Mehr als ChatGPT: Generative KI für Unternehmen. Praxisbeispiele

ChatGPT ist gerade das "Big Thing", aber nur der Anfang. Denn bei der Weiterentwicklung von Geschäftsanwendungen steht vor allem generative KI im Fokus, die weitaus anspruchsvoller ist als ChatGPT. Risikokapitalfirmen haben in den letzten drei Jahren über 1,7 Milliarden Dollar in generative KI-Lösungen investiert, wobei KI-gestützte Medikamentenentwicklung und KI-Software-Codierung die meisten Invests erhalten haben.

Was ist generative Künstliche Intelligenz KI?

Generative KI kann viele mögliche Designs eines Objekts untersuchen, um das richtige oder am besten geeignete zu finden. Sie erweitert und beschleunigt nicht nur das Design in vielen Bereichen, sondern hat auch das Potenzial, neuartige Designs oder Objekte zu "erfinden", die Menschen sonst vielleicht übersehen hätten. Marketing und Medien bekommen die Auswirkungen der generativen KI bereits zu spüren. 

Die Analysten der Unternehmensberatung und Marktforschung Gartner erwarten, das bis 2025 30 Prozent der ausgehenden Marketingbotschaften großer Unternehmen synthetisch generiert werden, gegenüber weniger als zwei Prozent im Jahr 2022. Auch sehen die Analysten bis 2030 einen großen Blockbuster-Film, bei dem 90 % des Films durch KI generiert wurden (von Text bis Video).

Die KI-Innovationen beschleunigen sich generell und schaffen zahlreiche Anwendungsfälle für generative KI in verschiedenen Branchen. Gartner zeigt fünf davon auf: 

1. Generative KI in der Arzneimittelentwicklung

Einer Studie aus dem Jahr 2010 zufolge belaufen sich die durchschnittlichen Kosten für die Entwicklung eines Medikaments von der Entdeckung bis zur Markteinführung auf etwa 1,8 Milliarden US-Dollar, wovon die Kosten für die Medikamentenentwicklung etwa ein Drittel ausmachen. Laut Gartner wurde generative KI bereits eingesetzt, um Medikamente für verschiedene Anwendungen innerhalb weniger Monate zu entwickeln, was der Pharmaindustrie erhebliche Möglichkeiten bietet, sowohl die Kosten als auch die Zeitspanne für die Medikamentenentwicklung zu reduzieren.

2. Generative KI in der Materialwissenschaft

Generative KI wirkt sich auf die Automobil-, Luft- und Raumfahrt-, Verteidigungs-, Medizin-, Elektronik- und Energiebranche aus, indem sie völlig neue Materialien mit spezifischen physikalischen Eigenschaften entwickelt. Bei diesem Prozess, der als inverses Design bezeichnet wird, werden die erforderlichen Eigenschaften definiert und Materialien gefunden, die diese Eigenschaften aufweisen, anstatt sich auf den Zufall zu verlassen, um ein Material zu finden, das diese Eigenschaften besitzt. So lassen sich laut Gartner beispielsweise Werkstoffe finden, die leitfähiger sind oder eine höhere magnetische Anziehungskraft besitzen als die derzeit im Energie- und Transportwesen verwendeten - oder für Anwendungsfälle, in denen Materialien korrosionsbeständig sein müssen.

3. Generative KI im Chipdesign

Generative KI kann mit Hilfe von Reinforcement Learning (einer Technik des maschinellen Lernens) die Platzierung von Bauteilen im Halbleiterchipdesign (Floorplanning) optimieren und so die Lebenszykluszeit der Produktentwicklung von Wochen mit menschlichen Experten auf Stunden mit generativer KI reduzieren.

4. Generative KI in synthetischen Daten

Generative KI ist eine Möglichkeit, synthetische Daten zu erstellen. Dabei handelt es sich um eine Klasse von Daten, die generiert und nicht aus direkten Beobachtungen der realen Welt gewonnen werden. Dadurch wird die Vertraulichkeit der ursprünglichen Datenquellen, die zum Trainieren des Modells verwendet wurden, gewährleistet. So können laut Gartner beispielsweise Daten aus dem Gesundheitswesen für Forschungs- und Analysezwecke künstlich erzeugt werden, ohne die Identität der Patienten preiszugeben, deren Krankenakten verwendet wurden, um den Datenschutz zu gewährleisten.

5. Generative Konstruktion von Teilen

Generative KI ermöglicht es Branchen wie der Fertigungsindustrie, der Automobilbranche, der Luft- und Raumfahrt und der Verteidigungsindustrie, Teile zu entwerfen, die für bestimmte Ziele und Einschränkungen wie Leistung, Materialien und Herstellungsverfahren optimiert sind. Beispielsweise können Automobilhersteller generatives Design nutzen, um leichtere Konstruktionen zu entwickeln und damit zu ihrem Ziel beizutragen, Autos sparsamer zu machen.

Wie man die richtigen Technologien findet, um Einbindung generative KI zu ermöglichen

Die meisten KI-Systeme sind heute Klassifizierer, d. h. sie können darauf trainiert werden, zwischen Bildern von Hunden und Katzen zu unterscheiden. Generative KI-Systeme können so trainiert werden, dass sie ein Bild eines Hundes oder einer Katze erzeugen, das es in der realen Welt nicht gibt. Die Fähigkeit der Technologie, kreativ zu sein, ist ein entscheidender Faktor. Generative KI ermöglicht es Systemen, hochwertige Artefakte zu erstellen, z. B. Videos, Erzählungen, Trainingsdaten und sogar Entwürfe und Schaltpläne. 

Generative Pre-trained Transformer (GPT) zum Beispiel ist eine groß angelegte Technologie für natürliche Sprache, die mithilfe von Deep Learning menschenähnliche Texte erzeugt. Die dritte Generation (GPT-3), die das wahrscheinlichste nächste Wort in einem Satz auf der Grundlage ihrer gesammelten Trainingsdaten vorhersagt, kann Geschichten, Lieder und Gedichte und sogar Computercode schreiben - und ermöglicht es ChatGPT, die Hausaufgaben Ihres Teenagers in Sekundenschnelle zu erledigen.

Neben Text können auch digitale Bildgeneratoren wie DALL-E 2, Stable Diffusion und Midjourney Bilder aus Text generieren. Es gibt eine Reihe von KI-Techniken, die für die generative KI eingesetzt werden, aber in letzter Zeit sind die Basismodelle in den Vordergrund gerückt. So genannte Basismodelle werden auf allgemeinen Datenquellen selbstüberwacht vortrainiert und können dann zur Lösung neuer Probleme angepasst werden. Foundation-Modelle basieren hauptsächlich auf Transformer-Architekturen, die eine Art tiefer neuronaler Netzwerkarchitektur verkörpern, die eine numerische Darstellung der Trainingsdaten berechnet. 

Transformer-Architekturen lernen den Kontext und damit die Bedeutung, indem sie Beziehungen in sequentiellen Daten verfolgen. Transformer-Modelle wenden eine sich weiterentwickelnde Reihe mathematischer Techniken an, die als Aufmerksamkeit oder Selbstaufmerksamkeit bezeichnet werden, um subtile Wege zu erkennen, auf denen selbst weit voneinander entfernte Datenelemente in einer Reihe einander beeinflussen und voneinander abhängen.

Wichtig: Risiken von generativer KI im Blick behalten

Generative KI bietet nicht nur Chancen für Unternehmen bietet, sondern auch reale Gefahren - einschließlich des Potenzials für Deepfakes, Urheberrechtsprobleme und andere böswillige Verwendungen generativer KI-Technologie, die sich gegen Ihr Unternehmen richten. Gartner empfiehlt das Unternehmen mit Experten für Sicherheit und Risikomanagement zusammenarbeiten sollten, um proaktiv die Reputations-, Fälschungs-, Betrugs- und politischen Risiken zu mindern. Hilfreich ist auch die Einführung von Leitlinien für die verantwortungsvolle Nutzung generativer KI.