TIn den letzten Monaten ist die sogenannte „Generative KI“ auf dem Vormarsch, ein Teilgebiet der Künstlichen Intelligenz (KI). Instruments wie ChatGPT sind zu einem der am häufigsten gesprochenen Wörter geworden und werden in vielen Berufen zu grundlegenden Werkzeugen für alltägliche Aufgaben (sogar um das Codieren zu lernen).
Wörter wie „DALL-E„“, „ChatGPT“ und „Generative AI“ haben in den letzten Monaten soziale Netzwerke, Medien, Chats mit Kollegen und alles, was mit unserer Welt zu tun hat, durchdrungen. Im wahrsten Sinne des Wortes reden alle darüber.
Aber was ist generative KI? Warum unterscheidet sich das von „normaler“ KI?
In diesem Artikel klären wir das Gesamtbild hinter generativer KI. Wenn Sie additionally an Diskussionen teilgenommen haben, aber keine klare Vorstellung zu diesem Thema haben, ist dieser Artikel definitiv das Richtige für Sie.
Dies ist eine diskursive Erklärung, um die Grundlagen dessen zu verstehen, was sich hinter den Kulissen der generativen KI verbirgt. Machen Sie sich additionally keine Sorgen: Hier finden Sie keinen Code. Es sind lediglich Ideen und Beschreibungen, die sehr kurz und prägnant präsentiert werden. Insbesondere konzentrieren wir uns auf große Sprachmodelle und Bilderzeugungsmodelle.
Hier ist eine Zusammenfassung dessen, was Sie hier lernen werden:
Desk of Contents:
What's generative AI and the way does it differ from trditional AI?
Giant Language Fashions
Picture era
Generative KI ist ein Teilgebiet der KI, bei dem Algorithmen erstellt werden, die neue Daten wie Bilder, Textual content, Code und Musik generieren können.
Der große Unterschied zwischen generativer KI und „traditioneller KI“ besteht darin, dass erstere auf Foundation der Trainingsdaten neue Daten generiert. Außerdem funktioniert es mit Datentypen, die „traditionelle KI“ nicht verarbeiten kann.
Sagen wir es etwas technischer:
- „Traditionelle KI“ kann als diskriminierende KI definiert werden. In diesem Fall trainieren wir tatsächlich Modelle für maschinelles Lernen, damit sie Vorhersagen oder Klassifizierungen für neue, unsichtbare Daten treffen können. Diese ML-Modelle können nur mit Zahlen und manchmal auch mit Textual content arbeiten (z. B. im Fall von Pure Language…)
