Optimierung von Suchfunktionen in Wissensdatenbanken durch den Einsatz von GPTs
Kontext der Forschung
In einer Zeit, in der die Menge digitaler Daten exponentiell wächst, wird es immer schwieriger, relevante Informationen schnell und effizient in Wissensdatenbanken und Intranets zu finden. Diese Bachelor-Thesis beschäftigt sich mit der Anwendung von Generative Pre-trained Transformers (GPTs) zur Verbesserung der Suchfunktionen in diesen Systemen, insbesondere im Kontext kantonaler Verwaltungen.
Ziel und Aufgabenstellung
Das Hauptziel der Forschung ist es, die Möglichkeiten und Grenzen des Einsatzes von GPTs zur Verbesserung der Sucheffizienz und -qualität zu erkunden. Spezifische Aufgaben umfassten die Bewertung aktueller Suchtechnologien, die Untersuchung der Eignung von GPTs für spezifische Anwendungen und die Erarbeitung von Empfehlungen für die Implementierung in der Praxis.
Methoden
Um eine umfassende Analyse zu gewährleisten, wurde in dieser Arbeit eine strukturiertes Literaturreview mit semistrukturierten Experteninterviews kombiniert. Diese Methodik ermöglicht es, sowohl den Stand der Forschung als auch praxisnahe Erfahrungen zu berücksichtigen, um ein detailliertes Bild der Potenziale und Herausforderungen beim Einsatz von GPTs für die Verbesserung von Suchfunktionen zu erstellen.
Ergebnisse
Die Forschung zeigte, dass GPTs die Fähigkeit besitzen, die Effizienz und Qualität der Suchprozesse deutlich zu verbessern. Insbesondere die Fähigkeit der GPTs, kontextbezogene Informationen zu verstehen und relevante Antworten zu generieren, übertrifft traditionelle Suchtechnologien. Allerdings sind mit der Implementierung auch Herausforderungen verbunden, darunter Datenschutzrisiken und die Notwendigkeit umfangreicher Trainingsdaten.
Die Arbeit empfiehlt die Entwicklung spezifischer Richtlinien für den Einsatz von GPTs, die Investition in Pilotprojekte zur Evaluierung der Technologie in realen Umgebungen und die Schulung der Mitarbeitenden zum effektiven Umgang mit den neuen Systemen.