Künstliche Intelligenz
Conversion AI könnte der Schlüssel sein, um ein technologisches Plateau zu vermeiden
Die Nachfrage nach Inhalten verzeichnet ein beständiges und starkes Wachstum. Um eine realistische Vorstellung von der Wachstumsrate zu bekommen, führte Adobe eine Umfrage durch, die mehr als 2,600 customer experience and marketing professionals aus den wichtigsten Weltwirtschaften.
Die Umfrageergebnisse, die von Adobe im März 2023 veröffentlicht wurden, zeigten ein Wachstum der Nachfrage nach Inhalten von mindestens dem Doppelten in den letzten zwei Jahren. Etwa zwei Drittel waren noch optimistischer bezüglich der Zukunft von Inhalten. Sie sagten, sie erwarteten, dass die Nachfrage in den nächsten zwanzig Jahren um das Fünf- bis Zwanzigfache steigen würde.
Die Befriedigung dieser Nachfrage hat Unternehmen gezwungen, neue Modelle der Inhaltserstellung zu wählen. Laut der World Federation of Advertisers, haben über die Hälfte der großen internationalen Unternehmen interne Fähigkeiten zur Inhaltserstellung entwickelt. Aber reicht das? Nun, Conversion AI hat die Herausforderung gemeistert.
Was ist Conversion AI?
Conversion AI geht darum, künstliche Intelligenz zu nutzen, um Unternehmen zu helfen, besser mit ihren Kunden zu kommunizieren und mehr Verkäufe zu erzielen. Es unterstützt dabei, Inhalte wie Texte, Bilder und Töne zu erstellen, zu verbessern und zu verwalten. Dadurch können Unternehmen die Aufmerksamkeit ihres Publikums leichter gewinnen, Inhalte schaffen, die wirklich ansprechen, und das Nutzererlebnis verbessern – alles durch intelligente KI-Technologie.
Heute können Unternehmen Conversion AI nutzen, um eine Reihe von Content-Marketing-Zielen zu erreichen, darunter Facebook- und Google-Anzeigenkopien, Website-Inhalte, Social-Media-Beiträge und mehr. Aber wie ermöglicht Conversion AI das alles? Welche Technologie steckt dahinter? Dafür müssen wir etwas über Large Language Models oder LLMs wissen.
Was ist ein Large Language Model?
Es ist eine Art KI, die aus großen Mengen an Text und Daten lernen kann. Es gibt Anwendungsfälle, in denen diese KI-Modelle mit Hunderten von Milliarden Datenpunkten umgehen können, um sinnvolle Erkenntnisse, Strategien und Prognosen zu erzeugen.
Die Entstehung von LLMs kurz erklärt
Die modernen LLMs kamen 2017, also vor sechs Jahren, auf die Bildfläche. Diese LLMs nutzten Transformer-Modelle, die mit einer großen Anzahl von Parametern umgehen konnten, um schnell präzise Antworten zu verstehen und zu erzeugen.
Vier Jahre später, 2021, prägte das Stanford Institute for Human-Centered Artificial Intelligence den Begriff und das Konzept der Foundation Models. Der Name stammt daher, dass diese großen und einflussreichen Modelle als Grundlage für weitere Optimierungen und Anwendungsfälle dienen. Mit der Entwicklung von LLMs erfuhr die Inhaltserstellung, insbesondere in schriftlicher Form, bedeutende Veränderungen.
Die Auswirkungen von LLMs
Die Forschung von ARK Invest zeigt, dass sich in den letzten zwei Jahren die Schreibqualität von LLMs deutlich verbessert hat. Das hat zu mehr Vertrauen und zum Einsatz von LLM-basierten Lösungen zur Inhaltserstellung geführt.
Infolgedessen sind die Kosten für das Verfassen von Texten drastisch gesunken. Sie waren über das letzte Jahrhundert hinweg relativ konstant, bei etwa 100 US‑$ pro 1.000 geschriebene Wörter. In den letzten zwei Jahren ist dieser Preis jedoch auf 0,10 US‑$ und sogar noch weniger gesunken.
Leistung und Produktivität werden sich weiter verbessern, da die KI‑Trainingsleistung rasch voranschreitet. KI‑Forscher innovieren bei Training und Inferenz, Hardware und Modelldesigns, steigern die Leistung und senken gleichzeitig die Kosten. Es wird erwartet, dass 2024 im Vergleich zu 2023 mehr als das Fünffache an Leistungszuwächsen erzielt wird.
Es gab mehrere algorithmische Innovationen, die zu einer überlegenen Schreibfähigkeit sowie zu verbesserter Produktivität und Leistung von LLMs geführt haben. Reinforcement Learning aus menschlichem Feedback hat beispielsweise stark geholfen. Eingabeaufforderungen wurden optimiert und übertreffen menschliche Prompts um mehr als 50 %.
Speculative Decoding‑Fähigkeiten haben die Inferenz bei bestimmten Modellen um das Zwei‑ bis Dreifache beschleunigt. Forscher haben zudem proaktiv die Inferenzkosten priorisiert. Ihre Bemühungen zeigen Ergebnisse: Die Inferenzkosten sinken jährlich um fast 86 %, schneller als die Trainingskosten. GPT‑Modelle haben mit Flash Attention 2 fast eine dreifache Trainingsbeschleunigung erfahren.
Bei all diesen Verbesserungen und Erweiterungen, die in rasantem Tempo stattfinden, wird zudem untersucht, ob ein potenzielles Plateau bei der Nutzung von LLMs bevorsteht und ob ein solches Szenario vermieden werden kann.
Klicken Sie hier, um zu erfahren, warum 2023 das Durchbruchsjahr für künstliche Intelligenz war.
Mögliches Plateau von LLMs und dessen Vermeidung
Die Forscher untersuchen ein mögliches Szenario, in dem LLMs keine Daten mehr zur Verfügung stehen, was zu eingeschränkter Leistung führt. LLMs müssen kontinuierlich mit großen Datenmengen gefüttert werden, um weiter zu lernen und sich zu verbessern. Allerdings scheinen Rechenleistung und ein möglicher Mangel an Trainingsdaten ein Problem zu sein.
Laut Schätzungen von Epoch AI könnten hochwertige Sprach‑/Datenquellen, einschließlich Bücher und wissenschaftliche Arbeiten, bis 2024 erschöpft sein. Dann müsste man auf einen größeren Satz unerforschter Bilddaten zurückgreifen. Diese ungenutzten Bilddaten, die LLMs helfen können, ein Plateau zu vermeiden, umfassen gesprochene Worte und andere Arten von Daten aus der physischen Welt.
Studien zeigen, dass jährlich dreißig Billiarden Wörter gesprochen werden. Sprach‑zu‑Text‑Generatoren und ähnliche Werkzeuge erfassen täglich mehr als 80 Billionen gesprochene Wörter. Darüber hinaus erzeugen Taxis, Lastwagen, Drohnen und andere robotische Fahrzeuge große Mengen an Daten aus der physischen Welt sowie synthetische Daten, die die Primärdaten ergänzen. All diese unerforschten Daten könnten eine unvergleichliche Ressourcenschatz darstellen und LLMs verbessern.
Allerdings geht es bei Verbesserungen von Leistung, Produktivität und Qualität nicht nur darum, unerforschte Datenminen zu finden. Mehrere innovative Unternehmen unternehmen ganzheitliche Anstrengungen, um das Szenario umfassend zu verbessern.
#1. Replit AI
Wenn es um die Steigerung der Produktivität geht, ist Replit AI eine der großen Erfolgsgeschichten. Als Coding‑Assistent hat es die Produktivität und die Arbeitszufriedenheit von Softwareentwicklern erhöht. Es hilft, die iterativen Teile des Codierens zu eliminieren, sodass man sich auf die kreativen Aspekte der Arbeit konzentrieren kann.
Replit AI optimiert das Codieren, indem es einen KI‑Code‑Generator integriert, der das Wechseln von Tabs überflüssig macht und automatische Code‑Vorschläge für schnelleren Fortschritt bietet. Es verbessert das Projektverständnis mit seiner Code‑Context‑Funktion, die relevante nächste Zeilen vorschlägt, und erkennt proaktiv Probleme, indem es Korrekturen direkt im nahtlosen Editor‑Interface vorschlägt.
Insgesamt ist Replit AI ein effizientes Paket von KI‑Code‑Generierungsfunktionen, darunter Complete Code, Generate Code, Edit Code und Explain Code.
Replit AI wird von LLMs angetrieben. Es liefert Ergebnisse, die aus großen Sprachmodellen stammen, die auf öffentlich verfügbarem Code trainiert und von Replit abgestimmt wurden. Es berücksichtigt die konversationelle Eingabe und die verwendete Programmiersprache, um Vorschläge und Erklärungen zu den generierten Codes zu geben.
Die Funktionen von Replit AI stehen allen Nutzern kostenlos zur Verfügung. Man benötigt lediglich ein Replit‑Konto. Replit AI arbeitet am besten mit JavaScript‑ und Python‑Code, unterstützt jedoch 16 Sprachen, darunter Bash, C, C#, C++, CSS, Go, Java, JavaScript, HTML, PHP, Perl, Python, R, Ruby, Rust und SQL.
Laut den neuesten verfügbaren Informationen, the company raised US$97.4 million at a US$1.16 billion valuation to expand its cloud services and lead in AI development in April 2023.
#2. Github Copilot
Ein weiterer Coding‑Assistent, ähnlich wie Replit AI, der die Produktivität von Entwicklern bei Codierungsaufgaben im Jahr 2023 um das 2,2‑fache gesteigert hat, ist Github Copilot. Github Copilot bietet kontextbezogene Unterstützung über den gesamten Software‑Entwicklungszyklus hinweg.
Laut Umfragen zur Kundenzufriedenheit berichten Entwickler, die Github Copilot nutzen, von bis zu 75 % höherer Zufriedenheit mit ihrer Arbeit im Vergleich zu Nicht‑Nutzern und sind bis zu 55 % produktiver beim Schreiben von Code, ohne die Qualität zu beeinträchtigen.
Github Copilot trainiert sich selbst anhand von natürlichsprachigem Text und Quellcode aus öffentlich verfügbaren Quellen, einschließlich Code in öffentlichen Repositories auf GitHub. Es wird in allen Sprachen trainiert, die in öffentlichen Repositories vorkommen. Sprachen mit geringerer Präsenz können jedoch weniger effektiv sein. Github Copilot kann von einzelnen Entwicklern, Freelancern, Studierenden, Lehrenden und Open‑Source‑Betreuern genutzt werden.
Laut öffentlich verfügbaren Aussagen von Microsofts VP of Product Mario Rodriguez, floriert GitHub Copilot und erzielt einen Jahresumsatz von $100 million.
#3. MosaicML
MosaicML unterstützt das Training von LLMs und positioniert sich als Lösung, die generative KI für alle zugänglich macht, indem sie alles bietet, was zum Training und zur Bereitstellung von Modellen auf Benutzerdaten nötig ist. Die MPT Foundation Series erleichtert die Integration von LLMs in Anwendungen, die sowohl Open‑Source‑ als auch kommerziell lizenzierte Modelle nutzen.
Das Training mit MosaicML ermöglicht Entwicklern, Modelle mit voller Datenkontrolle vorzutrainieren oder feinzujustieren, wobei der Prozess auf einen einzigen Befehl, der auf einen S3‑Bucket abzielt, reduziert wird. Die Plattform bewältigt Orchestrierung, Knoten‑Ausfälle und Infrastruktur effizient, wie das Beispiel von Replit zeigt, das MosaicML nutzte, um sein Ghostwriter‑LLM zu trainieren und innerhalb einer Woche führende Ergebnisse zu erzielen.
MosaicMLs Ansatz für das Training in jeder Cloud‑Umgebung legt Wert auf Datenschutz, Sicherheit und vollständigen Modell‑Eigentum, mit Funktionen, die nahtlose Übergänge zwischen Clouds unterstützen. Es bietet vollständiges Daten‑Eigentum, Inhaltsfilterung nach geschäftlichen Anforderungen und Plug‑and‑Play‑Integration in bestehende Datenpipelines, ist cloud‑agnostisch und bewährt im Unternehmensumfeld.
Im Juni des Vorjahres wurde MosaicML von Databricks in einem Deal im Wert von $1.3 billion highlighted its significant market impact and value proposition.
#4. Anthropic
Anthropics Flaggschiff‑Produkt Claude läuft auf zwei Modellen: Claude und Claude Instant.
Claude ist das leistungsstärkste Modell von Anthropic und überzeugt bei einer Vielzahl von Aufgaben, von anspruchsvollen Dialogen und kreativer Inhaltserstellung bis hin zu detaillierten Anweisungen. Es funktioniert gut in Szenarien, die komplexes Denken, Kreativität, durchdachte Dialoge, Codierung und detaillierte Inhaltserstellung erfordern.
Claude Instant – die schnellere und günstigere Version von Claude – unterstützt bei lockeren Dialogen, Textanalyse, Zusammenfassungen und Dokumentenverständnis. Es eignet sich gut, wenn Leistung zu niedrigen Kosten gefordert ist, und arbeitet mit reduzierter Latenz.
Insgesamt ist Claude geeignet für die Verarbeitung großer Textmengen, natürliche Gespräche, das Abrufen von Antworten und die Automatisierung von Workflows. Von Kundenservice über Rechtswesen, Coaching, Suche bis hin zu Back‑Office‑Aufgaben ist Claude für verschiedene Anwendungsfälle geeignet.
#5. Humata
Mit Humata kann man lange technische Fachartikel mühelos durchblättern. Die Humata PDF‑KI hilft, Ergebnisse zusammenzufassen, Dokumente zu vergleichen und nach Antworten zu suchen. Sie ist mit unbegrenzten hochgeladenen Dateien kompatibel, ohne Beschränkung der Dateigröße. Die Antworten der Dokument‑KI enthalten Zitate, sodass man die Herkunft der Erkenntnisse nachverfolgen kann.
Da sie wie ChatGPT für PDFs ist, kann sie die Zusammenfassung nach Belieben umschreiben. Im Gegensatz zu ChatGPT kann Humata jedoch mit Dateien arbeiten, jede hochgeladene Datei lesen und Antworten basierend auf dem Inhalt der Dokumente generieren.
Am 2. Oktober 2023 gab Humata AI den erfolgreichen Abschluss seiner neuesten Finanzierungsrunde bekannt, bei der es 3,5 Millionen US‑$ von Googles Gradient Ventures, Cathie Woods ARK Invest, M13 und anderen prominenten Business Angels für seine Seed‑Runde aufgebracht hat.
#6. OpenAI
Abschließend kann keine Diskussion über KI, ihr LLM‑Lernen und Funktionen zur Inhaltserstellung vollständig sein, ohne OpenAI zu erwähnen, das Unternehmen, das am bekanntesten generative Modelle mit einer Technologie namens Deep Learning entwickelt, die große Datenmengen nutzt, um KI‑Systeme zu trainieren.
OpenAI bietet Chat-, Bild‑ und Audiodienste an. Sein GPT‑3, ein autoregressives Sprachmodell, wurde mit 175 Milliarden Parametern trainiert. Darüber hinaus hat es Sprachmodelle trainiert, die noch besser als GPT‑3 darin sind, Nutzerintentionen zu folgen.
Unter den bildbezogenen Produkten hat OpenAIs Forschung zu generativen Bildmodellen zu Repräsentationsmodellen wie CLIP geführt, das eine Zuordnung zwischen Text und Bildern für eine KI erstellt, und DALL‑E, ein Werkzeug zur Erstellung lebendiger Bilder aus Textbeschreibungen.
Schließlich hat es Fortschritte im Audiobereich mit Whisper, Jukebox und MuseNet erzielt. Whisper bietet robuste englische Spracherkennungsfunktionen, während Jukebox Musik in verschiedenen Genres und Künstlerstilen erzeugt. MuseNet ist ein tiefes neuronales Netzwerk, das vollwertige musikalische Kompositionen mit einer Vielzahl von Instrumenten generieren kann.
Jenseits des Plateaus: Der Weg nach vorn
Künstliche Intelligenz hat die Inhaltserstellung in sehr kurzer Zeit um Millionen von Meilen vorangebracht. Die Zukunft wird heller und wohlhabender sein, in der rechnerische Systeme und Software, die mit Daten wachsen, unlösbare Probleme lösen werden.
Wirtschaftssektoren aller Art werden die Technologie besser nutzen können, indem sie alle Arten von wiederholender und zeitaufwändiger Wissensarbeit automatisieren. Während Modelle wie GPT‑4 die Produktivität steigern, werden Open‑Source‑KI‑Modelle zu drastisch reduzierten Betriebskosten und radikal verbesserter Effizienz führen. Forscher schätzen nicht nur die Vermeidung eines technologischen Plateaus, sondern auch eine Vervierfachung der Produktivität von Wissensarbeitern bis 2030.
Dies unterstreicht die Bedeutung von Large Language Models im technologischen Ökosystem, die dabei eine entscheidende Rolle gespielt haben. Sie halfen Produkten wie ChatGPT, das öffentliche Verständnis von KI zu festigen, und ermöglichten es, eine einfache Chat‑Oberfläche anzubieten, die jeder in jeder Sprache zu seinem Nutzen verwenden kann.
Klicken Sie hier, um alles über Investitionen in künstliche Intelligenz (KI) zu erfahren.
