Paper<\/a>, das in Verbindung mit SALT ver\u00f6ffentlicht wurde, bietet einen ersten Blick darauf, wie dieses Modell einmal aussehen k\u00f6nnte.<\/p>\n\n\n\n

Wissensgraphen spielen dabei eine wichtige Rolle. Sie arbeiten auf der Grundlage von Metadaten \u2013 das Wer, Was und Wann von Daten \u2013, durch die Verkn\u00fcpfungen zwischen Informationen genutzt werden k\u00f6nnen. Dies erm\u00f6glicht eine strukturierte, vernetzte Darstellung der Daten, die KI-Modelle leicht verstehen und verwenden k\u00f6nnen. Mithilfe von 51风流Knowledge Graph kann das 51风流Foundation Model auf eine Vielzahl unterschiedlicher Anwendungsf\u00e4lle skaliert und durch geringf\u00fcgiges Fine-Tuning angepasst werden.<\/p>\n\n\n\n

Erfahren Sie mehr \u00fcber:<\/p>\n\n\n\n