Achten Sie nicht nur auf den Hype um GenAI, sondern auch auf die wertvollen Unterstützungstechnologien.
Achten Sie nicht nur auf den Hype um GenAI, sondern auch auf die wertvollen Unterstützungstechnologien.
Von Arun Chandrasekaran | 14. November 2024
Wenn es um generative KI geht, ist der Hype enorm – ebenso wie die schnelle Entwicklung der Technologien und Techniken, die GenAI unterstützen. Wir sagen voraus, dass bis 2026 mehr als 80 % der Unternehmen für generative KI entwickelte APIs oder Modelle benutzen und/oder GenAI-fähige Anwendungen in Produktionsumgebungen einsetzen, während es im Jahr 2023 weniger als 5 % waren.
Die Aufregung über die verfügbaren Technologien und Techniken und deren Anzahl kann für KI-Führungskräfte die Orientierung erschweren in Bezug darauf, was in der unmittelbaren und ferneren Zukunft die größten Auswirkungen auf das Geschäft haben wird. Identifizieren Sie mit dem Hype Cycle für GenAI gewinnversprechende Innovationen, die Sie gemäß der Risikobereitschaft Ihres Unternehmens ausnutzen können.
Die Kerntechnologien in der GenAI-Landschaft lassen sich in vier Hauptkategorien einteilen: GenAI-Modelle, AI-Engineering-Tools, GenAI-Anwendungen und -Anwendungsfälle sowie Befähigungstechniken und Infrastruktur.
Vortrainierte KI-Modelle entwickeln sich zu multimodalen Modellen und werden auf Konversationsfähigkeit hin trainiert. Zu den Innovationen, die in diese Kategorie fallen, gehören:
Basismodelle: Modelle mit großen Parametern, die auf einem Spektrum von Datensätzen selbstüberwacht trainiert werden.
Einbettungsmodelle: Machine-Learning-Modelle, die zur Darstellung hochdimensionaler Daten (wie Text oder Bilder) in Vektoreinbettungen verwendet werden.
Domänenspezifische GenAI-Modelle: Modelle, die für die Bedürfnisse bestimmter Branchen, Geschäftsfunktionen oder Sammlungen verwandter Aufgaben optimiert wurden.
Edge GenAI: Bezieht sich auf den Einsatz von GenAI-Modellen am oder in der Nähe der Edge in Smartphones, PCs, IoT-Geräten und Edge-Servern.
Allgemeine künstliche Intelligenz: Die (derzeit hypothetische) Intelligenz einer Maschine, die jede intellektuelle Aufgabe bewältigen kann, die ein Mensch ausführen kann.
Ein wachsendes Ökosystem von GenAI-Tools und -Techniken ermöglicht Unternehmen die Entwicklung, Steuerung und Anpassung von GenAI-Anwendungen. Zu den Innovationen, die in diese Kategorie fallen, gehören:
AI TRiSM: Das Vertrauens-, Risiko- und Sicherheitsmanagement für KI (AI Trust, Risk and Security Management, AI TRiSM) sorgt für KI-Governance, Vertrauenswürdigkeit, Fairness, Zuverlässigkeit, Robustheit, Effizienz und Datenschutz.
Desinformationssicherheit: Eine Reihe von Technologien, die Desinformation bekämpfen können, um Unternehmen dabei zu helfen, Vertrauen aufzubauen, ihre Marke zu schützen und ihre Online-Präsenz abzusichern.
GenAI-Anwendungsorchestrierungs-Frameworks: Diese Frameworks bieten eine Abstraktionsschicht, die die Verkettung von Prompts, die Verkettung von Modellen, die Anbindung an externe APIs, den Abruf kontextbezogener Daten aus Datenquellen und die Beibehaltung des Zustands (oder des Speichers) über verschiedene Modellanforderungen hinweg ermöglicht.
GraphRAG: Diese Technik verbessert die Genauigkeit, Zuverlässigkeit und Erklärbarkeit von Systemen mit Retrieval-Augmented Generation (RAG). Der Ansatz nutzt Wissensgraphen (Knowledge Graphs, KGs) zur Verbesserung der Auffindbarkeit und Genauigkeit der Suche, entweder direkt durch das Abrufen von Fakten aus einem KG oder indirekt durch die Optimierung anderer Suchmethoden.
Die große Anzahl von GenAI-Anwendungen und -Anwendungsfällen bietet ein großes Potenzial für eine schnelle Akzeptanz und einen hohen Geschäftswert. Anwendungsfälle im Kundenservice, in der IT und im Marketing sind wegweisend. Zu den Innovationen, die in diese Kategorie fallen, gehören:
GenAI-fähige virtuelle Assistenten: Diese neue Generation von virtuellen Assistenten (VAs) nutzt große Sprachmodelle (Large, Language Models, LLMs) zur Bereitstellung von Funktionen, die mit herkömmlicher dialogorientierter KI-Technologie nicht möglich sind.
GenAI-fähige Anwendungen: Diese Technologie nutzt GenAI für das Benutzererlebnis (Use Experience, UX) und die Aufgabenerweiterung, um das Erreichen der von einem Nutzer gewünschten Ergebnisse zu beschleunigen und zu unterstützen.
KI-gestütztes Softwareengineering: Die Anwendung von KI-Technologien zur Unterstützung von Softwareingenieuren während des gesamten Lebenszyklus der Softwareentwicklung. Dazu gehören die Erstellung, Validierung, Sicherung, Bereitstellung und Wartung von Anwendungen.
Autonome Agenten: Kombinierte Systeme, die definierte Ziele ohne menschliches Eingreifen erreichen. Sie nutzen eine Vielzahl von KI-Techniken, um Muster in ihrer Umgebung zu erkennen, Entscheidungen zu treffen, eine Abfolge von Aktionen auszuführen und Ausgaben zu generieren.
Synthetische Daten: Eine Klasse von Daten, die künstlich generiert und nicht aus direkten Beobachtungen der realen Welt gewonnen werden. Synthetische Daten werden in einer Vielzahl von Anwendungsfällen als Proxy für reale Daten verwendet, u. a. bei der Datenanonymisierung.
GenAI existiert – und wird sich weiterentwickeln – aufgrund neuartiger Techniken und einiger bereits vorhandener KI-Praktiken. In der Zwischenzeit wird eine spezialisierte Infrastruktur, einschließlich leistungsfähiger Supercomputer, das Modelltraining und den Inferenzprozess beschleunigen. Zu den Innovationen, die in diese Kategorie fallen, gehören:
Generative KI-Beschleuniger für Arbeitslasten: Chips, die neben einer CPU arbeiten und hochparallele Verarbeitungsvorgänge zum Entwickeln (Trainieren) und Ausführen (Inferenz) von Anwendungen auf Basis großer GenAI-Modelle unterstützen.
KI-Simulation: Die kombinierte Anwendung von KI- und Simulationstechnologien zur gemeinsamen Entwicklung von KI-Agenten und den simulierten Umgebungen, in denen sie trainiert, getestet und manchmal eingesetzt werden können.
KI-Supercomputing: Eine sich rasch entwickelnde Domäne, in der speziell entwickelte Supercomputing-Systeme modernste Innovationen bei Rechenbeschleunigern, Spezialsoftware, Hochgeschwindigkeitsnetzwerken und leistungsoptimierten Speichern kombinieren, um eine integrierte Plattform zu schaffen, die das Training und die Bereitstellung von komplexen, rechenintensiven KI-Modellen beschleunigt.
Selbstüberwachtes Lernen: Ein Ansatz für Machine Learning (ML), bei dem Kennzeichnungen oder Überwachungssignale aus den Daten selbst erstellt werden, ohne dass man sich auf historische Ergebnisdaten oder externe (menschliche) Supervisor zur Bereitstellung von Kennzeichnungen oder Feedback verlassen muss.
Transferlernen: Eine KI-Technik, bei der bereits trainierte ML-Modelle als fortschrittlicher Ausgangspunkt für neue Aufgaben wiederverwendet werden, um die Lernzeit und die Datenmenge zu reduzieren, die zum Erreichen einer akzeptablen Leistung für diese neuen Aufgaben erforderlich sind.
Der GenAI Hype Cycle von Gartner ist eine grafische Darstellung der Ausgereiftheit, der Adoptionsmetriken und der geschäftlichen Auswirkungen von GenAI-Technologien. CIOs und andere IT-Führungskräfte können damit GenAI-Innovationen identifizieren, die sie je nach Risikobereitschaft und potenziellen Vorteilen nutzen können.