Generative KI umfasst Verfahren des maschinellen Lernens, die eigenständig neue Inhalte erzeugen können, darunter Texte, Bilder, Code und Audiomaterial. Im Gegensatz zu analytischen Modellen, die bestehende Daten klassifizieren oder auswerten, erstellen generative Systeme Ausgaben, die in Form und Struktur den Trainingsdaten ähneln, dabei jedoch eigenständige Variationen darstellen. Die zugrundeliegenden Architekturen sind vielfältig und reichen von Transformer-Modellen für die Texterzeugung über Diffusionsmodelle für die Bildgenerierung bis hin zu multimodalen Systemen, die verschiedene Medientypen verarbeiten und erzeugen können. Jüngere Entwicklungen wie KI-Agenten erweitern das Spektrum zusätzlich um die Fähigkeit, mehrstufige Aufgaben autonom zu planen und auszuführen. Die Artikel dieser Kategorie behandeln die technischen Grundlagen generativer Modelle, ihre Anwendungsgebiete in Wissenschaft, Wirtschaft und kreativen Berufen sowie die damit verbundenen Fragen zu Qualitätssicherung, Urheberrecht und verantwortungsvollem Einsatz. Dabei wird ein besonderer Fokus auf die Unterschiede zwischen den einzelnen Ansätzen und deren jeweilige Stärken gelegt.
Wikipedia funktioniert seit 25 Jahren, interne Wikis sterben oft nach wenigen Monaten. Was sich daraus für das KI-Zeitalter lernen lässt.
Wissensarbeit verschiebt sich von implizit nach explizit. Die Wissensmanagement-Welle der 1990er scheiterte am fehlenden Anreiz, heute liegt der anders.
Wie GPT-1, GPT-2, GPT-3 und InstructGPT die technische Grundlage für ChatGPT schufen.
Warum Large Language Models die Trennung von Instruktion, Daten und Handlung aufweichen und klassische Sicherheitskonzepte nur begrenzt greifen.
Forward- und Reverse-Prozess mit Rechenbeispielen, warum Latent Diffusion den Aufwand um Faktor 50 senkt und wo Diffusion Models gegenüber GANs verlieren.
Kritische Bestandsaufnahme von KI-Agenten - zwischen nützlicher Automatisierung, Agent Washing und den Grenzen autonomer Aufgabenbearbeitung.
Unterschiede zwischen Generativer KI und klassischem Machine Learning - Transformer, Diffusion Models und zentrale Herausforderungen.
Analyse generativer KI als mögliche Allzwecktechnologie im historischen Vergleich zu Dampfmaschine, Elektrizität und Internet.