Startseite > Embedded > Hardware > Generative vs. prädiktive KI

Technik einfach erklärt

Generative vs. prädiktive KI

21. November 2023, 7:00 Uhr | Von Claireice Mathai, OnLogic

Die Ursprünge der künstlichen Intelligenz (KI) reichen bis in die 1950er Jahre zurück. Doch das aktuelle Aufkommen von KI-Tools wie ChatGPT und die zunehmende Verwendung von KI-Funktionen in zahlreichen Branchen haben diese Technologien in den Vordergrund gerückt.

▶ Diesen Artikel anhören

Generative KI wird auch als »GenAI« bezeichnet. Sie dient dazu, neue Inhalte (wie Text, Audio, Video, Bilder und sogar Code) auf Grundlage von Trainingsdaten zu erstellen. Die generative KI ist eine Untergruppe des Deep Learning, das seinerseits eine Art des Machine Learning ist.

Die an der generativen KI beteiligten Deep-Learning-Modelle verwenden Trainingsdaten als Grundlage für die erzeugten Ergebnisse. Die Trainingsdaten werden in diese generativen Modelle eingespeist. Dort analysieren fortschrittliche neuronale Netze die Daten und suchen nach Mustern. Diese Muster helfen dabei, eine Grundlage für die Generierung von Inhalten zu schaffen.

Eine der gebräuchlichsten Arten von generativen KI-Modellen wird als »GAN« (Generative Adversarial Networks) bezeichnet. GANs verwenden unüberwachtes Lernen. Das bedeutet, sie suchen in unmarkierten Daten nach Mustern und werden während dieses Prozesses nicht beaufsichtigt. Diese Methode umfasst zwei Modelle,

das Generatormodell und
das Diskriminatormodell.

Diese beiden Modelle konkurrieren miteinander, um genauere Vorhersagen zu treffen.

Das Generatormodell erzeugt falsche Daten und leitet sie an das Gegenmodell weiter. Das Gegenmodell arbeitet dann daran, zu erkennen, welche der ihm zugeführten Daten falsch sind und vom Generatormodell künstlich erzeugt wurden. Je mehr falsche Daten das Gegenmodell erkennt, desto besser gelingt es ihm, realistischere Ergebnisse zu erzeugen.

Jobangebote+ passend zum Thema

MACNICA ATD EUROPE - Ihre berufliche Zukunft

MACNICA ATD Europe GmbH, Ingolstadt

Alle Jobangebote im Elektroniknet Karrierebereich anzeigen

Wozu dient generative KI?

Wenn es um generative KI geht, denken viele Menschen an Tools wie »DALL-E« und »ChatGPT«. Tatsächlich stieg die Zahl der Personen an, die in Google kurz nach der Veröffentlichung von ChatGPT im November 2022 nach dem Begriff »generative KI« suchten.

Diese Tools haben sich schnell durchgesetzt und werden zunehmend zur Erstellung von Bildern, Texten und sogar Musik verwendet. Die generative KI hat jedoch eine lange Geschichte, die bis in die 1960er Jahre zurückreicht. Dort wurde sie erstmals zur Simulation menschlicher Sprache in Chatbots wie »ELIZA« eingesetzt.

Seitdem hat GenAI einen langen Weg zurückgelegt und ist das Rückgrat vieler Anwendungen in verschiedenen Bereichen. Werfen wir einen Blick auf einige Anwendungen aus der Praxis.

Beispiele für generative KI

Programmierung: Ähnlich wie bei der Textvorhersage kann die generative KI bei der Generierung von neuem Code helfen, indem sie den Kontext des vorhandenen Codes untersucht und die nächste(n) Zeile(n) vorschlägt. Sie kann auch dabei helfen, Fehler im Code zu finden und automatisch zu korrigieren, wenn welche gefunden werden.

Mit generativer KI lässt sich auch der Programmierprozess erheblich beschleunigen. Laut einer Studie von McKinsey könnte die generative KI Softwareentwicklern helfen, Programmieraufgaben in der Hälfte der normalerweise benötigten Zeit zu erledigen.

Schreiben: Generative KI kann verwendet werden, um kurze und lange Texte auf der Grundlage von Benutzereingaben zu erstellen. Der Text kann dann von den GenAI-Tools weiter angepasst werden, um den Tonfall zu verfeinern, oder um effiziente Zusammenfassungen von Inhalten zu erstellen.
Bilderzeugung: Tools zur Erstellung von KI-Inhalten nutzen die generative KI zur Erstellung neuer Bilder. Auf der Grundlage von Texteingaben der Nutzer:innen können diese Tools fortschrittliche neuronale Netze nutzen, um neue Bilder zu erstellen.

Was ist prädiktive KI?

Prädiktive KI ist eine Art der künstlichen Intelligenz, die dabei hilft, auf der Grundlage historischer Daten Vorhersagen über zukünftige Ereignisse, Verhaltensweisen und Trends zu treffen. Prädiktive KI verwendet Datensätze und untersucht die darin enthaltenen Trends und Muster. Im Gegensatz zur generativen KI wird bei der prädiktiven KI jedoch nicht aus historischen Daten etwas Neues geschaffen. Es werden vielmehr Rückschlüsse daraus gezogen. Aus diesem Grund wird die prädiktive KI häufig in der Datenwissenschaft eingesetzt.

Die prädiktive KI umfasst vier Hauptschritte:

Das Sammeln von Daten: Die Daten werden gesammelt und organisiert.
Die Vorverarbeitung der Daten: Die Daten werden bereinigt und alle Anomalien werden entfernt.
Das Erstellen von Modellen: Das für die Daten am besten geeignete Vorhersagemodell wird erstellt.
Das Testen der Modelle: Das Modell wird auf seine Genauigkeit geprüft.

Beispiele für prädiktive KI

Analyse des Kundenverhaltens: Marketingteams können prädiktive KI nutzen, um das Verhalten ihrer Kunden zu analysieren und so personalisierte Einkaufserlebnisse oder Kampagnen zu erstellen. Viele Websites verwenden prädiktive KI, um Produkte zu empfehlen, von denen sie glauben, dass sie den Nutzern gefallen werden. Dies geschieht auf der Grundlage von Produkten, die Benutzer zuvor durchsucht oder gekauft haben.

Vorausschauende Wartung: Mithilfe der vorausschauenden Wartung wird festgestellt, wann ein System ausfallen könnte, damit es gewartet werden kann, bevor es einen potenziellen Ausfallzeitpunkt erreicht. Dies hilft, Systemabschaltungen zu verhindern und kann die mittlere Zeit zwischen Ausfällen (mean time between failure, MTBF) verlängern. Mithilfe von Machine-Learning-Algorithmen in der prädiktiven KI können Daten früherer Systemausfälle untersucht und analysiert werden. So lässt sich vorhersagen, wann ein zukünftiger Ausfall auftreten könnte, um effektive Wartungspläne zu erstellen und die Gesamtproduktivität zu steigern.

Hardware für prädiktive und generative KI

Bei der Auswahl von Hardware für generative und prädiktive KI-Anwendungen sind einige Punkte zu beachten.

Prozessorleistung: Anwendungen der GenAI und der prädiktiven KI erfordern Hardware mit hoher Prozessorleistung. Sie muss die komplexen Arbeitslasten beim Modelltraining und der KI-Inferenz bewältigen können.

CPUs (Central Processing Units): CPUs liefern die für komplexe neuronale Netze und Echtzeit-Inferenz erforderliche Verarbeitungsleistung.
GPUs (Grafikverarbeitungseinheiten): Ähnlich wie CPUs bieten GPUs ein hohes Maß an Verarbeitungsleistung für generative und prädiktive KI. Sie bieten jedoch auch einen Vorteil gegenüber CPUs. GPUs nutzen die parallele Datenverarbeitung und zerlegen Aufgaben in kleinere Teile, die gleichzeitig verarbeitet werden können.

Speicherung: Engpässe entstehen, wenn eine Komponente ihre maximale Kapazität erreicht und dadurch die Kapazität anderer Komponenten einschränkt. NVMe (Non-Volatile Memory Express) kann dazu beitragen, diese Engpässe zu verringern. Damit ist es eine gute Wahl für die intensiven Anforderungen der KI an die Datenverarbeitung.