Generative KI ist ein beliebter Begriff in der Geschäftswelt, und die zugrundeliegende Technologie, Foundation Models (kurz FMs), gewinnt aufgrund ihrer breiten Anwendung und Akzeptanz an Zugkraft. Die Technologie ist für Unternehmen auf der ganzen Welt von großem Wert, da sie es ihnen ermöglicht, einen Wettbewerbsvorteil zu erlangen und die Geschäftsabläufe zu beschleunigen. Allerdings ist dieser Bereich mit viel Fachchinesisch behaftet, da die Begriffe oft vermischt, verwechselt und falsch verwendet werden. Daher dient dieser Blogbeitrag als Komplettlösung, um die Grundlagen der FM zu klären und ihre Anwendungen für Ihr Unternehmen zu bestimmen.

Was sind Foundation Models (Basismodelle)?

Foundation Models sind große KI-Modelle, die auf umfangreichen Datensätzen trainiert wurden und für eine Vielzahl von Aufgaben in verschiedenen Domänen eingesetzt werden können. Sie sind ein Grundbaustein der modernen KI-Entwicklung, auf denen spezialisiertere Anwendungen und Dienste aufgebaut werden können, und revolutionieren so die Art und Weise, wie KI-Systeme entwickelt und eingesetzt werden.

Der Begriff Foundation Model gewann insbesondere an Bedeutung mit dem Aufkommen großer Sprachmodelle wie GPT-3 (Generative Pre-trained Transformer 3), entwickelt von OpenAI und verwendet in ChatGPT. Diese Modelle haben ein tiefes Verständnis der natürlichen Sprache und sind in der Lage, auf Nutzerinput hin menschenähnliche Texte zu generieren. Sie können z.B. sowohl zum Thema „Tipps: Reise nach Istanbul“ als auch „Bedeutung des EBITs für Firmen“ Konversationen führen.

Der Erfolg großer Sprachmodelle wie GPT-3 zeigt das Potenzial von Foundation Models, als vielseitige KI-Systeme zu dienen. Generell gilt, je allgemeiner die Aufgabe, desto besser sind die Foundation Modelle bei ihrer unmittelbaren Anwendung. Für spezifischere Anwendungen besteht die Möglichkeit, die bereits vortrainierten Modelle durch zusätzliche (eigene) Daten feinzujustieren. Dieser Ansatz stellt einen Bruch mit dem traditionellen Paradigma dar, für jede spezifische Aufgabe ein komplett neues, spezialisiertes Modell zu entwickeln und zu trainieren. Dies spart Entwicklungszeit und reduziert das Risiko einer eigenen Entwicklung.

Ein eigenes Foundation Model zu trainieren, ist wegen der großen benötigten Datenmenge und hohen Anzahl von Parametern, meistens aufwendig und kostspielig. Es werden, besonders für die bekannten Sprachmodelle, e.g. ChatGPT, große Server mit hoher Rechenkapazität benötigt. Sie werden daher meistens von den großen US-Tech Firmen, Microsoft, Alphabet, Facebook, etc., und deren KI-Forschungsfirmen entwickelt. Diese stellen sie zum Teil nach der Entwicklung kostenlos im Internet zur Verfügung (Open-Source). Entwickler können auf so auf Foundation Models zurückgreifen und sie direkt verwenden oder, falls notwendig, für spezifische Aufgaben nach-trainieren. Eine komplette eigene Entwicklung ist somit nicht mehr notwendig.

Große Sprachmodelle transformieren die Interaktion mit Technologie und erweitern deren Anwendung von Content-Erstellung bis zum Kundenservice. Unsere Übersicht stellt Ihnen 14 relevante Vertreter im Detail vor:

Die 14 wichtigsten großen Sprachmodelle: Ein umfassender Überblick

Eigenschaften von Foundation Models

Domänen-unspezifisch

Foundation Models sind per Definition groß angelegt und allgemeingültig. Sie werden auf riesigen Datensätzen trainiert, die z.T. mehrere Domänen umfassen, was ihnen ermöglicht, ein breites Wissen und vielfältige Fähigkeiten zu entwickeln. Im Gegensatz zu traditionellen Modellen, die eng auf eine spezifische Aufgabe spezialisiert sind, können Foundation Models für verschiedene nachgelagerte Anwendungen angepasst und feinabgestimmt werden. Dadurch sind sie äußerst vielseitig und effizient.

Self-Supervised Learning

Eine der Schlüsselfaktoren für Foundation Models ist das self-supervised Learning, eine Machine-Learning-Technik, die es Modellen ermöglicht, aus Daten zu lernen, die nicht vorher aufwändig vom Menschen aufbereitet wurden. Durch die Nutzung der inhärenten Muster und Strukturen innerhalb großer Datensätze können diese Modelle reichhaltige Repräsentationen erlernen und bedeutungsvolle Informationen extrahieren, ohne auf (viele) kostspielige, von Menschen händisch hinzugefügte Klassifizierungen oder Beschreibungen (sog. Annotationen) angewiesen zu sein.

Transfer Learning und Fine-Tuning

Foundation Models nutzen das Konzept des Transfer Learning, bei dem das Wissen, das durch das Vortraining auf einem großen, allgemeinen Datensatz gewonnen wurde, auf spezifische Aufgaben oder Domänen übertragen und feinabgestimmt wird. Dieser Ansatz reduziert den Bedarf an umfangreichen, aufgabenspezifischen Trainingsdaten erheblich und ermöglicht eine schnelle Anpassung an neue Anwendungen.

Multimodalität

Multimodalität ist die Zukunft der Foundation Models. Teilweise schon heute zeichnen sich Foundation Models durch ihre Multimodalität aus, was bedeutet, dass sie in der Lage sind, verschiedene Arten von Daten gleichzeitig zu verarbeiten und zu verstehen. Dazu gehören v.a. Texte, Bilder, Videos und Audiodaten, aber auch z.B. Zeitreihen oder IoT-Daten. Diese Fähigkeit ermöglicht es den Modellen, Informationen aus unterschiedlichen Quellen zu kombinieren und daraus umfassendere und genauere Ergebnisse abzuleiten. Multimodale Foundation Models können somit komplexe Zusammenhänge besser erfassen und vielfältigere Anwendungen unterstützen, was ihre Anwendbarkeit und Effizienz weiter erhöht. Der Einsatz von Modellen, die mit Texten trainiert wurden, ermöglich ferner eine nutzerfreundliche Interaktion in natürlicher Sprache, was KI-Anwendungen für eine breite Nutzergruppe zugänglich macht.

Erfahren Sie, wie großen Sprachmodellen wie ChatGPT durch den Einsatz von Reinforcement Learning from Human Feedback (RLHF) verbessert werden.

Reinforcement Learning from Human Feedback im Bereich von großen Sprachmodellen

Beispiele für Foundation Models

Es gibt verschiedene FMs für unterschiedliche Anwendungen. Um das Verständnis zu erleichtern, finden Sie im Folgenden die Ursprünge, Funktionen und Anwendungsbereiche einiger der gängigsten Foundation Models:

• GPT-3: Generative Pre-Trained Transformer (GPT) Modelle sind auf riesigen Mengen an Text (v.a. aus dem Internet) vor-trainierte Sprachmodelle. Sie können auf Basis einer Frage des Nutzers in natürlicher Sprache Texte zu allen möglichen Themen generieren.  Außerdem können sie Texte zusammenfassen. Besonders effektiv lassen sich GPT-Modelle von Unternehmen dazu verwenden, um erste Entwürfe für neue Texte zu generieren, sich wiederholende Aufgaben zu automatisieren, für die Software-Entwicklung Code zu generieren und als Chatbot Kundenanfragen zu beantworten.
• LLaMA: LLaMA von Meta AI ist ebenfalls wie die GPT-Modelle ein großes Sprachmodell, das jedoch im Gegensatz zu z.B. den ChatGPT-Modellen von OpenAI als Open-Source-Code und somit kostenlos zur Verfügung steht. Unternehmen können das LLaMA-Modell z.B. für den Kundendienst nutzen, Anwaltskanzleien können nach spezifischen juristischen Informationen suchen, und E-Commerce-Unternehmen können damit Produktbeschreibungen erstellen.
• CLIP: Das CLIP (Contrastive Language-Image Pre-Training) Modell ist auf riesigen Mengen von Bildern und dazugehörigen Textbeschreibungen trainiert. Es ermöglicht das Verständnis und die Verknüpfung von Bildern und Texten. So können zu Bildern Textbeschreibungen generiert werden, und, wie in der Anwendung DALL-E, Bilder aus Texteingaben neu generiert werden. Neben der Erstellung von Bildern ermöglicht DALL-E auch die Bearbeitung und Verfeinerung bestehender Bilder. Das Modell ist bekannt für seine Anwendungen bei der Erstellung von Bildern für Marketing-Kampagnen, bei der Erstellung von Storyboards für Spiele und Filme, bei der Ideenfindung für physische Produkte.
• SeamlessM4T: SeamlessM4T von Meta AI ist ein mehrsprachiges, multimodales KI-Modell, das für die Übersetzung von gesprochener Sprache (Audio) in Text um umgekehrt verwendet werden kann. Das Modell kann, je nach Aufgabe, Übersetzungen für bis zu 100 Sprachen durchführen.

Entdecken Sie die beeindruckende Fähigkeit neuer KI-Modelle, aus Texten realistische Bilder zu erstellen, die kaum von echten Kunstwerken zu unterscheiden sind.

Content ist KI-NG – Text-zu-Bild-Generatoren im Überblick

Die Wahl des richtigen Foundation Models

Im Folgenden wird eine Strategie zur Auswahl von FM für Ihr Unternehmen vorgeschlagen:

1. Brainstorming über Wert und Vorteile

Wenn Sie sich für Foundation Model für Ihr Unternehmen entscheiden, überlegen Sie, welchen Wert es für Ihren Geschäftsbetrieb hat. Dies wird Ihnen helfen, Ihre Beweggründe für die Wahl von FM mit Vorteilen für Ihr Unternehmen zu identifizieren. Im Folgenden finden Sie einige vorgeschlagene Beweggründe für die Auswahl des richtigen Foundation Model für Ihr Unternehmen:

1. Beschleunigung der Effizienz: Steigern Sie die Effizienz Ihres Unternehmens, indem Sie Aufgaben automatisieren und Ihre Mitarbeiter in die Lage versetzen, Zeit und Energie in strategische Entscheidungen zu investieren.
2. Verbessern Sie die Entscheidungsfindung: Verbessern Sie die Entscheidungsfindung durch den Einsatz von FM zur Gewinnung von Geschäftseinblicken.
3. Verbessern Sie das Kundenerlebnis: Bessere Dienstleistungen für Kunden durch den Einsatz von FM zur Personalisierung von Inhalten.
4. Bessere Produkte entwickeln: Nutzen Sie die Möglichkeiten des FM für die Entwicklung und Einführung neuer Produkte.

2. Identifizierung der geschäftlichen Anforderungen und Ziele

Sie müssen feststellen, wofür Sie das Foundation Model benötigen, indem Sie die Ressourcen und das Budget bewerten. Auf der Grundlage des aktuellen Stands und der Durchführbarkeit müssen Sie entsprechend beschaffen und vorbereiten. Im Folgenden finden Sie eine kurze Liste der wesentlichen Faktoren, die Sie bei der Auswahl des richtigen Foundation Model für Ihr Unternehmen berücksichtigen sollten:

1. Technische Anforderungen: Bewerten Sie den aktuellen Stand Ihrer technischen Infrastruktur und Fähigkeiten. FMs erfordern große Mengen an Rechenressourcen und Dateninfrastruktur. Sie müssen beurteilen, ob Sie diese Art der Datenspeicherung und -verarbeitung bereitstellen oder beschaffen können. Wenn nicht, müssen Sie mögliche Partnerschaften und Kooperationen mit Unternehmen in Betracht ziehen, die sich auf solche Dienstleistungen spezialisiert haben.
2. Personal: Wenn Sie ein geeignetes FM für Ihr Unternehmen wünschen, benötigen Sie auch Mitarbeiter, die das FM auswählen, pflegen und implementieren können. Dazu könnten Data Scientists, Data Engineers für maschinelles Lernen oder NLP-Spezialisten gehören. Bestimmen Sie die Mitarbeiter innerhalb des Unternehmens und stellen Sie bei Bedarf weitere ein.
3. Kosten: Die FM-Schulung selbst ist teuer, so dass der Zugang zu Foundation Models für ein Unternehmen teuer ist. Wie bei jeder anderen Technologie bestimmt die Anzahl der Funktionen und Anwendungen, die FMs bieten, ihren Preis und Wert. FMs mit mehr Funktionen sind teuer, aber sie sind auch allgemeiner. Daher ist es am besten, große FMs zu verwenden, um Ihr Minimum Viable Product (MVP) zu validieren. Sobald Ihr MVP validiert ist, können Sie kleinere Modelle verwenden, die billiger sind und auf Ihre spezifische Geschäftsanwendung zugeschnitten sind, mit mehr Leichtigkeit und Rentabilität.
4. Latenzzeit: Unternehmen verfolgen bei der Produkteinführung einen strukturierten Ansatz und haben oft nur wenig Zeit. FMs variieren in der Zeit, die sie brauchen, um zu schulen und die gewünschten Ergebnisse zu liefern. Wählen Sie ein Modell, bei dem die Geschwindigkeit im Vordergrund steht, wenn Sie eine Geschäftsanwendung benötigen, die schnelle Antworten erfordert.

3. Definieren Sie Anwendungsbereiche

Sie müssen wissen, wofür Sie das Foundation Model benötigen. Es gibt zwar zahlreiche Anwendungsbereiche für FMs, aber es ist am besten, wenn Sie sich darüber klar werden, wofür Sie das Foundation Model benötigen, damit Sie das richtige für Ihr Unternehmen auswählen können, je nachdem, welchen Zweck es erfüllen soll. Hier sind einige mögliche Anwendungsbereiche für ein Foundation Model:

1. Erstellung von Inhalten: FMs sind eine leistungsstarke Technologie für die Erstellung von Geschäftsinhalten durch überzeugende Marketingtexte, das Schreiben von Produktbeschreibungen für E-Commerce-Websites oder die Erstellung von Geschäftsberichten auf der Grundlage von Sitzungszusammenfassungen.
2. Bereitstellung von Kundenservice: FMs verbessern die Fähigkeiten von Chatbots, indem sie menschenähnliche Antworten generieren, und mit etwas Feinabstimmung kann das Modell die Stimmungsanalyse verbessern und einfühlsame Antworten für Kunden liefern.
3. Entwicklung von Produkten: FMs können die Produktentwicklung beschleunigen, indem sie Kundenrezensionen von Websites, Forschungsergebnisse und Daten aus sozialen Medien analysieren, um Produkte zu verbessern und neue Produkte auf den Markt zu bringen.
4. Forschung und Entwicklung: FMs verbessern die Datenanalyse, indem sie riesige Datenmengen auswerten, die die Grundlage für wissenschaftliche Forschung bilden können.

Die vorgeschlagene Strategie bietet einen Leitfaden für die Auswahl des richtigen Foundation Model für Ihr Unternehmen. Wenn Sie sich darüber im Klaren sind, warum Sie das FM brauchen und wofür Sie es brauchen, können Sie eine fundierte Entscheidung treffen. Die Wahl des richtigen FM für Ihr Unternehmen legt den Grundstein für dessen Wert und hilft Ihnen, einen Wettbewerbsvorteil zu erlangen.

In unserem Artikel untersuchen wir, wie das CLIP-Modell nach Feinabstimmung auf spezifische Datensätze im Vergleich zu traditionellen Modellen wie ResNet50 abschneidet.

Fine-Tuning the CLIP Foundation Model for Image Classification

Grundlage für effiziente Unternehmensprozesse

Foundation Models sind wirksame Werkzeuge für generative KI, und ihre Anwendungen verändern Unternehmen und Branchen. Durch weitere Feinabstimmung von FMs können Unternehmen FM-Trainingsdaten anpassen, um sich wiederholende Aufgaben zu automatisieren, Produkte effizient zu entwickeln, den Kundensupport zu verbessern und überzeugende Geschäftsdokumente zu erstellen. Obwohl sowohl FMs als auch LLMs die Geschäftsanwendungen der generativen KI vorantreiben, leisten beide einen unterschiedlichen Beitrag, da FMs allgemeiner einsetzbar sind, während LLMs nur auf Text spezialisiert sind. Foundation Models tragen erheblich zu effizienten Geschäftsabläufen bei. Allerdings müssen Unternehmen bei ihrer Nutzung vorsichtig vorgehen, indem sie zunächst eine Strategie für die Auswahl des richtigen Foundation Model für ihre Anwendungsfälle entwickeln.