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.
- Bis 2027 – generative KI wird von 30 % aller Hersteller eingesetzt um die Wirksamkeit von zu erhöhen PRODUKTE Entwicklung.
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.
Vernetzte KI-Konzepte

Deep Learning vs. maschinelles Lernen



Operationen für maschinelles Lernen




Stabilitäts-KI-Geschäftsmodell

Stabilität des KI-Ökosystems

Wichtigste kostenlose Anleitungen: