Generative KI verändert die Artwork und Weise, wie Software program erstellt, Inhalte erstellt und Unternehmen betrieben werden. Mehr Lernende als je zuvor versuchen, diesen Raum zu verstehen. Die größte Herausforderung ist jedoch nicht der Mangel an Ressourcen. Es geht darum herauszufinden, welche eigentlich helfen du lernst.

In diesem Artikel werden die besten YouTube-Kanäle zum Erlernen generativer KI bis 2026 aufgeführt.

1. Für visuelle Lerner

@TwoMinutePapers | Visuelle Erklärungen zu Durchbrüchen im Bereich der generativen KI

Wenn Sie am besten lernen, indem Sie Ergebnisse sehen, ist die generative KI mit diesem Kanal leicht zu verstehen. Es erklärt Modelle wie Stabile Verbreitung und Sora verwendet Bilder und Demos anstelle von Fachjargon. Dies hilft Ihnen, schnell einen Einblick in die Funktionsweise moderner KI-Systeme zu gewinnen.

Was macht diesen Kanal besonders?

• Starke visuelle Erklärungen der neuesten KI-Forschung
• Macht komplexe generative KI-Konzepte intuitiv
• Regelmäßige Berichterstattung über die neuesten Durchbrüche
• Anfängerfreundlich

Perfekt für visuelle Lerner.

2. Für Code-First-Lernende

@krishnaik06 | Praktische Tutorials zur generativen KI-Entwicklung

Wenn Sie das Lernen durch Programmieren bevorzugen, sollten Sie diesem Kanal unbedingt folgen. Krish lehrt generative KI, indem er echte Anwendungen mit Instruments wie OpenAI erstellt LangChain. Sie lernen komplette Arbeitsabläufe kennen, nicht nur isolierte Konzepte.

Was macht diesen Kanal besonders?

• Deckt die Entwicklung realer LLM-Anwendungen ab
• Starker Fokus auf praktische Umsetzung
• Projektbasierter Lernansatz
• Branchenrelevante Tutorials

Ideally suited für Entwickler oder Personen mit technischem Hintergrund.

3. Für tiefes Verständnis

@YannicKilcher | Ausführliche Aufschlüsselungen der generativen KI-Forschung

Dieser Kanal konzentriert sich auf die Erläuterung der Forschung hinter generativen KI-Modellen. Yannic erklärt Transformatoren, GPT- und Diffusionsmodelle, indem er praktische Demonstrationen dieser Technologien durchführt.

Was macht diesen Kanal besonders?

• Ausführliche Erläuterungen zu KI-Forschungsarbeiten
• Konzentrieren Sie sich auf Modellarchitektur und Konzepte
• Baut solide theoretische Grundlagen auf
• Hilft Lernenden, über das oberflächliche Wissen hinauszugehen

Perfekt für ernsthafte Lernende

4. Für eine strukturierte GenAI-Weiterbildung

@AnalyticsVidhya | Strukturiertes, berufsorientiertes generatives KI-Lernen

Analytics Vidhya bietet einen Überblick über die neuesten Fortschritte bei GenAI. Es verbindet Konzepte mit praktischer Umsetzung und ist so für Lernende nützlich, die berufsreife Fähigkeiten erwerben möchten.

Was macht diesen Kanal besonders?

• Strukturierter Lernverlauf
• Konzentrieren Sie sich auf reale Anwendungen
• Branchenrelevante Tutorials
• Einsteigerfreundliche Erklärungen

Ideally suited für die Karriereentwicklung.

5. Für das Lernen in Bytegröße

@aiexplained-official | Klare, prägnante Erklärungen generativer KI-Konzepte

AI erklärt gliedert komplexe generative KI-Themen in klare und fokussierte Movies. Es hilft Ihnen, wichtige Ideen schnell zu verstehen, ohne zu tief in technische Particulars einzusteigen. Ideally suited für diejenigen, die den größtmöglichen Nutzen aus ihrer Zeit ziehen möchten.

Was macht diesen Kanal besonders?

• Klare und prägnante Erklärungen
• Konzentriert sich auf generative KI-Entwicklungen
• Leicht verständlicher Unterrichtsstil
• Ideally suited, um auf dem Laufenden zu bleiben

Perfekt für schnelles Lernen.

6. Für Bauprojekte

@freeCodeCamp | Vollständige Tutorials zu generativen KI-Projekten

freeCodeCamp bietet vollständige Tutorials zur generativen KI, die sich stark auf die Erstellung realer Projekte konzentrieren. Der Kanal ist dafür bekannt, One-Cease-Movies mit einer Laufzeit von mehr als 10 Stunden zu veröffentlichen, die tief in Konzepte eintauchen.

Was macht diesen Kanal besonders?

• Vollständige Projekt-Tutorials
• Strukturierter Lernansatz
• Umfangreiche Erläuterungen
• Starker Praxisbezug

Ideally suited für praktische Lernende.

7. Für automatisierungsorientierte Lernende

@mreflow | Praktische Tutorials zur Verwendung generativer KI-Instruments

Der Kanal von Matt Wolfe konzentriert sich auf den Einsatz generativer KI-Instruments zur Verbesserung der Produktivität und Automatisierung von Arbeitsabläufen. Seine Movies zeigen, wie verschiedene Instruments funktionieren und wie sie in realen Szenarien eingesetzt werden können.

Dies hilft den Lernenden zu verstehen, wie generative KI außerhalb rein technischer Umgebungen eingesetzt wird.

Was macht diesen Kanal besonders?

• Konzentrieren Sie sich auf praktische Anwendungen
• Behandelt die neuesten Instruments und Arbeitsabläufe
• Leicht verständliche Tutorials
• Anwendungsfälle aus der Praxis

Ideally suited für Profis.

8. Für Kurse in voller Länge

@Deeplearningai | Umfassende Kurse zur generativen KI

DeepLearning.AI bietet strukturierte Kurse und Tutorials mit Schwerpunkt auf modernen generativen KI-Technologien. Der Kanal erklärt sowohl grundlegende als auch fortgeschrittene Themen und hilft den Lernenden, im Laufe der Zeit ein tiefes Verständnis aufzubauen.

Die Inhalte werden von führenden Experten auf diesem Gebiet erstellt und sind daher äußerst zuverlässig.

Was macht diesen Kanal besonders?

• Strukturierte Kurse
• Hochwertiger Unterricht
• Starker Fokus auf generative KI
• Vertrauenswürdige Lernquelle

Ideally suited für ernsthafte Lernende.

9. Für Grundlagen von GenAI

@IBMTechnology | Einsteigerfreundliche Erklärungen zur generativen KI

IBM Expertise erklärt generative KI-Konzepte auf einfache und verständliche Weise. Der Schwerpunkt der Movies liegt darauf, den Lernenden zu helfen, zu verstehen, wie diese Systeme funktionieren und wie sie in der Industrie eingesetzt werden.

Dies erleichtert Anfängern den Einstieg in das Feld.

Was macht diesen Kanal besonders?

• Einsteigerfreundliche Erklärungen
• Branchenperspektive
• Klarer Unterrichtsstil
• Konzentrieren Sie sich auf praktisches Verständnis

Toller Ausgangspunkt.

10. Für prägnante und praktische Tutorials

@statquest | Klare Erklärungen der Grundlagen von ML und neuronalen Netzen

StatQuest hilft Lernenden, die Konzepte des maschinellen Lernens hinter der generativen KI zu verstehen. Der Kanal erklärt neuronale Netze, Transformatoren und verwandte Themen auf einfache und intuitive Weise.

Dies hilft den Lernenden, ein starkes Fundament aufzubauen.

Was macht diesen Kanal besonders?

• Klare Erklärungen
• Starker Fokus auf Grundlagen
• Baut konzeptionelles Verständnis auf
• Vertrauenswürdige Bildungsressource

Tolle unterstützende Ressource.

Wo soll ich anfangen?

Auch wenn das Ziel dasselbe ist, hängt der beste Ausgangspunkt von Ihrem aktuellen Niveau und Lernstil ab.

Wenn Sie völlig neu sind, IBM-Technologie Und KI erklärt wird Ihnen helfen, Ihre Instinct aufzubauen. Sie haben bereits Programmiererfahrung? Dann Deeplearning.ai Und Krish Naik hilft Ihnen, echte Anwendungen schneller zu erstellen. Wenn Ihr Ziel Karrierewachstum ist, Analytik Vidhya Der Fokus auf reale Anwendungen wird den größten Nutzen bringen.

Die Idee ist nicht, alles zu sehen. Die Idee besteht darin, mit dem Kanal zu beginnen, der Ihren aktuellen Anforderungen entspricht, und ihn mit zunehmenden Fähigkeiten zu erweitern.

Häufig gestellte Fragen

Chatbots wie ChatGPT und Claude haben in den letzten drei Jahren einen kometenhaften Anstieg ihrer Nutzung erlebt, da sie Ihnen bei einer Vielzahl von Aufgaben helfen können. Egal, ob Sie Shakespeare-Sonette schreiben, Code debuggen oder eine Antwort auf eine obskure Quizfrage benötigen, Systeme der künstlichen Intelligenz scheinen für Sie da zu sein. Die Quelle dieser Vielseitigkeit? Milliarden oder sogar Billionen Textdatenpunkte im Web.

Diese Daten reichen jedoch nicht aus, um einem Roboter beizubringen, ein hilfreicher Haushalts- oder Fabrikassistent zu sein. Um zu verstehen, wie man Objekte in verschiedenen Umgebungen handhabt, stapelt und in verschiedenen Anordnungen platziert, müssen Roboter vorgeführt werden. Sie können sich Robotertrainingsdaten als eine Sammlung von Anleitungsvideos vorstellen, die die Systeme durch jede Bewegung einer Aufgabe führen. Das Sammeln dieser Demonstrationen an echten Robotern ist zeitaufwändig und nicht perfekt wiederholbar. Daher haben Ingenieure Trainingsdaten erstellt, indem sie Simulationen mit KI generierten (die oft nicht die reale Physik widerspiegeln) oder jede digitale Umgebung mühsam von Grund auf manuell erstellten.

Forscher am Laptop Science and Synthetic Intelligence Laboratory (CSAIL) des MIT und am Toyota Analysis Institute haben möglicherweise einen Weg gefunden, die vielfältigen, realistischen Trainingsgelände zu schaffen, die Roboter benötigen. Ihre „steuerbare SzenengenerierungDer Ansatz erstellt digitale Szenen von Dingen wie Küchen, Wohnzimmern und Eating places, mit denen Ingenieure viele Interaktionen und Szenarien in der realen Welt simulieren können. Das Software wurde an über 44 Millionen 3D-Räumen trainiert, die mit Modellen von Objekten wie Tischen und Tellern gefüllt sind, platziert vorhandene Property in neuen Szenen und verfeinert sie dann zu einer physikalisch genauen, lebensechten Umgebung.

Durch die steuerbare Szenengenerierung werden diese 3D-Welten erstellt, indem ein Diffusionsmodell – ein KI-System, das aus zufälligem Rauschen ein Bild generiert – in Richtung einer Szene „gelenkt“ wird, die man im Alltag findet. Die Forscher nutzten dieses generative System, um eine Umgebung „einzumalen“ und bestimmte Elemente in der gesamten Szene auszufüllen. Sie können sich vorstellen, dass sich eine leere Leinwand plötzlich in eine Küche verwandelt, die mit 3D-Objekten übersät ist, die nach und nach zu einer Szene neu arrangiert werden, die die Physik der realen Welt imitiert. Das System stellt beispielsweise sicher, dass eine Gabel nicht durch eine Schüssel auf einem Tisch geht – ein häufiger Fehler in 3D-Grafiken, der als „Clipping“ bekannt ist und bei dem sich Modelle überlappen oder schneiden.

Wie genau die steuerbare Szenengenerierung ihre Entstehung in Richtung Realismus führt, hängt jedoch von der gewählten Strategie ab. Seine Hauptstrategie ist die „Monte-Carlo-Baumsuche“ (MCTS), bei der das Modell eine Reihe alternativer Szenen erstellt und diese auf unterschiedliche Weise ausfüllt, um ein bestimmtes Ziel zu erreichen (z. B. eine Szene physisch realistischer zu machen oder so viele essbare Gegenstände wie möglich einzubeziehen). Es wird vom KI-Programm AlphaGo verwendet, um menschliche Gegner in Go (einem schachähnlichen Spiel) zu schlagen, da das System mögliche Zugfolgen berücksichtigt, bevor es die vorteilhafteste auswählt.

„Wir sind die ersten, die MCTS auf die Szenengenerierung anwenden, indem wir die Aufgabe der Szenengenerierung als einen sequentiellen Entscheidungsprozess definieren“, sagt Nicholas Pfaff, Doktorand am MIT Division of Electrical Engineering and Laptop Science (EECS), CSAIL-Forscher und Hauptautor von a Papier die Arbeit vorstellen. „Wir bauen weiterhin auf Teilszenen auf, um im Laufe der Zeit bessere oder gewünschtere Szenen zu produzieren. Infolgedessen erstellt MCTS Szenen, die komplexer sind als das, worauf das Diffusionsmodell trainiert wurde.“

In einem besonders aufschlussreichen Experiment fügte MCTS einer einfachen Restaurantszene die maximale Anzahl an Objekten hinzu. Auf einem Tisch befanden sich bis zu 34 Gegenstände, darunter riesige Stapel Dim-Sum-Gerichte, nachdem Szenen mit durchschnittlich nur 17 Gegenständen trainiert wurden.

Durch die Generierung steuerbarer Szenen können Sie auch verschiedene Trainingsszenarien durch Reinforcement Studying generieren – im Grunde genommen indem Sie einem Diffusionsmodell beibringen, ein Ziel durch Versuch und Irrtum zu erreichen. Nachdem Sie anhand der Ausgangsdaten trainiert haben, durchläuft Ihr System eine zweite Trainingsphase, in der Sie eine Belohnung skizzieren (im Grunde ein gewünschtes Ergebnis mit einer Punktzahl, die angibt, wie nah Sie diesem Ziel sind). Das Modell lernt automatisch, Szenen mit höheren Punktzahlen zu erstellen, wobei es häufig zu Szenarien kommt, die sich erheblich von denen unterscheiden, an denen es trainiert wurde.

Benutzer können das System auch direkt aufrufen, indem sie bestimmte visuelle Beschreibungen eingeben (z. B. „Eine Küche mit vier Äpfeln und einer Schüssel auf dem Tisch“). Dann kann die steuerbare Szenengenerierung Ihre Wünsche präzise zum Leben erwecken. Beispielsweise befolgte das Software die Eingabeaufforderungen der Benutzer mit einer Price von 98 Prozent bei der Erstellung von Szenen mit Vorratsregalen und 86 Prozent bei unordentlichen Frühstückstischen. Beide Noten bedeuten eine mindestens 10-prozentige Verbesserung gegenüber vergleichbaren Methoden wie „MiDiffusion“ Und „DiffuScene.“

Das System kann auch bestimmte Szenen durch Eingabeaufforderungen oder Lichtanweisungen vervollständigen (z. B. „Überlege dir eine andere Szenenanordnung mit denselben Objekten“). Sie könnten ihn beispielsweise bitten, Äpfel auf mehreren Tellern auf einem Küchentisch zu platzieren oder Brettspiele und Bücher auf ein Regal zu stellen. Es geht im Wesentlichen darum, „die Lücke zu füllen“, indem man Gegenstände in leere Räume einfügt, aber den Relaxation einer Szene beibehält.

Den Forschern zufolge liegt die Stärke ihres Projekts darin, viele Szenen zu erstellen, die Robotiker tatsächlich nutzen können. „Eine wichtige Erkenntnis aus unseren Erkenntnissen ist, dass es in Ordnung ist, wenn die Szenen, die wir vorab trainiert haben, nicht genau den Szenen ähneln, die wir eigentlich wollen“, sagt Pfaff. „Mit unseren Steuerungsmethoden können wir über diese breite Verteilung hinausgehen und von einer ‚besseren‘ Stichprobe ausgehen. Mit anderen Worten, wir können die vielfältigen, realistischen und aufgabenorientierten Szenen erzeugen, in denen wir unsere Roboter tatsächlich trainieren wollen.“

Solche riesigen Szenen wurden zum Testgelände, auf dem sie einen virtuellen Roboter aufzeichnen konnten, der mit verschiedenen Gegenständen interagierte. Die Maschine legte beispielsweise Gabeln und Messer sorgfältig in einen Besteckhalter und ordnete Brot in verschiedenen 3D-Einstellungen auf Tellern neu an. Jede Simulation wirkte flüssig und realistisch und ähnelte der realen Welt, mit deren Hilfe anpassungsfähige Roboter und steuerbare Szenengenerierung eines Tages trainieren könnten.

Während das System ein ermutigender Weg nach vorn bei der Generierung vielfältiger Trainingsdaten für Roboter sein könnte, sagen die Forscher, dass ihre Arbeit eher ein Proof of Idea sei. In Zukunft möchten sie generative KI nutzen, um völlig neue Objekte und Szenen zu erstellen, anstatt eine feste Asset-Bibliothek zu verwenden. Sie planen außerdem, bewegliche Objekte einzubauen, die der Roboter öffnen oder drehen kann (z. B. mit Lebensmitteln gefüllte Schränke oder Gläser), um die Szenen noch interaktiver zu gestalten.

Um ihre virtuellen Umgebungen noch realistischer zu gestalten, können Pfaff und seine Kollegen Objekte aus der realen Welt integrieren, indem sie eine Bibliothek von Objekten und Szenen verwenden, die aus Bildern im Web stammen, und ihre früheren Arbeiten zu „Skalierbares Real2Sim.“ Indem das Group erweitert, wie vielfältig und lebensecht KI-konstruierte Robotertestgelände sein können, hofft es, eine Benutzergemeinschaft aufzubauen, die viele Daten erstellt, die dann als riesiger Datensatz verwendet werden könnten, um geschickten Robotern verschiedene Fähigkeiten beizubringen.

„Heutzutage kann die Erstellung realistischer Szenen für die Simulation ein ziemlich herausforderndes Unterfangen sein. Durch die prozedurale Generierung kann problemlos eine große Anzahl von Szenen erzeugt werden, diese werden jedoch wahrscheinlich nicht repräsentativ für die Umgebungen sein, denen der Roboter in der realen Welt begegnen würde. Die manuelle Erstellung maßgeschneiderter Szenen ist sowohl zeitaufwändig als auch teuer“, sagt Jeremy Binagia, ein angewandter Wissenschaftler bei Amazon Robotics, der nicht an der Arbeit beteiligt battle. „Die steuerbare Szenengenerierung bietet einen besseren Ansatz: Trainieren Sie ein generatives Modell anhand einer großen Sammlung bereits vorhandener Szenen und passen Sie es (unter Verwendung einer Strategie wie Reinforcement Studying) an bestimmte nachgelagerte Anwendungen an. Im Vergleich zu früheren Arbeiten, die ein Normal-Imaginative and prescient-Language-Modell nutzen oder sich nur auf die Anordnung von Objekten in einem 2D-Raster konzentrieren, garantiert dieser Ansatz physikalische Machbarkeit und berücksichtigt vollständige 3D-Übersetzung und -Rotation, was die Generierung viel interessanterer Szenen ermöglicht.“

„Die steuerbare Szenengenerierung mit Put up-Coaching und Inferenzzeitsuche bietet einen neuartigen und effizienten Rahmen für die Automatisierung der Szenengenerierung im großen Maßstab“, sagt Rick Cory SM ’08, PhD ’10, Robotiker am Toyota Analysis Institute, der ebenfalls nicht an der Arbeit beteiligt battle. „Darüber hinaus kann es „noch nie dagewesene“ Szenen erzeugen, die für nachgelagerte Aufgaben als wichtig erachtet werden. In der Zukunft könnte die Kombination dieses Frameworks mit umfangreichen Internetdaten einen wichtigen Meilenstein für die effiziente Schulung von Robotern für den Einsatz in der realen Welt setzen.“

Pfaff verfasste den Artikel zusammen mit dem leitenden Autor Russ Tedrake, dem Toyota-Professor für Elektrotechnik und Informatik, Luft- und Raumfahrttechnik sowie Maschinenbau am MIT; ein Senior Vice President für große Verhaltensmodelle am Toyota Analysis Institute; und CSAIL-Hauptermittler. Weitere Autoren waren der Robotikforscher Hongkai Dai SM ’12, PhD ’16 des Toyota Analysis Institute; Teamleiter und leitender Forschungswissenschaftler Sergey Zakharov; und Shun Iwase, Doktorand an der Carnegie Mellon College. Ihre Arbeit wurde teilweise von Amazon und dem Toyota Analysis Institute unterstützt. Die Forscher stellten ihre Arbeit im September auf der Convention on Robotic Studying (CoRL) vor.

Es wurden viele Versuche unternommen, die Kraft neuer künstlicher Intelligenz und großer Sprachmodelle (LLMs) zu nutzen, um zu versuchen, die Ergebnisse neuer chemischer Reaktionen vorherzusagen. Diese hatten nur begrenzten Erfolg, teilweise, weil sie bisher nicht auf ein Verständnis grundlegender physikalischer Prinzipien wie den Gesetzen der Massenerhaltung beruhten. Jetzt hat ein Crew von Forschern am MIT eine Möglichkeit gefunden, diese physikalischen Einschränkungen in ein Reaktionsvorhersagemodell einzubeziehen und somit die Genauigkeit und Zuverlässigkeit seiner Outputs erheblich zu verbessern.

Die neue Arbeit battle gemeldet am 20. August in der Zeitschrift Naturin einer Zeitung von jüngsten Postdoc Joonyoung Joung (heute Assistenzprofessor an der Kookmin College, Südkorea); ehemaliger Softwareingenieur Mun Hong Fong (jetzt an der Duke College); Studentin des Chemieingenieurwesens Nicholas Casetti; Postdoc Jordan Liles; Physics Scholar Scholar Ne Dassanayake; und Senior -Autor Connor Coley, die Klasse von 1957 Karriereentwicklungsprofessor in den MIT -Abteilungen für Chemieingenieurwesen, Elektrotechnik und Informatik.

„Die Vorhersage der Reaktionsergebnisse ist eine sehr wichtige Aufgabe“, erklärt Joung. Wenn Sie beispielsweise ein neues Medikament herstellen möchten, müssen Sie „wissen, wie es hergestellt werden soll. Daher müssen wir wissen, welches Produkt wahrscheinlich ist“, um aus einem bestimmten Satz chemischer Inputs zu einer Reaktion zu resultieren. Die meisten früheren Bemühungen, solche Vorhersagen durchzuführen, befassen sich jedoch nur mit einer Reihe von Eingängen und einer Reihe von Ausgängen, ohne die Zwischenschritte zu betrachten oder die Einschränkungen der Sicherstellung zu berücksichtigen, dass keine Masse gewonnen oder verloren geht, was bei tatsächlichen Reaktionen nicht möglich ist.

Joung weist darauf hin, dass Großsprachmodelle wie ChatGPT in vielen Forschungsbereichen sehr erfolgreich waren, diese Modelle jedoch keine Möglichkeit bieten, ihre Ergebnisse auf physikalisch realistische Möglichkeiten zu beschränken, beispielsweise indem sie sie an die Erhaltung der Massenerhaltung halten. Diese Modelle verwenden rechnerische „Token“, die in diesem Fall einzelne Atome darstellen. „Wenn Sie jedoch die Token nicht bewahren, beginnt das LLM -Modell, neue Atome herzustellen oder Atome in der Reaktion zu löschen.“ Anstatt auf ein reales wissenschaftliches Verständnis begründet zu sein: „Dies ist eine Artwork Alchemie“, sagt er. Während viele Versuche, die Reaktionsvorhersage zu erwirtschaften, nur die Endprodukte „Wir möchten alle Chemikalien verfolgen und wie die Chemikalien während des gesamten Reaktionsprozesses von Anfang bis Ende transformiert werden“, sagt er.

Um das Drawback anzugehen, verwendete das Crew eine Methode, die in den 1970er Jahren von Chemikern Ivar UGI entwickelt wurde und die eine Bond-Elektronenmatrix verwendet, um die Elektronen in einer Reaktion darzustellen. Sie verwendeten dieses System als Grundlage für ihr neues Programm namens Flower (Movement -Matching für die Umverteilung von Elektronen), mit der sie alle Elektronen in der Reaktion explizit verfolgen können, um sicherzustellen, dass keiner in diesem Prozess fehlerhaft hinzugefügt oder gelöscht wird.

Das System verwendet eine Matrix, um die Elektronen in einer Reaktion darzustellen, und verwendet Werte ungleich Null, um Bindungen oder einsame Elektronenpaare und Nullen darzustellen, um einen Mangel darzustellen. „Das hilft uns, gleichzeitig Atome und Elektronen zu sparen“, sagt Fong. Diese Darstellung sei eines der Schlüsselelemente für die Einbeziehung der Massenkonservierung in ihr Vorhersagesystem.

Das von ihnen entwickelte System ist noch in einem frühen Stadium, sagt Coley. „Das System, das soweit ist, ist eine Demonstration – ein Beweis für das Konzept, dass dieser generative Ansatz der Flussanpassung sehr intestine für die Aufgabe der chemischen Reaktionsvorhersage geeignet ist.“ Während das Crew über diesen vielversprechenden Ansatz begeistert ist, sagt er: „Wir sind uns bewusst, dass es spezifische Einschränkungen für die Breite verschiedener Chemikalien hat, die es gesehen hat.“ Obwohl das Modell unter Verwendung von Daten zu mehr als einer Million chemischen Reaktionen geschult wurde, die aus einer US -Patentbürodatenbank erhalten wurden, enthalten diese Daten keine bestimmten Metalle und einige Arten von katalytischen Reaktionen, sagt er.

„Wir freuen uns unglaublich darüber, dass wir so zuverlässige Vorhersagen chemischer Mechanismen erhalten können“, sagt er. „Es konserviert die Masse, es konserviert Elektronen, aber wir erkennen sicher an, dass es auch in den kommenden Jahren viel mehr Enlargement und Robustheit gibt.“

Aber selbst in seiner gegenwärtigen Kind, die über den On-line -Plattform Github frei verfügbar ist, „denken wir, dass es genaue Vorhersagen machen und als Instrument zur Bewertung der Reaktivität und zur Kartierung von Reaktionswegen hilfreich sein wird“, sagt Coley. „Wenn wir uns mit der Zukunft befassen, den Stand der Kunst des mechanistischen Verständnisses wirklich voranzutreiben und neue Reaktionen zu erfinden, sind wir nicht ganz da. Aber wir hoffen, dass dies ein Sprungbrett dafür sein wird.“

„Es ist alles Open Supply“, sagt Fong. „Die Modelle, die Daten, alle sind dort oben“, einschließlich eines früheren Datensatzes, der von Joung entwickelt wurde, das die mechanistischen Schritte bekannter Reaktionen umfassend auflistet. „Ich denke, wir sind eine der wegweisenden Gruppen, die diesen Datensatz herstellen und es offen zur Verfügung stellen und dies für alle verwendbar machen“, sagt er.

Das Blumenmodell entspricht oder übertrifft vorhandene Ansätze bei der Suche nach Standardmechanistikwegen, so das Crew, und ermöglicht es, auf bisher unsichtbare Reaktionstypen zu verallgemeinern. Sie sagen, das Modell könnte möglicherweise für die Vorhersage von Reaktionen auf medizinische Chemie, Materialentdeckung, Verbrennung, atmosphärische Chemie und elektrochemische Systeme related sein.

In ihren Vergleiche mit vorhandenen Reaktionsvorhersagesystemen sagt Coley: „Mit den von uns getroffenen Architekturentscheidungen erhalten wir diese large Zunahme von Gültigkeit und Erhaltung und erhalten eine passende oder ein wenig bessere Genauigkeit in Bezug auf die Leistung.“

Er fügt hinzu, dass „das Einzigartige an unserem Ansatz ist, dass wir, während wir diese Lehrbuchverständnisse von Mechanismen verwenden, um diesen Datensatz zu generieren, die Reaktanten und Produkte der Gesamtreaktion in experimentell validierten Daten aus der Patentliteratur verankern.“ Sie schließen die zugrunde liegenden Mechanismen ab, sagt er, anstatt sie nur zu erfinden. „Wir bringen sie aus experimentellen Daten ab, und das wurde nicht in dieser Artwork von Größenordnung getan und geteilt.“

Der nächste Schritt, sagt er, ist „Wir sind sehr daran interessiert, das Verständnis des Modells von Metallen und katalytischen Zyklen zu erweitern. Wir haben gerade die Oberfläche in diesem ersten Papier zerkratzt“ und die meisten der bisher enthaltenen Reaktionen enthalten keine Metalle oder Katalysatoren.

Langfristig sagt er: „Ein Großteil der Aufregung besteht darin, diese Artwork von System zu verwenden, um neue komplexe Reaktionen zu entdecken und neue Mechanismen aufzuklären. Ich denke, dass die langfristigen potenziellen Auswirkungen groß sind, aber dies ist natürlich nur ein erster Schritt.“

Die Arbeit wurde durch das maschinelle Lernen für pharmazeutische Entdeckungen und Synthesekonsortium und die Nationwide Science Basis unterstützt.

Mit Hilfe künstlicher Intelligenz haben MIT-Forscher neue Antibiotika entworfen, die zwei schwer zu behandelnde Infektionen bekämpfen können: drogenresistent Neisseria gonorrhoeae und Multiresistent Staphylococcus aureus (MRSA).

Mit generativen AI -Algorithmen hat das Forschungsteam mehr als 36 Millionen mögliche Verbindungen entwickelt und sie auf antimikrobielle Eigenschaften rechnerisch untersucht. Die Prime -Kandidaten, die sie entdeckt haben, unterscheiden sich strukturell von vorhandenen Antibiotika und scheinen von neuartigen Mechanismen zu arbeiten, die bakterielle Zellmembranen stören.

Dieser Ansatz ermöglichte es den Forschern, theoretische Verbindungen zu erzeugen und zu bewerten, die noch nie gesehen wurden – eine Strategie, die sie jetzt anwenden können, um Verbindungen mit Aktivität gegen andere Bakterienarten zu identifizieren und zu entwerfen.

„Wir freuen uns über die neuen Möglichkeiten, die dieses Projekt für die Entwicklung von Antibiotika eröffnet. Unsere Arbeit zeigt die Kraft von KI vom Gesichtspunkt für Drogendesign aus und ermöglicht es uns, viel größere chemische Räume auszunutzen, die zuvor nicht zugänglich waren“, sagt James Collins, Professor für medizinische Ingenieurwesen und Wissenschaft des Termins und der Abteilung für medizinische Ingenieurwesen (IMES) und Abteilung für Biologische Ingenieurwesen.

Collins ist der leitende Autor der Studie, das erscheint heute In Zelle. Die Hauptautoren der Papier sind MIT Postdoc Aarti Krishnan, ehemaliger Postdoc Melis Anahtar ’08 und Jacqueline Valeri PhD ’23.

Erforschung des chemischen Raums

In den letzten 45 Jahren wurden von der FDA einige Dutzend neue Antibiotika zugelassen, die meisten davon sind Varianten vorhandener Antibiotika. Gleichzeitig hat die Bakterienresistenz gegen viele dieser Medikamente zugenommen. World wird geschätzt, dass medikamentenresistente bakterielle Infektionen quick 5 Millionen Todesfälle professional Jahr verursachen.

Collins und andere bei MITs, um neue Antibiotika zu finden, um dieses wachsende Drawback zu bekämpfen, bei MIT Antibiotika-AI-Projekt haben die Kraft von KI genutzt, um riesige Bibliotheken vorhandener chemischer Verbindungen zu untersuchen. Diese Arbeit hat mehrere vielversprechende Drogenkandidaten ergeben, einschließlich Halicin Und Abaucin.

Um auf diesen Fortschritten aufzubauen, beschlossen Collins und seine Kollegen, ihre Suche nach Molekülen zu erweitern, die in chemischen Bibliotheken nicht zu finden sind. Durch die Verwendung von AI, um hypothetisch mögliche Moleküle zu erzeugen, die nicht existieren oder nicht entdeckt wurden, stellten sie fest, dass es möglich sein sollte, eine viel größere Vielfalt potenzieller Arzneimittelverbindungen zu untersuchen.

In ihrer neuen Studie verwendeten die Forscher zwei verschiedene Ansätze: Zunächst leiteten sie generative AI -Algorithmen, Moleküle auf der Grundlage eines spezifischen chemischen Fragments zu entwerfen, das eine antimikrobielle Aktivität zeigte, und zweitens lassen sie die Algorithmen, ohne Moleküle zu erzeugen, ohne ein spezifisches Fragment einzuschließen.

Für den fragmentbasierten Ansatz versuchten die Forscher, Moleküle zu identifizieren, die töten konnten N. Gonorrhoeaeein gramnegatives Bakterium, das Gonorrhoe verursacht. Sie begannen mit der Zusammenstellung einer Bibliothek von etwa 45 Millionen bekannten chemischen Fragmenten, bestehend aus allen möglichen Kombinationen von 11 Atomen von Kohlenstoff, Stickstoff, Sauerstoff, Fluor, Chlor und Schwefel sowie Fragmente aus dem leicht zugänglichen (realen) Raum von Enamin.

Dann haben sie die Bibliothek unter Verwendung von maschinellen Lernmodellen untersucht, die Collins ‚Labor zuvor geschult hat, um die antibakterielle Aktivität vorhersagen N. Gonorrhoeae. Dies führte zu quick 4 Millionen Fragmenten. Sie verengten diesen Pool, indem sie alle Fragmente entfernen, die voraussichtlich zytotoxisch für menschliche Zellen sind, chemische Verbindlichkeiten zeigten und es conflict bekannt, dass vorhandene Antibiotika ähnlich sind. Dadurch ließ sie ungefähr 1 Million Kandidaten.

„Wir wollten alles loswerden, was wie ein vorhandenes Antibiotikum aussehen würde, um die antimikrobielle Resistenzkrise auf grundsätzlich andere Weise anzugehen. Indem wir uns in untererforschte Bereiche des chemischen Raums wagen, conflict unser Ziel, neue Handlungsmechanismen aufzudecken“, sagt Krishnan.

In mehreren Runden zusätzlicher Experimente und Computeranalysen identifizierten die Forscher ein Fragment, das sie F1 bezeichneten, das anscheinend eine vielversprechende Aktivität dagegen zu haben schien N. Gonorrhoeae. Sie verwendeten dieses Fragment als Grundlage für die Erzeugung zusätzlicher Verbindungen unter Verwendung von zwei verschiedenen generativen AI -Algorithmen.

Einer dieser Algorithmen, bekannt als chemisch vernünftige Mutationen (CREM), beginnt mit einem bestimmten Molekül, das F1 enthält und dann neue Moleküle erzeugt, indem Atome und chemische Gruppen hinzugefügt, ersetzt oder gelöscht werden. Der zweite Algorithmus, F-Vae (fragmentbasierter Variationsautoencoder), nimmt ein chemisches Fragment auf und baut es in ein vollständiges Molekül auf. Dies geschieht durch Lernmuster, wie Fragmente üblicherweise modifiziert werden, basierend auf der Vorbereitung von mehr als 1 Million Molekülen aus der Chembl -Datenbank.

Diese beiden Algorithmen erzeugten ungefähr 7 Millionen Kandidaten, die F1 enthalten, gegen die die Forscher dann rechnerisch auf Aktivität untersucht wurden N. Gonorrhoeae. Dieser Bildschirm ergab rund 1.000 Verbindungen, und die Forscher wählten 80 davon aus, um festzustellen, ob sie von chemischen Syntheseanbietern hergestellt werden könnten. Nur zwei davon konnten synthetisiert werden, und einer von ihnen namens NG1 conflict sehr effektiv beim Töten N. Gonorrhoeae in einer Laborale und in einem Mausmodell einer medikamentenresistenten Gonorrhoe-Infektion.

Zusätzliche Experimente zeigten, dass NG1 mit einem Protein namens LPTA interagiert, ein neuartiges Arzneimittelziel, das an der Synthese der bakteriellen äußeren Membran beteiligt ist. Es scheint, dass das Arzneimittel die Membransynthese stört, die für Zellen tödlich ist.

Nicht eingeschränktes Design

In einer zweiten Studienrunde untersuchten die Forscher das Potenzial, generative KI zu verwenden, um Moleküle frei zu entwerfen, unter Verwendung von grampositiven Bakterien. S. aureus als ihr Ziel.

Auch hier verwendeten die Forscher Crem und VAE, um Moleküle zu erzeugen, diesmal jedoch ohne andere Einschränkungen als die allgemeinen Regeln, wie Atome sich zu chemisch plausiblen Molekülen verbinden können. Zusammen erzeugten die Modelle mehr als 29 Millionen Verbindungen. Die Forscher wendeten dann die gleichen Filter an, die sie dem anstellten N. Gonorrhoeae Kandidaten, aber konzentrieren sich auf S. aureusschließlich den Pool auf etwa 90 Verbindungen einzuschränken.

Sie konnten 22 dieser Moleküle synthetisieren und testen, und sechs von ihnen zeigten eine starke antibakterielle Aktivität gegen multiresistent S. aureus in einer Laborschale angebaut. Sie fanden auch heraus, dass der Prime-Kandidat namens DN1 in der Lage conflict, einen Methicillin-resistenten zu löschen S. aureus (MRSA) Hautinfektion in einem Mausmodell. Diese Moleküle scheinen auch Bakterienzellmembranen zu stören, aber mit breiteren Wirkungen, die nicht auf die Wechselwirkung mit einem spezifischen Protein beschränkt sind.

Phare Bio, eine gemeinnützige Organisation, die auch Teil des Antibiotics-AI-Projekts ist, arbeitet nun an der weiteren Modifizierung von NG1 und DN1, um sie für zusätzliche Checks geeignet zu machen.

„In einer Zusammenarbeit mit Phare Bio untersuchen wir Analoga und arbeiten daran, die besten Kandidaten durch medizinische Chemie zu verbessern“, sagt Collins. „Wir freuen uns auch über die Anwendung der Plattformen, die Aarti und das Group auf andere bakterielle Krankheitserreger entwickelt haben, insbesondere auf Mycobacterium tuberculosis Und Pseudomonas aeruginosa. ““

Die Forschung wurde teilweise von der US -amerikanischen Verteidigungsbedrohungsreduzierung, den Nationwide Institutes of Well being, dem kühnen Projekt, dem Grippelabor, der Sea Grape Basis, dem Rosamund Zander und Hansjorg Wyss für die WYSS Basis und einem anonymen Spender finanziert.

Vijay Gadepallyein leitender Mitarbeiter am MIT Lincoln Laboratory, leitet dort eine Reihe von Projekten Lincoln Laboratory Supercomputing Heart (LLSC), um Computerplattformen und die darauf laufenden Systeme der künstlichen Intelligenz effizienter zu machen. Hier erörtert Gadepally den zunehmenden Einsatz generativer KI in alltäglichen Werkzeugen, ihre verborgenen Auswirkungen auf die Umwelt und einige Möglichkeiten, wie das Lincoln Laboratory und die größere KI-Neighborhood Emissionen für eine umweltfreundlichere Zukunft reduzieren können.

Q: Welche Tendencies sehen Sie in Bezug auf den Einsatz generativer KI in der Informatik?

A: Generative KI nutzt maschinelles Lernen (ML), um neue Inhalte wie Bilder und Textual content auf der Grundlage von Daten zu erstellen, die in das ML-System eingegeben werden. Am LLSC entwerfen und bauen wir einige der größten akademischen Computerplattformen der Welt, und in den letzten Jahren haben wir einen explosionsartigen Anstieg der Zahl der Projekte erlebt, die Zugang zu Hochleistungsrechnen für generative KI benötigen. Wir sehen auch, wie generative KI alle möglichen Bereiche und Bereiche verändert – ChatGPT beeinflusst beispielsweise bereits das Klassenzimmer und den Arbeitsplatz schneller, als die Vorschriften scheinbar mithalten können.

Wir können uns innerhalb des nächsten Jahrzehnts oder so alle möglichen Einsatzmöglichkeiten für generative KI vorstellen, etwa die Stromversorgung hochleistungsfähiger virtueller Assistenten, die Entwicklung neuer Medikamente und Materialien und sogar die Verbesserung unseres Verständnisses der Grundlagenwissenschaften. Wir können nicht alles vorhersagen, wofür generative KI eingesetzt wird, aber ich kann mit Sicherheit sagen, dass ihre Auswirkungen auf Rechenleistung, Energie und Klima mit immer komplexeren Algorithmen weiterhin sehr schnell zunehmen werden.

Q: Welche Strategien verfolgt das LLSC, um diese Klimaauswirkungen abzumildern?

A: Wir sind immer auf der Suche nach Möglichkeiten, etwas zu machen effizienteres Rechnenda dies unserem Rechenzentrum dabei hilft, seine Ressourcen optimum zu nutzen, und es unseren wissenschaftlichen Kollegen ermöglicht, ihre Fachgebiete so effizient wie möglich voranzutreiben.

Beispielsweise haben wir den Stromverbrauch unserer {Hardware} durch einfache Änderungen reduziert, etwa durch Dimmen oder Ausschalten des Lichts, wenn Sie einen Raum verlassen. In einem Experiment haben wir den Energieverbrauch einer Gruppe von Grafikprozessoren um 20 bis 30 Prozent reduziert, mit minimalen Auswirkungen auf deren Leistung, indem wir a durchgesetzt haben Leistungskappe. Diese Technik senkte auch die Betriebstemperaturen der {Hardware}, wodurch die GPUs leichter zu kühlen und langlebiger waren.

Eine andere Strategie besteht darin, unser Verhalten zu ändern, um klimabewusster zu werden. Zu Hause entscheiden sich einige von uns möglicherweise dafür, erneuerbare Energiequellen oder eine intelligente Zeitplanung zu nutzen. Wir verwenden am LLSC ähnliche Techniken – etwa das Coaching von KI-Modellen, wenn die Temperaturen kühler sind oder wenn der Energiebedarf des lokalen Netzes niedrig ist.

Wir haben auch festgestellt, dass ein Großteil der für die Datenverarbeitung aufgewendeten Energie oft verschwendet wird, etwa wenn ein Wasserleck Ihre Rechnung in die Höhe treibt, ohne dass dies Ihrem Zuhause Vorteile bringt. Wir haben einige neue Techniken entwickelt, die es uns ermöglichen, Pc-Workloads während der Ausführung zu überwachen und dann diejenigen zu beenden, die wahrscheinlich keine guten Ergebnisse liefern. Überraschenderweise in eine Reihe von Fällen Wir haben festgestellt, dass die meisten Berechnungen vorzeitig beendet werden können ohne das Endergebnis zu beeinträchtigen.

Q: Was ist ein Beispiel für ein Projekt, das Sie durchgeführt haben und das den Energieausstoß eines generativen KI-Programms reduziert?

A: Wir haben kürzlich ein klimabewusstes Pc-Imaginative and prescient-Instrument entwickelt. Pc Imaginative and prescient ist ein Bereich, der sich auf die Anwendung von KI auf Bilder konzentriert. So können Sie beispielsweise zwischen Katzen und Hunden in einem Bild unterscheiden, Objekte in einem Bild richtig beschriften oder nach interessanten Komponenten in einem Bild suchen.

In unser Instrument haben wir Echtzeit-Kohlenstofftelemetrie integriert, die Informationen darüber liefert, wie viel Kohlenstoff von unserem lokalen Netz während der Ausführung eines Modells ausgestoßen wird. Abhängig von diesen Informationen wechselt unser System in Zeiten hoher Kohlenstoffintensität automatisch zu einer energieeffizienteren Model des Modells, die typischerweise weniger Parameter aufweist, oder in Zeiten niedriger Kohlenstoffintensität zu einer Model des Modells mit viel höherer Genauigkeit .

Auf diese Weise sahen wir quick Reduzierung der CO2-Emissionen um 80 Prozent über einen Zeitraum von ein bis zwei Tagen. Wir vor kurzem erweiterte diese Idee auf andere generative KI-Aufgaben wie die Textzusammenfassung und kam zu den gleichen Ergebnissen. Interessanterweise verbesserte sich die Leistung manchmal nach der Anwendung unserer Technik!

Q: Was können wir als Konsumenten generativer KI tun, um ihre Klimaauswirkungen zu mildern?

A: Als Verbraucher können wir von unseren KI-Anbietern mehr Transparenz verlangen. Bei Google Flights kann ich beispielsweise verschiedene Optionen sehen, die den CO2-Fußabdruck eines bestimmten Fluges anzeigen. Wir sollten ähnliche Messungen von generativen KI-Instruments erhalten, damit wir basierend auf unseren Prioritäten eine bewusste Entscheidung darüber treffen können, welches Produkt oder welche Plattform wir verwenden möchten.

Wir können uns auch darum bemühen, uns allgemein besser über generative KI-Emissionen zu informieren. Viele von uns sind mit Fahrzeugemissionen vertraut, und es kann hilfreich sein, vergleichend über generative KI-Emissionen zu sprechen. Die Leute werden vielleicht überrascht sein, wenn sie zum Beispiel erfahren, dass es sich bei einer Aufgabe um die Bildgenerierung handelt ungefähr gleichwertig Das bedeutet, dass das Aufladen eines Elektroautos genauso viel Energie erfordert wie das Generieren von etwa 1.500 Textzusammenfassungen.

Es gibt viele Fälle, in denen Kunden gerne einen Kompromiss eingehen würden, wenn sie die Auswirkungen des Kompromisses wüssten.

Q: Was sehen Sie für die Zukunft?

A: Die Eindämmung der Klimaauswirkungen generativer KI ist eines der Probleme, an denen Menschen auf der ganzen Welt arbeiten, und das mit einem ähnlichen Ziel. Wir leisten hier im Lincoln Laboratory viel Arbeit, aber wir kratzen nur an der Oberfläche. Langfristig müssen Rechenzentren, KI-Entwickler und Energienetze zusammenarbeiten, um „Energieaudits“ durchzuführen, um andere einzigartige Möglichkeiten aufzudecken, wie wir die Recheneffizienz verbessern können. Wir brauchen mehr Partnerschaften und mehr Zusammenarbeit, um voranzukommen.

Wenn Sie daran interessiert sind, mehr zu erfahren oder bei diesen Bemühungen mit Lincoln Laboratory zusammenzuarbeiten, wenden Sie sich bitte an Vijay Gadepally.

In einer zweiteiligen Serie MIT-Nachrichten untersucht die Umweltauswirkungen generativer KI. In diesem Artikel untersuchen wir, warum diese Technologie so ressourcenintensiv ist. In einem zweiten Teil wird untersucht, was Experten tun, um den CO2-Fußabdruck und andere Auswirkungen von genAI zu reduzieren.

Die Aufregung um die potenziellen Vorteile von generative KIvon der Verbesserung der Arbeitsproduktivität bis zur Förderung der wissenschaftlichen Forschung, ist schwer zu ignorieren. Während das explosive Wachstum dieser neuen Technologie den schnellen Einsatz leistungsstarker Modelle in vielen Branchen ermöglicht hat, sind die Umweltfolgen dieses generativen KI-„Goldrauschs“ nach wie vor schwer zu bestimmen, geschweige denn zu mildern.

Die Rechenleistung, die zum Trainieren generativer KI-Modelle erforderlich ist, die oft über Milliarden von Parametern verfügen, wie etwa GPT-4 von OpenAI, kann eine enorme Menge an Strom erfordern, was zu erhöhten Kohlendioxidemissionen und Belastungen für das Stromnetz führt.

Darüber hinaus verbraucht der Einsatz dieser Modelle in realen Anwendungen, der es Millionen Menschen ermöglicht, generative KI in ihrem täglichen Leben zu nutzen, und die anschließende Feinabstimmung der Modelle zur Verbesserung ihrer Leistung viel Energie, lange nachdem ein Modell entwickelt wurde.

Über den Strombedarf hinaus wird viel Wasser benötigt, um die {Hardware} zu kühlen, die für das Coaching, den Einsatz und die Feinabstimmung generativer KI-Modelle verwendet wird, was die kommunale Wasserversorgung belasten und lokale Ökosysteme stören kann. Die zunehmende Zahl generativer KI-Anwendungen hat auch die Nachfrage nach Hochleistungs-Computing-{Hardware} angekurbelt und zu indirekten Umweltauswirkungen durch deren Herstellung und Transport geführt.

„Wenn wir über die Umweltauswirkungen der generativen KI nachdenken, geht es nicht nur um den Strom, den Sie verbrauchen, wenn Sie den Pc anschließen. Es gibt viel umfassendere Konsequenzen, die auf Systemebene wirken und basierend auf den von uns ergriffenen Maßnahmen bestehen bleiben“, sagt er Elsa A. Olivetti, Professorin am Division of Supplies Science and Engineering und Leiterin der Dekarbonisierungsmission des neuen MIT Klimaprojekt.

Olivetti ist leitender Autor eines Artikels aus dem Jahr 2024: „Die Auswirkungen generativer KI auf Klima und Nachhaltigkeit„, gemeinsam verfasst von MIT-Kollegen als Reaktion auf einen institutsweiten Aufruf zur Einreichung von Beiträgen, die das transformative Potenzial generativer KI sowohl in optimistic als auch unfavorable Richtungen für die Gesellschaft untersuchen.

Anspruchsvolle Rechenzentren

Der Strombedarf von Rechenzentren ist ein wesentlicher Faktor, der zu den Umweltauswirkungen der generativen KI beiträgt, da Rechenzentren zum Trainieren und Ausführen der Deep-Studying-Modelle verwendet werden, die hinter beliebten Instruments wie ChatGPT und DALL-E stehen.

Ein Rechenzentrum ist ein temperaturkontrolliertes Gebäude, in dem Computerinfrastruktur wie Server, Datenspeicherlaufwerke und Netzwerkgeräte untergebracht sind. Amazon hat zum Beispiel mehr als 100 Rechenzentren weltweitvon denen jeder über etwa 50.000 Server verfügt, die das Unternehmen zur Unterstützung von Cloud-Computing-Diensten nutzt.

Zwar gibt es seit den 1940er Jahren Rechenzentren (das erste wurde 1945 an der College of Pennsylvania gebaut, um das zu unterstützen). erster Allzweck-Digitalcomputerder ENIAC), hat der Aufstieg der generativen KI das Tempo beim Bau von Rechenzentren dramatisch beschleunigt.

„Der Unterschied zur generativen KI liegt in der Leistungsdichte, die sie erfordert. Im Grunde handelt es sich nur um Pc, aber ein generatives KI-Trainingscluster könnte sieben- oder achtmal mehr Energie verbrauchen als eine typische Computerarbeitslast“, sagt Noman Bashir, Hauptautor des Influence Papers und Computing and Local weather Influence Fellow am MIT Local weather and Sustainability Consortium (MCSC) und Postdoc im Pc Science and Synthetic Intelligence Laboratory (CSAIL).

Wissenschaftler haben geschätzt, dass der Strombedarf von Rechenzentren in Nordamerika von 2.688 Megawatt Ende 2022 auf 5.341 Megawatt Ende 2023 gestiegen ist, was teilweise auf die Anforderungen der generativen KI zurückzuführen ist. Weltweit ist der Stromverbrauch von Rechenzentren im Jahr 2022 auf 460 Terawatt gestiegen. Damit wären Rechenzentren laut der Studie der 11. größte Stromverbraucher der Welt, zwischen den Ländern Saudi-Arabien (371 Terawatt) und Frankreich (463 Terawatt). Organisation für wirtschaftliche Zusammenarbeit und Entwicklung.

Bis 2026 wird der Stromverbrauch von Rechenzentren voraussichtlich 1.050 Terawatt erreichen (was Rechenzentren auf den fünften Platz der globalen Liste, zwischen Japan und Russland, bringen würde).

Obwohl nicht alle Rechenzentrumsberechnungen generative KI beinhalten, ist die Technologie ein wesentlicher Treiber für den steigenden Energiebedarf.

„Der Bedarf an neuen Rechenzentren kann nicht nachhaltig gedeckt werden. Das Tempo, mit dem Unternehmen neue Rechenzentren bauen, bedeutet, dass der Großteil des Stroms für deren Betrieb aus Kraftwerken stammen muss, die auf fossilen Brennstoffen basieren“, sagt Bashir.

Die Leistung, die zum Trainieren und Bereitstellen eines Modells wie GPT-3 von OpenAI erforderlich ist, ist schwer zu ermitteln. In einer Forschungsarbeit aus dem Jahr 2021 schätzten Wissenschaftler von Google und der College of California in Berkeley, dass allein der Trainingsprozess 1.287 Megawattstunden Strom verbrauchte (genug, um etwa 120 durchschnittliche US-Haushalte ein Jahr lang mit Strom zu versorgen) und etwa 552 Tonnen Kohlendioxid erzeugte.

Während alle Modelle für maschinelles Lernen trainiert werden müssen, besteht ein einzigartiges Downside der generativen KI in den schnellen Schwankungen des Energieverbrauchs, die in verschiedenen Phasen des Trainingsprozesses auftreten, erklärt Bashir.

Stromnetzbetreiber müssen eine Möglichkeit haben, diese Schwankungen aufzufangen, um das Netz zu schützen, und das setzen sie in der Regel ein dieselbasierte Generatoren für diese Aufgabe.

Zunehmende Auswirkungen durch Schlussfolgerungen

Sobald ein generatives KI-Modell trainiert ist, verschwindet der Energiebedarf nicht.

Jedes Mal, wenn ein Modell verwendet wird, beispielsweise durch eine Particular person, die ChatGPT bittet, eine E-Mail zusammenzufassen, verbraucht die Computerhardware, die diese Vorgänge ausführt, Energie. Forscher haben geschätzt, dass eine ChatGPT-Abfrage etwa fünfmal mehr Strom verbraucht als eine einfache Websuche.

„Aber ein normaler Benutzer macht sich darüber nicht allzu viele Gedanken“, sagt Bashir. „Die Benutzerfreundlichkeit generativer KI-Schnittstellen und der Mangel an Informationen über die Umweltauswirkungen meiner Handlungen führen dazu, dass ich als Nutzer kaum einen Anreiz habe, den Einsatz generativer KI einzuschränken.“

Bei der herkömmlichen KI verteilt sich der Energieverbrauch ziemlich gleichmäßig auf Datenverarbeitung, Modelltraining und Inferenz, additionally den Prozess, bei dem ein trainiertes Modell verwendet wird, um Vorhersagen zu neuen Daten zu treffen. Bashir geht jedoch davon aus, dass der Strombedarf der generativen KI-Inferenz irgendwann dominieren wird, da diese Modelle in so vielen Anwendungen allgegenwärtig werden und der für die Inferenz benötigte Strom zunehmen wird, wenn zukünftige Versionen der Modelle größer und komplexer werden.

Darüber hinaus haben generative KI-Modelle eine besonders kurze Haltbarkeit, was auf die steigende Nachfrage nach neuen KI-Anwendungen zurückzuführen ist. Unternehmen veröffentlichen alle paar Wochen neue Modelle, sodass die Energie, die für das Coaching früherer Versionen aufgewendet wurde, verschwendet wird, fügt Bashir hinzu. Neue Modelle verbrauchen für das Coaching oft mehr Energie, da sie in der Regel über mehr Parameter verfügen als ihre Vorgänger.

Während der Strombedarf von Rechenzentren in der Forschungsliteratur möglicherweise die größte Aufmerksamkeit erhält, hat die von diesen Einrichtungen verbrauchte Wassermenge auch Auswirkungen auf die Umwelt.

Gekühltes Wasser wird zur Kühlung eines Rechenzentrums verwendet, indem es Wärme von Computergeräten aufnimmt. Schätzungen zufolge bräuchte ein Rechenzentrum für jede Kilowattstunde Energie, die es verbraucht, zwei Liter Wasser zur Kühlung, sagt Bashir.

„Nur weil dies ‚Cloud Computing‘ genannt wird, heißt das nicht, dass die {Hardware} in der Cloud lebt. Rechenzentren gibt es in unserer physischen Welt, und aufgrund ihres Wasserverbrauchs haben sie direkte und indirekte Auswirkungen auf die Artenvielfalt“, sagt er.

Die Computerhardware in Rechenzentren bringt ihre eigenen, weniger direkten Auswirkungen auf die Umwelt mit sich.

Während es schwierig ist abzuschätzen, wie viel Energie für die Herstellung einer GPU benötigt wird, einer Artwork leistungsstarker Prozessor, der intensive generative KI-Arbeitslasten bewältigen kann, wäre es mehr als das, was für die Herstellung einer einfacheren CPU benötigt wird, da der Herstellungsprozess komplexer ist. Der CO2-Fußabdruck einer GPU wird durch die Emissionen im Zusammenhang mit dem Materials- und Produkttransport verschärft.

Die Beschaffung der zur Herstellung von GPUs verwendeten Rohstoffe hat auch Auswirkungen auf die Umwelt, was schmutzige Bergbauverfahren und den Einsatz giftiger Chemikalien bei der Verarbeitung umfassen kann.

Das Marktforschungsunternehmen TechInsights schätzt, dass die drei großen Hersteller (NVIDIA, AMD und Intel) im Jahr 2023 3,85 Millionen GPUs an Rechenzentren geliefert haben, gegenüber etwa 2,67 Millionen im Jahr 2022. Es wird erwartet, dass diese Zahl im Jahr 2024 um einen noch größeren Prozentsatz gestiegen ist .

Die Branche befinde sich auf einem nicht nachhaltigen Weg, aber es gebe Möglichkeiten, eine verantwortungsvolle Entwicklung generativer KI zu fördern, die Umweltziele unterstützt, sagt Bashir.

Er, Olivetti und ihre MIT-Kollegen argumentieren, dass dies eine umfassende Betrachtung aller ökologischen und gesellschaftlichen Kosten generativer KI sowie eine detaillierte Bewertung des Werts ihrer wahrgenommenen Vorteile erfordert.

„Wir brauchen eine kontextbezogenere Möglichkeit, die Auswirkungen neuer Entwicklungen in diesem Bereich systematisch und umfassend zu verstehen. Aufgrund der Geschwindigkeit, mit der es Verbesserungen gab, hatten wir keine Likelihood, unsere Fähigkeiten zur Messung und zum Verständnis der Kompromisse aufzuholen“, sagt Olivetti.

Von Eric Herzog, CMO bei Unendlich

Generative KI (GenAI) hat einen unerwarteten „Companion“ in einer Artwork von Informationstechnologie gefunden, die CIOs für KI tendenziell nicht priorisieren – Unternehmensspeicher. Da Daten für die Aktivierung und Steuerung von GenAI von zentraler Bedeutung sind, hat die Speicherinfrastruktur, in der alle Daten eines Unternehmens gespeichert sind, eine neue Rolle als Grundlage für die Retrieval-Augmented Era (RAG) übernommen.

RAG ist für jedes Unternehmen von großer Bedeutung, das GenAI für individuelle Antworten auf Anfragen nutzen möchte. RAG ist ein GenAI-zentriertes Framework zur Erweiterung, Verfeinerung und Optimierung der Ausgabe von KI-Modellen wie Massive Language Fashions (LLMs) und Small Language Fashions (SLMs).

Das müssen Sie wissen: RAG ist eine auf der Speicherinfrastruktur basierende Architektur zur Verbesserung der Genauigkeit von KI. Damit können Unternehmen sicherstellen, dass die Antworten von KI-Modellen related, aktuell und im richtigen Kontext bleiben. Mit ihren leistungsstarken, generativen KI-Funktionen unterstützen KI-Modelle intelligente Chatbots und andere Anwendungen zur Verarbeitung natürlicher Sprache, die zur Beantwortung von Benutzerfragen durch Querverweise auf maßgebliche Informationsquellen verwendet werden.

Viele KI-Modelle werden zunächst auf extrem großen Datensätzen trainiert, die normalerweise öffentlich verfügbar sind. Um jedoch Antworten auf Kundenfragen sehr spezifisch und kontextuell korrekt für Ihr Unternehmen zu machen, leitet RAG ein KI-Modell (z. B. LLM) um, um personal und proprietäre Daten aus den Datenbanken eines Unternehmens abzurufen. Dies ist der Schlüssel zur Genauigkeit der KI, da sie maßgebliche, vorab festgelegte interne Wissensquellen nutzt – und das alles, ohne dass das KI-Modell neu trainiert werden muss, was ressourcenintensiv ist.

CIOs und Unternehmensleiter, die GenAI-Projekte betreuen, können aufatmen. Dank dieser neuen Möglichkeit, den Nutzen der Unternehmensspeicherinfrastruktur zu erweitern, um die KI genauer zu machen, können Unternehmen nun kostengünstig eine Informationsabrufkomponente zu GenAI-Bereitstellungen hinzufügen und sich auf ihre internen Datensätze verlassen, um ihr Unternehmen keinen öffentlichen Ungenauigkeiten auszusetzen . Als Teil einer transformativen Anstrengung, das eigene Unternehmen in die KI-gestützte Zukunft zu führen, ist es eine Gelegenheit, die intelligente Automatisierung mit RAG zu nutzen, um bessere, genauere und zeitnahe Reaktionen zu erzielen.

Keine spezielle Ausrüstung erforderlich

Eine der guten Nachrichten einer RAG-Workflow-Bereitstellungsarchitektur ist die Tatsache, dass keine spezielle Ausrüstung erforderlich ist. Bestehende Enterprise-Speichersysteme wie die InfiniBox® und die InfiniBox SSA können zur Implementierung von RAG für diese Mehrwertkomponente zur Rationalisierung und Verfeinerung des Prozesses verwendet werden, um GenAI genauer und relevanter zu machen.

RAG verleiht dem Geschäftswert von Unternehmensspeichern eine völlig neue Dimension und erhöht die Erfolgsraten von GenAI in unternehmensgroßen Organisationen. Dazu gehört die Nutzung von Unternehmensspeicher, den CIOs bei der Erstellung eines KI-Modell-Ökosystems nutzen können, das mit RAG optimiert ist. Es wird zum „Should-have“.

Um RAG optimum nutzen zu können, benötigen Sie die höchste Leistung Ihrer Speicher-Arrays sowie eine SLA-gestützte 100-prozentige Verfügbarkeit. Noch nie warfare eine 100-prozentige Verfügbarkeit von Unternehmensspeichern so geschäftskritisch wie heute in einer von GenAI geprägten Welt. Es ist auch sinnvoll, Ihrer Dateninfrastruktur Cyber-Storage-Resilienzfunktionen hinzuzufügen, um die Cyber-Wiederherstellung von Daten sicherzustellen, die für GenAI-Anwendungen von wesentlicher Bedeutung ist.

Unabhängig davon, ob sich die Daten alle in einem Rechenzentrum oder in einer hybriden Multi-Cloud-Konfiguration befinden, funktioniert eine RAG-Workflow-Bereitstellungsarchitektur. Eine Cloud-Version einer Speicherlösung der Enterprise-Klasse lässt sich nahtlos in die Cloud integrieren und vereinfacht und beschleunigt die Einführung von RAG für Unternehmen. Dies ergänzt die Arbeit, die Hyperscaler leisten, um KI-Modelle in größerem Maßstab zu entwickeln, um das anfängliche Coaching der KI-Modelle durchzuführen.

Warum ist RAG für GenAI so wichtig?

Selbst wenn die anfängliche Trainingsphase sehr intestine verläuft, stellen KI-Modelle Unternehmen weiterhin vor Herausforderungen. Auch sie können häufig „KI-Halluzinationen“ hervorrufen, bei denen es sich im Grunde um ungenaue oder irreführende Ergebnisse eines GenAI-Modells handelt. Wenn es nicht über die benötigten Informationen verfügt, erfindet ein KI-Modell die Antwort, um einfach eine Antwort zu haben, selbst wenn diese Antwort auf falschen Informationen basiert. Dies hat das Vertrauen der Menschen in die frühen Einsätze von GenAI untergraben.

KI-Modelle neigen aufgrund der Unklarheit über die Terminologie dazu, ungenaue Antworten zu liefern. Sie können auch veraltete Informationen oder eine Antwort von einer nicht maßgeblichen Quelle liefern. Die Folge ist, dass der Kunde eines Unternehmens völlig falsche Informationen erhalten könnte, ohne es zu wissen. Was für eine „Datenkatastrophe“ das ist!

RAG geht diese Herausforderungen direkt an. Es ist eine zuverlässige Methode, um die „KI-Halluzinationen“ zu beseitigen und fundiertere Antworten auf Anfragen über eine GenAI-Anwendung für Unternehmen sicherzustellen. Das KI-Lernmodell nutzt die neuen Erkenntnisse aus dem RAG-Workflow sowie dessen Trainingsdaten, um deutlich bessere Antworten zu erstellen. Dadurch wird das Vertrauen der Menschen in GenAI gestärkt.

Wichtige Erkenntnisse

Mit der RAG-Architektur ist Unternehmensspeicher nun ein wesentliches Aspect in der GenAI-Bereitstellungsstrategie. Verwenden Sie es, um eine RAG-Pipeline kontinuierlich mit neuen, aktuellen Daten zu verfeinern und die Genauigkeit von KI-Modellen zu verbessern.

Denken Sie daran, die proprietären Datensätze Ihres Unternehmens, die in Ihren Datenbanken gespeichert sind, nicht zu wenig zu nutzen. Sie müssen die Punkte zwischen GenAI und Ihrer Dateninfrastruktur verbinden. Der Enterprise-Storage-basierte RAG-Ansatz hilft Ihnen dabei.

Um Ihre Speichersysteme für diese Erweiterung zu optimieren, achten Sie auf branchenführende Leistung, 100 % Verfügbarkeit und Cyber-Storage-Resilienz. Sie machen Sie RAG-ready.

Metaphorisch gesehen ist RAG wie das „neue Öl“, um die GenAI-Engine mit vertrauenswürdigen Daten auf einer ständig verfügbaren Dateninfrastruktur besser laufen zu lassen.

Über Eric Herzog

Eric Herzog ist Chief Advertising and marketing Officer bei Unendlich. Bevor er zu Infinidat kam, warfare Herzog CMO und VP of International Storage Channels bei IBM Storage Options. Zu seinen Führungserfahrungen zählen außerdem: CMO und Senior VP of Alliances für den All-Flash-Speicheranbieter Violin Reminiscence sowie Senior Vice President für Produktmanagement und Produktmarketing für die Enterprise & Mid-Vary Techniques Division von EMC.

Das Erstellen realistischer 3D-Modelle für Anwendungen wie Digital Actuality, Filmemachen und technisches Design kann ein mühsamer Prozess sein, der viele manuelle Versuche und Irrtümer erfordert.

Während generative künstliche Intelligenzmodelle für Bilder künstlerische Prozesse rationalisieren können, indem sie es den Urhebern ermöglichen, aus Textaufforderungen lebensechte 2D-Bilder zu erstellen, sind diese Modelle nicht für die Generierung von 3D-Formen konzipiert. Um diese Lücke zu schließen, wurde eine kürzlich entwickelte Technik namens Rating-Destillation nutzt 2D-Bilderzeugungsmodelle, um 3D-Formen zu erstellen, die Ausgabe ist jedoch oft verschwommen oder cartoonartig.

MIT-Forscher untersuchten die Beziehungen und Unterschiede zwischen den Algorithmen, die zur Generierung von 2D-Bildern und 3D-Formen verwendet werden, und identifizierten die Grundursache für 3D-Modelle mit geringerer Qualität. Von dort aus entwickelten sie eine einfache Lösung für die Rating-Destillation, die die Generierung scharfer, hochwertiger 3D-Formen ermöglicht, deren Qualität den besten modellgenerierten 2D-Bildern näher kommt.

Einige andere Methoden versuchen, dieses Downside durch Umschulung oder Feinabstimmung des generativen KI-Modells zu beheben, was teuer und zeitaufwändig sein kann.

Im Gegensatz dazu erreicht die Technik der MIT-Forscher ohne zusätzliche Schulung oder komplexe Nachbearbeitung eine 3D-Formqualität, die diesen Ansätzen ebenbürtig oder sogar überlegen ist.

Darüber hinaus haben die Forscher durch die Identifizierung der Ursache des Issues das mathematische Verständnis der Rating-Destillation und verwandter Techniken verbessert, was zukünftige Arbeiten zur weiteren Leistungsverbesserung ermöglicht.

„Jetzt wissen wir, wohin wir gehen sollen, was es uns ermöglicht, effizientere Lösungen zu finden, die schneller und von höherer Qualität sind“, sagt Artem Lukoianov, ein Doktorand der Elektrotechnik und Informatik (EECS) und Hauptautor einer Arbeit zum Thema diese Technik. „Langfristig kann unsere Arbeit dazu beitragen, den Prozess als Co-Pilot für Designer zu erleichtern und die Erstellung realistischerer 3D-Formen zu erleichtern.“

Lukoianovs Co-Autoren sind Haitz Sáez de Ocáriz Borde, ein Doktorand an der Universität Oxford; Kristjan Greenewald, Forschungswissenschaftler im MIT-IBM Watson AI Lab; Vitor Campagnolo Guizilini, Wissenschaftler am Toyota Analysis Institute; Timur Bagautdinov, Forschungswissenschaftler bei Meta; und die leitenden Autoren Vincent Sitzmann, Assistenzprofessor für EECS am MIT, der die Scene Illustration Group im Pc Science and Synthetic Intelligence Laboratory (CSAIL) leitet, und Justin Solomon, außerordentlicher Professor für EECS und Leiter der CSAIL Geometrische Datenverarbeitungsgruppe. Die Forschung wird auf der Konferenz über neuronale Informationsverarbeitungssysteme vorgestellt.

Von 2D-Bildern bis zu 3D-Formen

Diffusionsmodelle wie DALL-E sind eine Artwork generatives KI-Modell, das aus zufälligem Rauschen lebensechte Bilder erzeugen kann. Um diese Modelle zu trainieren, fügen Forscher den Bildern Rauschen hinzu und bringen dem Modell dann bei, den Prozess umzukehren und das Rauschen zu entfernen. Die Modelle verwenden diesen erlernten „Entrauschungsprozess“, um Bilder basierend auf den Texteingabeaufforderungen eines Benutzers zu erstellen.

Diffusionsmodelle sind jedoch bei der direkten Generierung realistischer 3D-Formen leistungsschwach, da nicht genügend 3D-Daten vorhanden sind, um sie zu trainieren. Um dieses Downside zu umgehen, entwickelten Forscher eine Technik namens Rating-Destillationsprobenahme (SDS) im Jahr 2022, das ein vorab trainiertes Diffusionsmodell verwendet, um 2D-Bilder zu einer 3D-Darstellung zu kombinieren.

Die Technik besteht darin, mit einer zufälligen 3D-Darstellung zu beginnen, eine 2D-Ansicht eines gewünschten Objekts aus einem zufälligen Kamerawinkel zu rendern, diesem Bild Rauschen hinzuzufügen, es mit einem Diffusionsmodell zu entrauschen und dann die zufällige 3D-Darstellung so zu optimieren, dass sie mit dem entrauschten Bild übereinstimmt. Diese Schritte werden wiederholt, bis das gewünschte 3D-Objekt erzeugt ist.

Allerdings neigen auf diese Weise erzeugte 3D-Formen dazu, verschwommen oder übersättigt zu wirken.

„Das battle schon seit einiger Zeit ein Engpass. Wir wissen, dass das zugrunde liegende Modell bessere Ergebnisse liefern kann, aber die Leute wussten nicht, warum dies bei 3D-Formen geschieht“, sagt Lukoianov.

Die MIT-Forscher untersuchten die Schritte von SDS und identifizierten eine Diskrepanz zwischen einer Formel, die einen Schlüsselbestandteil des Prozesses darstellt, und ihrem Gegenstück in 2D-Diffusionsmodellen. Die Formel sagt dem Modell, wie es die Zufallsdarstellung aktualisieren soll, indem es Schritt für Schritt Rauschen hinzufügt und entfernt, damit es dem gewünschten Bild ähnlicher wird.

Da ein Teil dieser Formel eine Gleichung beinhaltet, die zu komplex ist, um effizient gelöst zu werden, ersetzt SDS sie bei jedem Schritt durch zufällig abgetastetes Rauschen. Die MIT-Forscher fanden heraus, dass dieses Rauschen zu verschwommenen oder cartoonartigen 3D-Formen führt.

Eine ungefähre Antwort

Anstatt zu versuchen, diese umständliche Formel präzise zu lösen, testeten die Forscher Näherungstechniken, bis sie die beste Lösung gefunden hatten. Anstatt den Rauschterm zufällig abzutasten, leitet ihre Näherungstechnik den fehlenden Time period aus der aktuellen 3D-Formdarstellung ab.

„Auf diese Weise werden, wie die Analyse in der Arbeit vorhersagt, 3D-Formen erzeugt, die scharf und realistisch aussehen“, sagt er.

Darüber hinaus erhöhten die Forscher die Auflösung der Bildwiedergabe und passten einige Modellparameter an, um die Qualität der 3D-Formen weiter zu verbessern.

Am Ende konnten sie ein handelsübliches, vorab trainiertes Bilddiffusionsmodell verwenden, um glatte, realistisch aussehende 3D-Formen zu erstellen, ohne dass eine kostspielige Umschulung erforderlich battle. Die 3D-Objekte sind ähnlich scharf wie diejenigen, die mit anderen Methoden hergestellt wurden, die auf Advert-hoc-Lösungen basieren.

„Der Versuch, blind mit verschiedenen Parametern zu experimentieren, manchmal funktioniert es und manchmal nicht, aber man weiß nicht warum. Wir wissen, dass dies die Gleichung ist, die wir lösen müssen. Dies ermöglicht es uns nun, effizientere Lösungsansätze zu finden“, sagt er.

Da ihre Methode auf einem vorab trainierten Diffusionsmodell basiert, übernimmt sie die Vorurteile und Mängel dieses Modells, wodurch es anfällig für Halluzinationen und andere Fehler ist. Eine Verbesserung des zugrunde liegenden Diffusionsmodells würde ihren Prozess verbessern.

Neben der Untersuchung der Formel, um herauszufinden, wie sie sie effektiver lösen könnte, sind die Forscher daran interessiert, zu untersuchen, wie diese Erkenntnisse Bildbearbeitungstechniken verbessern könnten.

Diese Arbeit wird zum Teil vom Toyota Analysis Institute, der US Nationwide Science Basis, der Singapore Defence Science and Know-how Company, der US Intelligence Superior Analysis Initiatives Exercise, dem Amazon Science Hub, IBM, dem US Military Analysis Workplace, dem finanziert CSAIL Way forward for Knowledge-Programm, die Wistron Company und das MIT-IBM Watson AI Laboratory.

Produktivität, Effizienz, Kreativität.

Dies sind drei Wörter, die in jeder Branche und Organisation von immenser Bedeutung sind. Generative KI hat das Potenzial, es jedem Einzelnen zu ermöglichen, diese Parameter zu verbessern. Aber was macht atemberaubende generative Großartiges aus, das sich jedes Tech- und Nicht-Tech-Unternehmen wünscht?

Generative KI gibt es schon seit geraumer Zeit, aber Anwendungen wie ChatGPT, MidJourney, DeepFake usw. haben sie enorm beliebt gemacht. Die zunehmende Durchdringung unseres Lebens durch KI wirft die Frage auf: Wie kann man mit diesem KI-Growth zurechtkommen? Diese Frage versuchen wir heute anhand umfangreicher Recherchen, Beispiele und Studien zu beantworten.

Grundlagen zuerst | Generative KI verstehen

Generative KI stellt eine Reihe von Algorithmen dar, die auf maschinellem Lernen und künstlicher Intelligenz basieren und die wir zum Erstellen von Inhalten verwenden können. So wie Menschen jede Artwork von Inhalt erstellen können, wie Audio, Video, Bilder, Textual content usw., kann die generative KI durch ihre speziellen Instruments dasselbe tun.

Durch ihre beeindruckenden Fähigkeiten kann generative KI die in das System eingegebenen Anforderungen verstehen und ein passendes Ergebnis im gewünschten Format erstellen. Sie können Instruments wie ChatGPT verwenden, um Textinhalte zu erstellen, einschließlich Slogans, Blogs, E-newsletter usw.

Warum auf den KI-Pattern einsteigen?

A McKinsey-Bericht kommt zu dem Schluss, dass generative KI der Wirtschaft einen Mehrwert in Billionenhöhe bringen kann. Mit den begrenzten Anwendungsfällen generativer KI, die bisher gefunden wurden, können sie zwischen 2,6 und 4,4 Billionen US-Greenback einbringen.

Der Großteil dieses Wertes wird zu vier Bereichen beitragen:

• Kundenbetrieb
• Advertising and marketing und Vertrieb
• Software program-Engineering
• Forschung und Entwicklung

In jedem dieser Bereiche kann generative KI bei richtiger Anwendung die Arbeitsweise eines Einzelnen verbessern. Es hat das Potenzial, die Produktivität des Arbeitnehmers durch die Automatisierung sich wiederholender Aufgaben zu verbessern.

Anwendungen generativer KI

Generative KI hat mehrere Anwendungen, von denen jede Artwork von Organisation profitiert;

Bilderzeugung

Geben Sie eine Texteingabe ein und ein KI-Instrument wie MidJourney oder Dall-E generiert ein Bild. Ebenso können Sie solche Instruments verwenden, um Bilder zu verbessern, die Ästhetik zu verbessern und mehr Particulars hinzuzufügen.

Verwenden Sie generative KI, um Bilder zu vervollständigen, indem Sie weitere Teile hinzufügen oder den Bildstil, die Beleuchtung, die Type usw. ändern. Sie können die Bildausrichtung ändern von;

• Ändern Sie die helle Textur des Bildes von dunkel zu hell oder von Tag zu Nacht.
• Ändern Sie die Bildfarbe von monochrom in farbig.
• Ändern Sie den Bildstil von Unique zu Gemälde, Monet, van Gogh, Cinquecento, 3D, künstlerisch usw.
• Konvertieren skizzenbasierter und semantischer Bilder in realistische Bilder.
• Verwandeln Sie Nahaufnahmen in Emojis und animierte Charaktere.

Erstellen Sie Movies

Mithilfe der generativen KI können Sie jetzt Movies von Grund auf erstellen. KI kann Ihnen dabei helfen, sich wiederholende und langwierige Aufgaben bei der Videoerstellung zu automatisieren, einschließlich Komponieren, Hinzufügen von Effekten, Animationen, Erzählen, Hinzufügen von Charakteren usw.

Mit KI können Sie auch den zukünftigen Body in einem Video vorhersagen. Mit dem Verständnis zeitlicher und räumlicher Elemente kann die KI die nächste Sequenz in einem Video nahezu genau erzeugen.

Zu den spezifischen Anwendungsfällen bei der Videogenerierung gehören:

• Wiederherstellung alter Movies zur Verbesserung ihrer Qualität durch KI-gestützte Hochskalierung.
• Gesichtssynthese und Stimmklonen mit Deep-Faux-Technologie.

Musik machen

Die nächste erstaunliche Aufgabe, die KI erfüllen kann, besteht darin, Musik zu erstellen, indem sie die vorhandenen Muster und Musikeingaben lernt. Verwenden Sie KI, um Originalmusik für quick jeden Zweck zu erstellen.

KI verwendet Textual content-to-Speech-Generatoren (TTS), die aus Textual content realistische Audiodaten erstellen können. Es kann auch eine vorhandene Audiodatei und deren Stimme bewerten, um ähnliche Audioinhalte zu erstellen.

Textual content erstellen und generieren

Eine der am häufigsten praktizierten Anwendungen generativer KI ist das Erstellen von Texten. Hier erobern Instruments wie ChatGPT die Branche im Sturm und ermöglichen es jedem, Inhalte mit Eingabeaufforderungen zu generieren.

Das Schöne an der Textgenerierung besteht darin, dass ein KI-Modell den Schreibstil und den Ton erlernen kann, um Inhalte im erforderlichen Format und Normal zu erstellen.

Bei der Textgenerierung kann KI einige erstaunliche Dinge leisten, darunter:

• Textmanipulation mit vorherigem Verständnis des Tons und Codecs.
• Textzusammenfassung längerer Auszüge schriftlicher Inhalte.
• Wir vereinfachen komplexe Inhalte.
• Klassifizierung von Textual content anhand vorgewählter Parameter wie Stimmung, Thema, Ton usw.

Codegenerierung und -vervollständigung

Eine weitere erstaunliche Anwendung generativer KI besteht darin, dass sie bei der Vervollständigung und Generierung von Code helfen kann. Sie können ein Programmiercode-Snippet einreichen und es bitten, dasselbe zu vervollständigen, oder das KI-Instrument bitten, Code von Grund auf neu zu erstellen.

Bei der Codegenerierung kann generative KI bei Folgendem helfen:

• Erstellen von Testfällen zur Codeanalyse und Bewertung der Softwarefunktionalität.
• Automatisierte Fehlerbehebung im geschriebenen Code.
• Implementierung von Machine-Studying-Modellen in bestehende Software program.

Beginnen Sie mit der Nutzung von KI, um Kundenprobleme zu verstehen und zu lösen. KI hat das Potenzial, Ihnen dabei zu helfen, die Schritte zur Lösung eines Issues klar zu definieren oder eine Lücke zu schließen, die Ihren Mitbewerbern fehlt.

Anpassung und Verfolgung des KI-Booms

Selbst ein eigenständiges, intelligentes KI-Modell wie ChatGPT benötigt Schulung und Unterstützung. ChatGPT wurde mit 45 Terabyte Daten versorgt, und auf 1 Terabyte Speicher können bis zu 250 Full-HD-Filme oder 500 Stunden HD-Video gespeichert werden.

Nach dem Coaching können ChatGPT und andere KI-Modelle die gewünschte Reaktion generieren. Damit ein Unternehmen mit der aktuellen Dynamik Schritt halten kann, muss es seine KI-Leistungen steigern.

Bevor Sie einen Schritt unternehmen, müssen Sie verstehen, dass KI vorhanden ist und kein Konzept mehr ist. KI floriert bereits und Unternehmen profitieren von der Nutzung ihrer Fähigkeiten.

1. Identifizieren und testen Sie generative KI-Anwendungsfälle

   Der erste Schritt zur Weiterentwicklung der generativen KI besteht darin, die Anwendungsfälle zu identifizieren, in denen Sie entsprechende Lösungen implementieren können. Zu den meisten Aufgaben im Zusammenhang mit generativer KI gehört das Erstellen von Texten, Bildern und Movies. Finden Sie heraus, ob es andere Anwendungsfälle gibt, die für Ihr Unternehmen und Ihre Aufgaben related sind.

   Sobald Sie die Anwendungsfälle identifiziert haben, führen Sie die folgenden Exams mit Ihren Geschäftsanforderungen durch. Messen Sie jedes Instrument und jeden Anwendungsfall mit den gewünschten Ergebnissen.

2. Feinabstimmung und strategische Änderungen am bestehenden Modell

   Unabhängig davon, ob Sie ein bestehendes KI-Modell aktualisieren oder ein neues erstellen, ist die richtige Strategie für eine reibungslose Implementierung unerlässlich. Versuchen Sie zur Feinabstimmung, die internen Fähigkeiten zu verbessern und die vorhandenen Talente, Ressourcen und Investitionen zu nutzen, um den Teil der KI-Implementierung anzukurbeln.

   Der entscheidende Teil besteht hier jedoch darin, die Funktionalität vollständig zu verstehen und über umfassende Domänenkenntnisse zu verfügen. Ohne entsprechendes Wissen ist die Bewältigung des KI-Booms nicht möglich. Nehmen Sie sich daher Zeit für die Schulung und finden Sie die richtigen Leute für alle Aufgabenbereiche.

3. Überprüfen Sie jeden Anwendungsfall

   Sobald Sie das zu implementierende KI-Modell identifiziert haben, messen Sie jeden Anwendungsfall mit dem Modell. Messen Sie den Fortschritt und gehen Sie auf alle Vor- und Nachteile ein. Identifizieren Sie die Fähigkeit von KI, den Geschäftsablauf zu unterstützen, bestehende Probleme zu lösen und neue Funktionen bereitzustellen.

   Mithilfe dieses Schemas können Sie die Projekte und Anwendungsfälle mit höchster Priorität identifizieren, die mit einer besseren Ausführung durch KI abgeschlossen werden können. Ein Anwendungsfall kann der Einsatz von KI sein, um Ihre Kunden zu verstehen.

4. Gestalten Sie jeden Prozess sorgfältig

   Sie können schnell einen auf KI basierenden Ausführungsplan erstellen, der sich durch die Mensch-KI-Verbindung auszeichnet. Von der Erstellung eines einfachen Arbeitsablaufs mit minimalem menschlichen Eingriff bis hin zu einem komplexen Arbeitsablauf, bei dem KI und Menschen Seite an Seite zusammenarbeiten, gibt es mehrere Möglichkeiten.

5. Wählen Sie die richtigen Instruments für die KI-Implementierung

   ChatGPT ist der unausgesprochene König, wenn es um die Generierung von Inhalten geht, aber es gibt spezielle Instruments für andere Zwecke wie Advertising and marketing, Vertrieb, Kundendienst usw.

   Die meisten KI-Instruments sind Klassifikatoren. Klassifikatoren können trainiert und modelliert werden, um zwischen Bildern verschiedener Motive zu unterscheiden. Neben Klassifikatoren gibt es Basis-Modelle und Transformers-Architekturen. Ersteres basiert auf einer großen Menge an Datenquellen und kann zur Lösung bestehender und zukünftiger Probleme angepasst werden.

6. Führen Sie Pilottests durch

   Führen Sie Pilottests durch und messen Sie die Ergebnisse ganz einfach. Erstellen Sie beispielsweise einen Weblog mit KI-Instruments und veröffentlichen Sie ihn auf Ihrer Web site. Messen Sie die Leistung des Blogbeitrags mit denen, die von einem Menschen geschrieben wurden. Welchen Unterschied sehen Sie? Ist KI besser oder schlechter als von Menschen geschriebene Inhalte?

7. Messen, prüfen und identifizieren Sie Verbesserungen

   Nehmen Sie auf der Grundlage der Ergebnisse der Pilottests Verbesserungen am KI-Ausführungsplan vor. Durch diese Verbesserungen können Sie bessere Ergebnisse erzielen. Diese Verbesserungen werden jedoch nicht aufhören; Da die KI immer leistungsfähiger wird, kann sich der Implementierungsprozess weiter ändern und verbessern.

Abschluss

KI ist Teil des globalen Entwicklungssystems und hat das Potenzial, Unternehmen zum Besseren zu verändern. Wo sie neue Möglichkeiten schafft, hat KI auch das Potenzial, bestehende Systeme und Prozesse zu verbessern.

Konzentrieren Sie sich bei der Implementierung von KI-Systemen auf Ihre Organisationsstruktur, Anforderungen und Anwendungsfälle. Der Schlüssel zum Erfolg generativer KI liegt darin, ihre Einzigartigkeit zu erkennen und die Implementierung an Ihr Unternehmen anzupassen.

Identifizieren Sie die Anforderungen, erstellen Sie einen individuellen Plan und setzen Sie ihn strategisch um.