30 bis 50 % Effizienzsteigerung und 10 bis 20 % Produktivitätssteigerung verspricht generative KI (GenAI) für Unternehmen. Doch wie findet sie eigentlich Ergebnisse? Wo lohnt sich ihr Einsatz? Was gilt es für Unternehmen zu beachten und muss es immer das große Foundation Model sein? Das alles haben wir uns einmal angeschaut.
Kategorien
Schlagworte
Die Einführung von ChatGPT im Jahr 2022 markiert einen Wendepunkt in der Geschichte der Technologie, ähnlich wie das Internet oder das Handy. Bei den Innovationsschüben, die sich durch eine zunehmende Qualität und Vielfalt von Anwendungen auszeichnen, stehen Unternehmen wie Google, Amazon und Microsoft an vorderster Front. Sie treiben mit erheblichen Investitionen in entsprechende Foundation Models die Grenzen des Machbaren voran und verändern die Art, wie Menschen und zunehmend auch Unternehmen arbeiten, kommunizieren und interagieren. Aber wir funktioniert Generative KI und was macht sie so besonders?
Generative KI-Modelle sind eine Klasse von Algorithmen in der künstlichen Intelligenz, die darauf trainiert sind, Inhalte selbständig und auf Basis entsprechender Trainingsdaten zu erzeugen. Diese Inhalte können zum Beispiel Texte, Bilder, Musik oder Videoinhalte sein und sie ähneln denen, die als Trainingsdaten zur Verfügung standen. Und das auch – in Sprachstil, Stimmmodulierung oder anderen individuellen Merkmalen. Ein häufig verwendetes Beispiel für GenAI sind die Modelle der GPT-Reihe (Generative Pre-trained Transformer, OpenAI) oder BERT (Bidirectional Encoder Representations from Transformers, Google).
Die Entwicklung generativer KI-Modelle beginnt mit der Auswahl eines geeigneten maschinellen Lernansatzes. Zu diesen gehören:
Aufgrund der umfangreichen Datenmengen erfordert das Training erhebliche Rechenressourcen. Modelle wie GPT-3 wurden mit Hunderten von Gigabytes an Textdaten trainiert, um ein tiefes Verständnis der menschlichen Sprache zu entwickeln.
Damit entsprechende Antworten generiert werden können, speichert die KI die Trainingsdaten in hochdimensionale Datenstrukturen (Vektoren) die dazu dienen, die Merkmale oder Eigenschaften der Trainingsdaten zu repräsentieren. Jedes Merkmal eines Datenelements wird in einem Vektor codiert, der als eine Art numerischer Fingerabdruck dieses Merkmals fungiert. Bei der Generierung von Inhalten verwendet das Modell die erlernten Vektoren dann, um neue Datenpunkte zu erzeugen, die den trainierten ähnlich sind.
Eine aktuelle Studie von Deloitte2 zeigt, dass von weltweit 2.800 befragten Führungskräften 79 % erwarten, dass GenAI innerhalb von weniger als drei Jahren signifikante Veränderungen in ihren Unternehmen bewirken wird. 44 % der Befragten glauben außerdem, dass ihr Unternehmen derzeit über ein hohes (35%) oder sehr hohes (9%) Maß an Kompetenz im Bereich Generativer KI verfügt.
Laut der Applied AI 2023-Studie3 von IDG sind auch Unternehmen in der DACH-Region gut auf den Einsatz generativer KI vorbereitet. Eine Mehrheit der befragten Unternehmen hat bereits spezielle Budgets für KI festgelegt und entsprechende Investitionen getätigt. Die befragten Unternehmen erhoffen sich automatisierte Abläufe, eine erweiterte Kundenkommunikation sowie die Förderung der Kreativität.
GenAI wird laut einer Mc Kinsey-Studie aus dem Jahr 20234 die Veränderungen in der Arbeitswelt beschleunigen. Die Besonderheit liegt darin, dass anders als bei bisherigen Technologiesprüngen nicht physische Prozesse im Mittelpunkt stehen. Vielmehr liegt das Potential in der Kombination aus Mensch und KI, weil sie bestehende, menschliche Defizite in Wissen und Erfahrung ausgleicht und Qualität und Output maximiert. Das größte Automatisierungspotenzial erfahren Arbeitsbereiche, die einen Bachelor- oder Masterabschluss und eine Promotion erfordern. Statt bisher angenommen 28 %, könnten durch GenAI bis 2030 57 % dieser Jobs automatisiert werden. Besonders hohes Automatisierungspotenzial besteht bei Lehrkräften (38 %), IT-Berufen (31 %) und Kreativberufen (24 %). Physische Berufe fallen mit 5 % hier kaum noch ins Gewicht.
Der Einsatz von KI im Unternehmen betrifft vor allem die Herausforderung, große Mengen von Daten zu durchdringen. Aus strukturierten, semi-strukturierten oder unstrukturierten Daten Informationen oder auch Entitäten zu extrahieren oder klassifizieren, um darauf aufbauend Unternehmensprozesse anzusteuern. Das alles aber ist noch nicht generativ. Anders verhält es sich, wenn man die KI bittet, zum Beispiel Meeting Minutes zusammenzufassen. Überall dort, wo es also darum geht, etwas Neues zu erstellen, kommt GenAI ins Spiel. Eingesetzt werden die Fähigkeiten bereits hier:
Qualitätssicherung in der Produktion:
58 % von 300 in der IDG-Studie3 befragten Unternehmen setzen generative KI in diesem Bereich ein. Ein Beispiel ist die Entwicklung effizienter Verfahren durch Analyse historischer Daten.
Kundenservice:
Den Einsatz von Chatbots und virtuellen Assistenten zur Beantwortung von Kundenanfragen und zur Personalisierung von Interaktionen nutzen bereits 54 % der Unternehmen.
Automatisierung von Prozessen:
50 % der Unternehmen nutzen solche Leistungen zu denen automatisch generierte E-Mails oder KIs gehören, die Werkstücke bestmöglich auf Anlagen sortieren, so dass sich der optimale Durchsatz ergibt.
Code-Erstellung und -Wartung:
Generative KI kann zur Automatisierung von Softwareentwicklungsprozessen verwendet werden, einschließlich des Schreibens, Überprüfens und Optimierens von Code. Tools wie GitHub Copilot nutzen bereits KI, um Entwickler:innen zu helfen, schneller und effizienter hochwertigen Code zu schreiben. Diese Technologie kann nicht nur die Produktivität steigern, sondern auch dazu beitragen, Fehler zu reduzieren und die allgemeine Codequalität zu verbessern.
Erstellung von Trainingsdaten:
Eine innovative Nutzung generativer KI, die die Leistungsfähigkeit anderer auf den Daten aufbauender KI-Systeme verbessert.
Weitere Anwendungsbereiche:
Inhaltsproduktion & Knowledge Management (automatische Erstellung von Texten und Dokumentationen); Design- und Kreativprozesse; Personalisierung von Produkten und Dienstleistungen
Um GenAI erfolgreich zu nutzen, brauchen Unternehmen in erster Linie ein Business-Ziel und die Kenntnis darüber, für welchen Anwendungsfall welche Art von KI benötigt wird. Denn nicht immer ist es erforderlich ein teures, generatives Modell einzusetzen.
Darüber hinaus müssen sich Unternehmen überlegen, wie sie die Daten zur Verfügung stellen, vor allem dann, wenn sich Anfragen und Aufgaben auf spezifische Unternehmensinformationen (Kontext) beziehen, die für die KI nicht öffentlich zugänglich sind.
Große und sehr flexible Modelle sind dann sinnvoll, wenn Unternehmen einen Use Case erst einmal grundlegend abprüfen oder die Entscheidungsfindung unterstützen möchten. Sobald die Modelle im Unternehmenskontext spezifisch trainiert werden müssen, sind kleinere und damit kostengünstigere Modelle häufig sinnvoller. Hier stecken die Kosten und der Aufwand dann vor allem im Training des Modells und der Anwendbarkeit auf einen spezifischen Use Case.
Eine Möglichkeit ist es, den Kontext im Zuge der Anfrage (Prompt) zu liefern. Das Prinzip dahinter heißt Retrieval-Augmented Generation (RAG). Hierfür stellt man eine für die KI zugängliche großen Datenbank, zur Verfügung und lässt sie darauf aufbauend Antworten generieren.
Ein weiterer Weg, um Kosten zu sparen ist es, die Daten und Informationen in Elemente (Token) zu zerteilen und zu vektorisieren, also als so genannte Embeddings zur Verfügung zu stellen. Die Daten sind dabei so aufgebaut, wie sie die KI verwendet bzw. bei der Analyse selbst aufbereiten würde. Für diese, immer beliebtere Technik gibt es heute bereits entsprechende Frameworks, die Unternehmen nutzen können.
Im Unterschied dazu setzt die nächste Entwicklungsstufe nicht auf bereits bestehende Modelle, sondern generiert eigene, maßgeschneiderte Foundation Models. Die Kosten hierfür sind enorm und die Herausforderung ist es, gute Trainingsdaten in ausreichender Menge zur Verfügung zu stellen. Der Vorteil liegt darin, dass der spezifische Unternehmenskontext bekannt ist und nicht bei jedem Prompt neu mitgeliefert werden muss. Das ermöglicht es Unternehmen, ihre spezifischen Datenbestände noch effektiver zu nutzen und KI-Lösungen zu entwickeln, die tief in das eigene Geschäftsmodell integriert sind. Ein weiterer Vorteil ist, dass Daten nicht preisgeben werden müssen. Aufgrund des Aufwandes und der hohen Kosten lohnt sich dieser Weg jedoch nur bei Business Modellen, die hoch skalieren.
Entsprechende KI-Modelle für alle genannten Wege finden sich auf den Plattformen der großen Hyperscaler, bei Hugging Face (Open Source-Plattform), KI-Modell-Bibliotheken wie der von IBM und zahlreichen anderen Anbietern.
Der industrielle Einsatz von generativer KI bringt sowohl enorme Möglichkeiten als auch bedeutende Herausforderungen mit sich. Und er unterscheidet sich grundlegend vom Einsatz im privaten Raum, denn während man sich für das eigene Wohnzimmer bedenkenlos ein KI-generiertes Gemälde fertigen lassen kann, werden von Kundenseite Transparenz, Rechtssicherheit und die Wahrung von Persönlichkeitsrechten verlangt. Die oben bereits erwähnte Deloitte-Umfrage2 wirft hier ein bedenkliches Bild auf. Nur 22 Prozent der weltweit befragten 2.800 Führungskräfte, unter ihnen auch 150 KI-Expert:innen, sehen ihr Unternehmen in Bezug auf den Einsatz von KI gut vorbereitet. Insbesondere im Bereich qualifizierter Fachkräfte und in Governance- sowie Risikofragen liegen Defizite. Als besonders kritisch werden das Vertrauen in den Output (23 %) der KI, den Schutz geistigen Eigentums (35 %) und der Einhaltung von Vorschriften (33 %) eingeschätzt.
Abseits verschiedener bereits bestehender Regulierungen wird der EU AI Act sicherlich die größte Wirkungskraft im Umgang von Unternehmen mit GenAI entwickeln. Spätestens dann, wenn er in nationales Recht gegossen ist. Unternehmen tun deshalb gut daran, ihre Produkte, Dienstleistungen etc. bereits von Beginn einer Risikoeinschätzung zu unterziehen. Außerdem müssen Unternehmen ihre Use Cases nachvollziehbar machen, also offenlegen, welche Daten verwendet wurden, wo sie liegen und mit welchem Modell sie trainiert und ausgewertet wurden.
Die Verwendung von personenbezogenen Daten zum Trainieren generativer KI wirft bedeutende Datenschutzfragen auf, insbesondere im Hinblick auf die DSGVO in Europa und andere internationale Datenschutzgesetze.
Wenn eine KI Inhalte erzeugt, die auf vorhandenen Werken basieren, können Fragen des Urheberrechts entstehen. Wer besitzt das Urheberrecht an einem von KI generierten Werk? Diese Frage ist in vielen Rechtsordnungen noch ungeklärt.
Wenn eine KI fehlerhafte oder schädliche Ergebnisse liefert, ist es oft schwierig zu bestimmen, wer haftbar gemacht wird –Entwickler:innen, Nutzer:innen, das Unternehmen oder die KI selbst?
KI-Systeme, besonders solche, die auf Deep Learning basieren, sind oft „Black Boxes“, deren Entscheidungsfindung nicht transparent ist. Dies kann zu Problemen bei der Akzeptanz und beim Vertrauen in KI-Anwendungen führen.
Abseits davon ist es ebenso wichtig, die Ergebnisqualität zu garantieren. Unternehmen müssen sich also permanent fragen, wie gut ihre Modelle und Daten über die Zeitdauer hinweg noch sind. Zu den Herausforderungen gehört vor allem das Datenmanagement: Generative KI-Modelle sind stark abhängig von der Qualität der Trainingsdaten. Ungenaue oder veraltete Daten können die Ergebnisse erheblich beeinträchtigen. Zudem bestehen Sicherheitsrisiken, da KI-Systeme, die online lernen, anfällig für Manipulationen wie Data Poisoning sind. Die Skalierbarkeit solcher Systeme stellt ebenfalls eine technische und finanzielle Herausforderung dar, während die zunehmende Abhängigkeit von KI-Technologien auch zu einem Verlust an menschlicher Expertise führen kann, was besonders problematisch wird, wenn Systeme ausfallen oder unerwartete Ergebnisse liefern.
Unternehmen, die hier frühzeitig ansetzen, sind klar im Vorteil. Sie können durch das Etablieren strenger Daten-Governance und Sicherheitsstrategien die Genauigkeit und Integrität ihrer KI-Systeme sicherstellen. Zudem ist die Gewährleistung der Rechtskonformität entscheidend, um den gesetzlichen Anforderungen gerecht zu werden. Auch die Entwicklung ethischer Richtlinien und das Fördern von Transparenz und Erklärbarkeit der KI-Entscheidungen sind wesentlich, um Vertrauen und Akzeptanz auf Kundenseite aber auch innerhalb der Unternehmen zu stärken.
Generative KI steht an der Schwelle zu einer breiten Akzeptanz in der Geschäftswelt. Während die Technologie noch junge Jahre durchläuft, ist das Potenzial für Unternehmen, die frühzeitig in diese Technologien investieren, enorm. Oder anders ausgedrückt. Unternehmen – und hier insbesondere Softwareunternehmen – die KI nicht frühzeitig einsetzen, werden am Markt nicht bestehen können. Die Herausforderungen sind dabei nicht unerheblich. Aber mit Blick auf Effizienzsteigerungen, Kostenreduktionen, neuen Geschäftsmöglichkeiten und einem Entgegenwirken des Fachkräftemangels sind sie einfach zu verlockend, um sie zu ignorieren.
_ _ _ _ _
Die Begriffe Machine Learning, Deep Learning, Foundation Models, Generative KI und Transformer Modelle sind eng miteinander verbunden und bilden eine Hierarchie in der Entwicklung und Anwendung künstlicher Intelligenz. Hier ist eine Erklärung, die sowohl die Unterscheidungen als auch die Verbindungen zwischen diesen Konzepten verdeutlicht:
Machine Learning (Maschinelles Lernen)
Machine Learning ist ein Bereich der künstlichen Intelligenz, der Algorithmen umfasst, die lernen und Vorhersagen treffen können, basierend auf Daten. Diese Algorithmen verbessern ihre Leistung mit zunehmender Datenmenge, ohne dass explizit programmiert werden muss, wie eine Aufgabe ausgeführt werden soll. Machine Learning beinhaltet verschiedene Ansätze wie überwachtes Lernen, unüberwachtes Lernen und bestärkendes Lernen.
Deep Learning (Tiefes Lernen)
Deep Learning ist ein spezialisierter Zweig des Machine Learning und verwendet mehrschichtige neuronale Netze, um komplexe Muster in großen Datenmengen zu erkennen. Diese tiefen neuronalen Netze können aus Hunderten oder Tausenden von Schichten bestehen, wobei jede Schicht spezifische Merkmale der Eingabedaten lernt und an die nächste Schicht weitergibt. Deep Learning ist besonders wirksam in Bereichen wie Bild- und Spracherkennung.
Foundation Models
Foundation Models sind eine Art von großen neuronalen Netzwerken, die auf einer breiten Vielfalt von Daten (Text, Bilder, usw.) vortrainiert wurden und die Fähigkeit haben, auf dieser Basis eine Vielzahl von Aufgaben zu erlernen. Diese Modelle sind oft sehr groß und benötigen erhebliche Rechenressourcen für das Training. Nach dem Vortraining können sie für spezifische Anwendungen durch weiteres Training feinjustiert werden. Sie sind insofern eine Weiterentwicklung des Deep Learning, als sie auf sehr großen Datenmengen und mit sehr tiefen Netzwerkstrukturen arbeiten.
Generative KI (GenAI)
Generative KI bezieht sich auf KI-Systeme, die in der Lage sind, Inhalte zu erzeugen, die denen ähneln, die von Menschen erstellt wurden. Diese Systeme nutzen oft Foundation Models und spezialisieren sich darauf, neue Daten zu generieren, die den trainierten Beispielen ähnlich sind. Beispiele für generative KI-Anwendungen sind das Erzeugen von Texten, Musik, Bildern oder Videos. Diese Technologien stützen sich stark auf Deep Learning-Techniken, um zu lernen, wie Daten auf realistische Weise reproduziert werden können.
Transformer Modelle (Self Supervised Training)
Transformer Modelle sind eine spezielle Klasse von Architekturen in Deep Learning, die besonders effektiv für die Verarbeitung von Sequenzdaten sind, wie sie z.B. in Sprache und Text vorkommen. Sie basieren auf einem Mechanismus, der als „Self-Attention“ bekannt ist, der es dem Modell ermöglicht, Gewichtungen darüber zu lernen, welche Teile eines Inputs im Verhältnis zu anderen wichtig sind. Viele Transformer Modelle werden durch Self-Supervised Training trainiert, was bedeutet, dass sie aus den Eingabedaten selbst lernen, ohne dass externe Annotationen oder Labels erforderlich sind. Dies ermöglicht eine sehr flexible und effektive Vorbereitung für das Training von Foundation Models.
_ _ _ _ _
👉 Podcast zum EU AI Act
_ _ _ _ _
1 Turning GenAI Magic into Business Impact | BCG
2 Generative KI kann zum Produktivitätsbooster werden | McKinsey & Company
4 KI-Studie 2024: Beschleunigung der KI-Transformation
_ _ _ _
Dieser Beitrag ist exklusiv für die “NEXT Im Fokus: Software” verfasst worden und richtet sich an Unternehmen, die versuchen, eine Position und Perspektive auf das Business Model Design zu entwickeln.
