Warum scheitert KI? Weil: “Die meisten Probleme sind am Anfang einfach nicht gut genug definiert, sodass die Informationen fehlen, die man braucht, um die richtige Lösung zu entwickeln.“
Es ist das klassische „Mach, was ich meine, nicht was ich sage“-Problem! Die passende Lösung ist Requirements Engineering: „das Identifizieren, Analysieren, Dokumentieren und Managen der Bedürfnisse von Stakeholdern für ein Produkt oder System.“
Requirements Engineering ist eine Fähigkeit, die nicht durch KI ersetzt wird, sondern noch wichtiger wird: “Prompt Engineering und Requirements Engineering sind buchstäblich dieselbe Fähigkeit – Klarheit, Kontext und Zielgerichtetheit zu nutzen, um die eigene Absicht zu vermitteln und sicherzustellen, dass das, was gebaut wird, dem entspricht, was tatsächlich gebraucht wird.”
“Fehler beim Prompting lassen sich auf Probleme im Prozess zurückführen, nicht auf die Menschen. Sie entstehen typischerweise durch mangelnden Kontext und schlechte Kommunikation, nicht durch ‘schlechte KI’.”
Deshalb ist Context Engineering so wichtig: „zu entscheiden, was das Modell sehen muss, um etwas Nützliches zu erzeugen; dazu gehören typischerweise umgebender Code, Testeingaben, erwartete Ausgaben, Design-Constraints und andere wichtige Projektinformationen.“
Mehr über Requirements, Prompt und Context Engineering:
👉 https://www.oreilly.com/radar/prompt-engineering-is-requirements-engineering/
Engineering ist jedoch nur der zweite Schritt. Der erste Schritt ist Design und entsprechend Context Design. Bei Datentreiber nutzen wir das Miro-Template für einen Design Workshop zu Multi-Agent-Systemen (MAS)
👉 https://miro.com/templates/multiagent-system-mas-design-workshop/
Mehr gibt es in unserer exklusiven Data & AI Business Design Community.
Die Mitgliedschaft ist und bleibt kostenfrei.
