Beim Thema KI ist es gar nicht so leicht, den Überblick zu behalten – erst recht, wenn Begriffe unklar sind, die in dem Kontext immer wieder auftauchen. Wir wollen helfen, grundlegende Begriffe zu verstehen und erklären ihre Bedeutung.
Welche verschiedenen KI-Ansätze gibt es?
Reactive AI
Reactive AI ist die „schwächste“ Form von KI und begegnet uns zum Beispiel in Form eines einfachen Roboters, der Pakete im Lager einräumt. Dessen Ziel ist es, Aufgaben auf Grundlage von Informationen zu erledigen – ohne den Kontext zu verstehen, frühere Erfahrungen einzubeziehen oder Erfahrungen zu sammeln, da es keinen Speicher gibt. Die Systeme sind also auch nicht lernfähig.
Generative AI
Ob bewusst oder nicht – mit dem Thema Generative AI sind die meisten von uns wohl schon in Berührung gekommen. Denn das prominenteste Tool, bei dem Generative AI genutzt wird, ist ChatGPT. Doch es ist längst nicht das einzige: Ob Google Gemini, Anyword, Runway oder Suno – die Tools haben alle eines gemeinsam: Es geht – wie der Name es bereits verspricht – um das Generieren, also das Erstellen, von Dingen: von Texten, Bildern, Audio-Dateien, Videos oder ähnlichem. So können z.B. Texte auf Webseiten, Antworten auf Kundenanfragen oder Programmcodes entstehen. Grundlage sind hierbei Inhalte, die bereits verfügbar sind – gut trainiert von der KI.
Predictive AI
Auch hier hilft uns der Name bereits weiter: Bei Predictive AI geht es um Vorhersagen über die Zukunft – bei denen z.B. Geschäftszahlen, der Zustand von Maschinen, Gesundheitsrisiken oder Logistikketten im Fokus stehen. So erfahren Vertriebsleiter:innen, welche Kunden kündigen könnten, Ingenieur:innen, welche Bauteile möglicherweise Probleme verursachen, Logistik-Chefs, wie lange verschiedene Lieferrouten dauern, und Ärtz:innen, welche Patient:innen gefährdet sind, eine bestimmte Krankheit zu bekommen. Diese Informationen sollen ihnen helfen, Entscheidungen zu treffen.
Die Idee der Predictive AI ist nicht neu. Neu sind allerdings die verfügbaren Rechenkapazitäten, die Predictive AI zugänglich machen und den Mehrwert erhöhen. Bei der Berechnung können sowohl Vergangenheitswerte als auch Echtzeitdaten einfließen.
Prescriptive AI
Einen Schritt weiter geht die Prescriptive AI. Hierbei erhalten Nutzer:innen einen Vorschlag für die beste Vorgehensweise. So würden die Vertriebsleiter:innen auch erfahren, wie sie Kunden halten können, die Ingenieur:innen, wie eine Maschine am besten repariert werden kann, die Logistik-Chefs, welche Route die beste und sicherste ist, und Ärtz:innen, welche Behandlungsmethode Genesung verspricht.
Während Predictive AI „nur“ Wahrscheinlichkeiten ermittelt, spricht Prescriptive AI also auch Empfehlungen aus und bezieht dabei die Anforderungen eines Unternehmens ein.
Self-learning AI
Self-learning AI verrät ebenfalls im Namen, was sie kann – und das ist nicht wenig: Hier soll das KI-System mit der Zeit dazulernen, sich Wissen aneignen und sich anpassen – ohne, dass hierfür eine explizite Programmierung notwendig ist.
Dies soll durch „Try and Error“ bzw. „Learning by doing“ passieren. Die KI soll beobachten, welche Auswirkungen bestimmte Aktionen haben, und Lücken füllen, indem sie Muster erkennt und daraus Schlussfolgerungen zieht. Die KI lernt also nicht 10 Jahre lang in der Schule Englisch, sondern wird durch einen Umzug in die USA ins kalte Wasser geschmissen und zum Lernen bewegt.
Welche KI-Sprachmodelle gibt es?
Large Language Models
Large Language Models (LLM) sind leistungsstarke Modelle, die unzählige Daten verarbeiten und verbinden, unsere Sprache verstehen und wiedergeben. Sie können mit komplexen Anweisungen umgehen und generieren Inhalte, indem sie die Wahrscheinlichkeit berücksichtigen, mit der einzelne Satzbausteine/Sätze hintereinander folgen. So können sie auch Aufgaben erledigen, für die sie nicht explizit trainiert wurden. Ein Beispiel für ein solches LLM-Modell ist erneut ChatGPT.
Bei den LLMs sind unter anderem zwei Dinge wichtig: Zum einen ist der Wahrheitsgehalt der Ergebnisse immer zu überprüfen. Denn bei Large Language Modellen werden wir auch mit Halluzinationen konfrontiert, also unwahren Aussagen. Zum anderen sollte bei der Entscheidung für ein Modell stets geprüft werden, ob ein LLM-Modell – und damit große Rechenkapazitäten – tatsächlich notwendig sind.
Und damit kommen wir zu der nächsten Art von Sprachmodellen.
Small Language Models / Short Language Models
Wie schon der letzte Satz und auch der Name es vermuten lässt: Bei den Small bzw. Short Language Models (SLM) geht es um kleinere Modelle. Sie beziehen viel weniger Daten ein und brauchen dadurch deutlich weniger Rechenleistung, sind günstiger, können einfacher trainiert und schneller bereitgestellt werden. Außerdem können sie ganz spezifische Anwendungsfälle abbilden, für diese ein Finetunig erfahren und bessere Ergebnisse liefern. Um beim Chatbot-Beispiel zu bleiben: Ein KI-Assistent auf der Webseite eines Forschungslabors muss keine Gedichte über die Natur schreiben können. Er muss jedoch über die Forschungsergebnisse zu einem Thema genaue Aussagen treffen können.
Sprechen Sie uns an
Wir können Ihnen nicht nur helfen, die verschiedenen KI-Begriffe zu verstehen, sondern haben auch das Wissen, wie Künstliche Intelligenz angewendet werden und einen Mehrwert stiften kann.
