Generative Modelle sind solche, die Computer mit einem besseren Verständnis der von Menschen erlebten Welt ausstatten.
Generative Modelle verstehen
Die meisten von uns halten unser Verständnis der physischen Welt für selbstverständlich, während andere vielleicht nie damit aufgehört haben think darüber, wie viel sie wissen.
Die dreidimensionale Welt, in der wir leben, besteht aus Objekten, die sich bewegen und kollidieren. Tiere, die fliegen, schwimmen, bellen und quaken. Menschen, die interagieren, diskutieren, think, und geh. Computermonitore, die Informationen darüber anzeigen, wie man einen Bonsai schneidet, wer ein Fußballspiel gewonnen hat oder was im Jahr 1975 passiert ist.
Die meisten Informationen, denen wir ausgesetzt sind, sind uns entweder in physischer oder physischer Form zugänglich digital bilden. Bei Modellen des maschinellen Lernens und den ihnen zugrunde liegenden Algorithmen ist dies jedoch nicht der Fall. KI zu schaffen, die das kann analysieren und dann die vielfältigen menschlichen Erfahrungen verstehen, können generative Modelle die Antwort sein.
Die Entstehung der generativen KI
In seiner 2022 Aufkommende Technologien und Trends Impact Radar, listete Gartner die generative KI als eine von fünf sich schnell entwickelnden Technologien auf, die eine Rolle bei der Produktivitätsrevolution spielen werden.
Zu den wichtigsten Vorhersagen von Gartner gehören:
Bis 2025 – generative KI wird 10 % aller Daten und 20 % aller Testdaten im Zusammenhang mit verbraucherorientierten Anwendungsfällen produzieren. Es wird auch in 50 % aller Arzneimittelforschungs- und -entwicklungsvorhaben einbezogen.
Gartner stellte fest, dass sich generative KI-Methoden in einer Vielzahl von Branchen bewähren, wie z life Naturwissenschaften, Gesundheitswesen, Automobil, Luft- und Raumfahrt, Materialwissenschaften, Medien, Unterhaltung, Verteidigung und Energie.
Wie werden generative Modelle trainiert?
Generative KI-Algorithmen durchlaufen unüberwachtes und halbüberwachtes Lernen, das es ihnen ermöglicht, neue Inhalte aus bestehenden Inhalten wie Text, Audio, Video und sogar Code zu erstellen. Das übergeordnete Ziel einer generativen Modell ist es, originelle Inhalte zu erstellen, die auch plausibel sind.
Um diese Modelle zu trainieren, werden zunächst große Datenmengen aus einer bestimmten Domäne wie Tönen oder Bildern bezogen. Dann geht es ums Training Modell ähnliche Inhalte zu produzieren.
Die neuronalen Netze OpenAI Anwendungen als generative Modelle enthalten beispielsweise mehrere Parameter, die viel kleiner sind als die Datenmenge, mit der sie trainiert werden. Nach Angaben des Unternehmens erzwingt dies die Modell zu "die Essenz der Daten entdecken und effizient verinnerlichen, um sie zu generieren."
Der GAN-Ansatz
OpenAI verwendet das Beispiel von a Netzwerk dass es trainieren will, 200 realistische Bilder zu erzeugen. Um sicherzustellen, dass die Bilder echt aussehen, wendet das Unternehmen den sogenannten Generative Adversarial Network (GAN)-Ansatz an.
Der Ansatz beinhaltet die Einführung eines weiteren Standard-Neurals Netzwerk Das dient als Diskriminator und versucht zu klassifizieren, ob ein Eingabebild echt oder gefälscht ist. OpenAI gab zu, dass es könnte servieren die Modell mit 200 realen Bildern und 200 generierten Bildern und bitten Sie es, einen Standardklassifikator zu trainieren.
Aber ein besserer und Dritten bestand darin, die Parameter der generativen KI zu ändern Modell um die 200 Proben für den Diskriminator verwirrender zu machen. Dies würde zu einem Kampf zwischen den beiden Netzwerken führen: Der Diskriminator möchte den Unterschied zwischen realen und generierten Bildern erkennen, während der Generator Bilder produzieren möchte, die den Diskriminator glauben machen, dass sie echt sind.
Letztlich der Generative Modell gewinnt, weil es aus der Sicht des Diskriminators Bilder erzeugt, die von der Realität nicht zu unterscheiden sind.
OpenAIs Modell wurde schließlich gezwungen zu komprimieren 200 GB Pixeldaten in nur 100 MB Gewicht was sie ermutigte, die wichtigsten Merkmale der Daten zu identifizieren. Im Rahmen der Modell's Training, um realistische Bilder von Grund auf neu zu erstellen, hat es Folgendes gelernt:
Pixel in unmittelbarer Nähe haben eher die gleiche Farbe.
Die Welt besteht aus horizontalen und vertikalen Kanten und einfarbigen Klecksen.
Bestimmte Objekte, Texturen und Hintergründe treten in bestimmten Anordnungen auf und verändern sich im Video im Laufe der Zeit auf bestimmte Weise.
Aktuelle und zukünftige Anwendungen generativer Modelle
Generative Modelle haben viele kurzfristige Anwendungen, wie z. B. strukturierte Vorhersage, Bildentrauschung, hochauflösende Bildgebung und auch im Vortraining, wo der Zugriff auf gekennzeichnete Daten unerschwinglich teuer ist.
Da generative Modelle jedoch langfristig trainiert werden, hofft man, dass die KI ein grundlegendes Verständnis der Welt und der Elemente, aus denen sie besteht, entwickelt. Da der Zugriff auf Daten einst für die Technologie tabu war, wird KI wahrscheinlich zu einer immer mächtigeren und vielseitigeren Kraft für Verbraucher und Unternehmen gleichermaßen.
Die zentralen Thesen
Generative Modelle sind solche, die Computer mit einem besseren Verständnis der von Menschen erlebten Welt ausstatten.
Gartner listete die generative KI als eine von fünf sich schnell entwickelnden Technologien auf, die eine Rolle bei der Produktivitätsrevolution spielen werden. Generative Modelle sind bereits wirksam in life Naturwissenschaften, Gesundheitswesen, Automobil, Luft- und Raumfahrt, Materialwissenschaften, Medien, Unterhaltung sowie Verteidigung und Energie.
Generative KI-Algorithmen durchlaufen unüberwachtes und halbüberwachtes Lernen, das es ihnen ermöglicht, neue Inhalte aus bestehenden Inhalten wie Text, Audio, Video und sogar Code zu erstellen. Das übergeordnete Ziel einer generativen Modell ist es, originelle Inhalte zu erstellen, die auch plausibel sind.
Verallgemeinerte KI besteht aus Geräten oder Systemen, die alle möglichen Aufgaben selbstständig erledigen können. Die Erweiterung der generalisierten KI führte schließlich zur Entwicklung des maschinellen Lernens. Als Erweiterung der KI analysiert maschinelles Lernen (ML) eine Reihe von Computeralgorithmen, um ein Programm zu erstellen, das Aktionen automatisiert. Ohne explizite Programmierung von Aktionen können Systeme lernen und das Gesamterlebnis verbessern. Es untersucht große Datensätze, um gemeinsame Muster zu finden und analytische Modelle durch Lernen zu formulieren.
Maschinelles Lernen ist eine Teilmenge der künstlichen Intelligenz, bei der Algorithmen Daten analysieren, aus Erfahrungen lernen und in Zukunft bessere Entscheidungen treffen. Deep Learning ist eine Teilmenge des maschinellen Lernens, bei der zahlreiche Algorithmen in Schichten strukturiert werden, um künstliche neuronale Netze (KNNs) zu erstellen. Diese Netzwerke können komplexe Probleme lösen und es der Maschine ermöglichen, sich selbst zu trainieren, um eine Aufgabe auszuführen.
DevOps bezieht sich auf eine Reihe von Praktiken, die zur Automatisierung durchgeführt werden Software. Entwicklungsprozesse. Es ist eine Konjugation der Begriffe „Entwicklung“ und „Betrieb“, um zu betonen, wie sich Funktionen über IT-Teams hinweg integrieren. DevOps-Strategien fördern das nahtlose Erstellen, Testen und Bereitstellen von Produkten. Es zielt darauf ab, eine Lücke zwischen Entwicklungs- und Betriebsteams zu schließen, um die Entwicklung insgesamt zu rationalisieren.
AIOps ist die Anwendung künstlicher Intelligenz auf den IT-Betrieb. Es ist für die moderne IT besonders nützlich geworden Management in hybridisierten, verteilten und dynamischen Umgebungen. AIOps ist zu einer zentralen operativen Komponente von Modern geworden digital-basierte Organisationen, gebaut um Software. und Algorithmen.
Machine Learning Ops (MLOps) beschreibt eine Reihe von Best Practices, die erfolgreich helfen a Geschäft künstliche Intelligenz betreiben. Es besteht aus den Fähigkeiten, Arbeitsabläufen und Prozessen zum Erstellen, Ausführen und Warten von Modellen für maschinelles Lernen, um verschiedene betriebliche Prozesse in Organisationen zu unterstützen.
OpenAI ist ein Forschungslabor für künstliche Intelligenz, das in ein gewinnorientiertes Unternehmen umgewandelt wurde Organisation im Jahr 2019. Das Unternehmen Struktur ist um zwei Einheiten herum organisiert: OpenAI, Inc., eine Delaware LLC mit einem einzigen Mitglied, die von kontrolliert wird OpenAI gemeinnützig und OpenAI LP, die eine begrenzte, gewinnorientierte ist Organisationdem „Vermischten Geschmack“. Seine OpenAI LP wird vom Vorstand von geregelt OpenAI, Inc (die Stiftung), die als General Partner fungiert. Gleichzeitig bestehen Limited Partners aus Mitarbeitern der LP, einigen Vorstandsmitgliedern und anderen Investoren wie Reid Hoffmans gemeinnütziger Stiftung Khosla Ventures und Microsoft, der führende Investor in der LP.
OpenAI hat die grundlegende Ebene der KI aufgebaut Energiegewinnung. Mit großen generativen Modellen wie GPT-3 und DALL-E, OpenAI bietet API-Zugriff für Unternehmen, die Anwendungen auf der Grundlage ihrer Grundmodelle entwickeln möchten und gleichzeitig die Möglichkeit haben, diese Modelle in ihre Produkte einzubinden und diese Modelle mit proprietären Daten und zusätzlichen KI-Funktionen anzupassen. Andererseits wurde auch OpenAI veröffentlicht ChatGPT, Entwicklung um a FreemiumModell. Microsoft vertreibt auch Opener-Produkte durch seine Handelspartnerschaft.
OpenAI und Microsoft aus kaufmännischer Sicht zusammengeschlossen. Die Geschichte der Partnerschaft begann 2016 und konsolidierte sich 2019 mit Microsoft investiert eine Milliarde Dollar in die Partnerschaft. Es macht jetzt einen Sprung nach vorne, mit Microsoft in Gesprächen, um 10 Milliarden Dollar in diese Partnerschaft zu stecken. Microsoftentwickelt über OpenAI seinen Azure-KI-Supercomputer, verbessert gleichzeitig seine Azure-Unternehmensplattform und integriert die Modelle von OpenAI in seine Geschäft und Verbraucherprodukte (GitHub, Office, Bing).
Stability AI ist die Entität hinter Stable Diffusion. Stability verdient Geld mit unseren KI-Produkten und mit der Bereitstellung von KI-Beratungsdiensten für Unternehmen. Stability AI monetarisiert Stable Diffusion über die APIs von DreamStudio. Während es auch Open Source für jedermann zum Herunterladen und Verwenden freigibt. Stability AI verdient auch Geld über enterprise Dienstleistungen, wo sein Kernentwicklungsteam die Möglichkeit dazu bietet enterprise Kunden zu bedienen, Treppe, und passen Sie Stable Diffusion oder andere große generative Modelle an ihre an Bedürfnisse.
Gennaro ist der Schöpfer von FourWeekMBA, das allein im Jahr 2022 rund vier Millionen Geschäftsleute erreichte, darunter C-Level-Führungskräfte, Investoren, Analysten, Produktmanager und aufstrebende digitale Unternehmer | Er ist auch Director of Sales für ein Hightech-Scaleup in der KI-Industrie | Im Jahr 2012 erwarb Gennaro einen internationalen MBA mit Schwerpunkt auf Unternehmensfinanzierung und Geschäftsstrategie.
