Verstehen und nutzen Sie GenAI mit dem neuen Impact Radar von Gartner

Gartner empfiehlt, dass Sie bei der Entwicklung von GenAI-fähigen Produkten und Dienstleistungen:

• einen Plan zum Einsatz und Testen erstellen.

• sich zunächst auf die am weitesten verbreiteten Anwendungsfälle konzentrieren – diejenigen, die den Nutzern bereits einen echten Mehrwert bieten.

• eine Investitions-Roadmap erstellen, die Prioritäten setzt.

• einen Wettbewerbsvorteil anstreben.

• mit langfristigen Investitionen in die GenAI-Technologie vorsichtig sind.

Dieses Thema steht im Mittelpunkt der Angebotspalette von GenAI und hebt sowohl elementare Komponenten wie große Sprachmodelle (Large Language Models, LLMs) als auch innovative Ansätze für Geschäftsmodelle wie Modelle als Dienstleistung (Models as a Service, MaaS) hervor. Die folgenden Technologien und Trends fallen genau in diese Kategorie:

• Leichte LLMs können Anwendungsfälle unterstützen, in denen massive (oder schwere) LLMs nicht anwendbar sind.

• Open-Source-LLMs sind Deep-Learning-Grundmodelle, die sich durch die Nutzungsbedingungen, die den Entwicklern gewährte Weitergabe und den Zugang der Entwickler zum Quellcode und zur Modellarchitektur unterscheiden.

• Mehrstufige LLM-Ketten sind Bibliotheken, die verschiedene LLMs verbinden, um mehrere Aufgaben zu erledigen.

• Modell-Hubs sind Repositories, die vortrainierte und leicht verfügbare Modelle für maschinelles Lernen (Machine Learning, ML), einschließlich generativer Modelle, enthalten.

• Diffusions-KI-Modelle sind generative Modelle, die probabilistische Variation verwenden, um Daten mit Rauschen zu versehen und dann den Prozess umzukehren, um neue Datenproben zu erzeugen.

• KI-Modelle als Service (AI Models as a Service, AIMaaS) bieten KI-Modellinferenz und Feinabstimmung und werden von Cloud-Anbietern als konsumierbare Dienstleistung angeboten.

Dieses Thema unterstreicht die entscheidende Rolle des Anwenders bei der Verringerung der Risiken und der Festlegung von Richtlinien für Anbieter zum verantwortungsvollen Umgang mit GenAI. Die folgenden Technologien und Trends fallen genau in diese Kategorie:

• User-in-the-loop AI (UITL) ist ein Arbeitsablauf, bei dem die Nutzer in jede Phase der KI-Systementwicklung eingebunden werden.

• Das Halluzinationsmanagement bezieht sich auf den Umgang mit Vorfällen, bei denen LLM-generierte Inhalte unsinnig oder faktisch falsch sind.

• Abruferweiterte Generierung (Retrieval Augmented Generation, RAG) ist ein Architekturmuster, das eine Suchfunktion mit einer generativen Fähigkeit kombiniert, um die Ausgabe von generativen Ergänzungen zu verankern.

• GenAI-Erweiterungen sind Tools, die die Fähigkeiten von GenAI-Modellen erweitern, indem sie die Modelle in die Lage versetzen, Echtzeitinformationen abzurufen, Geschäftsdaten einzubeziehen, neue Arten von Berechnungen durchzuführen und sicher im Namen eines Nutzers zu handeln.

• Prompt-Engineering-Tools liefern Eingaben in Form von Text oder Bildern an GenAI-Modelle, um die Menge der Antworten, die das Modell erzeugen kann, zu spezifizieren und einzuschränken.

• Provenienz-Detektoren erkennen, ob Text-, Audio- oder Videoinhalte mit GenAI erstellt wurden.

Dieses Thema behandelt einige der entscheidenden Schritte und Entscheidungen bei Aufbau und Weiterentwicklung eines GenAI-Modells. Die folgenden Technologien und Trends fallen genau in diese Kategorie:

• Wissensgraphen (Knowledge Graphs, KGs) sind maschinenlesbare Datenstrukturen, die das Wissen der physischen und digitalen Welt einschließlich der Entitäten und ihrer Beziehungen darstellen und einem Graphen-Datenmodell folgen.

• Multimodale GenAI-Modelle ermöglichen innerhalb eines einzigen generativen Modells mehrere Arten von Dateneingaben und -ausgaben, wie Bilder, Videos, Audio, Text und numerische Daten. 

• KI-generierte synthetische Daten sind eine Klasse von Daten, die oft aus einem Satz realer Daten abgeleitet und extrapoliert werden, aber nicht aus realen Ereignissen gesammelt, sondern künstlich erzeugt werden. 

• Skalierbare Vektordatenbanken bieten eine vektorielle (semantische) Suchfunktion und werden in Verbindung mit LLMs verwendet, um die Fähigkeit des Modells, auf natürliche Sprache mit unternehmens- oder domänenspezifischen Informationen zu reagieren, anzuwenden.

• GenAI-Engineering-Tools ermöglichen es Unternehmen, Modelle schneller zu operationalisieren und dabei sowohl die Governance als auch die Markteinführungszeit auszugleichen.

Dieses Thema konzentriert sich auf die Erwartungen an neu entstehende Anwendungen, von denen einige neue Anwendungsfälle ermöglichen und andere die bestehenden Erfahrungen in den nächsten drei Jahren verbessern werden. Die folgenden Technologien und Trends fallen genau in diese Kategorie:

• Simulationszwillinge nutzen das Beste der digitalen Zwillinge und der Was-wäre-wenn-Technologien der KI.

• GenAI-native Anwendungen bestehen aus Software, deren Kernstück die GenAI-Technologie und -Funktionen sind.

• Workflow-Tools und -Agenten sind Funktionen, die Agenten (KI-Programme/Algorithmen) nutzen können, um mit der Welt zu interagieren. 

• Eingebettete GenAI-Anwendungen sind bestehende Softwareanwendungen, die durch die Einbettung von GenAI-Funktionen erweitert wurden, um bestehende Anwendungsfälle zu verbessern oder neue zu ermöglichen.

• Bei der molekularen KI-Modellierung werden Simulationstechniken eingesetzt, um eine breite Palette potenzieller Behandlungen schnell zu testen, indem modelliert wird, wie sich verschiedene Verbindungen mit Zielmolekülen verknüpfen und interagieren. 

• Generative Multiagentensysteme (Multiagent generative systems, MAGs) vereinen computergestützte Softwareagenten und LLMs, um eine Umgebung mit komplexen Verhaltensweisen und Interaktionen von Multiagentensystemen zu simulieren.

• Die KI-Codegenerierung verwendet LLMs, um Code auf der Grundlage von Anweisungen zu generieren, die ein Nutzer eingibt.

• GenAI-fähige virtuelle Assistenten (GenAI-enabled Virtual Assistants, VAs) stellen eine neue Generation von VAs dar, die LLMs nutzen, um überlegene Funktionalität zu bieten.