Der Blick unter die Motorhaube schafft ein besseres KI-Verständnis

Generative Künstliche Intelligenz (GenAI) hat sich in vielen Branchen etabliert und bietet durch ihre Fähigkeit, neue Inhalte zu erzeugen, erhebliche Potenziale. Im Gegensatz zur klassischen KI, die strukturierte Daten analysiert, kann GenAI aus unstrukturierten Informationen neue Datenpunkte erstellen. Diese Technologie ist in der Lage, Datenquellen verschiedener Formate wie Text, Bilder, Audio, Video oder Code zu verarbeiten und in beliebige Output-Formate zu konvertieren. Dadurch ermöglicht sie eine kontextreichere Verarbeitung von Informationen. Ein bekanntes Beispiel für GenAI ist ChatGPT, das auf der Transformer-Architektur basiert und auf großen Textkorpora vortrainiert wird. Diese Vortrainingsprozesse ermöglichen es dem Modell, Muster und Strukturen in der Sprache zu erkennen und für spezifische Aufgaben wie Textgenerierung, Übersetzung oder Dialogführung feinabzustimmen. Virtuelle Kollegen in Form von KI-Agenten treten zunehmend als autonome intelligente Systeme in den Vordergrund. Foundation Models und Large Language Models (LLMs) sind große, vortrainierte KI-Modelle, die auf umfangreichen Datensätzen trainiert wurden. LLMs sind spezialisiert auf die Verarbeitung und Generierung natürlicher Sprache und können anhand verschiedener Kriterien wie Textverständnis und mathematischen Fähigkeiten verglichen werden. Die Kunst des Prompt Engineering, also präzise Fragen zu stellen, ist entscheidend für optimale Ergebnisse. Technisch gesehen werden Wörter oder Wortteile in Tokens aufgeteilt, in Vektoren konvertiert und in einer Vektordatenbank gespeichert. Diesen Vorgang nennt man Embedding. LLMs suchen kontextbezogen nach dem nächstwahrscheinlichsten vektoriellen Wert im Modell und generieren daraus die Antwort. Auch wenn KI-Modelle manchmal unzutreffende Antworten liefern, gibt es viele Möglichkeiten, zuverlässige Ergebnisse zu erzeugen. Neben der richtigen Modellauswahl und einem möglichen Feintuning ist die Retrieval-Augmented-Generation-Technologie (RAG) sehr effektiv. Large Language Models bilden allgemeines Weltwissen ab, während unternehmensspezifisches Domänenwissen in einer vektorisierten Knowledge Base abgespeichert wird. Bevor ein Prompt in das LLM gesendet wird, holt sich dieses zusätzlichen Kontext aus der Knowledge Base und reichert die Anfrage damit an.