Über ChatGPT hinaus: Die Zukunft der generativen KI für Unternehmen

Risikokapitalfirmen haben in den letzten drei Jahren mehr als 1,7 Milliarden Dollar in Lösungen für generative KI investiert, wobei KI-gestützte Medikamentenentwicklung und KI-Software-Codierung die meisten Mittel erhielten. 

„Frühe Basismodelle wie ChatGPT konzentrieren sich auf die Fähigkeit der generativen KI, die kreative Arbeit zu ergänzen, aber wir gehen davon aus, dass bis 2025 mehr als 30 % der neuen Medikamente und Materialien systematisch unter Verwendung von Techniken der generativen KI entdeckt werden – heute sind es noch keine“, sagt Brian Burke, Research VP für Technologie-Innovation bei Gartner. „Und das ist nur einer von zahlreichen Anwendungsfällen in der Branche.“

Jetzt herunterladen: Impact Radar für neue Technologien von Gartner 2023

Generative KI kann viele mögliche Designs eines Objekts untersuchen, um das richtige oder am besten geeignete zu finden. Sie erweitert und beschleunigt nicht nur das Design in vielen Bereichen, sondern hat auch das Potenzial, neue Designs oder Objekte zu „erfinden“, die Menschen sonst vielleicht übersehen hätten. 

Marketing und Medien spüren bereits die Auswirkungen der generativen KI. Experten von Gartner:

• Bis zum Jahr 2025 werden 30 % der ausgehenden Marketingnachrichten großer Organisationen synthetisch generiert werden, gegenüber weniger als 2 % im Jahr 2022. 

• Im Jahr 2030 wird ein großer Blockbuster-Film veröffentlicht werden, bei dem 90 % des Films von KI generiert wurde (von Text bis Video), im Vergleich zu 0 % im Jahr 2022.

Die KI-Innovationen beschleunigen sich im Allgemeinen und schaffen zahlreiche Anwendungsfälle für generative KI in verschiedenen Branchen. Hier fünf Beispiele:

Eine Studie aus dem Jahr 2010 hat gezeigt, dass die durchschnittlichen Kosten für den Weg eines Medikaments von der Entdeckung bis zur Markteinführung bei etwa 1,8 Milliarden Dollar liegen, wobei die Kosten für die Entdeckung eines Medikaments etwa ein Drittel ausmachen und der Entdeckungsprozess ganze drei bis sechs Jahre dauert. Generative KI wurde bereits eingesetzt, um innerhalb weniger Monate Medikamente für verschiedene Anwendungen zu entwickeln. Dies bietet der Pharmaindustrie die Möglichkeit, sowohl die Kosten als auch den Zeitaufwand für die Medikamentenentwicklung zu reduzieren.

Generative KI wirkt sich auf die Automobil-, Luft- und Raumfahrt-, Verteidigungs-, Medizin-, Elektronik- und Energiebranche aus, indem sie völlig neue Materialien mit spezifischen physikalischen Eigenschaften entwickelt. Bei diesem Prozess, der als inverses Design bezeichnet wird, werden die erforderlichen Eigenschaften definiert und Materialien gefunden, die diese Eigenschaften aufweisen, anstatt sich auf den Zufall zu verlassen, um ein Material zu finden, das diese Eigenschaften besitzt. Das Ergebnis ist zum Beispiel die Suche nach Materialien, die leitfähiger sind oder eine größere magnetische Anziehungskraft haben als die derzeit im Energie- und Transportwesen verwendeten – oder für Anwendungsfälle, in denen Materialien korrosionsbeständig sein müssen.

Generative KI kann Reinforcement Learning (eine Technik des Machine Learning) einsetzen, um die Platzierung von Komponenten im Halbleiterchipdesign (Floorplanning) zu optimieren und so die Lebenszykluszeit der Produktentwicklung von Wochen – mit menschlichen Experten – auf Stunden mit generativer KI zu reduzieren.

Generative KI ist eine Möglichkeit, synthetische Daten zu erstellen. Dabei handelt es sich um eine Klasse von Daten, die nicht aus direkten Beobachtungen der realen Welt gewonnen werden, sondern generiert werden. Dadurch wird die Vertraulichkeit der ursprünglichen Datenquellen, die zum Trainieren des Modells verwendet wurden, gewährleistet. So können beispielsweise Daten aus dem Gesundheitswesen für Forschungs- und Analysezwecke künstlich generiert werden, ohne die Identität der Patienten preiszugeben, deren Krankenakten verwendet wurden, und so ihre Privatsphäre zu wahren.

Generative KI ermöglicht es Branchen wie der Herstellungs-, Automobil-, Luft- und Raumfahrt- und Verteidigungsbranche, Teile zu entwerfen, die für bestimmte Ziele und Einschränkungen wie Leistung, Materialien und Herstellungsverfahren optimiert sind. So können Automobilhersteller beispielsweise generatives Design nutzen, um leichtere Designs zu entwickeln – und damit zu ihrem Ziel beizutragen, Autos kraftstoffeffizienter zu machen.

Die meisten KI-Systeme sind heute Klassifizierer, d. h. sie können darauf trainiert werden, zwischen Bildern von Hunden und Katzen zu unterscheiden. Die Systeme der generativen KI können so trainiert werden, dass sie ein Bild eines Hundes oder einer Katze erzeugen, das in der realen Welt nicht existiert. Die Fähigkeit der Technologie, kreativ zu sein, ist ein entscheidender Faktor.

Generative KI ermöglicht es Systemen, hochwertige Artefakte zu erstellen, wie beispielsweise Videos, Erzählungen, Trainingsdaten und sogar Designs und Schaltpläne. 

Generative Pre-trained Transformer (GPT) zum Beispiel ist eine umfangreiche Technologie für natürliche Sprache, die Deep Learning verwendet, um menschenähnlichen Text zu produzieren. Die dritte Generation (GPT-3) kann Geschichten, Lieder und Gedichte und sogar Computercode schreiben, indem es das wahrscheinlichste nächste Wort in einem Satz auf der Grundlage des akkumulierten Trainings vorhersagt – so schafft ChatGPT es, die Hausaufgaben Ihrer Kinder in Sekunden zu erledigen.

Neben Text können auch digitale Bildgeneratoren wie DALL·E 2, Stable Diffusion und Midjourney Bilder aus Text erzeugen. 

Es gibt eine Reihe von KI-Techniken, die für generative KI eingesetzt werden, aber in letzter Zeit sind vor allem die Basismodelle in den Vordergrund gerückt. 

Basismodelle werden vortrainiert, indem sie sich auf allgemeinen Datenquellen selbst überwachen, und können dann zur Lösung neuer Probleme angepasst werden. Basismodelle basieren hauptsächlich auf Transformer-Architekturen und verkörpern eine Art von tiefer neuronaler Netzwerkarchitektur, die eine numerische Darstellung von Trainingsdaten berechnet. 

Transformer-Architekturen lernen den Kontext und damit die Bedeutung, indem sie Beziehungen in sequentiellen Daten verfolgen. Transformer-Modelle wenden eine Reihe von mathematischen Techniken an, die als Aufmerksamkeit oder Selbstaufmerksamkeit bezeichnet werden, um zu erkennen, auf welche subtile Weise Datenelemente in einer Reihe, selbst wenn sie weit voneinander entfernt sind, einander beeinflussen und voneinander abhängen.

Bevor Sie mit voller Kraft voranschreiten, sollten Sie bedenken, dass generative KI nicht nur Chancen für Unternehmen bietet, sondern auch reale Gefahren birgt – einschließlich des Potenzials für Deepfakes, Urheberrechtsprobleme und andere böswillige Verwendungen dieser Technologie, die sich gegen Ihre Organisation richten könnten.

Arbeiten Sie mit den Führungskräften im Bereich Sicherheit und Risikomanagement zusammen, um proaktiv die Reputations-, Fälschungs-, Betrugs- und politischen Risiken zu mindern, die der böswillige Einsatz generativer KI für Einzelpersonen, Organisationen und Regierungen darstellt. 

Erwägen Sie auch die Einführung von Leitlinien für den verantwortungsvollen Einsatz generativer KI durch eine kuratierte Liste zugelassener Anbieter und Dienste. Bevorzugen Sie dabei diejenigen, die sich um Transparenz bei den Trainingsdatensätzen und der angemessenen Nutzung der Modelle bemühen und/oder ihre Modelle als Open Source anbieten.

Brian Burke ist Research VP für Technologie-Innovation und verfügt über 25 Jahre Erfahrung in den Bereichen Technologie-Innovation und Enterprise Architecture. Seine Forschung konzentriert sich in erster Linie auf das Aufspüren neuer und strategischer Technologie-Trends. Er war der Hauptautor von Die wichtigsten strategischen Technologie-Trends und von Hype Cycle für neue Technologien. Er ist auch der Autor des 2014 erschienenen Buches „Gamify: How Gamification Motivates People to Do Extraordinary Things.“