Gesellschaftlicher Durchbruch der Large Language Models

Das Jahr 2023 symbolisiert eine Zeitenwende für den Einsatz von Künstlicher Intelligenz. OpenAI hat mit ChatGPT ein Large Language Model (LLM) entwickelt, dass in nur zwei Monaten 100 Millionen Nutzer erreichte. Das ist schneller als jede andere Verbraucheranwendung in der Geschichte. Das System bewies, dass LLMs nicht nur beeindruckend, sondern auch unmittelbar nützlich waren. Zum ersten Mal konnten normale Menschen mit einem KI-System in natürlicher Sprache kommunizieren und erhielten Antworten, die kohärent und hilfreich waren und wie echtes Verständnis wirkten. KI war nicht mehr ein Forschungsprojekt und Expertenthema, sondern sie war Realität und unmittelbar nützlich für Arbeit, Lernen und Kreativität. Das war nur der Startschuss, viele weitere grosse Sprachmodelle von anderen Herstellern und Weiterentwicklungen folgten.

Grundsätzlich gehören Large Language Models zur Familie der Deep-Learning-Modelle, die durch künstliche neuronale Netzwerke mit vielen Schichten realisiert werden. Diese Modelle zeichnen sich durch eine enorme Anzahl von trainierbaren Parametern aus. Das Training solcher Modelle erfolgt auf massiven Datenmengen. LLMs basieren auf der sogenannten Transformer-Architektur. Diese bildet die Grundlage aller modernen grossen Sprachmodelle. Transformer-Architekturen können alle Beziehungen zwischen Wörtern im gesamten Text parallel verarbeiten, anstatt sequenziell vorzugehen. Der zentrale technologische Durchbruch bei Transformern ist der sogenannte Attention-Mechanismus. Dieser Mechanismus ermöglicht es dem Modell, für jedes Wort (Token) zu berechnen, welche anderen Wörter im Text am relevantesten sind. Daher sind LLMs hochsophistizierte Vorhersagemaschinen, die nichts wirklich wissen, sondern statistisch wahrscheinliche Fortsetzungen von Text berechnen. Das erklärt einerseits ihre unbestrittenen Fähigkeiten, andererseits auch die Limitationen der LLMs. Sie können überzeugend klingende, aber völlig falsche Informationen (Halluzinationen) generieren. Ausserdem ist der enorme Energieverbrauch der gegenwärtig verwendeten KI-Prozessoren ein limitierender Faktor.

Bildergalerie

Die Geburt der KI-Agenten

Ein weiterer wichtiger Meilenstein bei der Entwicklung von Künstlicher Intelligenz war die Geburt des Agentic AI oder auf deutsch des KI-Agenten. KI-Agenten-Systeme reagieren nicht passiv auf einzelne Prompts, sondern verfolgen proaktiv Ziele und treffen eigene Entscheidungen. Ein Beispiel aus der Industrie ist der Siemens Industrial Copilot. Ursprünglich war es ein klassisches Copilot-System, das hauptsächlich auf Benutzeranfragen antwortete. Heute zeichnet sich der Siemens Industrial Copilot durch mehrere agentenähnliche Funktionen aus. Im Engineering-Bereich kann er beispielsweise SPS-Code generieren, Test-Cases erstellen, HMI-Visualisierungen automatisch erstellen und sogar komplexe Automatisierungsprojekte in Teilaufgaben zerlegen und diese autonom ausführen. Im Betrieb und in der Wartung kann der Copilot Maschinenfehlercodes diagnostizieren, massgeschneiderte Lösungen vorschlagen und sogar direkt mit Maschinen kommunizieren.

Halbleiter- und Leiterplatten-Designportfolio

Schnellere Innovationen mit generativer KI und KI-Agenten

Künstliche Intelligenz beim Autonomen Fahren

Auch das Thema autonomes Fahren wird sehr von der Künstlichen Intelligenz getrieben, nicht nur auf der Strasse, sondern auch in der Logistik und Intralogistik. Während autonome Fahrzeuge im Privatverkehr noch Jahre von der Serienreife entfernt sind, haben sie in der industriellen Logistik bereits konkrete Anwendungen gefunden. Unternehmen nutzen KI-gesteuerte Fahrzeugtechnologien, um Transportprozesse zu automatisieren, Kosten zu senken und die Effizienz entlang der gesamten Lieferkette zu steigern.

KI-basierte autonome Fahrzeuge verlassen sich auf ein komplexes Sensorsystem zur Umgebungswahrnehmung. Die erfassten Sensordaten werden durch tiefe neuronale Netze verarbeitet, die Objekte erkennen, klassifizieren und deren Bewegungsmuster vorhersagen. Diese KI-Modelle basieren auf maschinellem Lernen und wurden mit grossen Mengen an Fahrdaten trainiert. Generative KI spielt dabei eine zunehmend wichtigere Rolle. Moderne autonome Fahrzeuge nutzen zudem sogenannte Edge KI, bei der kleinere KI-Modelle lokal im Fahrzeug laufen und kritische Aufgaben wie die Echtzeit-Wahrnehmung verarbeiten. Gleichzeitig werden datenintensive Workloads wie grossflächige Wahrnehmungsaufgaben oder komplexe Prognosen in die Cloud ausgelagert. Dies ermöglicht eine Kombination aus Echtzeit-Reaktionsfähigkeit und komplexer Datenverarbeitung.

Projekt Salsa vom Fraunhofer IOSB

KI ermöglicht Schlaf beim autonomen Fahren

Mobile Robotik

Smart Factory bei Krone: Automatisierung für die Zukunft

(ID:48237588)