Wissen - KI

Ein System wird als „KI-System“ eingestuft, wenn es mindestens eine Komponente enthält, deren Ausgaben auf Verarbeitungs- bzw. Entscheidungsmustern beruhen, die es zuvor in einer Lernphase auf Basis großer Datenmengen selbst generiert hat.

KI umfasst verschiedene Methoden, die nicht nur die Art und Weise, wie Unternehmen arbeiten, sondern auch, wie sie mit ihren Kunden interagieren. Durch den Einsatz von KI können Prozesse optimiert und personalisierte Erfahrungen geschaffen werden, die den Bedürfnissen der Nutzer gerecht werden. Die Integration von KI in Geschäftsmodelle eröffnet neue Möglichkeiten und fördert Innovationen, die zuvor unvorstellbar waren.

Daten spielen in mehrfacher Hinsicht eine entscheidende Rolle für ein KI-System.

• Trainingsdaten sind die Grundlage für die Qualität eines KI-Systems. Sie werden genutzt, damit die KI die richtigen Antworten für die jeweiligen Fragen (Prompte) an die KI lernt. Die Qualität und Quantität der Trainingsdaten entscheidet über die Korrektheit der Antworten auf Prompts.
• Prompts werden ebenfalls mit Daten angereichert, um das Ergebnis der KI zu optimieren. Neben dem eigentlichen Briefing (Rolle der KI, Aufgabe, Erwartungen an das Resultat) ist insbesondere der Kontext bedeutend. Dieser gilt als Referenz und je nach Anfrage auch als Quelle und ist daher bedeutsam für das Ergebnis.

Machine Learning umfasst verschiedene Ansätze zur Analyse von Daten und zur Verbesserung von Algorithmen durch Erfahrung. Die Hauptkategorien des Machine Learnings sind:

1. Überwachtes Lernen
2. Unüberwachtes Lernen
3. Selbstüberwachtes Lernen
4. Verstärkendes Lernen

Die ersten drei Kategorien unterscheiden sich hauptsächlich durch die Art der verwendeten Trainingsdaten, ob diese mit Labels versehen sind oder nicht.

Im Gegensatz dazu zeichnet sich das Verstärkende Lernen durch die Rückmeldung zu Fehlern und Erfolgen aus, was zu einer dynamischen Lernumgebung führt.

Das Modell lernt aus Daten mit bekannten richtigen Ergebnissen. Jede Eingabe ist mit Zielvariable (Label) verknüpft.

Ziel: die Beziehung zwischen Merkmalen und Zielgröße lernen!

Nach dem Training kann das Modell für neue Daten die Zielvariable vorhersagen.

Das Modell lernt aus Daten mit bekannten richtigen Ergebnissen. Die Eingaben sind nicht mit Zielvariable (Label) verknüpft.
Das Modell organisiert Daten eigenständig nach Ähnlichkeiten oder Zusammenhängen.

Ziel: verborgene Muster, Strukturen oder Gruppen identifizieren und neue Erkenntnisse gewinnen.

Deep Learning ist eine faszinierende Methode, die es Maschinen ermöglicht, durch komplexe neuronale Netzwerke zu lernen und zu verstehen. Diese Technologie hat das Potenzial, die Art und Weise, wie wir Daten analysieren und Entscheidungen treffen, grundlegend zu verändern. Durch die Fähigkeit, große Datenmengen zu verarbeiten und Muster zu erkennen, eröffnet Deep Learning neue Horizonte in Bereichen wie Bild- und Sprachverarbeitung, medizinische Diagnosen und autonomes Fahren. Es ist ein Schlüssel zu intelligenten Systemen, die nicht nur effizient arbeiten, sondern auch menschliche Kreativität und Intuition nachahmen können.

Generative KI (GenAI) ist ein Zweig der künstlichen Intelligenz, der darauf ausgelegt ist, völlig neue Inhalte von Grund auf zu erstellen. Im Gegensatz zur herkömmlichen KI, die in der Regel Daten analysiert, um Vorhersagen zu treffen oder Informationen zu kategorisieren, nutzt Generative KI fortschrittliche Algorithmen, um originelle Ergebnisse zu erzeugen, die menschliche Kreativität nachahmen – von poetischer Prosa und fotorealistischen Bildern bis hin zu funktionalem Computercode.

Im Kern basiert Generative KI auf Modellen des maschinellen Lernens (ML), die mit riesigen Datensätzen trainiert wurden. Der Prozess umfasst im Allgemeinen drei Schlüsselphasen:

•  Training am "Großen Ganzen": Modelle werden mit Milliarden von Beispielen gefüttert – Büchern, Bildern, Musik oder Code. Durch einen Prozess namens Deep Learning lernen sie die zugrunde liegenden Muster, Strukturen und Beziehungen innerhalb dieser Daten.
• Basismodelle (Foundation Models): Dieses Training führt zu sogenannten "Basismodellen" (wie Large Language Models oder Diffusionsmodellen). Diese Modelle "merken" sich die Daten nicht einfach nur; sie verstehen die Wahrscheinlichkeit dessen, was als Nächstes kommt. Beispielsweise weiß ein Textmodell, dass auf "Es war einmal..." statistisch gesehen sehr wahrscheinlich "einmal" folgt.
• Die Generationsschleife: Wenn du einen "Prompt" (eine Reihe von Anweisungen) eingibst, nutzt die KI ihre gelernten Muster, um neue Datenpunkte vorherzusagen und zu einem kohärenten Ganzen zusammenzufügen.

• Transformer (z. B. GPT): Hervorragend darin, Kontext und Abfolgen zu verstehen, was sie zum Goldstandard für Text und Code macht.
• Diffusionsmodelle (z. B. Stable Diffusion, Midjourney): Diese Modelle beginnen mit einem Feld aus zufälligem Rauschen und "entstören" es schrittweise, um basierend auf deiner Beschreibung ein klares, hochwertiges Bild zu formen.
• Generative Adversarial Networks (GANs): Zwei neuronale Netze "konkurrieren" miteinander – eines erstellt Inhalte, während das andere sie kritisiert –, was die KI dazu zwingt, immer realistischere Ergebnisse zu liefern.

Generative KI ist längst nicht mehr nur auf Text beschränkt. Sie ist mittlerweile ein multimodales Kraftpaket:

1. Texterstellung: Erstellung von Blogbeiträgen, E-Mails, juristischen Dokumenten, Poesie und Echtzeit-Konversationsagenten.
2. Bild&Design: Erstellung von individuellen Illustrationen, fotorealistischen Porträts, Architektur-Renderings und Markenlogos aus einfachen Textbeschreibungen.
3. Video&Animation: Produktion von Filmclips, 3D-Animationen und Inhalten für soziale Medien von Grund auf oder durch Erweiterung von vorhandenem Filmmaterial.
4. Audio&Musik: Komponieren von Originalsongs, Erzeugen realistischer Voiceover in mehreren Sprachen und Erstellen von Umgebungssounds.
5. Code&Software: Schreiben, Debuggen und Optimieren von Programmiercode in Dutzenden von Sprachen, was die Barriere für die Softwareentwicklung erheblich senkt.
6. Synthetische Daten: Erstellung künstlicher Datensätze, die reale Daten widerspiegeln, sodass Unternehmen andere KI-Modelle trainieren können, ohne den Datenschutz der Nutzer zu gefährden.

Der Wandel hin zur GenAI bietet transformative Vorteile für Einzelpersonen und Unternehmen gleichermaßen:

• Hyper-Effizienz: Aufgaben, die früher Stunden dauerten – wie das Entwerfen eines Berichts oder das Designen eines Marketing-Banners –, können jetzt in Sekunden erledigt werden, sodass sich Menschen auf Strategie und übergeordnete Entscheidungen konzentrieren können.
• Demokratisierung der Kreativität: Sie schließt die "Kompetenzlücke". Jemand mit einer großartigen Idee, aber ohne Design- oder Coding-Hintergrund, kann nun KI nutzen, um seine Vision zum Leben zu erwecken.
• Personalisierung im großen Stil: Unternehmen können gleichzeitig maßgeschneiderte Inhalte für Tausende von einzelnen Kunden erstellen, von personalisierten E-Mails bis hin zu individuellen Produktempfehlungen.
• Schnelles Prototyping: Designer und Ingenieure können sofort Hunderte von Variationen eines Konzepts erstellen und so den Innovationszyklus beschleunigen.
• Kostenreduzierung: Durch die Automatisierung repetitiver kreativer und administrativer Aufgaben können Unternehmen ihre Betriebskosten erheblich senken und gleichzeitig eine hohe Leistung beibehalten.

• Sehr schnell
• Skalierbar
• Parallelisierbar
• Mehrsprachig
• Integrierbar in andere Anwendungen (z.B, Workflow Automation)
• Integriert in Anwendungen (siehe Copilot in M365)
• Aktuell noch sehr kostengünstig
• Nutzbarkeit unter Einbeziehung vertraulicher Informationen (RAG)
• Auch lokal - geschützt - betreibbar

• Rechtliche Aspekte (Urheberrecht, Vertraulichkeit)
• Sicherheit (Daten für Training, Daten in Prompts, Cloud Act)
• Ethik (Bias, intransparent, Überwachung)
• Sozial (KI kostet Jobs – not for the workers, but for the takers)
• Fachlich (Halluzinationen, Training mit KI-generierten Inhalten)
• Technisch (immer mehr GPU)
  Ökonomisch (kaum ein Business Case rechnet sich)
• Psychologisch (kein Mensch, Lernen verlernen)
• Ökologisch (Energieverbrauch, Rohstoffabhängigkeit)
• Politisch (Machtkonzentration, Geld, Abhängigkeit)
• Kaufmännisch (Kosten – Token)