Der Hype um Generative AI ist real. Du fragst dich vielleicht, was dieses komplizierte und futuristisch klingende Wort eigentlich bedeutet und vor allem, wie es funktioniert.
Für diejenigen, die (wie ich) nichts darüber wussten, bezieht es sich auf die unüberwachte und halbüberwachte maschinelle Lernalgorithmen, die es Geräten ermöglichen, vorhandene Inhalte wie Bilder, Audio, Texte, Videos oder sogar Code zu nutzen, um neue mögliche Inhalte zu erstellen. Die Hauptidee besteht darin, originale Artefakte zu generieren, die echt aussehen, und all das dank Daten.
Bist du immer noch verwirrt? Lass mich dir ein einfaches Beispiel geben, um es besser zu verstehen: Ich habe beschlossen, auf einer Generative AI-Plattform (dem mittlerweile berühmten Dall-E-2) Inhalte zu generieren und die Begriffe „Zitronen“ und „Kundensupport“ eingegeben. Ich habe ein paar Sekunden gewartet und jetzt durchblättere ich generierte Bilder und Videos von Zitronen, die Headsets tragen oder Telefone beantworten. So etwas hatte ich noch nie zuvor gesehen!
Aber so einfach, wie es aussieht, ist es nicht.
Generative AI-Algorithmen benötigen eine enorme Menge an Trainingsdaten, um Aufgaben zu erfüllen, da sie Inhalte kombinieren, die sie bereits kennen, was hauptsächlich durch Datenannotation erfolgt. Datenannotation ist ein wesentlicher Prozess, bei dem Daten mit Labels versehen werden, um sie für künstliche Intelligenz-Systeme nutzbar zu machen, insbesondere solche, die überwachtes oder unüberwachtes maschinelles Lernen verwenden. Mit anderen Worten, Datenannotation trainiert künstliche Intelligenz durch maschinelles Lernen, Zuschneiden, Kategorisieren und Labeln großer Mengen von Datensätzen, die alle Arten von Inhalten umfassen: Bilder, Videos, Audios, Texte…
Ohne Datenlabeler würde künstliche Intelligenz einfach nicht existieren.
Was ich auch sagen möchte, ist, dass es keine künstliche Bewusstheit gibt (noch nicht?). Generative AI erstellt kein Kunstwerk, weil es weiß, dass es schön ist, oder wegen der schönen Farben. Nein, es erstellt Inhalte basierend auf den Daten, die es versteht, und stellt dabei Verbindungen zwischen den Konzepten her. Und all dies ist dank der Annotation möglich.
Aber hier kommen die Risiken.
Hast du schon einmal von „einem Lachs, der im Fluss schwimmt“ gehört? Oder vielleicht bist du auf das unten stehende Bild auf Social-Media-Plattformen gestoßen:
Auf diesem Bild kannst du zweifellos einen Lachs „schwimmen“ im Fluss beobachten. Doch der Zustand dieses armen Lachses wurde von der Generative AI nicht eindeutig erkannt. Stattdessen siehst du ein scheinbar appetitliches Stück Lachs-Sashimi, das in einem Fluss treibt.
Können wir generativer KI wirklich vertrauen? Kann sie zuverlässig sein?
Hier kommt wieder die Bedeutung von qualitativer Annotation ins Spiel. Es genügt nicht, oberflächliche Annotationen durchzuführen und davon auszugehen, dass die generative KI sich weiterentwickelt und effizienter wird. Nein, qualitative Annotation liefert qualitativ hochwertige generative KI. Mit mehr Datenannotationen könnten somit Vorfälle wie der „Lachsfisch-Vorfall“ oder noch Schlimmeres vermieden werden.
Tatsächlich haben neuronale Netzwerke die Fähigkeit, unglaublich wichtige Dinge zu tun.
Nehmen wir das Beispiel, als eine Armee neuronale Netzwerke einsetzte, um getarnte Panzer von gewöhnlichen Wäldern zu unterscheiden. Das Problem war, dass die Bilder der Panzer an bewölkten Tagen aufgenommen wurden, während die Bilder des Waldes an sonnigen Tagen aufgenommen wurden. Das neuronale Netzwerk konnte nun zwischen sonnigen und bewölkten Tagen unterscheiden, anstatt die Präsenz von Panzern. Es hatte auf falsche Weise gelernt, die beiden zu unterscheiden.
Unabhängig von den Fehlern lässt sich nicht bestreiten, dass generative KI Anwendungen in vielen Bereichen hat, darunter Marketing, Bildung, Gesundheitswesen und Unterhaltung.
Bist du immer noch skeptisch, was die Leistungsfähigkeit von generativer KI betrifft? Was würdest du sagen, wenn ich dir sagen würde, dass generative KI jetzt frühzeitig Blindheit bei Diabetespatienten erkennen kann?
Tatsächlich können Diabetiker mehrere langfristige negative Auswirkungen haben, darunter Retinopathie. Dabei handelt es sich um die fortschreitende Verdunkelung der Netzhaut eines Patienten bis hin zur Beeinträchtigung des Sehvermögens. Generative KI-basierte Anwendungen können somit Millionen von Bildern von Patienten mit Retinopathie auswerten, um neue Datensätze für alle Szenarien zu generieren. Diese Datensätze zeigen auch, wie frühstadiumige Retinopathie bei Patienten aussieht. Sobald dies erreicht ist, können Augenärzte präventive Maßnahmen ergreifen, um die diabetische Retinopathie der Patienten zu behandeln oder sogar vollständig zu beseitigen.
Die Technologie der generativen KI, wie im Gesundheitswesen beobachtet, kann aufgrund der zur Verfügung gestellten Daten eine Vielzahl von Ergebnissen generieren. Diese Funktionalität ist im Gesundheitswesen wichtig, da menschliche und tierische Körper viele Komplexitäten aufweisen, für deren Bewältigung vorhandene Daten verwendet werden müssen, um neue zu generieren.
You may now have realized that machine learning algorithms need tens of thousands of datasets in order to carry out different tasks. It also needs accurate data annotations. How dangerous would it be to experience mistakes in the healthcare department for example?
Wie du bereits gesehen hast, kann generative KI in verschiedenen Bereichen, einschließlich der Kunst, eingesetzt werden. Ein faszinierendes Beispiel dafür ist das fortlaufende Projekt „Artificial Natural History“ (2020) von Sofia Crespo, das spekulative, künstliche Lebensformen durch das Prisma eines „nie existierten Naturkundebuchs“ untersucht. Dabei wird moderne KI genutzt, um Kunstwerke zu erschaffen.
Die Autorin hat verzerrte Serien von Kreaturen mit imaginären Merkmalen geschaffen, die neue biologische Klassifikationen erfordern. Solche Kunstwerke können mit der unendlichen Vielfalt der Natur spielen, von der wir eine grenzenlose Vorstellung haben.
Hier findest du Beispiele von KI-generierten Kreaturen in „Artificial Natural History“.
Wenn ein Sänger stirbt, spekulieren Fans immer darüber, welche Musik er/sie gemacht hätte, wenn er/sie weitergelebt hätte. Manchmal tauchen sogar neue Songs auf, nachdem ein Sänger gestorben ist, wie zum Beispiel „Face it Alone“ (2022) von Queen, bei dem 31 Jahre nach seinem Tod unveröffentlichte Gesangsaufnahmen von Freddie Mercury verwendet wurden.
Was wäre, wenn wir ihre Stimmen hören könnten, egal in welchem Jahr, mit tatsächlich neuen Songs? Was wäre, wenn wir immer noch Freddie Mercury, Amy Winehouse, Jimi Hendrix, Kurt Cobain, Michael Jackson, Whitney Houston, Prince, Elton John und viele andere im Jahr 2022 hören könnten?
Was wäre, wenn es tatsächlich möglich wäre? Nein… Was wäre, wenn es bereits geschehen ist?
Eine Organisation hat einen ’neuen‘ Nirvana-Song namens ‚Drowned in the Sun‘ mit Hilfe von KI-Software erstellt, um das Songwriting des Sänger-Gitarristen annähernd zu reproduzieren. Abgesehen vom Gesang, der von Eric Hogan, dem Frontmann einer Nirvana-Tribute-Band, stammt, geben die Schöpfer des Songs zu, dass alles an dem Song das Werk eines Computers ist. „Lost Tapes of the 27 Club“ ist ein Projekt, das von Maschinen geschriebene und gespielte Songs von Musikern beinhaltet, die im Alter von 27 Jahren gestorben sind: Jimi Hendrix, Amy Winehouse, Jim Morrison… Jeder Song ist das Ergebnis einer Maschine, die 30 Songs von jedem Sänger analysiert und die Gesangsmelodien, Gitarrenriffs, Akkordwechsel, Texte, Schlagzeugmuster und vieles mehr studiert, um zu erraten, wie ihre neuen Kompositionen klingen würden.
Hier sind einige Beispiele von KI-erstellten Songs.
Für weitere Informationen besuche diese Website.
Es gibt viele Anwendungsfälle für generative KI. Sie kann brandneue Inhalte mithilfe vorhandener Datensätze erstellen und so den Weg für maschinelles Lernen in der Zukunft ebnen, wenn der Wert von Daten noch weiter steigt.
Andere glauben, dass die größte Chance für Generative KI in der Sprache liegt.
AI-powered text generation will create many orders of magnitude more value than will AI-powered image generation in the years ahead. Machines’ ability to generate language—to write and speak—will prove to be far more transformative than their ability to generate visual content.“
Die Anwendungsmöglichkeiten von Generative AI nehmen stetig zu, mit einer erwarteten jährlichen Wachstumsrate von 19,8% von 2022 bis 2027 (Imarc, 2022) und ständig neuen Akteuren, die die Zukunft von Generative AI gestalten. Dies ist vor allem auf die Verfügbarkeit von Open-Source-Tools und APIs zurückzuführen, die es ihnen ermöglichen, alle Arten von Inhalten wie Text, Video, Code, 3D usw. zu verarbeiten. Zum Beispiel in der unten stehenden Übersicht von Sonya Huang, General Partner bei Sequoia Capital, die auch einen detaillierten Bericht zu diesem Thema veröffentlicht hat.
Du hast möglicherweise festgestellt, dass Generative AI tatsächlich jeden Inhalt erstellen kann. Dennoch ist es wichtig, über „Grauzonen“ zu sprechen. Heutzutage konkurrieren Menschen und Maschinen nicht im gleichen Bereich, wie zum Beispiel in der Kunst. Menschen haben kleine Unterbewusstseinstore, in denen ihre begrenzten Lebenserfahrungen gespeichert sind, im Vergleich zu KI-Systemen, die über riesige Töpfe verfügen. KI-Systeme besitzen das Wissen und die Daten von Milliarden von Menschen, was zu ungleichem Wissen führt.
Es wäre also einfach zu sagen, dass Inhalte, die von einer generativen KI erstellt wurden, von der Arbeit eines Menschen getrennt werden können, aber nicht unbedingt. Menschen sind jetzt in der Lage, Teile ihrer Arbeit mit Hilfe von KI zu produzieren oder zu verbessern, was uns wieder zur „Grauzone“ führt. Handelt es sich um von einem Menschen oder von einer Maschine erstellten Inhalt?
Mehrere Unternehmen haben daran gearbeitet, Systeme zu entwickeln, die zur Bewältigung von Grauzonen und Fehlinformationen eingesetzt werden können. Das Ziel besteht darin, sicherzustellen, dass Kreative für ihre Arbeit anerkannt werden und dass Menschen die Herkunft und die verwendeten Methoden zur Erstellung des Inhalts verstehen können.
Daher entstand der Begriff „Verantwortliche KI“, bei dem Systeme eingesetzt werden, um jedem zu ermöglichen zu wissen, woher jedes digitale Stück Inhalt stammt und ob generative KI beteiligt war oder nicht.
Künstler bleiben Künstler, unabhängig von der Entwicklung von Generative AI oder anderen Technologien. Es ist noch ein langer Weg, bis Maschinen unsere Kreativität und Emotionen übernehmen (hoffentlich)!
Wir annotieren, markieren, segmentieren und bereichern deine Daten, um deine künstlichen Intelligenzlösungen aufzubauen und zu trainieren:
