Generative KI

So funktioniert generative KI

Einige beliebte Beispiele für generative AI-Technologien sind DALL-E, ein Bildgenerierungssystem, das Bilder aus Texteingaben erstellt, ChatGPT (ein Text-Generierungssystem), der Google Bard-Chatbot und Bing, die AI-gestützte Suchmaschine von Microsoft. Ein weiteres Beispiel ist die Verwendung von AI, um eine digitale Darstellung eines Systems, eines Geschäftsprozesses oder sogar einer Person zu erstellen – wie zum Beispiel eine dynamische Darstellung des aktuellen und zukünftigen Gesundheitszustandes eines Menschen.

Es gibt drei Hauptarten von generativen Technologien (digitale Zwillinge, Large Language Models und die Generierung synthetischer Daten).

Es gibt mehrere andere Technologien, die generative AI ermöglichen und unterstützen:

Bei einem Algorithmus handelt es sich um eine Schritt-für Schritt-Anleitung, um eine bestimmte Aufgabe zu erledigen oder ein Problem zu lösen. Viele Computerprogramme sind eine Abfolge von Algorithmen, die so geschrieben sind, dass der Computer sie versteht. Da Algorithmen menschliche Entscheidungen allmählich ergänzen oder ersetzen, müssen wir deren Fairness überwachen und Transparenz in deren Entwicklung fordern.

Künstliche Intelligenz versetzt Maschinen in die Lage, aus Erfahrung zu lernen, sich auf neu eingehende Information einzustellen und Aufgaben zu bewältigen, die menschenähnliches Denkvermögen erfordern. Oft basiert AI vor allem auf Deep Learning und NLP. Mit diesen Technologien können Computer für bestimmte Aufgaben trainiert werden, indem sie große Datenmengen verarbeiten und Muster erkennen.

Deep Learning ist ein Teilbereich des maschinellen Lernens und trainiert einen Computer für menschenähnliche Aufgaben, wie z. B. Spracherkennung, Bildklassifizierung oder Vorhersagen. Es verbessert die Fähigkeiten der Klassifizierung, Erkennung, Entdeckung und Beschreibung mit Hilfe von Daten. Deep Learning-Modelle wie GANs und variable Autoencoder (VAEs) werden anhand enormer Datensätze trainiert und können qualitativ hochwertige Daten generieren. Neuere Techniken wie StyleGANs und Transformer-Modelle können realistische Videos, Bilder, Texte und Sprache erstellen.

Maschinelles Lernen ist eine Datenanalysemethode, die das automatisierte Erstellen von Analysemodellen ermöglicht. Es ist ein Zweig der künstlichen Intelligenz, der Maschinen das Lernen beibringt. Maschinelles Lernen basiert auf dem Gedanken, dass Systeme aus Daten lernen, Muster erkennen und Entscheidungen treffen können – mit minimaler menschlicher Intervention.

Die Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) ist ein Teilbereich der künstlichen Intelligenz. Sie soll Computer in die Lage versetzen, menschliche Sprache zu verstehen, zu interpretieren und zu manipulieren. NLP will die Lücke zwischen menschlicher Kommunikation und den Sprachverarbeitungsfähigkeiten von Computern schließen und greift dazu auf eine Vielzahl von Disziplinen zurück, unter anderem die Informatik und die Computerlinguistik.

Neuronale Netze sind Computersysteme, bestehend aus miteinander verbundenen Knoten, die ähnlich wie Neuronen im menschlichen Gehirn funktionieren. Anhand von Algorithmen können neuronale Netze verborgene Muster und Korrelationen in Rohdaten erkennen, diese clustern und einordnen, kontinuierlich lernen und im Laufe der Zeit besser werden.

Bestärkendes Lernen bedeutet, dass ein Algorithmus durch systematisches Ausprobieren erkennt, welche Aktionen die größten Vorteile erbringen. Bestärkendes Lernen ist ein Modell maschinellen Lernens. Sein Feedback-Mechanismus beruht auf einem Belohnungssignal, während es nach und nach die beste Strategie oder das beste Ziel (oder die mit der höchsten Belohnung) ermittelt. Es kommt häufig im Zusammenhang mit Robotik, Gaming und Navigation zum Einsatz.