Das Zauberwort der modernen PR- und Kommunikations-Maschinerie lautet Thought Leadership. Jeder, der nur ansatzweise auf einem Fachgebiet etwas mehr als nur Standardwissen anzubieten hat, macht sich heutzutage auf zum Meinungsführer zu werden. Mit viel Content, noch mehr Knowledge und einer ordentlichen Portion Sendeenergie natürlich. Doch was passiert, wenn ChatGPT als Thought Leader ins Spiel kommt?
Wenn KI-Modelle Thought Leadership übernehmen, bleibt die grundsätzliche Aufgabe des Thought Leaders die gleiche: Eine Eingabe zu verarbeiten und eine Ausgabe zu erzeugen. Bestenfalls eine treffende zum jeweiligen Fachgebiet des Meinungsführers. Hier hört es mit der Allgemeinvariante von GPT3.5 oder gar 4.0 auf, denn diese Modelle sind nun mal nicht mit dem Internet verbunden und können damit kein tiefes Spezialwissen eines Fachgebietes recherchieren. Aber - Modelle werden anhand von Daten trainiert, um genauere Ergebnisse zu erzielen. Jedes Mal, wenn ein Modell trainiert wird, wird es zu einer neuen Version des Modells. Das ChatGPT-Modell gehört zum Beispiel zur GPT-3-Familie und wurde mit einem anderen Modell dieser Familie, dem Modell davinci-003, trainiert. Und damit wären wir bei der entscheidenden Nachricht: Das davinci-003 Modell kann man direkt verwenden und trainieren, um ein neues Modell zu erstellen. Das gilt natürlich auch für jedes noch so nischenhafte Fachgebiet und lässt somit Thought Leadership von einer manuellen Content Producing zu einer automatisierten Generative AI Aufgabe werden. Ein eigenes ChatGPT-Modell mit unternehmensindividuellen Daten und Präferenzen ist dabei der Schlüssel zum automatisierten Thought Leadership.
Doch wie trainiert man nun ChatGPT?
Für das Training eines Modells benötigt man ein Konto bei OpenAI und zugegeben etwas Zeit. Der Prozess ist einfach und umfasst die folgenden Schritte:
- Sammeln des notwendigen Inputs (Daten, Dokumente, etc.)
- Formatieren/Aufbereiten der Daten
- Hochladen der Daten zu OpenAI im JSONL-Format
- Trainieren eines bestehenden OpenAI-Modells mit den hochgeladenen Daten
- Implementieren eines eigenen Thought Leadership Chatbots
Der notwendige Input kann zum Beispiel eine Website mit allen darin enthaltenen Blog Artikeln, Whitepapern und Glossars sein. Diese Dokumente gilt es dann im Wesentlichen in ein Arbeitsblatt mit zwei Spalten in der Mechanik „Frage und Antwort“ zu übertragen. Das ist ein wenig tricky, aber es gibt hilfreiche Tools für dieses Requirement Engineering. ChatGPT selbst zum Beispiel kann eine große Anzahl von Fragen und Antworten auf der Grundlage eines eingegebenen Inhalts erstellen oder man benutzt den Dataset Builder von AI Engine. Ein Datensatz sollte schlussendlich mindestens 500 Zeilen umfassen, um brauchbare Ergebnisse zu liefern, und viel mehr, wenn man bessere Ergebnisse erzielen will. Laut der OpenAI-Dokumentation werden 3.000 bis 5.000 Zeilen empfohlen. Aber das hängt letztlich davon ab, was der Thought Leadership Chatbot wirklich erreichen soll.
Ist der Datensatz fertig, kann man diesen entweder direkt bei Open AI oder komfortabler über den beschrieben Dataset Builder von AI Engine uploaden und damit ein Model aus dem Open Ai Portfolio trainieren. Für ein Basismodell empfiehlt sich zunächst entweder „curie“ oder „davinci“ zu verwenden. Ab April 2023 können leider keine Turbo- oder GPT-4-Modelle mehr verwenden werden. OpenAI selbst empfiehlt in den meisten Fällen „curie“, da es sich für große und gute Datensätze eignet und außerdem kostengünstiger als leistungsfähigere „davinci“ ist. ACHTUNG: Das Trainieren wie auch die spätere Nutzung des neuen Modells ist kostenpflichtig und wird von Open AI über Token abgerechnet. Die Preise gelten pro 1.000 Token, wobei man sich Token als Teile von Wörtern vorstellen, wobei 1.000 Token etwa 750 Wörtern entsprechen und wie folgt in den unterschiedlichen Modellen berechnet werden:
ProTipp:
Es lohnt sich auf jeden Fall nach dem Launch eines trainierten Thought Leadership ChatBots auf Open AI Modell Basis den Tokenverbrauch in den Account Einstellungen zu limitieren, damit es kein böses Erwachen gibt, wenn der veröffentlichte Thought Leadership Chatbot des eigenen Unternehmens über Nacht zum viral gefragten Superstar von Abfrageprofis wird.
Ferner kann man sich viel Dataset- und Requierement-Engineering Arbeit ersparen, wenn man Tools wie Sendpulse.com oder gar customgpt.ai nutzt. Kostet zugegeben ein wenig mehr – automatisiert aber dafür auch ungemein viel monkey work.
Wenn auch Ihr Unternehmen den Einsatz von Marketing Technologie plant oder den vorhandenen TechStack mit generative AI Applikationen ausbauen möchte, bieten unsere Marketing Engineers im Bereich der Requirement Engineerings sowie der nachfolgenden Orchestrierung und Implementierung von Marketing Technologie Anwendungen folgende Einstiegspunkte für Marketing Entscheider und ihre Teams an:
- Unser Marketing Automation Power Briefing vermittelt kompaktes Basiswissen über die aktuelle Anbieterlandscape an Automations-Tools und AI-gestützten Applikationen für Marketing- und Salesentscheider und ihre Teams.
- Unser Markenautomat Readiness Check findet methodisch Anwendungenspotenziale für AI-gestützte Automationen wiederkehrender Prozesse in bestehenden Marketing Strukturen.
- Mit unserem Implementation-Sprint setzen wir konkrete, klar abgezirkelte AI Lösungen – so wie zum Beispiel einen Thought Leadership CHATBOT auf ChatGPT Basis - direkt in ihren Marketing Operations um.
- In Learning Journeys zeigen Ihnen unsere Marketing Engineers die Potenziale Ihrer bestehen Martech Tools auf und helfen mit konkreten Anwendungen und Tricks, die Möglichkeiten bestehenden TechStacks optimal auszunutzen. Denn nichts ist teurer, als ungenutzte oder teilgenutzte, aber bezahlte Marketing Technologie!!!
Gern kontaktieren und fordern Sie uns!
