Wann werden generative oder herkömmliche KI verwendet?

Last reviewed 2024-03-19 UTC

In diesem Dokument erfahren Sie, wann generative KI, herkömmliche KI oder eine Kombination aus beiden für Ihren geschäftlichen Anwendungsfall geeignet sein könnte.

In diesem Dokument meint traditionelle KI KI-Funktionen und Anwendungsfälle für die die Möglichkeiten der generativen KI nicht unbedingt erforderlich sind, darunter verschiedene Klassifizierungs- und Vorhersageaufgaben im KI-Bereich. Traditionelle KI-Modelle eignen sich hervorragend für das Lernen aus vorhandenen Daten, um Informationen zu klassifizieren oder zukünftige Ergebnisse anhand historischer Muster vorherzusagen. Generative KI-Modelle erweitern diese Funktionen und können Zusammenfassungen erstellen, komplexe verborgene Korrelationen aufdecken oder neue Inhalte wie Texte, Bilder oder Videos erstellen, die Stil und Muster der Trainingsdaten widerspiegeln.

Einsatzmöglichkeiten für generative KI

Im Allgemeinen eignen sich Lösungen für generative KI für Aufgaben wie die folgenden:

  • Inhalte erstellen und empfehlen.
  • Unterstützung für konversationelle Suchfunktionen und Chatbots.
  • Skalierung und Automatisierung von Workflows für sich wiederholende Aufgaben.
  • Assoziatives Denken verwenden, um Erkenntnisse und Beziehungen in Dokumenten und Daten zu finden.
  • Code generieren und Entwickler beim Schreiben, bei der Erklärung und der Dokumentation von Code unterstützen.

In den folgenden Abschnitten finden Sie Beispiele für solche üblichen, allgemeinen Anwendungsfälle für generative KI, die an verschiedene Branchen angepasst werden können.

Inhalte erstellen und empfehlen

  • Generieren von Marketinginhalten wie Produktbildern, Beiträgen in sozialen Medien und E-Mails mit relevanten Bildern.
  • Inhalte wie Dokumente, Websiteinhalte und mehrsprachige Chatbot-Unterhaltungen übersetzen.
  • Zusammenfassen von Textinhalten, einschließlich Dokumenten, Artikeln, Kundenfeedback und Berichten, um fundiertere datengestützte Entscheidungen zu treffen.
  • Erstellen von Zusammenfassungen von Informationen aus mehreren Quellen, die Text, Bilder sowie Video- oder Audiokomponenten enthalten können
  • Automatische Untertitel für Videos.
  • Erstellen von Creative-Multimedia-Inhalten, wie das Erstellen neuer Bilder aus deskriptiven Text-Prompts, das Ändern oder Korrigieren von Bildern über Text-Prompts (z. B. Entfernen eines Objekts oder Ändern eines Farbschemas) und das Generieren von kurzen Videos oder Animationen aus Text-Prompts oder Skripts.
  • Realistische synthetische Stimmen für Audioinhalte wie Voiceover-Tracks und Musik generieren.
  • Nutzerverhalten, Präferenzen, Rezensionen und ältere Interaktionen analysieren und verstehen, um personalisierte Inhaltsempfehlungen zu geben. Die Analyse kann mit Echtzeitfaktoren wie dem Standort kombiniert werden, um Empfehlungen für Inhalte wie Produkte, Artikel und Videos anzupassen.

Dialogorientierte Suche und Chatbots

  • Erstellen von virtuellen Assistenten für Nutzerinteraktionen wie Kundensupport und Onlineverkäufe.
  • Konversationelle Suche in großen Wissensdatenbanken über Abfragen in natürlicher Sprache ermöglichen.
  • Suchen nach Antworten auf komplexe Fragen, die Textanfragen mit relevanten Bildern kombinieren.

Dokument- und Datenverständnis

  • Extrahieren von Daten und Analysieren von Inhalten aus Texten wie Berichten, Rechnungen, Belegen, Finanztransaktionen oder Verträgen, um mögliche Fehler oder Complianceprobleme aufzuzeigen, potenzielle Risiken zu identifizieren oder Anomalien aufzudecken, die auf Betrug hinweisen.
  • Analyse des Sentiments nutzergenerierter Inhalte, darunter Beiträgen in sozialen Medien und Rezensionen.
  • Analyse transkribierter Callcenter-Unterhaltungen, um beispielsweise die häufigsten Gründe zu verstehen, aus denen Kunden Callcenter-Interaktionen eine niedrige Bewertung geben.

  • Cybersicherheitsdaten wie Bedrohungsberichte, Artikel und Repositories analysieren, um wichtige Bedrohungsindikatoren zu extrahieren. Diese Analyse ermöglicht proaktive Ansätze in Sachen Cybersicherheit, da Strategien zur Schadensbegrenzung über Empfehlungen für schnellere Reaktionen zusammengefasst und priorisiert werden können.

    Mit der Analyse lassen sich komplexe Angriffsgrafiken in Nur-Text-Erklärungen der angreifbaren Elemente übersetzen. Es können auch mögliche Angriffspfade simuliert werden, um betroffene Assets hervorzuheben, und es können Maßnahmen empfohlen werden, bevor diese Assets zugänglich gemacht werden.

Codegenerierung und Entwicklerunterstützung

Die generative KI kann bei folgenden Aufgaben in den verschiedenen Phasen des Softwareentwicklungszyklus (SDLC, Software Development LifeCycle) helfen:

  • API-Spezifikationen und -Dokumentation mithilfe von Aufforderungen in natürlicher Sprache generieren.
  • Assets wie Code, Funktionen, Befehlszeilenbefehle und Terraform-Skripts aus Prompts in natürlicher Sprache erstellen.
  • Generieren von Tests und Codebeschreibungen, einschließlich Kommentaren und Dokumentationen zur Erläuterung von Code.

Weitere Informationen dazu, wie die generative KI Geschäftsvorgänge wie Kundenservice, Mitarbeiterproduktivität und Prozessautomatisierung transformieren kann, finden Sie unter Geschäftsanwendungsfälle in „Generative KI in Google Cloud“.

Einsatzmöglichkeiten für herkömmliche KI

Anwendungsfälle der traditionellen KI konzentrieren sich normalerweise auf die Vorhersage zukünftiger Ergebnisse oder die Klassifizierung einer Kategorie basierend auf einem KI-Modell, das mit vorhandenen historischen Datenquellen wie tabellarisch vorliegenden Daten und Bildern trainiert wurde. Traditionelle KI-Lösungen reichen häufig aus, um verschiedene Klassifizierungs- und Vorhersage-Anwendungsfälle im Rahmen der KI zu bewältigen. Beispiele:

  • Anwendungsfälle für Klassifizierung:
    • Filtern von E-Mail-Spam durch Klassifizierung von E-Mails als Spam oder Kein Spam auf Grundlage eines traditionellen KI-Klassifizierungsmodells, das mit historischen Daten trainiert wurde.
    • Trainieren eines traditionellen Bildklassifizierungsmodells für bestimmte Bilder guter und defekter Produkte, um die Echtzeit-Prüfung und Fehlererkennung in der Fertigung zu unterstützen.
  • Anwendungsfälle im Bereich der Regression:
    • Kontinuierliche numerische Werte prognostizieren, darunter die Vorhersage von Hauspreisen basierend auf bestimmten Immobilienmerkmalen und Standorten.
    • Vorhersage, wie viel Umsatz ein Kunde einer E-Commerce-Plattform während seiner Beziehung zum Unternehmen generiert, basierend auf bisherigen Kaufdaten.
  • Anwendungsfälle für Zeitreihenprognosen: Umsatz- und Nachfrageprognosen.
  • Anwendungsfälle im Bereich Clustering: Eine Kundensegmentierung umsetzen.

Weitere Informationen zur Verwendung traditioneller KI finden Sie unter Verwendung und Beispiele für Vorhersageanalysen in „Was sind Vorhersageanalysen?“

Zwischen traditioneller KI und generativer KI entscheiden

Der folgende vereinfachte Entscheidungsbaum bietet eine allgemeine Referenz für einige auf Anwendungsfällen basierende Entscheidungspfade. In einigen Fällen kann es am besten sein, sowohl traditionelle als auch generative KI zu verwenden, wie im nächsten Abschnitt ("Wann generative KI mit traditioneller KI kombiniert werden sollte") beschrieben.

Ein Entscheidungsbaum zeigt, wann generative KI, traditionelle Klassifizierung (eine Vorhersage-KI) oder ein vortrainiertes KI-Modell verwendet werden sollte.

Der Entscheidungsbaum umfasst die folgenden fallbasierten Fragen und Antworten:

  • Wenn Ihr Anwendungsfall mit Klassifizierung oder Erkennung zusammenhängt, prüfen Sie, ob ein vortrainiertes traditionelles KI-Modell die Anforderungen Ihres Anwendungsfalls erfüllen kann. Zu den vortrainierten traditionellen Modellen gehören KI APIs wie Document AI, Vision AI, Natural Language API und Video Intelligence API.

    • Wenn ein vortrainiertes Modell Ihre Anforderungen erfüllt, verwenden Sie das vortrainierte Modell.
    • Falls kein vortrainiertes Modell Ihre Anforderungen erfüllt, prüfen Sie, ob genügend Trainingsdaten verfügbar sind, um ein Modell benutzerdefiniert zu trainieren.
      • Falls genügend Trainingsdaten verfügbar sind – was sollte dann priorisiert werden? Mehr Kontrolle über das Modelltraining oder eine schnellere Markteinführung (GTM)?
        • Wenn Sie eine hohe Kontrolle über das Modelltraining mit Anpassungsoptionen (z. B Verwendung eines bevorzugten Modellalgorithmus, Entwickeln eigener Verlustfunktionen, Verwendung bestimmter Features zur Nachvollziehbarkeit des Modells, Anzahl der Ebenen im Modell, Lernrate und andere Modell-Hyperparameter) benötigen, dürfte ein benutzerdefiniertes Training eines traditionellen KI-Modells die beste Option sein. Informationen zu den Unterschieden zwischen benutzerdefiniertem Training und dem Trainieren eines Modells in Vertex AI mithilfe von AutoML finden Sie unter Trainingsmethode wählen.
        • Wenn Ihre Geschäftspriorität eine schnellerer GTM ist, verwenden Sie generative KI. Wenn Ihr Anwendungsfall spezialisiert ist, nutzen Sie Modelloptimierungen wie die überwachte Feinabstimmung zur Klassifizierung, Sentimentanalyse oder Entitätsextraktion, um die Leistung des Modells zu verbessern.
      • Wenn kein Trainings-Dataset verfügbar ist oder die verfügbaren Datasets nicht groß genug sind, um ein benutzerdefiniertes Modell zu trainieren, verwenden Sie generative KI-Modelle mit Prompt Engineering. Diese Modelle können mithilfe von Datenbeispielen weiter für spezielle Aufgaben optimiert werden.

  • Wenn Ihr Fall mit Anwendungsfällen im Bereich Vorhersage-KI zusammenhängt, verwenden Sie traditionelle KI. Die traditionelle Vorhersage-KI ist besonders effektiv, wenn strukturierte Daten verwendet werden.

  • Wenn Ihr Anwendungsfall mit generativen KI-Anwendungsfällen wie Zusammenfassungen, Inhaltsgenerierung oder erweiterten Transkriptionen zusammenhängt, verwenden Sie generative KI. Die Nutzung von generativer KI umfasst Anwendungsfälle, bei denen Informationen aus mehreren Modalitäten (Texte, Bilder, Videos, Audio) verarbeitet und eingegeben werden müssen.

Obwohl Data Scientists und ML-Entwickler in der Regel den Modellauswahlprozess leiten, ist es wichtig, auch die Wünsche wichtiger Stakeholder (Unternehmensleiter, Produktinhaber, Domainexperten, Endnutzer usw.) zu berücksichtigen. Diese Stakeholder können beispielsweise auf folgende Weise interagieren:

  • Führungskräfte und Entscheidungsträger: Genehmigen die Wahl, wenn sie den geschäftlichen Prioritäten entspricht.
  • Produktinhaber: Können Einfluss oder mehr Kontrolle auf das Modellverhalten wünschen, um es an Produktprioritäten anzupassen.
  • Domainexperten: Nutzen ihr Domainwissen, um die Modelleffektivität zu verbessern.
  • Endnutzer: Müssen eventuell die Ausgabe des Modells verstehen und wissen müssen, wie sie diese einbinden können, um eine fundiertere Entscheidungsfindung zu treffen.

Wann generative KI mit traditioneller KI kombiniert werden sollte

Traditionelle KI und generative KI schließen sich nicht gegenseitig aus. In einigen geschäftlichen Anwendungsfällen können sie sich gegenseitig ergänzen, um das Geschäftsziel zu erreichen. Sie können beispielsweise die Ausgabe eines traditionellen KI-Modells als Teil des Prompts für ein generatives KI-Modell verwenden. Im Folgenden finden Sie einige Beispiele für Anwendungsfälle, bei denen traditionelle und generative KI-Funktionen kombiniert werden können:

  • Traditionelle vorausschauende KI kann Verlaufsdaten analysieren, um die Abwanderungswahrscheinlichkeit von Kunden vorherzusagen. Diese Analyse kann in einen LLM- oder einem auf generativer KI basierten Chatbot eingebunden werden, mit dem Ihr Vertriebsteam die Vorhersagen mithilfe von Unterhaltungen in natürlicher Sprache untersuchen kann. Sie können auch BI-Dashboards (Business Intelligence) über eine einfache Unterhaltungen mit dem Chatbot generieren.
  • Traditionelle prädiktive KI kann die Risiken eines bestimmten Anwendungsfalls prognostizieren, während die generative KI verschiedene Szenarien simulieren kann, um mögliche Risikominderungsstrategien zu formulieren.
  • Die traditionelle Vorhersage-KI kann Kundensegmente identifizieren, um personalisierte Marketing- und Kampagnenerstellungen zu ermöglichen. Anschließend können Sie generative KI verwenden, um personalisierte Marketinginhalte zu generieren, die auf die einzelnen identifizierten Segmente zugeschnitten sind.
  • Traditionelles KI für maschinelles Sehen kann Gebärdensprache erkennen und klassifizieren, um Videoeingaben in Text zu übersetzen. Die generative KI kann das Verständnis von Kontext und Nuancen in der Gebärdensprache verbessern, was eine optimierte Übersetzung in geschriebenen Text ermöglicht, und das sogar in mehreren Sprachen. Die generative KI kann auch eine Sprachausgabe aus der Textübersetzung generieren, was eine nahtlose bidirektionale Kommunikation zwischen Menschen, die der Gebärdensprache mächtig sind, und solchen, die das nicht sind, ermöglicht.
  • Die herkömmliche AI kann Videoanalysen machen und Video Intelligence-Funktionen verwenden, um wichtige Informationen und Features aus Video-Assets zu extrahieren. Sie können beispielsweise Objekterkennung, Personenerkennung, Texterkennung und Extraktion aus Video-Assets machen. Die generative KI kann diese Informationen dann verwenden, um neue Angebote wie Chatbots, Einträge, Berichte oder Artikel zu erstellen.

Priorisieren Sie die erforderlichen Geschäftsergebnisse und die Nutzeranforderungen (geschäftsorientierte und nutzerorientierte KI-Lösungen), um die Geschäftsvorteile Ihrer Investitionen in generative und traditionelle KI zu maximieren. Dieser Ansatz führt dazu, dass Lösungen relevant bleiben, die Akzeptanz fördern, die Effizienz steigern und zu Innovationen führen. Wenn Sie bei KI-basierten Lösungen die Nutzerfreundlichkeit priorisieren, können Sie die Erwartungen besser abstimmen und aussagekräftige Ergebnisse liefern.

Nächste Schritte