Die F\u00fclle und Vielfalt der Reaktionen auf ChatGPT und andere generative KI, ob skeptisch oder enthusiastisch, zeigen die Ver\u00e4nderungen, die sie mit sich bringen, und die Auswirkungen, die sie weit \u00fcber die \u00fcblichen Technologiekreise hinaus haben. Dies steht in krassem Gegensatz zu fr\u00fcheren Generationen von KI, die im Wesentlichen pr\u00e4diktiv waren und in der Regel Gegenstand von Artikeln oder Thesen waren, die sich auf den Bereich der Forschung und Innovation beschr\u00e4nkten.<\/p>\n<\/div>
F\u00fcr Unternehmen unterscheidet sich die generative KI auch von fr\u00fcheren artificial intelligences. Wenn wir sie mit den \u00e4hnlichsten Technologien vergleichen, wie z.B. der nat\u00fcrlichen Sprachverarbeitung (NLP) f\u00fcr Textkorpora oder der Computer Vision f\u00fcr audiovisuelle data, bringt die generative KI vier wesentliche Ver\u00e4nderungen mit sich, derer sich die Unternehmen bewusst werden, w\u00e4hrend sie mit ihnen experimentieren.<\/p>\n<\/div>
Erstens beschleunigt die generative KI im Vergleich zur bisherigen KI den Einsatz von Anwendungsf\u00e4llen in dem Sinne, dass sie den Proof of Concept beschleunigt. Zweitens er\u00f6ffnen sie neue M\u00f6glichkeiten, indem sie eine einfachere, effizientere und weniger kostspielige Anreicherung von unstrukturierten data erm\u00f6glichen. Dar\u00fcber hinaus sind die mit generativer KI erzielten Ergebnisse in Bezug auf Qualit\u00e4t, Quantit\u00e4t und Vielfalt neuartig im Vergleich zu den bisher verwendeten Modellen. All diese Faktoren bedeuten, dass wir uns mit den gestiegenen Erwartungen der Endnutzer auseinandersetzen m\u00fcssen, die durch den Hype um diese Technologie angeheizt wurden. Wir erl\u00e4utern diese vier Punkte im Folgenden.<\/p>\n<\/div>
Generative KI erm\u00f6glicht ein schnelleres Testen des Mehrwerts von Anwendungsf\u00e4llen<\/h2><\/div>Im Bereich der generativen KI ist die Entwicklung von Anwendungsf\u00e4llen oft schneller und weniger arbeitsintensiv als bei bisherigen KI-L\u00f6sungen. Der Ansatz der generativen KI wird h\u00e4ufig mit dem Zusammenbau von Legos verglichen, bei dem bereits vorhandene Komponenten kombiniert werden k\u00f6nnen, um neue Ergebnisse zu erzielen. Diese Leichtigkeit des Experimentierens und der Implementierung kann k\u00fcrzere Entwicklungszyklen erm\u00f6glichen. Au\u00dferdem beschleunigt die Interaktion mit dem Benutzer die Akzeptanz.<\/p>\n<\/div>
Ein data Anwendungsfall l\u00e4sst sich auf ein Gesch\u00e4ftsproblem, data, ein Modell und eine Eingabeaufforderung reduzieren. Traditionell ist das Erstellen und Optimieren des Modells der komplexeste und zeitaufw\u00e4ndigste Teil des Prozesses. Mit generativer KI wird dieser Schritt einfacher. Generative KI bietet vorgefertigte, gebrauchsfertige Modelle, so dass Unternehmen von fortgeschrittenem Fachwissen profitieren k\u00f6nnen, ohne viel Zeit in die Entwicklung und Verfeinerung von Modellen zu investieren. In der Praxis sind die Modelle (wie GPT 4.0 von Azure) \u201con-demand\u201d verf\u00fcgbar oder k\u00f6nnen \u00fcber APIs bereitgestellt werden (wie Gemini Pro BARD von Google). Einige Anbieter bieten sogar speziell abgestimmte Modelle f\u00fcr bestimmte Bereiche an, z. B. f\u00fcr die Erstellung von Texten aus den Bereichen Recht, Medizin oder Finanzen.<\/p>\n<\/div>
Sobald das Modell eingesetzt wird, besteht die einzige verbleibende Aufgabe darin, das generative KI-Modell zu \u201cerden\u201d, d.h. die vom Modell erzeugten Ergebnisse mit Informationen aus der realen Welt zu verkn\u00fcpfen, um das Modell zu zwingen, innerhalb eines bestimmten Rahmens zu reagieren. Dies beinhaltet oft das Hinzuf\u00fcgen von Einschr\u00e4nkungen oder zus\u00e4tzlichen Informationen, um das Modell zu Ergebnissen zu f\u00fchren, die in einem bestimmten Kontext koh\u00e4rent und relevant sind. Dies ist jedoch weit entfernt von der Zeit, die wir f\u00fcr das Training der KI-Modelle ben\u00f6tigen, die wir bisher verwendet haben.<\/p>\n<\/div>
Nehmen wir zur Veranschaulichung das Beispiel eines Anwendungsfalls zur Analyse des Wortlauts in einem Callcenter. Laut einer Artefact-Studie dauerte die Entwicklung dieser Art von Anwendungsfall mit Modellen, die auf fr\u00fcherer KI basierten, in der Regel drei bis vier Wochen ab dem Zeitpunkt, an dem die data abgerufen und nutzbar gemacht wurde. Heute dauert dieser Prozess dank der generativen KI nur noch eine Woche, was einen Beschleunigungsfaktor von mehr als drei bedeutet. Die gr\u00f6\u00dfte Herausforderung besteht darin, die geeignete Gesch\u00e4ftsklassifizierung f\u00fcr die Anpassung des Modells zu w\u00e4hlen.<\/p>\n<\/div>
Generative KI erweitert den Anwendungsbereich der KI auf bisher wenig oder falsch genutzte data<\/h2><\/div>Einige \u00d6lfelder sind nur profitabel, wenn die \u00d6lpreise in die H\u00f6he schie\u00dfen. Das gleiche Prinzip kann auf data angewendet werden. Bestimmte unstrukturierte data k\u00f6nnen jetzt dank generativer KI abgebaut werden. Damit er\u00f6ffnet sich ein ganz neues Feld nutzbarer data f\u00fcr das Training oder die Feinabstimmung von Modellen und bietet zahlreiche Perspektiven f\u00fcr Anwendungen, die sich auf bestimmte Bereiche spezialisieren.<\/p>\n<\/div>
Und es gibt ein neues Versprechen: das der generativen KI, die in der Lage ist, jede Art von data in ihren Trainingsprozessen zu verarbeiten und zu kombinieren und dabei die zeitraubende und m\u00fchsame Arbeit der Strukturierung und Verbesserung der Qualit\u00e4t von data des Unternehmens zu umgehen, um sie nutzbar zu machen. Ein Versprechen, das nach den derzeitigen Beobachtungen noch nicht eingel\u00f6st ist.<\/p>\n<\/div>
Die generative KI hat nicht nur von einem echten Durchbruch bei den Aufmerksamkeitsmechanismen profitiert. Sie hat auch von der st\u00e4ndig wachsenden - und notwendigen - Leistung von Maschinen profitiert.<\/p>\n<\/div>
Aufmerksamkeitsmechanismen funktionieren \u00e4hnlich wie die F\u00e4higkeit eines Menschen, sich auf einen wichtigen Teil eines Bildes oder Textes zu konzentrieren, wenn er versucht, etwas zu verstehen oder zu erschaffen. Stellen Sie sich vor, Sie versuchen, eine Landschaft von einem Foto zu zeichnen. Anstatt das ganze Bild auf einmal zu betrachten, konzentrieren Sie sich auf bestimmte Teile, die Ihnen wichtig erscheinen, wie Berge oder B\u00e4ume. So k\u00f6nnen Sie wichtige Details besser erkennen und eine genauere Zeichnung erstellen. In \u00e4hnlicher Weise erm\u00f6glichen Aufmerksamkeitsmechanismen dem Modell, sich bei der Erstellung von Inhalten auf bestimmte Teile eines Bildes oder Textes zu konzentrieren. Anstatt die gesamte Eingabe auf einmal zu verarbeiten, kann sich das Modell auf die relevantesten und wichtigsten Teile konzentrieren, um genauere und aussagekr\u00e4ftigere Ergebnisse zu erzielen. So kann es lernen, Bilder, Text oder andere Arten von Inhalten effizienter und realistischer zu erstellen.<\/p>\n<\/div>
Aufmerksamkeitsmechanismen lassen sich sehr gut parallelisieren. Die Verwendung mehrerer Aufmerksamkeitsmechanismen bietet eine reichhaltigere und robustere Darstellung von data, was zu einer besseren Leistung bei verschiedenen Aufgaben wie maschineller \u00dcbersetzung, Texterzeugung, Sprachsynthese, Bilderzeugung und vielen anderen f\u00fchrt.<\/p>\n<\/div>
Infolgedessen sind Anwendungsf\u00e4lle, die vor nicht allzu langer Zeit noch unm\u00f6glich schienen, nun vollst\u00e4ndig zug\u00e4nglich geworden. Das gilt zum Beispiel f\u00fcr die Berechnung der Redezeit in den Medien w\u00e4hrend des Pr\u00e4sidentschaftswahlkampfs. Noch vor zwei Jahren war die genaue Berechnung der Redezeit der einzelnen Kandidaten ein m\u00fchsames Unterfangen. Heute ist dies dank der generativen KI m\u00f6glich.<\/p>\n<\/div>
Was die Rechenkapazit\u00e4ten angeht, hat OpenAI vor sechs Jahren eine Analyse ver\u00f6ffentlicht, aus der hervorgeht, dass der Rechenaufwand f\u00fcr die wichtigsten KI-Trainingseinheiten seit 2012 exponentiell gestiegen ist, mit einer Verdopplungszeit von 3,4 Monaten (zum Vergleich: Moore's Law hatte eine Verdopplungszeit von zwei Jahren). Seit 2012 hat sich dieses Ma\u00df um mehr als das 300.000-fache erh\u00f6ht (eine Verdopplungszeit von zwei Jahren w\u00fcrde nur eine Versiebenfachung bedeuten).<\/p>\n<\/div>
Generative KI-Modelle ben\u00f6tigen oft enorme Mengen an Rechenleistung f\u00fcr das Training, insbesondere da die Modelle so konzipiert sind, dass sie generalistisch sind und gro\u00dfe Mengen an Inhalten f\u00fcr das Training ben\u00f6tigen. F\u00fcr die Verarbeitung gro\u00dfer data-Sets und die Ausf\u00fchrung komplexer Optimierungsalgorithmen werden leistungsstarke Rechenressourcen wie High-End-GPUs oder TPUs ben\u00f6tigt. Die neue NVIDIA A100 Tensor Core GPU scheint eine noch nie dagewesene Beschleunigung zu bieten. Laut Nvidia bietet der A100 eine bis zu 20 Mal h\u00f6here Leistung als die vorherige Generation und kann in sieben GPU-Instanzen partitioniert werden, um sich dynamisch an wechselnde Anforderungen anzupassen. Berichten zufolge bietet sie au\u00dferdem die weltweit schnellste Speicherbandbreite mit \u00fcber zwei Terabyte pro Sekunde (TB\/s) f\u00fcr die Ausf\u00fchrung der gr\u00f6\u00dften Modelle und data-Sets.<\/p>\n<\/div>
Es sei darauf hingewiesen, dass Verbesserungen in der Datenverarbeitung ein Schl\u00fcsselelement f\u00fcr den Fortschritt von artificial intelligence waren. Solange dieser Trend anh\u00e4lt, sollten wir auf die Auswirkungen von Systemen vorbereitet sein, die weit \u00fcber die heutigen M\u00f6glichkeiten hinausgehen und die Grenzen weiter verschieben werden. Dabei m\u00fcssen wir den Wert, den diese Systeme bringen, gegen die Kosten abw\u00e4gen, die sie verursachen, insbesondere in Bezug auf Energie und Umwelt. Wir werden diese Punkte in einem zuk\u00fcnftigen Artikel diskutieren.<\/p>\n<\/div>
Generative KI verbessert die Vielfalt, Qualit\u00e4t und Quantit\u00e4t der erzielten Ergebnisse<\/h2><\/div>Generative KI unterscheidet sich deutlich von fr\u00fcherer KI durch ihre Auswirkungen auf die von ihren Modellen erzeugten Ergebnisse. Nicht nur die Quantit\u00e4t der erzeugten Ergebnisse ist gestiegen, sondern auch ihre Qualit\u00e4t und Vielfalt. All diese positiven Aspekte m\u00fcssen jedoch durch eine geringere Reproduzierbarkeit der generativen KI-Modelle relativiert werden.<\/p>\n<\/div>
Betrachten wir das Bild eines Puzzles, so kann die Analyse von data mit dessen Zusammenbau verglichen werden, bei dem jedes Teil von data ein Teil darstellt, das zu einem koh\u00e4renten Bild zusammengesetzt werden muss. Die KI spielt eine entscheidende Rolle bei dem Versuch, das fehlende data zu erg\u00e4nzen, indem sie die verf\u00fcgbaren Informationen nutzt, um die fehlenden Teile abzuleiten und neu zu erstellen. Generative KI geht \u00fcber die blo\u00dfe Vervollst\u00e4ndigung bestehender data hinaus, indem sie neue data schafft, die von dem inspiriert sind, was bereits existiert. Dieser Prozess erweitert die Analysem\u00f6glichkeiten und erm\u00f6glicht die Entdeckung neuer Informationen aus bestehenden data, wodurch der generative Aspekt in den Vordergrund r\u00fcckt.<\/p>\n<\/div>
![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/09\/medium-article-image-by-jb-briot.png\" "\\"medium")
<\/span><\/div>Im Gegensatz zu fr\u00fcheren KI-Generationen, die dazu neigen, oft \u00e4hnliche Ergebnisse zu produzieren, sind generative KI-Modelle in der Lage, eine gr\u00f6\u00dfere Vielfalt an Ergebnissen zu erzeugen, indem sie verschiedene Varianten und Alternativen erkunden. Diese gr\u00f6\u00dfere Vielfalt macht es m\u00f6glich, reichhaltigere, abwechslungsreichere Inhalte zu generieren, die vom quantitativen zum qualitativen Bereich \u00fcbergehen und ein breiteres Spektrum an Bed\u00fcrfnissen und Vorlieben abdecken.<\/p>\n<\/div>
OpenAI war k\u00fcrzlich in Hollywood, um sein neuestes Modell namens \u201cSora\u201d vorzustellen, das Videos aus Text generieren kann. \u201cZu h\u00f6ren, dass es all diese Dinge kann, ist eine Sache, aber die F\u00e4higkeiten tats\u00e4chlich zu sehen, war erstaunlich\u201d, sagte Hollywood-Produzent Mike Perry und hob die Vielfalt und Qualit\u00e4t der F\u00e4higkeiten hervor, die die generative KI bietet.<\/p>\n<\/div>
Da generative KI-Modelle jedoch einen gr\u00f6\u00dferen M\u00f6glichkeitsraum erforschen k\u00f6nnen, sind sie weniger reproduzierbar als fr\u00fchere KI-Modelle, und die Genauigkeit der Ergebnisse ist beeintr\u00e4chtigt. Konkret bedeutet dies, dass es schwieriger ist, bei jedem Durchlauf des Modells genau dieselben Ergebnisse zu reproduzieren, was bei bestimmten gesch\u00e4ftskritischen Anwendungen zu Problemen in Bezug auf Zuverl\u00e4ssigkeit und Vorhersagbarkeit f\u00fchren kann.<\/p>\n<\/div>
Diese Einschr\u00e4nkung stellt eine gro\u00dfe Herausforderung f\u00fcr Anwendungen der generativen KI dar, die pr\u00e4zise Antworten erfordern. Und es ist ein Bereich, an dem Unternehmen in ihren aktuellen Entwicklungen arbeiten: um Modelle in hochspezifischen Bereichen besser zu spezialisieren, um die Genauigkeit der Antworten zu verbessern, und um die Robustheit von regelbasierten Modellen oder Abfragen auf strukturierten data mit der Benutzerfreundlichkeit und Interaktion mit den Nutzern generativer KI zu kombinieren, indem letztere mit den Ausgaben der ersteren verbunden werden.<\/p>\n<\/div>
Gestiegene Erwartungen der Endverbraucher<\/h2><\/div>Wenn es darum geht, die Erwartungen und die Beziehung der Endnutzer zur Technologie zu managen, stellt generative KI einige besondere Herausforderungen dar. Aufgrund ihrer F\u00e4higkeit, schnell Ergebnisse zu erzielen, kann generative KI besonders hohe Erwartungen wecken. Umgekehrt kann das Auftreten von Halluzinationen und unerw\u00fcnschten Ergebnissen das Vertrauen der Benutzer in diese L\u00f6sungen stark untergraben.<\/p>\n<\/div>
Generative KI ist in der Lage, schnell und automatisiert Ergebnisse zu liefern, was bei den Endnutzern den Eindruck erwecken kann, dass die Technologie alle ihre Probleme sofort und effizient l\u00f6sen kann. Dies kann zu unverh\u00e4ltnism\u00e4\u00dfig hohen Erwartungen an die tats\u00e4chlichen F\u00e4higkeiten der generativen KI f\u00fchren und zu Entt\u00e4uschungen, wenn die Ergebnisse diese hohen Erwartungen nicht vollst\u00e4ndig erf\u00fcllen.<\/p>\n<\/div>
Generative KI ist nat\u00fcrlich nicht perfekt und kann manchmal unerwartete oder unerw\u00fcnschte Ergebnisse produzieren, wie z. B. inkonsistente, falsche oder unangemessene Inhalte. Das Auftreten solcher unerw\u00fcnschten Ergebnisse kann dazu f\u00fchren, dass der Endnutzer das Vertrauen in die Technologie verliert und ihre Zuverl\u00e4ssigkeit und N\u00fctzlichkeit in Frage stellt. Es kann auch Bedenken hinsichtlich der data Sicherheit und des Datenschutzes aufkommen lassen, wenn unerwartete Ergebnisse die Integrit\u00e4t der durch generative KI erzeugten Informationen gef\u00e4hrden.<\/p>\n<\/div>
Im Februar 2023 gab der Chatbot Bard von Google (umbenannt in Gemini) falsche Informationen, als er nach den Entdeckungen des James Webb Space Telescope der NASA gefragt wurde. Er behauptete f\u00e4lschlicherweise, das Teleskop habe die ersten Fotos eines Exoplaneten aufgenommen. Diese Aussage ist falsch, denn die ersten Fotos eines Exoplaneten stammen aus dem Jahr 2004, w\u00e4hrend das James Webb Teleskop erst 2021 gestartet wurde (Quelle: CNET France Team, 2024).<\/p>\n<\/div>
Es ist daher von entscheidender Bedeutung, dass sich die Endnutzer generativer KI-Systeme ihrer Grenzen bewusst sind. Daher bem\u00fchen sich die meisten Unternehmen, die diese L\u00f6sungen einsetzen, die Benutzer bei der Nutzung zu unterst\u00fctzen: Schulung in der Kunst der Eingabeaufforderung, Erl\u00e4uterung der Grenzen dieser Systeme, Kl\u00e4rung, welche Erwartungen erf\u00fcllt werden k\u00f6nnen und welche nicht, und Erinnerung an die geltenden Regeln in Bezug auf den data-Schutz.<\/p>\n<\/div>
Mehr als ein Jahr nach der Ver\u00f6ffentlichung von ChatGPT sind die Erwartungen an diese neue Technologie so hoch wie eh und je. Der mit ihr verbundene Nutzen muss sich jedoch erst noch in konkreten Anwendungsf\u00e4llen zeigen. In unserem n\u00e4chsten Artikel werden wir uns mit den Themen befassen, die mit der Einf\u00fchrung der Technologie in Unternehmen zusammenh\u00e4ngen und wie sie im gesamten Unternehmen verbreitet wird.<\/p>\n<\/div>
Unter der Leitung von:<\/em><\/p>\n<\/div>- <\/i><\/span>\n
Guillaume Lame - Verantwortlicher f\u00fcr Data - Natixis<\/em><\/p>\n<\/div><\/li>- <\/i><\/span>\n
Antoine Le Feuvre - VP Digitale L\u00f6sungen - Suez<\/em><\/p>\n<\/div><\/li><\/ul><\/div><\/div><\/div><\/article>
Im Bereich der generativen KI ist die Entwicklung von Anwendungsf\u00e4llen oft schneller und weniger arbeitsintensiv als bei bisherigen KI-L\u00f6sungen. Der Ansatz der generativen KI wird h\u00e4ufig mit dem Zusammenbau von Legos verglichen, bei dem bereits vorhandene Komponenten kombiniert werden k\u00f6nnen, um neue Ergebnisse zu erzielen. Diese Leichtigkeit des Experimentierens und der Implementierung kann k\u00fcrzere Entwicklungszyklen erm\u00f6glichen. Au\u00dferdem beschleunigt die Interaktion mit dem Benutzer die Akzeptanz.<\/p>\n<\/div>
Ein data Anwendungsfall l\u00e4sst sich auf ein Gesch\u00e4ftsproblem, data, ein Modell und eine Eingabeaufforderung reduzieren. Traditionell ist das Erstellen und Optimieren des Modells der komplexeste und zeitaufw\u00e4ndigste Teil des Prozesses. Mit generativer KI wird dieser Schritt einfacher. Generative KI bietet vorgefertigte, gebrauchsfertige Modelle, so dass Unternehmen von fortgeschrittenem Fachwissen profitieren k\u00f6nnen, ohne viel Zeit in die Entwicklung und Verfeinerung von Modellen zu investieren. In der Praxis sind die Modelle (wie GPT 4.0 von Azure) \u201con-demand\u201d verf\u00fcgbar oder k\u00f6nnen \u00fcber APIs bereitgestellt werden (wie Gemini Pro BARD von Google). Einige Anbieter bieten sogar speziell abgestimmte Modelle f\u00fcr bestimmte Bereiche an, z. B. f\u00fcr die Erstellung von Texten aus den Bereichen Recht, Medizin oder Finanzen.<\/p>\n<\/div>
Sobald das Modell eingesetzt wird, besteht die einzige verbleibende Aufgabe darin, das generative KI-Modell zu \u201cerden\u201d, d.h. die vom Modell erzeugten Ergebnisse mit Informationen aus der realen Welt zu verkn\u00fcpfen, um das Modell zu zwingen, innerhalb eines bestimmten Rahmens zu reagieren. Dies beinhaltet oft das Hinzuf\u00fcgen von Einschr\u00e4nkungen oder zus\u00e4tzlichen Informationen, um das Modell zu Ergebnissen zu f\u00fchren, die in einem bestimmten Kontext koh\u00e4rent und relevant sind. Dies ist jedoch weit entfernt von der Zeit, die wir f\u00fcr das Training der KI-Modelle ben\u00f6tigen, die wir bisher verwendet haben.<\/p>\n<\/div>
Nehmen wir zur Veranschaulichung das Beispiel eines Anwendungsfalls zur Analyse des Wortlauts in einem Callcenter. Laut einer Artefact-Studie dauerte die Entwicklung dieser Art von Anwendungsfall mit Modellen, die auf fr\u00fcherer KI basierten, in der Regel drei bis vier Wochen ab dem Zeitpunkt, an dem die data abgerufen und nutzbar gemacht wurde. Heute dauert dieser Prozess dank der generativen KI nur noch eine Woche, was einen Beschleunigungsfaktor von mehr als drei bedeutet. Die gr\u00f6\u00dfte Herausforderung besteht darin, die geeignete Gesch\u00e4ftsklassifizierung f\u00fcr die Anpassung des Modells zu w\u00e4hlen.<\/p>\n<\/div>
Generative KI erweitert den Anwendungsbereich der KI auf bisher wenig oder falsch genutzte data<\/h2><\/div>Einige \u00d6lfelder sind nur profitabel, wenn die \u00d6lpreise in die H\u00f6he schie\u00dfen. Das gleiche Prinzip kann auf data angewendet werden. Bestimmte unstrukturierte data k\u00f6nnen jetzt dank generativer KI abgebaut werden. Damit er\u00f6ffnet sich ein ganz neues Feld nutzbarer data f\u00fcr das Training oder die Feinabstimmung von Modellen und bietet zahlreiche Perspektiven f\u00fcr Anwendungen, die sich auf bestimmte Bereiche spezialisieren.<\/p>\n<\/div>
Und es gibt ein neues Versprechen: das der generativen KI, die in der Lage ist, jede Art von data in ihren Trainingsprozessen zu verarbeiten und zu kombinieren und dabei die zeitraubende und m\u00fchsame Arbeit der Strukturierung und Verbesserung der Qualit\u00e4t von data des Unternehmens zu umgehen, um sie nutzbar zu machen. Ein Versprechen, das nach den derzeitigen Beobachtungen noch nicht eingel\u00f6st ist.<\/p>\n<\/div>
Die generative KI hat nicht nur von einem echten Durchbruch bei den Aufmerksamkeitsmechanismen profitiert. Sie hat auch von der st\u00e4ndig wachsenden - und notwendigen - Leistung von Maschinen profitiert.<\/p>\n<\/div>
Aufmerksamkeitsmechanismen funktionieren \u00e4hnlich wie die F\u00e4higkeit eines Menschen, sich auf einen wichtigen Teil eines Bildes oder Textes zu konzentrieren, wenn er versucht, etwas zu verstehen oder zu erschaffen. Stellen Sie sich vor, Sie versuchen, eine Landschaft von einem Foto zu zeichnen. Anstatt das ganze Bild auf einmal zu betrachten, konzentrieren Sie sich auf bestimmte Teile, die Ihnen wichtig erscheinen, wie Berge oder B\u00e4ume. So k\u00f6nnen Sie wichtige Details besser erkennen und eine genauere Zeichnung erstellen. In \u00e4hnlicher Weise erm\u00f6glichen Aufmerksamkeitsmechanismen dem Modell, sich bei der Erstellung von Inhalten auf bestimmte Teile eines Bildes oder Textes zu konzentrieren. Anstatt die gesamte Eingabe auf einmal zu verarbeiten, kann sich das Modell auf die relevantesten und wichtigsten Teile konzentrieren, um genauere und aussagekr\u00e4ftigere Ergebnisse zu erzielen. So kann es lernen, Bilder, Text oder andere Arten von Inhalten effizienter und realistischer zu erstellen.<\/p>\n<\/div>
Aufmerksamkeitsmechanismen lassen sich sehr gut parallelisieren. Die Verwendung mehrerer Aufmerksamkeitsmechanismen bietet eine reichhaltigere und robustere Darstellung von data, was zu einer besseren Leistung bei verschiedenen Aufgaben wie maschineller \u00dcbersetzung, Texterzeugung, Sprachsynthese, Bilderzeugung und vielen anderen f\u00fchrt.<\/p>\n<\/div>
Infolgedessen sind Anwendungsf\u00e4lle, die vor nicht allzu langer Zeit noch unm\u00f6glich schienen, nun vollst\u00e4ndig zug\u00e4nglich geworden. Das gilt zum Beispiel f\u00fcr die Berechnung der Redezeit in den Medien w\u00e4hrend des Pr\u00e4sidentschaftswahlkampfs. Noch vor zwei Jahren war die genaue Berechnung der Redezeit der einzelnen Kandidaten ein m\u00fchsames Unterfangen. Heute ist dies dank der generativen KI m\u00f6glich.<\/p>\n<\/div>
Was die Rechenkapazit\u00e4ten angeht, hat OpenAI vor sechs Jahren eine Analyse ver\u00f6ffentlicht, aus der hervorgeht, dass der Rechenaufwand f\u00fcr die wichtigsten KI-Trainingseinheiten seit 2012 exponentiell gestiegen ist, mit einer Verdopplungszeit von 3,4 Monaten (zum Vergleich: Moore's Law hatte eine Verdopplungszeit von zwei Jahren). Seit 2012 hat sich dieses Ma\u00df um mehr als das 300.000-fache erh\u00f6ht (eine Verdopplungszeit von zwei Jahren w\u00fcrde nur eine Versiebenfachung bedeuten).<\/p>\n<\/div>
Generative KI-Modelle ben\u00f6tigen oft enorme Mengen an Rechenleistung f\u00fcr das Training, insbesondere da die Modelle so konzipiert sind, dass sie generalistisch sind und gro\u00dfe Mengen an Inhalten f\u00fcr das Training ben\u00f6tigen. F\u00fcr die Verarbeitung gro\u00dfer data-Sets und die Ausf\u00fchrung komplexer Optimierungsalgorithmen werden leistungsstarke Rechenressourcen wie High-End-GPUs oder TPUs ben\u00f6tigt. Die neue NVIDIA A100 Tensor Core GPU scheint eine noch nie dagewesene Beschleunigung zu bieten. Laut Nvidia bietet der A100 eine bis zu 20 Mal h\u00f6here Leistung als die vorherige Generation und kann in sieben GPU-Instanzen partitioniert werden, um sich dynamisch an wechselnde Anforderungen anzupassen. Berichten zufolge bietet sie au\u00dferdem die weltweit schnellste Speicherbandbreite mit \u00fcber zwei Terabyte pro Sekunde (TB\/s) f\u00fcr die Ausf\u00fchrung der gr\u00f6\u00dften Modelle und data-Sets.<\/p>\n<\/div>
Es sei darauf hingewiesen, dass Verbesserungen in der Datenverarbeitung ein Schl\u00fcsselelement f\u00fcr den Fortschritt von artificial intelligence waren. Solange dieser Trend anh\u00e4lt, sollten wir auf die Auswirkungen von Systemen vorbereitet sein, die weit \u00fcber die heutigen M\u00f6glichkeiten hinausgehen und die Grenzen weiter verschieben werden. Dabei m\u00fcssen wir den Wert, den diese Systeme bringen, gegen die Kosten abw\u00e4gen, die sie verursachen, insbesondere in Bezug auf Energie und Umwelt. Wir werden diese Punkte in einem zuk\u00fcnftigen Artikel diskutieren.<\/p>\n<\/div>
Generative KI verbessert die Vielfalt, Qualit\u00e4t und Quantit\u00e4t der erzielten Ergebnisse<\/h2><\/div>Generative KI unterscheidet sich deutlich von fr\u00fcherer KI durch ihre Auswirkungen auf die von ihren Modellen erzeugten Ergebnisse. Nicht nur die Quantit\u00e4t der erzeugten Ergebnisse ist gestiegen, sondern auch ihre Qualit\u00e4t und Vielfalt. All diese positiven Aspekte m\u00fcssen jedoch durch eine geringere Reproduzierbarkeit der generativen KI-Modelle relativiert werden.<\/p>\n<\/div>
Betrachten wir das Bild eines Puzzles, so kann die Analyse von data mit dessen Zusammenbau verglichen werden, bei dem jedes Teil von data ein Teil darstellt, das zu einem koh\u00e4renten Bild zusammengesetzt werden muss. Die KI spielt eine entscheidende Rolle bei dem Versuch, das fehlende data zu erg\u00e4nzen, indem sie die verf\u00fcgbaren Informationen nutzt, um die fehlenden Teile abzuleiten und neu zu erstellen. Generative KI geht \u00fcber die blo\u00dfe Vervollst\u00e4ndigung bestehender data hinaus, indem sie neue data schafft, die von dem inspiriert sind, was bereits existiert. Dieser Prozess erweitert die Analysem\u00f6glichkeiten und erm\u00f6glicht die Entdeckung neuer Informationen aus bestehenden data, wodurch der generative Aspekt in den Vordergrund r\u00fcckt.<\/p>\n<\/div>
<\/span><\/div>Im Gegensatz zu fr\u00fcheren KI-Generationen, die dazu neigen, oft \u00e4hnliche Ergebnisse zu produzieren, sind generative KI-Modelle in der Lage, eine gr\u00f6\u00dfere Vielfalt an Ergebnissen zu erzeugen, indem sie verschiedene Varianten und Alternativen erkunden. Diese gr\u00f6\u00dfere Vielfalt macht es m\u00f6glich, reichhaltigere, abwechslungsreichere Inhalte zu generieren, die vom quantitativen zum qualitativen Bereich \u00fcbergehen und ein breiteres Spektrum an Bed\u00fcrfnissen und Vorlieben abdecken.<\/p>\n<\/div>
OpenAI war k\u00fcrzlich in Hollywood, um sein neuestes Modell namens \u201cSora\u201d vorzustellen, das Videos aus Text generieren kann. \u201cZu h\u00f6ren, dass es all diese Dinge kann, ist eine Sache, aber die F\u00e4higkeiten tats\u00e4chlich zu sehen, war erstaunlich\u201d, sagte Hollywood-Produzent Mike Perry und hob die Vielfalt und Qualit\u00e4t der F\u00e4higkeiten hervor, die die generative KI bietet.<\/p>\n<\/div>
Da generative KI-Modelle jedoch einen gr\u00f6\u00dferen M\u00f6glichkeitsraum erforschen k\u00f6nnen, sind sie weniger reproduzierbar als fr\u00fchere KI-Modelle, und die Genauigkeit der Ergebnisse ist beeintr\u00e4chtigt. Konkret bedeutet dies, dass es schwieriger ist, bei jedem Durchlauf des Modells genau dieselben Ergebnisse zu reproduzieren, was bei bestimmten gesch\u00e4ftskritischen Anwendungen zu Problemen in Bezug auf Zuverl\u00e4ssigkeit und Vorhersagbarkeit f\u00fchren kann.<\/p>\n<\/div>
Diese Einschr\u00e4nkung stellt eine gro\u00dfe Herausforderung f\u00fcr Anwendungen der generativen KI dar, die pr\u00e4zise Antworten erfordern. Und es ist ein Bereich, an dem Unternehmen in ihren aktuellen Entwicklungen arbeiten: um Modelle in hochspezifischen Bereichen besser zu spezialisieren, um die Genauigkeit der Antworten zu verbessern, und um die Robustheit von regelbasierten Modellen oder Abfragen auf strukturierten data mit der Benutzerfreundlichkeit und Interaktion mit den Nutzern generativer KI zu kombinieren, indem letztere mit den Ausgaben der ersteren verbunden werden.<\/p>\n<\/div>
Gestiegene Erwartungen der Endverbraucher<\/h2><\/div>Wenn es darum geht, die Erwartungen und die Beziehung der Endnutzer zur Technologie zu managen, stellt generative KI einige besondere Herausforderungen dar. Aufgrund ihrer F\u00e4higkeit, schnell Ergebnisse zu erzielen, kann generative KI besonders hohe Erwartungen wecken. Umgekehrt kann das Auftreten von Halluzinationen und unerw\u00fcnschten Ergebnissen das Vertrauen der Benutzer in diese L\u00f6sungen stark untergraben.<\/p>\n<\/div>
Generative KI ist in der Lage, schnell und automatisiert Ergebnisse zu liefern, was bei den Endnutzern den Eindruck erwecken kann, dass die Technologie alle ihre Probleme sofort und effizient l\u00f6sen kann. Dies kann zu unverh\u00e4ltnism\u00e4\u00dfig hohen Erwartungen an die tats\u00e4chlichen F\u00e4higkeiten der generativen KI f\u00fchren und zu Entt\u00e4uschungen, wenn die Ergebnisse diese hohen Erwartungen nicht vollst\u00e4ndig erf\u00fcllen.<\/p>\n<\/div>
Generative KI ist nat\u00fcrlich nicht perfekt und kann manchmal unerwartete oder unerw\u00fcnschte Ergebnisse produzieren, wie z. B. inkonsistente, falsche oder unangemessene Inhalte. Das Auftreten solcher unerw\u00fcnschten Ergebnisse kann dazu f\u00fchren, dass der Endnutzer das Vertrauen in die Technologie verliert und ihre Zuverl\u00e4ssigkeit und N\u00fctzlichkeit in Frage stellt. Es kann auch Bedenken hinsichtlich der data Sicherheit und des Datenschutzes aufkommen lassen, wenn unerwartete Ergebnisse die Integrit\u00e4t der durch generative KI erzeugten Informationen gef\u00e4hrden.<\/p>\n<\/div>
Im Februar 2023 gab der Chatbot Bard von Google (umbenannt in Gemini) falsche Informationen, als er nach den Entdeckungen des James Webb Space Telescope der NASA gefragt wurde. Er behauptete f\u00e4lschlicherweise, das Teleskop habe die ersten Fotos eines Exoplaneten aufgenommen. Diese Aussage ist falsch, denn die ersten Fotos eines Exoplaneten stammen aus dem Jahr 2004, w\u00e4hrend das James Webb Teleskop erst 2021 gestartet wurde (Quelle: CNET France Team, 2024).<\/p>\n<\/div>
Es ist daher von entscheidender Bedeutung, dass sich die Endnutzer generativer KI-Systeme ihrer Grenzen bewusst sind. Daher bem\u00fchen sich die meisten Unternehmen, die diese L\u00f6sungen einsetzen, die Benutzer bei der Nutzung zu unterst\u00fctzen: Schulung in der Kunst der Eingabeaufforderung, Erl\u00e4uterung der Grenzen dieser Systeme, Kl\u00e4rung, welche Erwartungen erf\u00fcllt werden k\u00f6nnen und welche nicht, und Erinnerung an die geltenden Regeln in Bezug auf den data-Schutz.<\/p>\n<\/div>
Mehr als ein Jahr nach der Ver\u00f6ffentlichung von ChatGPT sind die Erwartungen an diese neue Technologie so hoch wie eh und je. Der mit ihr verbundene Nutzen muss sich jedoch erst noch in konkreten Anwendungsf\u00e4llen zeigen. In unserem n\u00e4chsten Artikel werden wir uns mit den Themen befassen, die mit der Einf\u00fchrung der Technologie in Unternehmen zusammenh\u00e4ngen und wie sie im gesamten Unternehmen verbreitet wird.<\/p>\n<\/div>
Unter der Leitung von:<\/em><\/p>\n<\/div>- <\/i><\/span>\n
Guillaume Lame - Verantwortlicher f\u00fcr Data - Natixis<\/em><\/p>\n<\/div><\/li>- <\/i><\/span>\n
Antoine Le Feuvre - VP Digitale L\u00f6sungen - Suez<\/em><\/p>\n<\/div><\/li><\/ul><\/div><\/div><\/div><\/article>
Einige \u00d6lfelder sind nur profitabel, wenn die \u00d6lpreise in die H\u00f6he schie\u00dfen. Das gleiche Prinzip kann auf data angewendet werden. Bestimmte unstrukturierte data k\u00f6nnen jetzt dank generativer KI abgebaut werden. Damit er\u00f6ffnet sich ein ganz neues Feld nutzbarer data f\u00fcr das Training oder die Feinabstimmung von Modellen und bietet zahlreiche Perspektiven f\u00fcr Anwendungen, die sich auf bestimmte Bereiche spezialisieren.<\/p>\n<\/div>
Und es gibt ein neues Versprechen: das der generativen KI, die in der Lage ist, jede Art von data in ihren Trainingsprozessen zu verarbeiten und zu kombinieren und dabei die zeitraubende und m\u00fchsame Arbeit der Strukturierung und Verbesserung der Qualit\u00e4t von data des Unternehmens zu umgehen, um sie nutzbar zu machen. Ein Versprechen, das nach den derzeitigen Beobachtungen noch nicht eingel\u00f6st ist.<\/p>\n<\/div>
Die generative KI hat nicht nur von einem echten Durchbruch bei den Aufmerksamkeitsmechanismen profitiert. Sie hat auch von der st\u00e4ndig wachsenden - und notwendigen - Leistung von Maschinen profitiert.<\/p>\n<\/div>
Aufmerksamkeitsmechanismen funktionieren \u00e4hnlich wie die F\u00e4higkeit eines Menschen, sich auf einen wichtigen Teil eines Bildes oder Textes zu konzentrieren, wenn er versucht, etwas zu verstehen oder zu erschaffen. Stellen Sie sich vor, Sie versuchen, eine Landschaft von einem Foto zu zeichnen. Anstatt das ganze Bild auf einmal zu betrachten, konzentrieren Sie sich auf bestimmte Teile, die Ihnen wichtig erscheinen, wie Berge oder B\u00e4ume. So k\u00f6nnen Sie wichtige Details besser erkennen und eine genauere Zeichnung erstellen. In \u00e4hnlicher Weise erm\u00f6glichen Aufmerksamkeitsmechanismen dem Modell, sich bei der Erstellung von Inhalten auf bestimmte Teile eines Bildes oder Textes zu konzentrieren. Anstatt die gesamte Eingabe auf einmal zu verarbeiten, kann sich das Modell auf die relevantesten und wichtigsten Teile konzentrieren, um genauere und aussagekr\u00e4ftigere Ergebnisse zu erzielen. So kann es lernen, Bilder, Text oder andere Arten von Inhalten effizienter und realistischer zu erstellen.<\/p>\n<\/div>
Aufmerksamkeitsmechanismen lassen sich sehr gut parallelisieren. Die Verwendung mehrerer Aufmerksamkeitsmechanismen bietet eine reichhaltigere und robustere Darstellung von data, was zu einer besseren Leistung bei verschiedenen Aufgaben wie maschineller \u00dcbersetzung, Texterzeugung, Sprachsynthese, Bilderzeugung und vielen anderen f\u00fchrt.<\/p>\n<\/div>
Infolgedessen sind Anwendungsf\u00e4lle, die vor nicht allzu langer Zeit noch unm\u00f6glich schienen, nun vollst\u00e4ndig zug\u00e4nglich geworden. Das gilt zum Beispiel f\u00fcr die Berechnung der Redezeit in den Medien w\u00e4hrend des Pr\u00e4sidentschaftswahlkampfs. Noch vor zwei Jahren war die genaue Berechnung der Redezeit der einzelnen Kandidaten ein m\u00fchsames Unterfangen. Heute ist dies dank der generativen KI m\u00f6glich.<\/p>\n<\/div>
Was die Rechenkapazit\u00e4ten angeht, hat OpenAI vor sechs Jahren eine Analyse ver\u00f6ffentlicht, aus der hervorgeht, dass der Rechenaufwand f\u00fcr die wichtigsten KI-Trainingseinheiten seit 2012 exponentiell gestiegen ist, mit einer Verdopplungszeit von 3,4 Monaten (zum Vergleich: Moore's Law hatte eine Verdopplungszeit von zwei Jahren). Seit 2012 hat sich dieses Ma\u00df um mehr als das 300.000-fache erh\u00f6ht (eine Verdopplungszeit von zwei Jahren w\u00fcrde nur eine Versiebenfachung bedeuten).<\/p>\n<\/div>
Generative KI-Modelle ben\u00f6tigen oft enorme Mengen an Rechenleistung f\u00fcr das Training, insbesondere da die Modelle so konzipiert sind, dass sie generalistisch sind und gro\u00dfe Mengen an Inhalten f\u00fcr das Training ben\u00f6tigen. F\u00fcr die Verarbeitung gro\u00dfer data-Sets und die Ausf\u00fchrung komplexer Optimierungsalgorithmen werden leistungsstarke Rechenressourcen wie High-End-GPUs oder TPUs ben\u00f6tigt. Die neue NVIDIA A100 Tensor Core GPU scheint eine noch nie dagewesene Beschleunigung zu bieten. Laut Nvidia bietet der A100 eine bis zu 20 Mal h\u00f6here Leistung als die vorherige Generation und kann in sieben GPU-Instanzen partitioniert werden, um sich dynamisch an wechselnde Anforderungen anzupassen. Berichten zufolge bietet sie au\u00dferdem die weltweit schnellste Speicherbandbreite mit \u00fcber zwei Terabyte pro Sekunde (TB\/s) f\u00fcr die Ausf\u00fchrung der gr\u00f6\u00dften Modelle und data-Sets.<\/p>\n<\/div>
Es sei darauf hingewiesen, dass Verbesserungen in der Datenverarbeitung ein Schl\u00fcsselelement f\u00fcr den Fortschritt von artificial intelligence waren. Solange dieser Trend anh\u00e4lt, sollten wir auf die Auswirkungen von Systemen vorbereitet sein, die weit \u00fcber die heutigen M\u00f6glichkeiten hinausgehen und die Grenzen weiter verschieben werden. Dabei m\u00fcssen wir den Wert, den diese Systeme bringen, gegen die Kosten abw\u00e4gen, die sie verursachen, insbesondere in Bezug auf Energie und Umwelt. Wir werden diese Punkte in einem zuk\u00fcnftigen Artikel diskutieren.<\/p>\n<\/div>
Generative KI verbessert die Vielfalt, Qualit\u00e4t und Quantit\u00e4t der erzielten Ergebnisse<\/h2><\/div>Generative KI unterscheidet sich deutlich von fr\u00fcherer KI durch ihre Auswirkungen auf die von ihren Modellen erzeugten Ergebnisse. Nicht nur die Quantit\u00e4t der erzeugten Ergebnisse ist gestiegen, sondern auch ihre Qualit\u00e4t und Vielfalt. All diese positiven Aspekte m\u00fcssen jedoch durch eine geringere Reproduzierbarkeit der generativen KI-Modelle relativiert werden.<\/p>\n<\/div>
Betrachten wir das Bild eines Puzzles, so kann die Analyse von data mit dessen Zusammenbau verglichen werden, bei dem jedes Teil von data ein Teil darstellt, das zu einem koh\u00e4renten Bild zusammengesetzt werden muss. Die KI spielt eine entscheidende Rolle bei dem Versuch, das fehlende data zu erg\u00e4nzen, indem sie die verf\u00fcgbaren Informationen nutzt, um die fehlenden Teile abzuleiten und neu zu erstellen. Generative KI geht \u00fcber die blo\u00dfe Vervollst\u00e4ndigung bestehender data hinaus, indem sie neue data schafft, die von dem inspiriert sind, was bereits existiert. Dieser Prozess erweitert die Analysem\u00f6glichkeiten und erm\u00f6glicht die Entdeckung neuer Informationen aus bestehenden data, wodurch der generative Aspekt in den Vordergrund r\u00fcckt.<\/p>\n<\/div>
<\/span><\/div>Im Gegensatz zu fr\u00fcheren KI-Generationen, die dazu neigen, oft \u00e4hnliche Ergebnisse zu produzieren, sind generative KI-Modelle in der Lage, eine gr\u00f6\u00dfere Vielfalt an Ergebnissen zu erzeugen, indem sie verschiedene Varianten und Alternativen erkunden. Diese gr\u00f6\u00dfere Vielfalt macht es m\u00f6glich, reichhaltigere, abwechslungsreichere Inhalte zu generieren, die vom quantitativen zum qualitativen Bereich \u00fcbergehen und ein breiteres Spektrum an Bed\u00fcrfnissen und Vorlieben abdecken.<\/p>\n<\/div>
OpenAI war k\u00fcrzlich in Hollywood, um sein neuestes Modell namens \u201cSora\u201d vorzustellen, das Videos aus Text generieren kann. \u201cZu h\u00f6ren, dass es all diese Dinge kann, ist eine Sache, aber die F\u00e4higkeiten tats\u00e4chlich zu sehen, war erstaunlich\u201d, sagte Hollywood-Produzent Mike Perry und hob die Vielfalt und Qualit\u00e4t der F\u00e4higkeiten hervor, die die generative KI bietet.<\/p>\n<\/div>
Da generative KI-Modelle jedoch einen gr\u00f6\u00dferen M\u00f6glichkeitsraum erforschen k\u00f6nnen, sind sie weniger reproduzierbar als fr\u00fchere KI-Modelle, und die Genauigkeit der Ergebnisse ist beeintr\u00e4chtigt. Konkret bedeutet dies, dass es schwieriger ist, bei jedem Durchlauf des Modells genau dieselben Ergebnisse zu reproduzieren, was bei bestimmten gesch\u00e4ftskritischen Anwendungen zu Problemen in Bezug auf Zuverl\u00e4ssigkeit und Vorhersagbarkeit f\u00fchren kann.<\/p>\n<\/div>
Diese Einschr\u00e4nkung stellt eine gro\u00dfe Herausforderung f\u00fcr Anwendungen der generativen KI dar, die pr\u00e4zise Antworten erfordern. Und es ist ein Bereich, an dem Unternehmen in ihren aktuellen Entwicklungen arbeiten: um Modelle in hochspezifischen Bereichen besser zu spezialisieren, um die Genauigkeit der Antworten zu verbessern, und um die Robustheit von regelbasierten Modellen oder Abfragen auf strukturierten data mit der Benutzerfreundlichkeit und Interaktion mit den Nutzern generativer KI zu kombinieren, indem letztere mit den Ausgaben der ersteren verbunden werden.<\/p>\n<\/div>
Gestiegene Erwartungen der Endverbraucher<\/h2><\/div>Wenn es darum geht, die Erwartungen und die Beziehung der Endnutzer zur Technologie zu managen, stellt generative KI einige besondere Herausforderungen dar. Aufgrund ihrer F\u00e4higkeit, schnell Ergebnisse zu erzielen, kann generative KI besonders hohe Erwartungen wecken. Umgekehrt kann das Auftreten von Halluzinationen und unerw\u00fcnschten Ergebnissen das Vertrauen der Benutzer in diese L\u00f6sungen stark untergraben.<\/p>\n<\/div>
Generative KI ist in der Lage, schnell und automatisiert Ergebnisse zu liefern, was bei den Endnutzern den Eindruck erwecken kann, dass die Technologie alle ihre Probleme sofort und effizient l\u00f6sen kann. Dies kann zu unverh\u00e4ltnism\u00e4\u00dfig hohen Erwartungen an die tats\u00e4chlichen F\u00e4higkeiten der generativen KI f\u00fchren und zu Entt\u00e4uschungen, wenn die Ergebnisse diese hohen Erwartungen nicht vollst\u00e4ndig erf\u00fcllen.<\/p>\n<\/div>
Generative KI ist nat\u00fcrlich nicht perfekt und kann manchmal unerwartete oder unerw\u00fcnschte Ergebnisse produzieren, wie z. B. inkonsistente, falsche oder unangemessene Inhalte. Das Auftreten solcher unerw\u00fcnschten Ergebnisse kann dazu f\u00fchren, dass der Endnutzer das Vertrauen in die Technologie verliert und ihre Zuverl\u00e4ssigkeit und N\u00fctzlichkeit in Frage stellt. Es kann auch Bedenken hinsichtlich der data Sicherheit und des Datenschutzes aufkommen lassen, wenn unerwartete Ergebnisse die Integrit\u00e4t der durch generative KI erzeugten Informationen gef\u00e4hrden.<\/p>\n<\/div>
Im Februar 2023 gab der Chatbot Bard von Google (umbenannt in Gemini) falsche Informationen, als er nach den Entdeckungen des James Webb Space Telescope der NASA gefragt wurde. Er behauptete f\u00e4lschlicherweise, das Teleskop habe die ersten Fotos eines Exoplaneten aufgenommen. Diese Aussage ist falsch, denn die ersten Fotos eines Exoplaneten stammen aus dem Jahr 2004, w\u00e4hrend das James Webb Teleskop erst 2021 gestartet wurde (Quelle: CNET France Team, 2024).<\/p>\n<\/div>
Es ist daher von entscheidender Bedeutung, dass sich die Endnutzer generativer KI-Systeme ihrer Grenzen bewusst sind. Daher bem\u00fchen sich die meisten Unternehmen, die diese L\u00f6sungen einsetzen, die Benutzer bei der Nutzung zu unterst\u00fctzen: Schulung in der Kunst der Eingabeaufforderung, Erl\u00e4uterung der Grenzen dieser Systeme, Kl\u00e4rung, welche Erwartungen erf\u00fcllt werden k\u00f6nnen und welche nicht, und Erinnerung an die geltenden Regeln in Bezug auf den data-Schutz.<\/p>\n<\/div>
Mehr als ein Jahr nach der Ver\u00f6ffentlichung von ChatGPT sind die Erwartungen an diese neue Technologie so hoch wie eh und je. Der mit ihr verbundene Nutzen muss sich jedoch erst noch in konkreten Anwendungsf\u00e4llen zeigen. In unserem n\u00e4chsten Artikel werden wir uns mit den Themen befassen, die mit der Einf\u00fchrung der Technologie in Unternehmen zusammenh\u00e4ngen und wie sie im gesamten Unternehmen verbreitet wird.<\/p>\n<\/div>
Unter der Leitung von:<\/em><\/p>\n<\/div>- <\/i><\/span>\n
Guillaume Lame - Verantwortlicher f\u00fcr Data - Natixis<\/em><\/p>\n<\/div><\/li>- <\/i><\/span>\n
Antoine Le Feuvre - VP Digitale L\u00f6sungen - Suez<\/em><\/p>\n<\/div><\/li><\/ul><\/div><\/div><\/div><\/article>
Generative KI unterscheidet sich deutlich von fr\u00fcherer KI durch ihre Auswirkungen auf die von ihren Modellen erzeugten Ergebnisse. Nicht nur die Quantit\u00e4t der erzeugten Ergebnisse ist gestiegen, sondern auch ihre Qualit\u00e4t und Vielfalt. All diese positiven Aspekte m\u00fcssen jedoch durch eine geringere Reproduzierbarkeit der generativen KI-Modelle relativiert werden.<\/p>\n<\/div>
Betrachten wir das Bild eines Puzzles, so kann die Analyse von data mit dessen Zusammenbau verglichen werden, bei dem jedes Teil von data ein Teil darstellt, das zu einem koh\u00e4renten Bild zusammengesetzt werden muss. Die KI spielt eine entscheidende Rolle bei dem Versuch, das fehlende data zu erg\u00e4nzen, indem sie die verf\u00fcgbaren Informationen nutzt, um die fehlenden Teile abzuleiten und neu zu erstellen. Generative KI geht \u00fcber die blo\u00dfe Vervollst\u00e4ndigung bestehender data hinaus, indem sie neue data schafft, die von dem inspiriert sind, was bereits existiert. Dieser Prozess erweitert die Analysem\u00f6glichkeiten und erm\u00f6glicht die Entdeckung neuer Informationen aus bestehenden data, wodurch der generative Aspekt in den Vordergrund r\u00fcckt.<\/p>\n<\/div>
<\/span><\/div>Im Gegensatz zu fr\u00fcheren KI-Generationen, die dazu neigen, oft \u00e4hnliche Ergebnisse zu produzieren, sind generative KI-Modelle in der Lage, eine gr\u00f6\u00dfere Vielfalt an Ergebnissen zu erzeugen, indem sie verschiedene Varianten und Alternativen erkunden. Diese gr\u00f6\u00dfere Vielfalt macht es m\u00f6glich, reichhaltigere, abwechslungsreichere Inhalte zu generieren, die vom quantitativen zum qualitativen Bereich \u00fcbergehen und ein breiteres Spektrum an Bed\u00fcrfnissen und Vorlieben abdecken.<\/p>\n<\/div>
OpenAI war k\u00fcrzlich in Hollywood, um sein neuestes Modell namens \u201cSora\u201d vorzustellen, das Videos aus Text generieren kann. \u201cZu h\u00f6ren, dass es all diese Dinge kann, ist eine Sache, aber die F\u00e4higkeiten tats\u00e4chlich zu sehen, war erstaunlich\u201d, sagte Hollywood-Produzent Mike Perry und hob die Vielfalt und Qualit\u00e4t der F\u00e4higkeiten hervor, die die generative KI bietet.<\/p>\n<\/div>
Da generative KI-Modelle jedoch einen gr\u00f6\u00dferen M\u00f6glichkeitsraum erforschen k\u00f6nnen, sind sie weniger reproduzierbar als fr\u00fchere KI-Modelle, und die Genauigkeit der Ergebnisse ist beeintr\u00e4chtigt. Konkret bedeutet dies, dass es schwieriger ist, bei jedem Durchlauf des Modells genau dieselben Ergebnisse zu reproduzieren, was bei bestimmten gesch\u00e4ftskritischen Anwendungen zu Problemen in Bezug auf Zuverl\u00e4ssigkeit und Vorhersagbarkeit f\u00fchren kann.<\/p>\n<\/div>
Diese Einschr\u00e4nkung stellt eine gro\u00dfe Herausforderung f\u00fcr Anwendungen der generativen KI dar, die pr\u00e4zise Antworten erfordern. Und es ist ein Bereich, an dem Unternehmen in ihren aktuellen Entwicklungen arbeiten: um Modelle in hochspezifischen Bereichen besser zu spezialisieren, um die Genauigkeit der Antworten zu verbessern, und um die Robustheit von regelbasierten Modellen oder Abfragen auf strukturierten data mit der Benutzerfreundlichkeit und Interaktion mit den Nutzern generativer KI zu kombinieren, indem letztere mit den Ausgaben der ersteren verbunden werden.<\/p>\n<\/div>
Gestiegene Erwartungen der Endverbraucher<\/h2><\/div>Wenn es darum geht, die Erwartungen und die Beziehung der Endnutzer zur Technologie zu managen, stellt generative KI einige besondere Herausforderungen dar. Aufgrund ihrer F\u00e4higkeit, schnell Ergebnisse zu erzielen, kann generative KI besonders hohe Erwartungen wecken. Umgekehrt kann das Auftreten von Halluzinationen und unerw\u00fcnschten Ergebnissen das Vertrauen der Benutzer in diese L\u00f6sungen stark untergraben.<\/p>\n<\/div>
Generative KI ist in der Lage, schnell und automatisiert Ergebnisse zu liefern, was bei den Endnutzern den Eindruck erwecken kann, dass die Technologie alle ihre Probleme sofort und effizient l\u00f6sen kann. Dies kann zu unverh\u00e4ltnism\u00e4\u00dfig hohen Erwartungen an die tats\u00e4chlichen F\u00e4higkeiten der generativen KI f\u00fchren und zu Entt\u00e4uschungen, wenn die Ergebnisse diese hohen Erwartungen nicht vollst\u00e4ndig erf\u00fcllen.<\/p>\n<\/div>
Generative KI ist nat\u00fcrlich nicht perfekt und kann manchmal unerwartete oder unerw\u00fcnschte Ergebnisse produzieren, wie z. B. inkonsistente, falsche oder unangemessene Inhalte. Das Auftreten solcher unerw\u00fcnschten Ergebnisse kann dazu f\u00fchren, dass der Endnutzer das Vertrauen in die Technologie verliert und ihre Zuverl\u00e4ssigkeit und N\u00fctzlichkeit in Frage stellt. Es kann auch Bedenken hinsichtlich der data Sicherheit und des Datenschutzes aufkommen lassen, wenn unerwartete Ergebnisse die Integrit\u00e4t der durch generative KI erzeugten Informationen gef\u00e4hrden.<\/p>\n<\/div>
Im Februar 2023 gab der Chatbot Bard von Google (umbenannt in Gemini) falsche Informationen, als er nach den Entdeckungen des James Webb Space Telescope der NASA gefragt wurde. Er behauptete f\u00e4lschlicherweise, das Teleskop habe die ersten Fotos eines Exoplaneten aufgenommen. Diese Aussage ist falsch, denn die ersten Fotos eines Exoplaneten stammen aus dem Jahr 2004, w\u00e4hrend das James Webb Teleskop erst 2021 gestartet wurde (Quelle: CNET France Team, 2024).<\/p>\n<\/div>
Es ist daher von entscheidender Bedeutung, dass sich die Endnutzer generativer KI-Systeme ihrer Grenzen bewusst sind. Daher bem\u00fchen sich die meisten Unternehmen, die diese L\u00f6sungen einsetzen, die Benutzer bei der Nutzung zu unterst\u00fctzen: Schulung in der Kunst der Eingabeaufforderung, Erl\u00e4uterung der Grenzen dieser Systeme, Kl\u00e4rung, welche Erwartungen erf\u00fcllt werden k\u00f6nnen und welche nicht, und Erinnerung an die geltenden Regeln in Bezug auf den data-Schutz.<\/p>\n<\/div>
Mehr als ein Jahr nach der Ver\u00f6ffentlichung von ChatGPT sind die Erwartungen an diese neue Technologie so hoch wie eh und je. Der mit ihr verbundene Nutzen muss sich jedoch erst noch in konkreten Anwendungsf\u00e4llen zeigen. In unserem n\u00e4chsten Artikel werden wir uns mit den Themen befassen, die mit der Einf\u00fchrung der Technologie in Unternehmen zusammenh\u00e4ngen und wie sie im gesamten Unternehmen verbreitet wird.<\/p>\n<\/div>
Unter der Leitung von:<\/em><\/p>\n<\/div>- <\/i><\/span>\n
Guillaume Lame - Verantwortlicher f\u00fcr Data - Natixis<\/em><\/p>\n<\/div><\/li>- <\/i><\/span>\n
Antoine Le Feuvre - VP Digitale L\u00f6sungen - Suez<\/em><\/p>\n<\/div><\/li><\/ul><\/div><\/div><\/div><\/article>
Wenn es darum geht, die Erwartungen und die Beziehung der Endnutzer zur Technologie zu managen, stellt generative KI einige besondere Herausforderungen dar. Aufgrund ihrer F\u00e4higkeit, schnell Ergebnisse zu erzielen, kann generative KI besonders hohe Erwartungen wecken. Umgekehrt kann das Auftreten von Halluzinationen und unerw\u00fcnschten Ergebnissen das Vertrauen der Benutzer in diese L\u00f6sungen stark untergraben.<\/p>\n<\/div>
Generative KI ist in der Lage, schnell und automatisiert Ergebnisse zu liefern, was bei den Endnutzern den Eindruck erwecken kann, dass die Technologie alle ihre Probleme sofort und effizient l\u00f6sen kann. Dies kann zu unverh\u00e4ltnism\u00e4\u00dfig hohen Erwartungen an die tats\u00e4chlichen F\u00e4higkeiten der generativen KI f\u00fchren und zu Entt\u00e4uschungen, wenn die Ergebnisse diese hohen Erwartungen nicht vollst\u00e4ndig erf\u00fcllen.<\/p>\n<\/div>
Generative KI ist nat\u00fcrlich nicht perfekt und kann manchmal unerwartete oder unerw\u00fcnschte Ergebnisse produzieren, wie z. B. inkonsistente, falsche oder unangemessene Inhalte. Das Auftreten solcher unerw\u00fcnschten Ergebnisse kann dazu f\u00fchren, dass der Endnutzer das Vertrauen in die Technologie verliert und ihre Zuverl\u00e4ssigkeit und N\u00fctzlichkeit in Frage stellt. Es kann auch Bedenken hinsichtlich der data Sicherheit und des Datenschutzes aufkommen lassen, wenn unerwartete Ergebnisse die Integrit\u00e4t der durch generative KI erzeugten Informationen gef\u00e4hrden.<\/p>\n<\/div>
Im Februar 2023 gab der Chatbot Bard von Google (umbenannt in Gemini) falsche Informationen, als er nach den Entdeckungen des James Webb Space Telescope der NASA gefragt wurde. Er behauptete f\u00e4lschlicherweise, das Teleskop habe die ersten Fotos eines Exoplaneten aufgenommen. Diese Aussage ist falsch, denn die ersten Fotos eines Exoplaneten stammen aus dem Jahr 2004, w\u00e4hrend das James Webb Teleskop erst 2021 gestartet wurde (Quelle: CNET France Team, 2024).<\/p>\n<\/div>
Es ist daher von entscheidender Bedeutung, dass sich die Endnutzer generativer KI-Systeme ihrer Grenzen bewusst sind. Daher bem\u00fchen sich die meisten Unternehmen, die diese L\u00f6sungen einsetzen, die Benutzer bei der Nutzung zu unterst\u00fctzen: Schulung in der Kunst der Eingabeaufforderung, Erl\u00e4uterung der Grenzen dieser Systeme, Kl\u00e4rung, welche Erwartungen erf\u00fcllt werden k\u00f6nnen und welche nicht, und Erinnerung an die geltenden Regeln in Bezug auf den data-Schutz.<\/p>\n<\/div>
Mehr als ein Jahr nach der Ver\u00f6ffentlichung von ChatGPT sind die Erwartungen an diese neue Technologie so hoch wie eh und je. Der mit ihr verbundene Nutzen muss sich jedoch erst noch in konkreten Anwendungsf\u00e4llen zeigen. In unserem n\u00e4chsten Artikel werden wir uns mit den Themen befassen, die mit der Einf\u00fchrung der Technologie in Unternehmen zusammenh\u00e4ngen und wie sie im gesamten Unternehmen verbreitet wird.<\/p>\n<\/div>
Unter der Leitung von:<\/em><\/p>\n<\/div> Guillaume Lame - Verantwortlicher f\u00fcr Data - Natixis<\/em><\/p>\n<\/div><\/li> Antoine Le Feuvre - VP Digitale L\u00f6sungen - Suez<\/em><\/p>\n<\/div><\/li><\/ul><\/div><\/div><\/div><\/article>
![](\"https:\/\/artefact.com\/\/wp-content\/uploads\/2021\/03\/medium.png\" "\\"mittel\\"")
<\/span><\/div>