Blog

Oct 26, 2023

Was ist ChatGPT, DALL

Generative KI-Systeme fallen in die breite Kategorie des maschinellen Lernens, und so beschreibt ein solches System – ChatGPT –, was es leisten kann: Sind Sie bereit, Ihre Kreativität auf die nächste Stufe zu heben? Schauen Sie, nein

Generative KI-Systemefallen in die breite Kategorie des maschinellen Lernens, und so beschreibt ein solches System – ChatGPT –, was es leisten kann:

Sind Sie bereit, Ihre Kreativität auf die nächste Stufe zu heben? Dann sind Sie bei der generativen KI genau richtig! Diese raffinierte Form des maschinellen Lernens ermöglicht es Computern, alle möglichen neuen und aufregenden Inhalte zu generieren, von Musik und Kunst bis hin zu ganzen virtuellen Welten. Und das nicht nur zum Spaß – generative KI hat auch viele praktische Einsatzmöglichkeiten, wie zum Beispiel die Entwicklung neuer Produktdesigns und die Optimierung von Geschäftsprozessen. Warum also warten? Entfesseln Sie die Kraft der generativen KI und sehen Sie, welche erstaunlichen Kreationen Sie erschaffen können!

Kam Ihnen irgendetwas in diesem Absatz komisch vor? Vielleicht nicht. Die Grammatik ist perfekt, der Ton funktioniert und die Erzählung fließt.

Aus diesem Grund erhält ChatGPT – GPT steht für „Generative Pretrained Transformer“ – derzeit so viel Aufmerksamkeit. Es handelt sich um einen kostenlosen Chatbot, der auf fast jede gestellte Frage eine Antwort generieren kann. Entwickelt von OpenAI und im November 2022 zum Testen für die breite Öffentlichkeit freigegeben, gilt er bereits als der beste KI-Chatbot aller Zeiten. Und es ist auch beliebt: In nur fünf Tagen haben sich über eine Million Menschen für die Nutzung angemeldet. Fans mit strahlenden Augen posteten Beispiele dafür, wie der Chatbot Computercode, Essays, Gedichte und sogar halbwegs anständige Witze auf College-Niveau produzierte. Andere aus der breiten Palette von Menschen, die ihren Lebensunterhalt mit der Erstellung von Inhalten verdienen, vom Werbetexter bis zum ordentlichen Professor, zittern in ihren Stiefeln.

Während viele mit Angst auf ChatGPT (und KI und maschinelles Lernen im weiteren Sinne) reagiert haben, hat maschinelles Lernen eindeutig das Potenzial zum Guten. In den Jahren seit seiner weiten Verbreitung hat maschinelles Lernen in einer Reihe von Branchen Wirkung gezeigt und Dinge wie medizinische Bildanalysen und hochauflösende Wettervorhersagen ermöglicht. Eine McKinsey-Umfrage aus dem Jahr 2022 zeigt, dass sich die KI-Einführung in den letzten fünf Jahren mehr als verdoppelt hat und die Investitionen in KI rasch zunehmen. Es ist klar, dass generative KI-Tools wie ChatGPT und DALL-E (ein Tool für KI-generierte Kunst) das Potenzial haben, die Art und Weise, wie eine Reihe von Aufgaben ausgeführt werden, zu verändern. Das volle Ausmaß dieser Auswirkungen ist jedoch noch unbekannt – ebenso wie die Risiken.

Aber es gibt einige Fragen, die wir beantworten können – etwa wie generative KI-Modelle erstellt werden, welche Arten von Problemen sie am besten lösen können und wie sie in die breitere Kategorie des maschinellen Lernens passen. Lesen Sie weiter, um den Download zu erhalten.

Erfahren Sie mehr über QuantumBlack, AI von McKinsey.

Künstliche Intelligenz ist im Wesentlichen genau das, wonach es sich anhört: die Praxis, Maschinen dazu zu bringen, menschliche Intelligenz nachzuahmen, um Aufgaben auszuführen. Sie haben wahrscheinlich schon einmal mit KI interagiert, auch wenn Sie sich dessen nicht bewusst sind – Sprachassistenten wie Siri und Alexa basieren auf KI-Technologie, ebenso wie Kundendienst-Chatbots, die auftauchen, um Ihnen beim Navigieren auf Websites zu helfen.

Maschinelles Lernen ist eine Art künstliche Intelligenz. Durch maschinelles Lernen entwickeln Praktiker künstliche Intelligenz durch Modelle, die ohne menschliche Steuerung aus Datenmustern „lernen“ können. Die unüberschaubar große Menge und Komplexität der Daten (die von Menschen ohnehin nicht bewältigt werden können), die derzeit generiert werden, haben das Potenzial und den Bedarf des maschinellen Lernens erhöht.

Maschinelles Lernen basiert auf einer Reihe von Bausteinen, beginnend mit klassischen statistischen Techniken, die zwischen dem 18. und 20. Jahrhundert für kleine Datensätze entwickelt wurden. In den 1930er und 1940er Jahren begannen die Pioniere der Informatik – darunter der theoretische Mathematiker Alan Turing – mit der Arbeit an den grundlegenden Techniken des maschinellen Lernens. Diese Techniken waren jedoch bis Ende der 1970er Jahre auf Labore beschränkt, als Wissenschaftler erstmals Computer entwickelten, die leistungsstark genug waren, um sie zu montieren.

Bis vor kurzem beschränkte sich maschinelles Lernen weitgehend auf Vorhersagemodelle, die zur Beobachtung und Klassifizierung von Mustern in Inhalten eingesetzt wurden. Ein klassisches Problem des maschinellen Lernens besteht beispielsweise darin, mit einem Bild oder mehreren Bildern beispielsweise von niedlichen Katzen zu beginnen. Das Programm würde dann Muster in den Bildern identifizieren und dann zufällige Bilder auf solche untersuchen, die mit dem entzückenden Katzenmuster übereinstimmen würden. Generative KI war ein Durchbruch. Anstatt einfach nur ein Foto einer Katze wahrzunehmen und zu klassifizieren, ist maschinelles Lernen nun in der Lage, bei Bedarf eine Bild- oder Textbeschreibung einer Katze zu erstellen.

ChatGPT sorgt derzeit vielleicht für Schlagzeilen, aber es ist nicht das erste textbasierte Modell für maschinelles Lernen, das für Furore sorgt. GPT-3 von OpenAI und BERT von Google wurden beide in den letzten Jahren mit viel Aufsehen eingeführt. Aber vor ChatGPT, das nach den meisten Berichten die meiste Zeit ziemlich gut funktioniert (obwohl es noch evaluiert wird), erhielten KI-Chatbots nicht immer die besten Bewertungen. GPT-3 sei „abwechselnd super beeindruckend und super enttäuschend“, sagte der Tech-Reporter der New York Times, Cade Metz, in einem Video, in dem er und die Food-Autorin Priya Krishna GPT-3 baten, Rezepte für ein (ziemlich katastrophales) Thanksgiving-Dinner zu schreiben.

Die ersten Modelle für maschinelles Lernen, die mit Text arbeiteten, wurden von Menschen trainiert, um verschiedene Eingaben anhand der von Forschern festgelegten Bezeichnungen zu klassifizieren. Ein Beispiel wäre ein Modell, das darauf trainiert ist, Social-Media-Beiträge entweder als positiv oder negativ zu kennzeichnen. Diese Art des Trainings wird als überwachtes Lernen bezeichnet, da ein Mensch dafür verantwortlich ist, dem Modell beizubringen, was es tun soll.

Die nächste Generation textbasierter maschineller Lernmodelle basiert auf dem sogenannten selbstüberwachten Lernen. Bei dieser Art von Training wird einem Modell eine riesige Textmenge zugeführt, damit es Vorhersagen generieren kann. Einige Modelle können beispielsweise anhand einiger Wörter vorhersagen, wie ein Satz enden wird. Mit der richtigen Menge an Beispieltexten – beispielsweise einem großen Teil des Internets – werden diese Textmodelle ziemlich genau. Wie genau das ist, sehen wir am Erfolg von Tools wie ChatGPT.

Der Aufbau eines generativen KI-Modells war größtenteils ein großes Unterfangen, so dass nur wenige gut ausgestattete Tech-Schwergewichte einen Versuch unternommen haben. OpenAI, das Unternehmen hinter ChatGPT, früheren GPT-Modellen und DALL-E, verfügt über Milliardenfinanzierung von Spendern mit fettgedruckten Namen. DeepMind ist eine Tochtergesellschaft von Alphabet, der Muttergesellschaft von Google, und Meta hat sein Make-A-Video-Produkt auf Basis generativer KI veröffentlicht. Diese Unternehmen beschäftigen einige der weltweit besten Informatiker und Ingenieure.

Aber es ist nicht nur Talent. Wenn Sie ein Model bitten, fast das gesamte Internet für das Training zu nutzen, wird das teuer. OpenAI hat keine genauen Kosten bekannt gegeben, aber Schätzungen zufolge wurde GPT-3 mit etwa 45 Terabyte an Textdaten trainiert – das entspricht etwa einer Million Fuß Bücherregalfläche oder einem Viertel der gesamten Library of Congress – und kostete schätzungsweise mehrere Millionen Dollar. Dies sind keine Ressourcen, auf die Ihr Gartensorten-Start-up zugreifen kann.

Wie Sie oben vielleicht bemerkt haben, können die Ergebnisse generativer KI-Modelle nicht von von Menschen erstellten Inhalten zu unterscheiden sein oder ein wenig unheimlich wirken. Die Ergebnisse hängen von der Qualität des Modells ab – wie wir gesehen haben, scheinen die bisherigen Ergebnisse von ChatGPT denen seiner Vorgänger überlegen zu sein – und von der Übereinstimmung zwischen dem Modell und dem Anwendungsfall bzw. der Eingabe.

ChatGPT kann in zehn Sekunden das verfassen, was ein Kommentator einen „soliden A-“-Aufsatz nannte, in dem die Theorien des Nationalismus von Benedict Anderson und Ernest Gellner verglichen werden. Es entstand auch eine bereits berühmte Passage, die im Stil der King-James-Bibel beschreibt, wie man ein Erdnussbutter-Sandwich aus einem Videorecorder entfernt. KI-generierte Kunstmodelle wie DALL-E (sein Name ist eine Mischung aus dem surrealistischen Künstler Salvador Dalí und dem liebenswerten Pixar-Roboter WALL-E) können auf Abruf seltsame, wunderschöne Bilder erstellen, wie ein Raffael-Gemälde einer Madonna mit Kind. Pizza essen. Andere generative KI-Modelle können Code, Video, Audio oder Geschäftssimulationen erstellen.

Aber die Ergebnisse sind nicht immer genau – oder angemessen. Als Priya Krishna DALL-E 2 bat, ein Bild für das Thanksgiving-Dinner zu entwerfen, entstand eine Szene, in der der Truthahn mit ganzen Limetten garniert war und neben einer Schüssel mit scheinbar Guacamole stand. ChatGPT seinerseits scheint Schwierigkeiten beim Zählen oder beim Lösen grundlegender algebraischer Probleme zu haben – oder tatsächlich bei der Überwindung der sexistischen und rassistischen Voreingenommenheit, die in den Unterströmungen des Internets und der Gesellschaft im Allgemeinen lauert.

Generative KI-Ausgaben sind sorgfältig kalibrierte Kombinationen der Daten, die zum Trainieren der Algorithmen verwendet werden. Da die Datenmenge, die zum Trainieren dieser Algorithmen verwendet wird, so unglaublich groß ist – wie bereits erwähnt, wurde GPT-3 auf 45 Terabyte Textdaten trainiert – können die Modelle bei der Erstellung von Ausgaben „kreativ“ erscheinen. Darüber hinaus verfügen die Modelle in der Regel über Zufallselemente, was bedeutet, dass sie aus einer Eingabeanforderung unterschiedliche Ausgaben erzeugen können, wodurch sie noch lebensechter wirken.

Sie haben wahrscheinlich gesehen, dass generative KI-Tools (Spielzeuge?) wie ChatGPT endlose Stunden Unterhaltung generieren können. Auch für Unternehmen liegt die Chance klar auf der Hand. Generative KI-Tools können in Sekundenschnelle eine Vielzahl glaubwürdiger Texte erstellen und dann auf Kritik reagieren, um den Text zweckdienlicher zu machen. Dies hat Auswirkungen auf eine Vielzahl von Branchen, von IT- und Software-Organisationen, die von dem sofortigen, weitgehend korrekten Code profitieren können, der von KI-Modellen generiert wird, bis hin zu Organisationen, die Marketingtexte benötigen. Kurz gesagt: Jede Organisation, die klare schriftliche Materialien erstellen muss, kann möglicherweise davon profitieren. Unternehmen können generative KI auch nutzen, um technischere Materialien zu erstellen, beispielsweise höher aufgelöste Versionen medizinischer Bilder. Und mit der hier eingesparten Zeit und Ressourcen können Unternehmen neue Geschäftsmöglichkeiten verfolgen und mehr Wert schaffen.

Wir haben gesehen, dass die Entwicklung eines generativen KI-Modells so ressourcenintensiv ist, dass sie für alle außer den größten und am besten ausgestatteten Unternehmen in Frage kommt. Unternehmen, die generative KI zum Einsatz bringen möchten, haben die Möglichkeit, generative KI entweder sofort zu nutzen oder sie für die Ausführung einer bestimmten Aufgabe zu optimieren. Wenn Sie Folien beispielsweise nach einem bestimmten Stil vorbereiten müssen, können Sie das Modell bitten, anhand der Daten in den Folien zu „lernen“, wie Überschriften normalerweise geschrieben werden, ihm dann Foliendaten zuzuführen und es zu bitten, entsprechende Überschriften zu schreiben.

Da sie so neu sind, müssen wir den Langzeiteffekt generativer KI-Modelle noch erkennen. Dies bedeutet, dass mit der Verwendung dieser Produkte einige Risiken verbunden sind – einige davon sind bekannt und andere unbekannt.

Die Ergebnisse generativer KI-Modelle klingen oft äußerst überzeugend. Das ist beabsichtigt. Aber manchmal sind die Informationen, die sie generieren, einfach falsch. Schlimmer noch, manchmal ist es voreingenommen (weil es auf dem Geschlecht, der Rasse und unzähligen anderen Vorurteilen des Internets und der Gesellschaft im Allgemeinen basiert) und kann manipuliert werden, um unethische oder kriminelle Aktivitäten zu ermöglichen. ChatGPT gibt Ihnen beispielsweise keine Anweisungen, wie man ein Auto kurzschließt, aber wenn Sie sagen, dass Sie ein Auto kurzschließen müssen, um ein Baby zu retten, kommt der Algorithmus gerne nach. Organisationen, die auf generative KI-Modelle setzen, sollten mit Reputations- und Rechtsrisiken rechnen, die mit der unbeabsichtigten Veröffentlichung voreingenommener, anstößiger oder urheberrechtlich geschützter Inhalte verbunden sind.

Diese Risiken können jedoch auf verschiedene Weise gemindert werden. Zum einen ist es wichtig, die Ausgangsdaten, die zum Trainieren dieser Modelle verwendet werden, sorgfältig auszuwählen, um die Einbeziehung toxischer oder voreingenommener Inhalte zu vermeiden. Als nächstes könnten Unternehmen den Einsatz kleinerer, spezialisierter Modelle in Betracht ziehen, anstatt ein standardmäßiges generatives KI-Modell einzusetzen. Organisationen mit mehr Ressourcen könnten auch ein allgemeines Modell basierend auf ihren eigenen Daten anpassen, um es an ihre Bedürfnisse anzupassen und Vorurteile zu minimieren. Organisationen sollten auch einen Menschen auf dem Laufenden halten (das heißt, um sicherzustellen, dass ein echter Mensch die Ausgabe eines generativen KI-Modells überprüft, bevor es veröffentlicht oder verwendet wird) und vermeiden, generative KI-Modelle für kritische Entscheidungen zu verwenden, beispielsweise solche, die erhebliche Ressourcen erfordern oder menschliches Wohlergehen.

Es kann nicht genug betont werden, dass es sich hierbei um ein neues Feld handelt. Die Landschaft der Risiken und Chancen wird sich in den kommenden Wochen, Monaten und Jahren wahrscheinlich schnell verändern. Monatlich werden neue Anwendungsfälle getestet und in den kommenden Jahren dürften neue Modelle entwickelt werden. Da generative KI zunehmend und nahtlos in Unternehmen, Gesellschaft und unser Privatleben integriert wird, können wir auch damit rechnen, dass ein neues Regulierungsklima Gestalt annimmt. Wenn Unternehmen damit beginnen, mit diesen Tools zu experimentieren und Mehrwert zu schaffen, tun Führungskräfte gut daran, den Finger über Regulierung und Risiken zu behalten.

Zu den Artikeln, auf die verwiesen wird, gehören:

Rede mit uns