Generative KI umfasst KI-Systeme, die Inhalte wie Text, Bilder, Code oder Video auf der Grundlage von Nutzereingaben eigenständig generieren können. Einige generative KI-Anwendungen wurden auf Grundlage von KI-Basismodellen (Foundation Models) entwickelt. Zu den bekanntesten zählen GPT-3.5 (Basis für ChatGPT) und Dall-E von OpenAI, wie auch PaLM2 (Google Bard) und das Open Source-Modell Bloom. Der Begriff Foundation Model (auch: Large Language Models / LLMs) wurde vom Stanford Institute for Human-Centered AI geprägt und steht für KI-Modelle, die mit großen Mengen an ungelabelten Daten aus dem Internet und anderen digitalen Quellen trainiert und mit geringer Anpassung für sehr unterschiedliche Use Cases genutzt werden können.
Angewandtes Deep Learning
Generative KI und zugrundeliegende Basismodelle stellen eine transformative Technologie dar, die Workflows, Zusammenarbeit und Services im Unternehmen revolutionieren. Diese Modelle werden mit Big Data trainiert, um menschenähnliche Texte erzeugen, natürliche Sprache verstehen und sprachbezogene Aufgaben ausführen zu können. Sie basieren auf Methoden des Deep Learnings, d.h. künstlichen mehrschichtigen neuronalen Netzen, die Muster und Beziehungen in Daten erkennen und für Spracherzeugung und Sprachverständnis einsetzen. Diese Netze bestehen aus miteinander verbundenen Knoten, die Informationen verarbeiten und weiterleiten und es den Modellen ermöglichen, komplexe Merkmale aus den Eingabedaten zu extrahieren und genaue Vorhersagen zu treffen. Durch iterative Optimierungsalgorithmen passen die Modelle die Parameter ihrer neuronalen Netze an, um die Differenz zwischen der erzeugten und der gewünschten Ausgabe zu minimieren. Dieser Trainingsprozess ist meist sehr rechen-, zeit- und kostenintensiv.
Wissen auf
neue Aufgaben übertragen
Generative KI ist ein Game changer, weil sie ermöglicht, Wissen aus Trainingsdaten zu verallgemeinern. Herkömmliche KI-Systeme wurden bislang auf einen spezifischen Anwendungsfall trainiert, was die Skalierbarkeit beeinträchtigt. Basismodelle können nicht nur auswendig lernen, sondern ihr antrainiertes Wissen auf neue Anwendungsgebiete und Aufgaben übertragen und kontextbezogen verstehen und antworten. Das kann sich auf die Verarbeitung natürlicher Sprache in der Kundeninteraktion, maschinelle Übersetzungen in der Projektkommunikation oder Absatzprognosen beziehen. Ethische und rechtliche Grenzen im Einsatz von KI-Modellen sind dabei zu berücksichtigen. So können die Qualität und Vielfalt der eingesetzten Trainingsdaten zu Verzerrungen und fehlerhaften Antworten führen. Daher sind bei der Implementierung zwingend ethische Aspekte des Einsatzgebietes zu berücksichtigen wie auch die Konformität mit Datenschutzvorgaben. Auch sollten KI-Modelle kontinuierlich gepflegt und weiterentwickelt werden.
Die folgenden Beispiele belegen, dass Unternehmen von Generativer KI profitieren können, ohne dafür umfangreiche KI-Kenntnisse oder Ressourcen aufbringen zu müssen. Stattdessen können Services von KI-Anbietern genutzt und in Prozesse, Produkte oder Dienstleistungen integriert werden.
Use Case Kundenerlebnis
Chatbot-Lösungen im Kundensupport sind oft noch limitiert beim Verstehen komplexer Kundenanfragen oder Erstellen gewinnbringender Antworten. KI-Basismodelle können natürliche Sprache meist besser verarbeiten und Nuancen von Kundenanfragen verstehen. Sie ermöglichen intelligentere Chatbots, die sich auf menschenähnliche Gespräche einlassen, spontane Antworten geben und Kundenanfragen rund um die Uhr zuverlässig bearbeiten können. Damit lassen sich Kundensupport und Customer Experience unterstützen, Routineaufgaben automatisieren und personalisierte Empfehlungen auf Grundlage individueller Präferenzen und früherer Kundeninteraktionen geben. Stimmungsanalysen ermöglichen zudem automatisch Emotionen aus Text- oder Audionachrichten von Kunden zu extrahieren und adäquate Antworten vorzubereiten.