Generative KI (GenAI)

Was ist generative KI (GenAI)?

Generative künstliche Intelligenz (KI) bezieht sich auf eine breite Palette von Modellen und Algorithmen, die darauf ausgelegt sind, neues Material zu produzieren, menschliche Kreativität zu imitieren und neue Daten zu generieren. Diese Ansätze haben viele Funktionen, von der Generierung von Bildern und Text bis hin zur Ermöglichung kreativer Anwendungen und Spiele. Hier sind acht Kategorien generativer künstlicher Intelligenz:

• Generative Adversarial Networks (GANs): GANs, kurz für Generative Adversarial Networks, wurden erstmals 2014 von Ian Goodfellow als eine Art Deep Learning-Modell vorgeschlagen. Das System besteht aus zwei neuronalen Netzwerken, nämlich dem Generator und dem Diskriminator, die an einem Wettbewerbsprozess beteiligt sind. Der Generator erzeugt Dateninstanzen, während der Diskriminator deren Qualität beurteilt. Dies motiviert den Generator, seine Leistung zu verbessern und authentische und erstklassige Materialien zu produzieren.
• Variational Autoencoders (VAEs): VAEs sind generative Modelle, die neuronale Netzwerke verwenden, um eine komprimierte Darstellung von Eingabedaten zu erlernen. Sie führen Wahrscheinlichkeitselemente ein und ermöglichen die Generierung unterschiedlicher Ergebnisse. VAEs werden häufig für Aufgaben wie Bilderzeugung und Darstellungslernen verwendet.
• Autoregressive Modelle: Autoregressive Modelle erzeugen Datensequenzen, indem sie die bedingte Wahrscheinlichkeit jedes Elements basierend auf den vorherigen Elementen modellieren. Bekannte Beispiele hierfür sind autoregressive Sprachmodelle wie GPT (Generative Pre-trained Transformer), die das nächste Wort in einer Sequenz vorhersagen.
• Rekurrierende neuronale Netzwerke (RNNs): RNNs sind eine Art neuronales Netzwerk, das sequentielle Daten durch die Nutzung von Feedback-Verbindungen verarbeiten kann. Sie werden in generativen Aufgaben eingesetzt, bei denen die sequentielle Anordnung von Komponenten berücksichtigt werden muss, wie etwa beim Natural Language Processing und der Vorhersage von Zeitreihen. Daraus wird auch deutlich, dass sie eine langfristige Abhängigkeit nicht so gut erfassen.
• Transformer-basierte Modelle: Transformer haben in vielen Bereichen der Inhaltserstellung an Bedeutung gewonnen, insbesondere aufgrund der Beliebtheit von Modellen wie GPT und BERT. Ihr Aufmerksamkeitssystem ermöglicht eine effiziente sequentielle Eingabeverarbeitung und macht sie dadurch kompetent in der Sprachübersetzung, Zusammenfassung und Textproduktion.
• Reinforcement Learning für generative Aufgaben: Um die Vorteile zu maximieren, werden Modelle durch Reinforcement Learning darauf trainiert, in einer Umgebung sequenziell Entscheidungen zu treffen. Beim Einsatz in generativen Aufgaben können KI-Systeme entstehen, welche die Fähigkeit erlangen, durch die Einbindung von Eingaben Materialien zu generieren, wie in der Videospielerstellung oder der Kunstproduktion.
• Neuronale Netzwerke: Neuronale Netzwerke sind die grundlegende Basis für viele generative Modelle. Tiefe neuronale Netzwerke, die aus zahlreichen Schichten bestehen, ermöglichen die Erfassung komplexer Muster und Darstellungen und sind daher für Aufgaben wie die Bild- und Sprachgenerierung unverzichtbar.
• Genetische Algorithmen: Genetische Algorithmen sind Optimierungstechniken, die von der biologischen Evolution inspiriert sind. Im Bereich der generativen KI können sie Lösungen über mehrere Generationen hinweg weiterentwickeln und die produzierten Materialien durch die Nutzung einer vorgegebenen Fitnessfunktion verbessern und perfektionieren.

Regelbasierte Systeme: Regelbasierte Systeme nutzen vordefinierte Regeln und logisches Denken, um Informationen zu produzieren. Obwohl lernbasierte Techniken flexibler sind, sind regelbasierte Ansätze in Situationen wertvoll, in denen eine explizite Kontrolle über den Erstellungsprozess erforderlich ist, wie beispielsweise bei bestimmten Formen der prozeduralen Inhaltsentwicklung.