Einer der vielversprechendsten Anwendungsfälle generativer KI ist die Beschleunigung der Arzneimittelentdeckung und -forschung. Generative KI kann neuartige Proteinsequenzen mit spezifischen Eigenschaften für die Entwicklung von Antikörpern, Enzymen, Impfstoffen und Gentherapien erstellen.

Unternehmen aus dem Gesundheits- und Biowissenschaftssektor nutzen generative KI-Tools, um synthetische Gensequenzen für Anwendungen in der synthetischen Biologie und in der Stoffwechsel-Technik zu entwerfen. Sie können beispielsweise neue Biosynthesewege entwickeln oder die Genexpression für Zwecke der Bioproduktion optimieren.

Generative KI-Tools erstellen auch synthetische Patienten- und Gesundheitsdaten. Diese Daten können zum Trainieren von KI-Modellen, zum Simulieren klinischer Studien oder zum Studium seltener Krankheiten nützlich sein, ohne dass Zugriff auf große reale Datensätze besteht.

Weitere Informationen über generative KI im Gesundheitswesen und in den Biowissenschaften in AWS

Automobilunternehmen nutzen generative KI-Technologie für viele Zwecke, von der Technik bis hin zu Erlebnissen im Fahrzeug und Kundenservice. Sie optimieren beispielsweise das Design mechanischer Teile, um den Luftwiderstand in der Fahrzeugkonstruktion zu verringern, oder passen das Design persönlicher Assistenten an.

Autounternehmen nutzen generative KI-Tools, um einen besseren Kundenservice zu bieten, indem sie schnelle Antworten auf die häufigsten Kundenfragen geben. Generative KI schafft neue Materialien, Chips und Teiledesigns, um Herstellungsprozesse zu optimieren und Kosten zu senken.

Ein weiterer Anwendungsfall für generative KI ist die Synthese von Daten zum Testen von Anwendungen. Dies ist besonders hilfreich für Daten, die nicht oft in Test-Datensätzen enthalten sind (z. B. Fehler oder Grenzfälle).

Weitere Informationen zu generativer KI für die Automobilindustrie in AWS

Weitere Informationen zu generativer KI in der Fertigung in AWS

Bei generativen KI-Anwendungsfällen in der Telekommunikation geht es darum, das Kundenerlebnis neu zu erfinden, das durch die kumulativen Interaktionen von Subscribern über alle Berührungspunkte der Kundenreise hinweg definiert wird.

Beispielsweise setzen Telekommunikationsunternehmen generative KI ein, um den Kundenservice mit menschenähnlichen Live-Gesprächspartnern zu verbessern. Sie erfinden Kundenbeziehungen mit personalisierten persönlichen Verkaufsassistenten neu. Darüber hinaus optimieren sie die Netzwerkleistung, indem sie Netzwerkdaten analysieren und Korrekturen empfehlen. 

Weitere Informationen zu generativer KI für Telekommunikation in AWS

Von Animationen und Drehbüchern bis hin zu Filmen in voller Länge produzieren generative KI-Modelle neuartige Inhalte zu einem Bruchteil der Kosten und in der Zeit einer herkömmlichen Produktion.

Weitere Anwendungsfälle für generative KI in der Branche sind:

• Künstler können ihre Alben mit KI-generierter Musik ergänzen und verbessern und so völlig neue Erlebnisse schaffen.
• Medienunternehmen nutzen generative KI, um das Erlebnis ihres Publikums durch das Anbieten personalisierter Inhalte und Anzeigen zu verbessern und so ihre Umsätze zu steigern.
• Spieleunternehmen nutzen generative KI, um neue Spiele zu erstellen und Spielern die Erstellung von Avataren zu ermöglichen.

Im Jahr 2017 kam es mit der Einführung von Transformatoren zu einem weiteren Wandel in der KI-Forschung. Transformatoren integrierten die Encoder- und Decoder-Architektur nahtlos mit einem Aufmerksamkeitsmechanismus. Sie optimierten den Trainingsprozess von Sprachmodellen mit außergewöhnlicher Effizienz und Vielseitigkeit. Bemerkenswerte Modelle wie GPT erwiesen sich als grundlegende Modelle, die in der Lage waren, umfangreiche Rohtextkorpora vorab zu trainieren und für verschiedene Aufgaben zu optimieren.

Transformatoren veränderten, was für die Verarbeitung natürlicher Sprache möglich war. Sie ermöglichten generative Fähigkeiten für Aufgaben, die von der Übersetzung und Zusammenfassung bis hin zur Beantwortung von Fragen reichten.

Viele Modelle der generativen KI machen weiterhin erhebliche Fortschritte und haben branchenübergreifende Anwendungen gefunden. Jüngste Innovationen konzentrieren sich auf die Verfeinerung von Modellen für die Arbeit mit proprietären Daten. Forscher wollen auch Texte, Bilder, Videos und Sprache erstellen, die immer menschenähnlicher werden.

Das generatives adverser Netzwerk (GAN) ist ein weiteres generatives KI-Modell, das auf dem Konzept des Diffusionsmodells aufbaut.

GANs arbeiten, indem sie zwei neuronale Netzwerke auf kompetitive Weise trainieren. Das erste Netzwerk, als Generator bekannt, generiert gefälschte Datenproben, indem es zufälliges Rauschen hinzufügt. Das zweite Netzwerk, der sogenannte Diskriminator, versucht, zwischen echten Daten und gefälschten Daten zu unterscheiden, die vom Generator erzeugt werden. 

Während des Trainings verbessert der Generator kontinuierlich seine Fähigkeit, realistische Daten zu erzeugen, während der Diskriminator besser darin wird, echte von falschen Daten zu unterscheiden. Dieser gegnerische Prozess setzt sich fort, bis der Generator Daten erzeugt, die so überzeugend sind, dass der Diskriminator sie nicht von echten Daten unterscheiden kann.

GANs werden häufig zur Generierung realistischer Bilder, zur Stilübertragung und zur Datenerweiterung verwendet.

Variationelle Auto-Encoder (VAEs) lernen eine kompakte Darstellung von Daten, die als latente Umgebung bezeichnet wird. Die latente Umgebung ist eine mathematische Darstellung der Daten. Sie können sie sich als einen eindeutigen Code vorstellen, der die Daten anhand all ihrer Attribute darstellt. Wenn Sie beispielsweise Gesichter untersuchen, enthält die Latenzumgebung Zahlen, die die Augenform, die Nasenform, die Wangenknochen und die Ohren angeben.

VAEs verwenden zwei neuronale Netzwerke – den Encoder und den Decoder. Das neuronale Netzwerk des Encoders ordnet die Eingabedaten einem Mittelwert und einer Varianz für jede Dimension der latenten Umgebung zu. Das Netzwerk generiert eine zufälligen Stichprobe aus einer Gaußschen Normalverteilung. Dieses Beispiel ist ein Punkt in der latenten Umgebung und stellt eine komprimierte, vereinfachte Version der Eingabedaten dar.

Das neuronale Netzwerk des Decoders nimmt diese Stichprobe aus der latenten Umgebung und rekonstruiert ihn wieder in Daten, die der ursprünglichen Eingabe ähneln. Mathematische Funktionen werden verwendet, um zu messen, wie gut die rekonstruierten Daten mit den Originaldaten übereinstimmen.

Das Transformator-basierte Modell der generativen KI baut auf den Encoder- und Decoder-Konzepten von VAEs auf. Transformator-basierte Modelle fügen dem Encoder weitere Ebenen hinzu, um die Leistung bei textbasierten Aufgaben wie das Verstehen, Übersetzen und kreatives Schreiben zu verbessern.

Transformator-basierte Modelle verwenden einen Selbstaufmerksamkeitsmechanismus. Sie wägen die Bedeutung verschiedener Teile einer Eingabesequenz bei der Verarbeitung jedes Elements in der Sequenz ab.

Ein weiteres wichtiges Feature ist, dass diese KI-Modelle kontextbezogene Einbettungen implementieren. Die Kodierung eines Sequenzelements hängt nicht nur vom Element selbst ab, sondern auch von seinem Kontext innerhalb der Sequenz.

Funktionsweise Transformator-basierter Modelle

Um zu verstehen, wie Transformator-basierte Modelle funktionieren, stellen Sie sich einen Satz als eine Folge von Wörtern vor.

Die Selbstaufmerksamkeit hilft dem Modell dabei, sich bei der Verarbeitung jedes Wortes auf die relevanten Wörter zu konzentrieren. Das Transformer-basierte generative Modell verwendet mehrere Encoder-Ebenen, sogenannte Attention Heads, um unterschiedliche Beziehungstypen zwischen Wörtern zu erfassen. Jeder Kopf lernt, auf unterschiedliche Teile der Eingabesequenz zu achten, wodurch das Modell verschiedene Aspekte der Daten gleichzeitig berücksichtigen kann.

Jede Ebene verfeinert außerdem die kontextbezogene Einbettungen, wodurch sie informativer werden und alles von der Grammatiksyntax bis hin zu komplexen semantischen Bedeutungen erfasst wird.