Drei Einstiege in die Generative KI

Die digitale Landschaft wandelt sich unaufhörlich und an der Spitze dieser Digitalen Transformation steht die Generative KI. In diesem Artikel vom Start-up Schopf Meta Consult beschreibt der Gründer Peter Schopf die Entstehung und Bedeutung von Generativer Künstlicher Intelligenz und präsentiert drei Einstiegsszenarien für Unternehmen, die schnell und einfach umsetzbar sind. Zusammen mit seinem Meta Business Twin (MBT) präsentiert er die praktische Anwendung.

Inhalt

• Grundlagen der Generativen Künstlichen Intelligenz
  • Spezialisierte KI-Systeme werden abgelöst
  • Transformer-Architektur treibt Entwicklung an
• Archetypische Einstiegsvarianten in die Generative KI
  • Der strategische Ansatz
  • Der explorative Ansatz
  • Der Anwendungsfall-Ansatz
• Der Meta Business Twin – mehr als ein Chatbot
  • Das Konzept vom Meta Business Twin
  • Mögliche Use-Cases – Video
• Fazit
• Ki Know-how zum Download
• Häufige Fragen

Grundlagen der Generativen Künstlichen Intelligenz

Warum gibt es aktuell so einen Hype um die Künstliche Intelligenz (KI) und ist dieser überhaupt gerechtfertigt, wo es sie doch schon viele Jahre gibt? Der Grund ist, dass sich das Spielfeld der KI seit 2017 grundlegend gewandelt hat. In dem Jahr wurde die Transformer-Architektur in einem bahnbrechenden Paper "Attention is all you need" (Vaswani, Ashish, et al.) vorgestellt.

Diese Transformer-Architektur, die nun weltweite Bedeutung erlangt hat, ist das Rückgrat vieler moderner KI-Systeme. Sie bietet unter anderem den enormen Vorteil, dass auf vortrainierte Modelle (pre-trained Transformer) zurückgegriffen werden kann, welche fast das gesamte öffentlich zugängliche Wissen des Internets beinhalten.

Spezialisierte KI-Systeme werden abgelöst

Dies ist ein großer Unterschied zu bisherigen KI-Systemen, bei denen insbesondere die Verfügbarkeit von großen Datenmengen häufig ein großes Hindernis bei der Einführung darstellen.

Die vortrainierten Transformer haben nun die Tür zu neuen Formen der Text-, Code- und Bilder-Generierung aufgestoßen. KI-Systeme, die einst einfache Aufgaben wie das Sortieren von Daten oder das Beantworten von spezifischen Fragen übernommen haben, können damit eigenständige Kunstwerke schaffen, komplexe Texte verfassen, Code schreiben und in Echtzeit mit Benutzern interagieren. Durch diese multimodalen Fähigkeiten werden viele spezialisierte KI-Systeme abgelöst.

Transformer-Architektur treibt Entwicklung an

Forschungsbereiche, die bisher abgegrenzt mit eigenen Ansätzen, Algorithmen und teils ganz unterschiedlichem Sprachgebrauch gearbeitet haben, fokussieren sich nun gemeinsam auf die Weiterentwicklung und Anwendung dieser multimodalen Foundation-Models. Diese Fokussierung von finanziellen und menschlichen Ressourcen, gepaart mit nach wie vor nahezu exponentiellem Wachstum bei Rechenleistung von modernen Prozessoren (in der Regel GPUs bzw. Graphics Processing Units), führt zu einer atemberaubenden Geschwindigkeit technologischer Entwicklung.

Diese könnte die Fundamente unserer Gesellschaft(en) aus den Angeln heben. Es lohnt sich also, diesen Bereich zu verstehen, um die Welle zu reiten, statt unter ihr begraben zu werden. Selbst wenn sich die aktuell rasante Entwicklung wieder verlangsamen sollte, ist allein durch aktuelle Ankündigungen noch vieles zu erwarten. Unternehmen sollten die schon jetzt bestehenden Möglichkeiten von KI nutzen. Zusammenfassend ist die noch relativ neue Transformer-Architektur also der Motor hinter diesen beeindruckenden Entwicklungen.

Archetypische Einstiegsvarianten in die Generative KI

Um die Vorteile der Transformer-basierten Generativen KI voll auszuschöpfen, gibt es verschiedene Ansätze, die Unternehmen je nach Zielstellung und Ressourcen Verfügbarkeit verfolgen können. Im Folgenden werden drei archetypische Einstiegsvarianten beschrieben:

Der strategische Ansatz

Wer das Thema KI ernst nimmt und entsprechende Ressourcen zur Verfügung hat, wählt diesen Ansatz. Er erfordert ein tiefes Verständnis des aktuellen Reifegrades des Unternehmens und eine klare Vision für die Zukunft.

Als erstes ist der Status Quo zu erfassen: Welche Prozesse existieren bereits und wie könnten sie durch KI verbessert werden? Anschließend ist ein Zielbild zu entwickeln, das die Ambitionen des Unternehmens im Rahmen einer KI unterstützten Zukunft abbildet.

Eine dezidierte Datenstrategie ist hierbei unabdingbar, da sie den Grundstein für jede KI-Anwendung legt. Ebenso wichtig ist ein effektives Change-Management, um sicherzustellen, dass die Belegschaft auf den Wandel vorbereitet ist und die neuen Technologien optimal genutzt werden können.

Beispielsweise könnte ein mittelständisches Unternehmen in der Fertigungsindustrie Generative KI als Teil seiner digitalen Transformation definieren, um Prozessoptimierung und Produktinnovation voranzutreiben.

Während ein strategischer Ansatz umfassend ist und zum Beispiel auch Talent- und Kompetenzaufbau berücksichtigt, soll insbesondere die Datenstrategie kurz erklärt werden. Eine gute Datenstrategie zu haben ist gängige Praxis bei den Innovationsführern der Fertigung. Teil davon sind ein gut durchdachter Datenkatalog und eine robuste Data-Governance (Datenregulierung). Ein Datenkatalog dient dazu, sämtliche Datenquellen des Unternehmens zu erfassen, zu katalogisieren und Verantwortlichkeiten festzulegen. Datenquellen in unserem Beispiel könnten Maschinendaten, Sensordaten aus der Produktion, Qualitätsmanagementdaten, Logistik- und Lieferketteninformationen sowie Marktforschungsdaten umfassen. 

Die Data-Governance (Datenregulierung) legt fest, wie im Unternehmen mit Daten umgegangen wird. Sie beinhaltet Regeln und Prozesse für das Lebenszyklusmanagement der Daten, einschließlich deren Erhebung, Speicherung, Zugriff, Verarbeitung und Löschung. 

Durch die Verbindung dieser Elemente kann das Fertigungsunternehmen im Beispiel einen klaren Rahmen schaffen, um Daten als strategische Ressource für den Einsatz von Künstlicher Intelligenz zu nutzen, was ermöglicht die Produktivität zu steigern und innovative Lösungen hervorzubringen.

Der explorative Ansatz

Bei diesem Ansatz erhalten Mitarbeiter die Möglichkeit, mit KI-Tools zu experimentieren. So können sie ein intuitives Verständnis für deren Potenzial entwickeln. Idealerweise gepaart mit Trainings, Events und Ideen-Wettbewerben setzten Unternehmen hier auf die dezentrale Innovationskraft der Belegschaft.

Ein Vorreiter in diesem Bereich ist Siemens (letzter Arbeitgeber vom Autor). Der Technologieführer stellte seinen Mitarbeitenden bereits Anfang 2023 eine sichere KI-Umgebung zum Experimentieren zur Verfügung. So konnte das gesamte Unternehmen auf den KI-Pfad gelangen. Bei Siemens ist die KI allerdings so relevant, dass alle drei Ansätze parallel adressiert werden.

Besucht man Siemens auf einer der Industrie-Leitmessen wie der SPS in Nürnberg, dann kann man sehen, dass fast alle Ausstellungs-Bereiche schon eine Art von KI-Lösung demonstrieren. Etwas genauer nachgefragt gibt es dabei große Unterschiede und ‚Künstliche Intelligenz‘ wird großzügig ausgelegt. Beachtenswert ist dabei allerdings die generelle Einstellung der Firma zu dem Thema.

Siemens fokussiert sich nicht auf ein bis zwei Anwendungsfälle, sondern ermöglicht es allen Mitarbeitenden und Unternehmenseinheiten selbst aktiv zu werden und KI in ihren Lösungen zu integrieren. Das Thema KI ist im Unternehmen allerdings so relevant, dass alle drei Ansätze parallel adressiert werden. KI wird strategisch betrachtet, es werden Möglichkeiten geboten für Mitarbeiter und Unternehmensbereiche explorativ das Thema zu erkunden und es gibt dezidierte Referenzanwendungen, wie der Siemens Industrial Copilot, eine in Zusammenarbeit mit Microsoft entwickelte KI-gestützte Assistenz für die Industrie.

Der Anwendungsfall-Ansatz

Hier konzentriert sich das Unternehmen auf einen oder wenige spezifische Anwendungsfälle, die bereits industrieübergreifend Erfolge zeigen konnten. Ein gutes Beispiel hierfür ist der Einsatz von RAG-Pipelines (Retrieval Augmented Generation). Dabei ist es möglich, komplexe Fragen zu Dokumenten wie Verträgen oder Prozessdokumentationen zu stellen, was die Zugänglichkeit und Verarbeitung von Informationen revolutioniert. Dies wird als Chat-with-your-document (Dokumenten-Chat) bezeichnet. 

Auch Kombinationen von bestehenden Angeboten mit KI werden zunehmend beliebter. Zum Beispiel kombiniert die italienische Firma 40factory Ihre etablierten IoT-Lösungen mit einem Generativen KI-Assistenten, dem chat-bot Wilson. Nach erfolgreicher Einführung von Referenzprojekten mit Bestandskunden geht 40Factory mit diesem Angebot nun in die Breite.

Ein anderer beliebter Anwendungsfall sind Chat-Bots im Bereich Kundenservice. Beispielsweise kann dieser Ansatz mit dem Meta Business Twin umgesetzt werden.

Der Meta Business Twin – mehr als ein Chatbot

Während Chatbots primär darauf ausgelegt sind, auf Kundenanfragen zu reagieren und Antworten aus einem begrenzten Set von Informationen zu liefern, können Firmen mit wenig Aufwand deutlich mehr erreichen. Aber Achtung! Für diesen Anwendungsfall ist es sehr hilfreich die Bedeutung von Unternehmenskultur zu verstehen. Hier haben wir im deutschen Raum häufig noch erhebliches Verbesserungspotential.

Nach wie vor scheitern viele Unternehmen bei ihrer Digitalen Transformation, weil der Fokus zu sehr auf den technologischen Komponenten liegt und die Auswirkungen auf Prozesse und Mitarbeiter zu wenig berücksichtigt werden. Mit dem Verständnis, wie wichtig die Prinzipien und die Kultur eines Unternehmens für effiziente und effektive Entscheidungsfindung sind, wird der Mehrwert und die Differenzierung der hier beschriebenen Anwendung deutlich klarer.

Das Konzept vom Meta Business Twin

Eine Anwendung von Generativer KI ist der Meta Business Twin (MBT) vom Startup Schopf Meta Consult. Das Konzept des Digitalen Zwillings ist ideal für den Einstieg von Unternehmen oder Abteilungen. Der MTB ist eine virtuelle Repräsentation eines Individuums, z. B. in Form eines Abteilungsleiter oder einer Organisation, die durch den verstorbenen Gründer, den CEO oder eine künstliche Person repräsentiert wird.

Der Zweck des MBT ist es, explizites Wissen wie Prozessbeschreibungen, Vorschriften und Unternehmensdaten mit implizitem Wissen, das die Prinzipien und kulturellen Normen umfasst, zu kombinieren. Durch eine einfache und intuitive Interaktion wird der MBT im Unternehmen als zuverlässige Wissensquelle verankert und Schritt für Schritt verbessert.

Er agiert wie ein Coach und Mentor für neue Mitarbeiter und hilft, das Wissen ausscheidender Fachkräfte zu bewahren. Zudem kann der MBT in seinen Bewertungen und Empfehlungen als Benchmark verwendet werden und gesammelte Best Practices in Unternehmensabläufe einbringen.

Die Unterstützung von prinzipienbasierten Entscheidungen ermöglicht eine agile Reaktion auf neue Herausforderungen und Chancen durch erhöhte Geschwindigkeit. Das ist ein weiterer Vorteil des MBT, der nicht nur als Werkzeug fungiert, sondern gleichzeitig ein dynamischer Wissensspeicher ist, der die Unternehmenskultur im digitalen Raum verkörpert und fortschreibt.

Der Meta Business Twin dient im Ausbaustadium nicht nur der internen Nutzung und Organisationsentwicklung, sondern kann auch extern eingesetzt werden, um die Unternehmensphilosophie externen Stakeholdern zu vermitteln.

Mögliche Use-Cases

Fazit

Zusammenfassend soll dieser Artikel zeigen, dass Generative KI mehr als nur die nächste Stufe der Chatbots ist. Sie ist eine transformative Kraft, welche die Art und Weise, wie Unternehmen operieren, innovieren und kommunizieren, grundlegend verändert. Der Meta Business Twin ist ein handhabbares Beispiel dafür, wie weit Generative KI die Anwendungen gehen können – über die Automation von Aufgaben hinaus hin zur Schaffung von Werten durch tiefes Verständnis und die Verbesserung menschlicher Interaktionen.

Ki Know-how zum Download

Wir bei Schopf Meta Consult sind überzeugt, dass der deutschsprachige Raum in der weltweiten Digitalisierungswelle mithalten kann und muss. Mit dem Meta Bunsiness Twin und anderen KI-Innovationen in unserer Werkzeugkiste stehen wir bereit, diesen Weg mit Ihnen zu gehen.

Laden Sie unsere Executive-Präsentation über Generative KI in einer Einstiegsversion herunter, die einen interessanten Einblick in die Möglichkeiten von KI für Sie bereithält.

Jetzt downloaden!

Wenn wir Sie neugierig auf mehr gemacht haben und Sie den vollen Umfang der Generativen KI und ihren Einfluss auf Ihr Geschäft verstehen wollen, bieten wir noch eine Expertenpräsentation an. Anfrage unter: redaktion@developmentscout.com

weitere Information: https://smc.meta-twin-peter.business

Häufige Fragen

Was ist die generative KI?

Generative KI, auch Generative AI, steht für generative künstliche Intelligenz. Es handelt sich um eine Art von KI zum Generieren von neuen Inhalten, wie zum Beispiel Texte, Bilder oder Musik. Im Gegensatz zu anderen Formen, bei denen die KI Funktionen darauf ausgelegt sind, bestimmte Aufgaben zu erfüllen oder Probleme zu lösen, ist generative Künstliche Intelligenz auf der einen Seite darauf spezialisiert, kreativ zu sein und auf der anderen neue Ideen zu entwickeln.

Grundsätzlich funktioniert Generative KI auf Basis von sogenannten neuronalen Netzwerken, die auf großen Mengen von Daten trainiert werden. Diese Netzwerke lernen, Muster und Zusammenhänge in den Daten zu erkennen und können dann eigenständig neue Inhalte generieren, die diesen Mustern ähneln (Deep learning).

Ein Beispiel für generative KI ist ein Textgenerator, der in der Lage ist, Artikel, Geschichten oder sogar ganze Bücher zu schreiben. Der Generator analysiert dabei eine große Menge von Texten mit einem großen Wort-Schatz und lernt daraus, wie man sinnvolle und gut formulierte Sätze und Absätze erstellt. Auf dieser Grundlage kann er dann eigenständig neue Texte generieren, die dem Stil und der Struktur der analysierten Texte ähneln.

Generative KI hat das Potenzial, viele Bereiche des Lebens und der Arbeit zu beeinflussen. Zum Beispiel könnte sie in der Kunst eingesetzt werden, um neue Musikstücke oder Gemälde zu generieren. In der Medizin könnte sie bei der Entwicklung neuer Medikamente oder der Analyse von medizinischen Daten helfen. Und in der Wirtschaft könnte Generative Künstliche Intelligenz bei der Entwicklung neuer Geschäftsideen oder der Optimierung von Prozessen unterstützen.

Welche generativen KI Modelle gibt es?

Es gibt verschiedene Arten an generativen KI-Modellen, die jeweils auf spezifische KI Anwendungen ausgerichtet sind. Einige prominente Beispiele eines Generative KI-Modells sind:

• GPT-3 und GPT-4 (OpenAI) sind fortgeschrittene Sprachmodelle, die für Textgenerierung und Textverständnis eingesetzt werden.
• DALL-E (OpenAI) ist spezialisiert auf die Erzeugung von Bildern aus Textbeschreibungen.
• Deepfakes ist eine Technologie, die für die Erstellung überzeugender gefälschter Videos und Audiodateien verwendet wird, indem Gesichter und Stimmen nachgeahmt werden.
• Wavennet (Deepmind) ist ein Modell zur Erzeugung natürlicher Sprachausgabe.
• BERT (Google) ist ein Sprachverarbeitungsmodell, das in der Suche und anderen Anwendungen eingesetzt wird.

Ist ChatGPT generative KI?

Ja, ChatGPT ist eine Form von generativer KI. Es handelt sich um ein Sprachmodell, das auf dem GPT (Generative Pre-trained Transformer) basiert und in der Lage ist, menschenähnlichen Text zu generieren. ChatGPT wurde mit großen Mengen von Textdaten trainiert und kann nun eigenständig auf gestellte Fragen antworten oder Texte generieren.

Welche 4 Arten von künstlicher Intelligenz gibt es?

Es gibt sehr viele Arten von künstlicher Intelligenz (KI), deren Einteilung davon abhängt, wie man die Unterscheidungskriterien definiert. Es lassen sich aber grob vier Stufen unterscheiden:

1. Reaktive KI

Diese Art von KI basiert auf vordefinierten Regeln und Algorithmen. Sie kann auf bestimmte Situationen reagieren, aber sie hat kein Gedächtnis oder Verständnis für den Kontext. Reaktive Künstliche Intelligenz kann spezifische Aufgaben gut erledigen, aber sie kann keine neuen Informationen lernen oder sich an vergangene Erfahrungen erinnern.

2. Begrenzt kognitive KI

Diese Art von KI kann über vordefinierte Regeln hinausgehen und auf Basis von Erfahrungen lernen. Sie kann Muster erkennen und Entscheidungen treffen, aber sie hat immer noch ihre Grenzen. Begrenzt kognitive KI kann in bestimmten Bereichen wie Spracherkennung oder Bilder-Erkennung eingesetzt werden, aber sie kann keine umfassende menschenähnliche Intelligenz erreichen.

3. Künstliche Allgemeine Intelligenz (AGI)

AGI ist eine Form von KI, die in der Lage ist, eine breite Palette von Aufgaben zu erfüllen und menschenähnliche Intelligenz zu erreichen. AGI kann lernen, sich an vergangene Erfahrungen zu erinnern, neue Informationen zu verarbeiten und komplexe Probleme zu lösen. Diese Art von Artificial Intelligence ist jedoch noch nicht vollständig entwickelt und bleibt eine Herausforderung für die Forschung.

4. Superintelligenz

Superintelligenz ist eine hypothetische Form von KI, die die Intelligenz eines menschlichen Gehirns bei weitem übertrifft. Diese Art von KI wäre in der Lage, komplexe Probleme zu lösen, neue Erkenntnisse zu generieren und sich selbst weiterzuentwickeln. Superintelligenz ist jedoch noch weit entfernt und bleibt ein Thema der Spekulation und Diskussion.