Was ist generative KI?

Für Lernende (einfache Erklärung):

Generative KI ist eine Technologie, die neue Originalinhalte, wie Kunst, Musik, Softwarecode und Texte, erstellen kann. Die künstliche Intelligenz erhält Aufforderungen von Nutzer:innen (Prompts) und generiert Antworten auf Basis dessen, was sie aus Beispielen im Internet gelernt hat, was oft zu einzigartigen und kreativen Ergebnissen führt.

Für Entwickler:innen (technische Erklärung):

Generative KI ist ein Teilbereich der künstlichen Intelligenz, in dem Computermodelle eingesetzt werden, um originelle Inhalte zu generieren. Die generative KI nutzt große Sprachmodelle, neuronale Netze und Machine Learning, um neue Inhalte zu produzieren, die die menschliche Kreativität nachahmen. Diese Modelle werden mit großen Datensätzen und Deep-Learning-Algorithmen trainiert, die die zugrunde liegenden Strukturen, Beziehungen und Muster in den Daten identifizieren. Das Ergebnis sind neue und einzigartige Ergebnisse als Antwort auf Nutzereingaben, wie etwa Bilder, Videos, Code, Musik, Design, Übersetzungen, Antworten auf Fragen und Texte.

Generative KI-Modelle verwenden neuronale Netze, die von den Neuronen im menschlichen Gehirn inspiriert wurden, um Muster und Merkmale in vorhandenen Daten zu lernen. Anschließend können diese Modelle neue Daten generieren, die sich an den gelernten Mustern orientieren. Ein generatives KI-Modell, das mit einem Satz von Bildern trainiert wurde, kann beispielsweise neue Bilder generieren, die denen ähneln, mit denen es trainiert wurde. Diese Funktionsweise ähnelt den Sprachmodellen, die anhand von Wörtern als Kontext ausführliche Texte generieren können.

Generative KI nutzt moderne Techniken wie etwa erzeugende gegnerische Netzwerke (Generative Adversarial Networks, GANs), große Sprachmodelle, Variations-Autoencoder-Modelle (VAEs) und Transformationen, um Inhalte in einer Vielzahl von Themenbereichen zu generieren. Unten finden Sie weitere Details zu diesen Herangehensweisen.

Diese Modelle lernen aus großen Datensätzen und können ihre Ausgaben mit iterativen Trainingsprozessen verfeinern. Das Modell analysiert die Beziehungen in vorhandenen Daten und bezieht also Wissen aus den bereitgestellten Beispielen. Durch Anpassungen von Parametern und das Minimieren der Differenz zwischen gewünschten und generierten Ausgaben können generative KI-Modelle immer höherwertige und im jeweiligen Kontext relevante Inhalte produzieren. Die Ergebnisse sind oft von nicht mehr von menschlich erstellten Inhalten zu unterscheiden, egal ob es sich um skurrile Gedichte oder Chatbot-Antworten auf Kundenanfragen handelt.

Aus der Nutzerperspektive beginnt die Erstellung von Inhalten mit generativer KI oft mit einem anfänglichen Prompt, gefolgt von einem iterativen Hin und Her, bei dem Variationen erkundet und verfeinert werden.

In diesem Video wird genauer darauf eingegangen, wie die generative KI funktioniert. Erfahren Sie, worauf Sie bei ihrer Implementierung in Ihrem Unternehmen oder Ihrer Organisation achten müssen.

Generative KI verwendet verschiedene Modelle, um neue und originelle Inhalte zu erstellen. Einige der häufigsten Arten von generativen KI-Modellen sind:

Erzeugende gegnerische Netzwerke (Generative Adversarial Networks, GANs): Ein GAN besteht aus zwei Schlüsselkomponenten: einem Generator und einem Diskriminator. Der Generator erzeugt synthetische Daten auf Basis der Muster, die er aus den Trainingsdaten gelernt hat. Der Diskriminator beurteilt die Authentizität der generierten Daten im Vergleich zu echten Daten und entscheidet, ob sie echt oder falsch sind. Bei diesem Trainingsprozess lernt der Generator, realistischere Ausgaben zu erzeugen, und der Diskriminator lernt, besser zwischen echten und synthetischen Daten zu unterscheiden. GANs werden oft in der Bildgeneration eingesetzt und liefern eindrucksvolle Ergebnisse beim Generieren realistischer Bilder.

Variations-Autoencoder (VAEs): VAEs sind neuronale Netze, die lernen, Daten zu kodieren und zu dekodieren. Ein Encoder komprimiert die Eingabedaten in eine Darstellung mit weniger Dimensionen, den sogenannten latenten Raum. Gleichzeitig rekonstruiert ein Decoder die ursprünglichen Daten aus dem latenten Raum. VAEs generieren neue Daten, indem Punkte im latenten Raum ausgelesen und zu sinnvollen Ausgaben dekodiert werden. Diese Herangehensweise ist besonders nützliche zum Generieren künstlicher Bilder und Audiodaten, und die latenten Darstellungen können manipuliert werden, um vielfältige und kreative Ergebnisse zu erzielen.

Große Sprachmodelle (Large Language Models, LLMs): Die gängigsten Arten von LLMs, wie etwa ChatGPT (Generative vortrainierte Transformer oder Generative Pretrained Transformer), werden mit riesigen Mengen an Textdaten trainiert. Diese ausgeklügelten Sprachmodelle beziehen ihr Wissen aus Lehrbüchern, Websites und Social-Media-Beiträgen. Sie nutzen Transformationsarchitekturen, um Inhalte zu verstehen und anhand von Aufforderungen sinnvolle Texte zu generieren. Transformationsmodelle sind die gängigste Architekturform von großen Sprachmodellen. Sie bestehen aus einem Encoder und einem Decoder, die Daten verarbeiten, indem sie Aufforderungen in Token zerlegen und die Beziehungen zwischen den Token ermitteln.

Im Grunde genommen sagen Transformationsmodelle voraus, welches Wort in einer Abfolge von Wörtern als nächstes kommt, um die menschliche Sprache nachzuahmen. LLMs können sich an realistischen Unterhaltungen beteiligen, Fragen beantworten und kreative, menschenähnliche Antworten liefern. Damit eignen sie sich ideal für sprachbezogene Anwendungen wie etwa Chatbots, Inhaltserstellung und Übersetzung.

Generative KI bietet umfangreiche Vorteile für Einzelpersonen ebenso wie für Unternehmen. Und die Auswirkungen dieser Technologie werden mit ihrer Weiterentwicklung immer weiter zunehmen. Auf kurze Sicht sind mehr Effizienz und vereinfachte Workflows zwei der unmittelbarsten und wichtigsten Vorteile. Mit der Automatisierung von Aufgaben sparen Einzelpersonen und Unternehmen wertvolle Zeit, Energie und Ressourcen. Generative KI steigert bereits heute unsere Effizienz und Produktivität, von der E-Mail-Erstellung bis hin zu Reservierungen. Hier sind nur einige Beispiele für die Möglichkeiten von generativer KI:

• Mit der automatisierten Inhaltserstellung können Unternehmen und Einzelpersonen hochwertige und maßgeschneiderte Inhalte im großen Stil erstellen. Dies zeigt sich bereits in verschiedenen Themenbereichen wie etwa Werbung, Marketing, Entertainment und Medienproduktion.
• Generative KI dient oft als Inspirations-Tool für Künstler, Designer, Autoren, Architekten und andere kreativ tätige Personen, mit dem sie neue Möglichkeiten erkunden, Ideen entwickeln und die Grenzen ihrer Kreativität erweitern können. Durch die Zusammenarbeit mit generativer KI können kreativ tätige Personen ein bisher unvorstellbares Maß an Produktivität erreichen und mehr Kunst, Literatur, Journalismus, Architektur, Video, Musik und Mode schaffen.
• Generative KI-Modelle können zur Lösung von Problemen eingesetzt werden, die neue Ansätze oder Ideen erfordern, oder zur Analyse von Daten, um bessere Entscheidungen zu treffen. Beim Produktdesign können KI-gestützte Systeme beispielsweise neue Prototypen generieren oder vorhandene Designs anhand gegebener Einschränkungen und Anforderungen optimieren. Die praktischen Anwendungsbereiche für Forschung und Entwicklung sind ebenfalls bahnbrechend. Und die Möglichkeit, komplexe Informationen in Sekundenschnelle zusammenzufassen, ist für die Lösung verschiedener Probleme sehr hilfreich.
• Entwickler können generative KI einsetzen, um das Schreiben, Überprüfen, Implementieren und Optimieren von Code zu vereinfachen.
• Unternehmen mit Kundenkontakt können generative KI für Chatbots und virtuelle Assistenten nutzen, um ihren Kundensupport mit kürzeren Antwortzeiten und weniger Ressourcenbedarf zu optimieren.

Generative KI bietet zwar ein enormes Potenzial, ist jedoch nicht ganz frei von Herausforderungen und Einschränkungen. Einige wichtige Aspekte sind:

Datenverzerrung: Generative KI-Modelle verlassen sich auf die Daten, mit denen sie trainiert wurden. Wenn die Trainingsdaten verzerrt oder eingeschränkt sind, spiegelt sich dies in den Ausgaben wieder. Unternehmen können diesen Risiken begegnen, indem sie die Trainingsdaten für ihre Modelle sorgfältig einschränken oder indem sie maßgeschneiderte und spezialisierte Modelle für Ihre Anforderungen einsetzen.

Ethische Erwägungen: Die Fähigkeit generativer KI-Modelle, realistische Inhalte zu generieren, wirft ethische Fragen auf, wie etwa die Auswirkungen auf die menschliche Gesellschaft und das Potenzial für Missbrauch oder Manipulation. Die Frage der verantwortungsvollen und ethischen Nutzung generativer KI wird uns noch lange begleiten.

Unzuverlässige Ausgaben: Generative KI und LLMs produzieren gelegentlich Halluzinationen. Dieses Problem wird noch weiter verstärkt, wenn ein Modell keinen Zugang zu relevanten Informationen hat. Dies kann dazu führen, dass Nutzer falsche Antworten oder irreführende Informationen erhalten, die richtig und zuverlässig klingen. Je realistischer der Inhalt erscheint, desto schwieriger wird es, falsche Informationen zu identifizieren.

Bereichsbezogenheit: Ein Mangel an Wissen über spezifische Themenbereiche ist eine gängige Einschränkung generativer KI-Modelle wie etwa ChatGPT. Die Modelle generieren sinnvolle und für den Kontext relevante Antworten auf Basis der Informationen, mit denen sie trainiert wurden (oftmals öffentlich im Internet verfügbare Daten). Oft haben sie jedoch keinen Zugang zu bereichsspezifischen daten oder liefern Antworten aus einer einzigen Wissensbasis, wie etwa der proprietären Software eines Unternehmens oder einer internen Dokumentation. Diese Einschränkungen können minimiert werden, indem den Modellen Zugang zu Dokumenten und Daten für das jeweilige Thema bereitgestellt wird.

Aktualität: Jedes Modell ist nur so aktuell wie die Daten, mit denen es trainiert wurde. Die vom Modell gelieferten Antworten basieren auf einem bestimmten Zeitpunkt und nicht auf Echtzeitdaten.

Computing-Anforderungen: Zum Trainieren und Ausführen großer generativer KI-Modelle sind erhebliche Computing-Ressourcen erforderlich, inklusive leistungsstarker Hardware und umfangreichem Datenspeicher. Diese Anforderungen steigern die Kosten und schränken die Zugänglichkeit und Skalierbarkeit für bestimmte Anwendungen ein.

Datenanforderungen: Um große generative KI-Modelle zu trainieren, ist außerdem ein umfangreicher Datenbestand erforderlich, dessen Speicherung zeit- und kostenaufwändig sein kann.

Datenbeschaffung: Generative KI-Modelle identifizieren nicht immer die Quelle, aus der ihre Inhalte stammen, was zu komplizierten Urheberrechts- und Zuordnungsproblemen führen kann.

Mangelnde Interpretierbarkeit: Modelle für die generative KI funktionieren oft als sogenannte Blackboxes, was es besonders schwierig macht, ihre Entscheidungsfindung nachzuvollziehen. Der Mangel an Interpretierbarkeit kann das Vertrauen in kritische Anwendungen und deren Einführung beeinträchtigen.

Prozess der Bereitstellung und Verwaltung von Modellen: Die Wahl des richtigen Modells erfordert Experimentieren und schnelles Iterieren. Und die Bereitstellung von LLMs für Anwendungen im Bereich der generativen KI ist zeitaufwendig, komplex und für viele Entwickler:innen mit einer steilen Lernkurve verbunden.

Generative KI-Modelle sind in verschiedenen Formen verfügbar, jeweils mit einzigartigen Funktionen und Anwendungsbereichen, und die Anzahl der generativen KI-Schnittstellen scheint täglich zu wachsen. Zu den derzeit beliebtesten und leistungsstärksten generativen KI-Modellen gehören:

ChatGPT
ChatGPT ist ein von OpenAI entwickeltes großes Sprachmodell und ist seit dem öffentlichen Launch im November 2022 ein durchschlagender Erfolg. ChatGPT verwendet eine Chat-Oberfläche, um mit den Nutzer:innen zu interagieren und die Ausgaben zu optimieren. Das Modell kann menschliche Texteingaben verstehen und menschenähnliche Antworten generieren. Außerdem kann es sich an Unterhaltungen beteiligen, Fragen sachdienlich beantworten und besitzt sogar einen gewissen Sinn für Humor.

Die ursprüngliche Version ChatGPT-3 ist für die Nutzer kostenlos verfügbar und wurde Berichten zufolge mit mehr als 45 Terabyte an Textdaten aus dem gesamten Internet trainiert. Wenig später hat Microsoft eine Version von GPT in die Bing-Suchmaschine integriert. Im März 2023 hat OpenAI eine abonnementbasierte Version ChatGPT-4 vorgestellt.

ChatGPT verwendet eine hochmoderne Transformationsarchitektur. GPT steht für „Generative Pre-trained Transformer“ (generative, vorab trainierte Transformation), und die Transformationsarchitektur hat das Gebiet der natürlichen Sprachverarbeitung (Natural Language Processing, NLP) revolutioniert.

DALL-E
DALL-E 2 wurde ebenfalls von OpenAI entwickelt und dient zur Bilderstellung. DALL-E kombiniert eine GAN-Architektur mit einem Variations-Autoencoder, um extrem detaillierte und kreative grafische Ergebnisse auf Basis von Texteingaben zu generieren. Die Nutzer können ein Bild und einen Stil beschreiben, und Dall-E generiert eine entsprechende Ausgabe. Zusammen mit Konkurrenzprodukten wie MidJourney und dem Neuzugang Adobe Firefly revolutionieren DALL-E und die generative KI die Art und Weise, wie wir Bilder erstellen und bearbeiten. Zusammen mit neuen Möglichkeiten in der gesamten Branche werden sich auch Video, Animation und Spezialeffekte auf ähnliche Weise verändern.

Google Bard
Bard ist die Google-Alternative zu ChatGPT. Bard wurde ursprünglich auf Basis einer Version der Google LaMDA-Familie aus großen Sprachmodellen entwickelt und anschließend auf das modernere PaLM 2 aktualisiert. Bard funktioniert und kann programmieren, mathematische Probleme lösen, Fragen beantworten, schreiben und Google-Suchergebnisse liefern.

Obwohl die Technologie relativ jung ist und sich rasant entwickelt, wird generative KI bereits in zahlreichen Anwendungsbereichen und Branchen eingesetzt. Die Entwicklung von Nutzeranwendungen, die auf generativer KI beruhen, ermöglicht es Unternehmen, neue Customer Experiences zu schaffen, die für eine größere Kundenzufriedenheit, mehr Umsatz und eine höhere Rentabilität sorgen. Gleichzeitig entstehen so neue Mitarbeiter-Workflows, die die Produktivität steigern und die Kosten und Risken senken. Beispiele für Anwendungsfälle:

• KI im Technologiebereich: Generative KI kann Unternehmen im Technologiebereich dabei helfen, durch interaktive Support-Angebote und Wissensdatenbanken die Customer Experience und den Kundendienst zu verbessern, durch das Verfassen von Code und die Erstellung von Modellen für Tests die Produktforschung und ‑entwicklung zu beschleunigen und durch KI-gestützte Assistenten, die das schnelle Zusammenstellen und Extrahieren von Informationen ermöglichen, die Mitarbeiter-Workflows neu zu gestalten.
• KI in Regierungsbehörden: Regierungsbehörden aller Ebenen sind dabei zu prüfen, wie generative KI für personalisierte und relevante öffentliche Dienstleistungen, genauere Ermittlungen und Analysen, mehr Mitarbeiterproduktivität, optimierte digitale Erlebnisse für die Bürger:innen und vieles mehr eingesetzt werden kann.
• KI in der Finanzbranche: Banken, Versicherer, Vermögensverwalter, Kreditvermittler und andere Finanzinstitute können die generative KI nutzen, um innovative Customer Experiences zu schaffen, die sich positiv auf die Erträge auswirken. Beispiele sind Assistenten für das Privatkundengeschäft von Banken, Chatbots für kundenorientierte Self-Service-Anwendungen, virtuelle Finanzberater und Assistenten im Bereich der Kreditvergabe. Die generative KI kann darüber hinaus Mitarbeitenden dabei helfen, relevante Informationen zu finden und so die Arbeitsabläufe beschleunigen. Ob Betrugserkennung, Risikomanagement, Marktforschung oder Vertrieb und Handel – KI-gestützte Assistenten können die Erledigung manueller Aufgaben beschleunigen und Entscheidungsprozesse verkürzen.
• KI in Werbung und Marketing: Generative KI liefert automatisierte und kostengünstige Inhalte für Werbe- und Marketingkampagnen, Social-Media-Beiträge, Produktbeschreibungen, Brandingmaterialien, Marketing-E-Mails, personalisierte Empfehlungen und viele weitere gezielte Marketing-, Upselling- und Cross-Selling-Strategien. Durch die Erstellung maßgeschneiderter Inhalte auf Basis von Verbraucherdaten und -analysen trägt die generative KI zur Steigerung von Kundeninteraktionen und Conversion-Raten bei. Außerdem hilft sie bei der datengestützten Kundensegmentierung, um die Reaktionen von Zielgruppen auf Kampagnen vorherzusagen.
• KI im Gesundheitswesen: Modelle für die generative KI helfen bei medizinischen Bildanalysen und Krankheitsdiagnosen, beim Erkennen von Wechselwirkungen zwischen Medikamenten und bei der Entwicklung von Wirkstoffen und sparen damit Zeit und Ressourcen. Die Modelle generieren synthetische medizinische Daten, um unvollständige Datensätze zu erweitern und die Genauigkeit von Diagnosesystemen zu verbessern.
• KI in der Automobil- und in der Fertigungsbranche: Generative KI gibt Unternehmen in der Automobil- und in der Fertigungsbranche Instrumente an die Hand, mit denen sie Mitarbeiteroperationen beschleunigen können – von der Identifizierung von Problemen mit operativer Technologie über das interaktive Supply-Chain-Management und die prädiktive Wartung mit Digital Twins bis hin zu relevanten virtuellen Assistenten für praktisch jeden Geschäftsbereich. Organisationen können darüber hinaus auch selbst interaktive digitale Handbücher, Selbstbedienungs-Chatbots, assistierte Produktkonfiguratoren und mehr entwickeln, um die Kundenzufriedenheit und die Kundenbindung weiter zu verbessern.
• KI in Kunst und Medien: Kreativ tätige Bereiche werden stärker als alle anderen Branchen durch die generative KI revolutioniert. Mit ihr können Künstler und Designer schneller einzigartige Werke schaffen, Musiker komponieren neue Melodien, Spieledesigner entwerfen brandneue Welten und Filmemacher generieren visuelle Effekte und realistische Animationen. Film- und Medienunternehmen können Inhalte kostengünstiger herstellen und beispielsweise ihre Schöpfungen mit der Originalstimme der Schauspieler:innen in andere Sprachen übersetzen.
• KI in E-Commerce und Einzelhandel: Generative KI bietet Kund:innen ein personalisiertes E‑Commerce-Erlebnis, indem deren Einkaufsmuster verwendet werden, um Produkte zu empfehlen und einen nahtlosen Shoppingprozess zu erstellen. Einzelhändler und E-Commerce-Unternehmen können mit KI bessere Nutzererlebnisse von intuitivem Surfen bis hin zu KI-gestützten Kundenservicefunktionen mit Chatbots und per KI erstellten FAQ-Abschnitten bieten.

Die Zukunft der generativen KI ist vielversprechend. Mit fortschreitender Technologie werden immer ausgefeiltere generative KI-Modelle für verschiedene globale Probleme entwickelt. KI hat das Potenzial, die Entdeckung und Entwicklung von Medikamentenwirkstoffen drastisch zu beschleunigen, indem alternative Moleküle generiert und getestet werden, um Forschung und Entwicklung zu unterstützen. Pfizer hat KI beispielsweise während der Corona-Pandemie in Impfstofftests eingesetzt¹. KI bietet möglicherweise auch Lösungen für viele unserer Umweltprobleme. Einige KI-gesteuerte Roboter sind bereits im Einsatz und unterstützen die Reinigung der Weltmeere.

Generative KI ist auch in der Lage, hyperrealistische und atemberaubend originelle und fantasievolle Inhalte zu generieren. Inhalte in Branchen wie Marketing, Entertainment, Kunst und Bildung werden an persönliche Vorlieben und Anforderungen angepasst werden und könnten neu definieren, was wir unter künstlerischem Ausdruck verstehen. Diese Fortschritte werden irgendwann zu Anwendungen und Erlebnissen in den Bereichen virtuelle Realität, Gaming und immersives Geschichtenerzählen führen, die von der Realität praktisch nicht mehr unterscheidbar sind.

Kurzfristig wird sich die generative KI am deutlichsten in Form von neuen Funktionen in unseren Alltagswerkzeugen bemerkbar machen, von E-Mail-Plattformen und Tabellenkalkulationssoftware bis hin zu Suchmaschinen, Textverarbeitungsprogrammen, E-Commerce-Marketplaces und Kalendern. Workflows werden immer effizienter und repetitive Aufgaben werden automatisiert werden. Analysten erwarten umfangreiche Produktivitäts- und Effizienzsteigerungen in praktisch allen Bereichen des Markts.

Unternehmen werden generative KI-Lösungen mit ihren eigenen Daten trainieren und in sämtlichen Bereichen von Betrieb, Personalverwaltung und Schulung bis hin zu Lieferketten, Logistik, Branding und Kommunikation einsetzen. Entwickler werden diese Lösungen nutzen, um fehlerfreien Code in einem Bruchteil der Zeit zu schreiben. Wie so schon so viele fundamental transformative Technologien zuvor hat auch die generative KI das Potenzial, alle Bereiche unseres Lebens zu beeinflussen.

Technische Trends 2024 – Webinar zu den Entwicklungen bei Technologien in den Bereichen Suche und generative KI. Sehen Sie sich dieses Webinar an, um mehr über Best Practices, neue Verfahren und die Top-Trends zu erfahren, die für Entwickler:innen 2024 eine wichtige Rolle spielen werden.

Da immer mehr Unternehmen generative KI in ihren internen und externen Betrieb integrieren, hat Elastic die Elasticsearch Relevance Engine (ESRE) entwickelt, um Entwicklern die notwendigen Tools zu liefern, mit denen sie KI-basierte Suchanwendungen erstellen können. ESRE verbessert die Suchrelevanz, generiert Einbettungen, durchsucht Vektoren im großen Stil und ermöglicht es den Unternehmen, ihre eigenen Transformationsmodelle zu integrieren.

Unser Relevanzmodul ist maßgeschneidert für Entwickler, die KI-gestützte Suchanwendungen erstellen, und bietet Integrationen für externe Transformationsmodelle wie generative KI, ChatGPT-3 und ChatGPT-4 über APIs. Elastic schlägt eine Brücke zwischen proprietären Daten und generativer KI, mit der die Unternehmen ihre maßgeschneiderten, geschäftsspezifischen Inhalte über ein Kontextfenster an die generative KI übergeben können. Diese Synergie zwischen Elasticsearch und ChatGPT garantiert, dass die Nutzer:innen faktengestützte, für den Kontext relevante und aktuelle Antworten auf ihre Fragen erhalten.

Die Kombination aus dem Abrufprozess von Elasticsearch und dem natürlichen Sprachverständnis von ChatGPT bietet ein beispielloses Nutzererlebnis und setzt neue Maßstäbe in den Bereichen Informationsabruf und KI-basierte Unterstützung. Selbst die Zukunft der Sicherheit wird sich verändern mit potenziell ehrgeizigen Anwendungen von ChatGPT zur Verbesserung von Erkennung, Abwehr und Verständnis.

Um mehr darüber zu erfahren, wie Sie Ihre Suche mit Elastic und generativer KI beschleunigen können, melden Sie sich für eine kostenlose Demo an.

• Auswahl eines LLM: Der Einsteiger-Leitfaden für Open-Source-LLMs für das Jahr 2024
• Erläuterungen zu den Algorithmen für die KI-gestützte Suche
• Was ist ein großes Sprachmodell (Large Language Model, LLM)?
• Generative KI in der Hochschul-IT
• Modernisierung der australischen Behörden mit generativer KI
• Erweiterte Suche für die KI-Revolution
• ChatGPT und Elasticsearch: OpenAI und private Daten
• Elastic bei Microsoft Build

Wir können Ihnen helfen, aus den Daten Ihres Unternehmens Erkenntnisse zu gewinnen. Hier sind vier Vorschläge für Sie, was Sie als Nächstes tun sollten:

1. Probieren Sie Elastic Cloud kostenlos aus, um zu entdecken, wie Elastic Ihr Unternehmen unterstützen kann.
2. Lernen Sie unsere Lösungen bei einer Tour kennen, entdecken Sie die Elasticsearch-Plattform und die Vorteile unserer Lösungen für Ihre Anforderungen.
3. Erfahren Sie, wie Sie generative KI in großen Unternehmen bereitstellen können.
4. Wenn Sie Leute kennen, die diesen Artikel interessant finden könnten, leiten Sie ihn weiter. Teilen Sie den Artikel per E‑Mail, LinkedIn, X oder Facebook.

Verwendet ChatGPT Elasticsearch?
Elasticsearch bietet sichere Datenzugriffe für ChatGPT, um relevantere Antworten generieren zu können.

Was sind einige Beispiele für generative KI?
Beispiele für generative KI sind ChatGPT, DALL-E, Google Bard, Midjourney, Adobe Firefly und Stable Diffusion.

Was ist der Unterschied zwischen künstlicher Intelligenz und Machine Learning?
Künstliche Intelligenz (KI) ist ein Oberbegriff für die Entwicklung von Systemen zur Durchführung von Aufgaben, die menschliche Intelligenz simulieren, und Machine Learning (ML) ist ein Teilbereich der KI, der komplexe Algorithmen und Techniken einsetzt, mit denen Systeme anhand von Daten lernen, Muster identifizieren und ihre Leistung ohne explizite Anweisungen verbessern.

Erzeugende gegnerische Netzwerke (Generative Adversarial Networks, GANs): GANs sind eine Art von Architektur für neuronale Netze und bestehen aus einem Generator und einem Diskriminator, die zusammenarbeiten, um realistische und hochwertige Inhalte zu generieren.

Autoencoder: Ein Autoencoder ist eine Architektur für neuronale Netze, die lernt, Daten zu kodieren und zu dekodieren und oft für Aufgaben wie Datenkomprimierung und -generierung eingesetzt wird.

Rekurrente neuronale Netze (Recurrent Neural Networks, RNNs): RNNs sind spezialisierte neuronale Netze für die Verarbeitung sequenzieller Daten. Sie enthalten eine Speicherkomponente, mit der sie Informationen aus vorherigen Schritten speichern können, und eignen sich gut für Aufgaben wie die Textgenerierung.

Große Sprachmodelle (Large Language Models, LLMs): Große Sprachmodelle, wie etwa ChatGPT, sind leistungsstarke generative KI-Modelle, die mit großen Mengen an Textdaten trainiert wurden. Sie können auf der Grundlage von Aufforderungen in Textform menschenähnliche Ausgaben generieren.

Machine Learning: Machine Learning ist ein Teilbereich der KI, der Algorithmen, Modelle und Techniken einsetzt, mit denen Systeme von Daten lernen und sich anpassen können, ohne dabei expliziten Anweisungen zu folgen.

Natürliche Sprachverarbeitung (Natural Language Processing, NLP): Die natürliche Sprachverarbeitung ist ein Unterbereich von KI und IT, der sich mit der Interaktion zwischen Computern und menschlicher Sprache befasst. NLP umfasst Aufgaben wie Textgenerierung, Standpunktanalysen und Sprachübersetzung.

Neuronale Netze: Neuronale Netze sind Algorithmen, die sich an der Struktur und Funktionsweise des menschlichen Gehirns orientieren. Sie bestehen aus miteinander verbundenen Knoten oder Neuronen, die Informationen verarbeiten und übermitteln.

Semantische Suche: Die semantische Suche ist eine Suchtechnik, bei der versucht wird, die Bedeutung einer Suchabfrage und der durchsuchten Inhalte zu verstehen. Das Ziel besteht darin, im jeweiligen Kontext möglichst relevante Suchergebnisse zu liefern.

Vektorsuche: Die Vektorsuche ist eine Technik, die Datenpunkte als Vektoren in einem hochdimensionalen Raum darstellt. Sie unterstützt effiziente Systeme für Ähnlichkeitssuche und Empfehlungen, indem die Distanz zwischen Vektoren berechnet wird.

¹ „Artificial Intelligence-Based Data-Driven Strategy to Accelerate Research, Development, and Clinical Trials of COVID Vaccine“ („KI-basierte, datengesteuerte Strategie zur Beschleunigung von Forschung, Entwicklung und klinischen Tests des COVID-Impfstoffs“, in englischer Sprache), Biomed Res Int. 2022, von Ashwani Sharma, Tarun Virmani, Vipluv Pathak, Anjali Sharma, Kamla Pathak, Girish Kumar und Devender Pathak, online veröffentlicht am 6. Juli 2022, abgerufen am 27. Juni 2023