“Deep learning gibt es schon seit einiger Zeit, aber die meisten von uns haben nie ein auf Deep Learning basierendes Tool verwendet, bis die Veröffentlichung von OpenAI’s ChatGPT Ende 2022. Wie seine Vorgänger DALL-E, Google’s Imagen und PaLM, Stable Diffusion und andere, basiert auch ChatGPT auf großen Deep-Learning-Modellen, die auf massiven Datensätzen trainiert sind, um basierend auf Anfragen Inhalte zu generieren. Aber im Gegensatz zu seinen Vorgängern arbeitet ChatGPT über eine Open-Access-API, was bedeutet, dass die Allgemeinheit die Kraft des Deep Learning zum ersten Mal erleben kann. Get to know and directly engage with McKinsey experts on deep learning.”
“Der Bereich der künstlichen Intelligenz und des maschinellen Lernens (für das Deep Learning der nächste evolutionäre Schritt ist) durchläuft eine generationenweite Transformation, von einer von Wissenschaftlern erforschten Idee zu einem Werkzeug, das von Menschen aller Art für alle möglichen Aufgaben genutzt wird. McKinsey-Analysen haben gezeigt, dass zwischen 2015 und 2021 die Kosten für das Training eines Bildklassifizierungssystems (das auf Deep-Learning-Modellen basiert) um 64 Prozent gesunken sind. Die Trainingszeiten verbesserten sich im gleichen Zeitraum um 94 Prozent. Generatives KI (gen AI) könnte laut unseren Erkenntnissen dem globalen BIP jährlich bis zu 4,4 Billionen US-Dollar hinzufügen. Diese tiefgreifenden Veränderungen werden alle von Deep Learning angetrieben.”
“Bevor wir zum Deep Learning übergehen, sollten wir die Grundlagen verstehen. Maschinelles Lernen ist eine Form der künstlichen Intelligenz, die sich an eine Vielzahl von Inputs anpassen kann, einschließlich großer Datensätze und menschlicher Anweisungen. Diese Algorithmen können Muster erkennen und lernen, Vorhersagen und Empfehlungen zu treffen, indem sie Daten und Erfahrungen verarbeiten, anstatt explizite Programmieranweisungen zu erhalten. Die Algorithmen passen sich auch aufgrund neuer Daten und Erfahrungen an, um sich im Laufe der Zeit zu verbessern.”
“Deep Learning ist eine fortgeschrittenere Version des maschinellen Lernens, die besonders gut darin ist, eine breitere Palette von Datenressourcen zu verarbeiten (Text sowie unstrukturierte Daten wie Bilder), erfordert noch weniger menschliches Eingreifen und kann oft genauere Ergebnisse erzielen als herkömmliche maschinelle Lernverfahren. Deep Learning verwendet neuronale Netze, die auf der Weise basieren, wie Neuronen im menschlichen Gehirn interagieren, um Daten durch mehrere Neuronenschichten zu verarbeiten, die zunehmend komplexere Merkmale der Daten erkennen.”
“Foundation-Modelle sind Deep-Learning-Modelle, die auf der Architektur von Transformer-Netzwerken trainiert sind: umfangreiche Mengen unstrukturierter, nicht gekennzeichneter Daten. Foundation-Modelle können für eine Vielzahl von Aufgaben verwendet werden, entweder direkt oder durch Feinabstimmung auf spezifische Aufgaben. Feinabstimmung beinhaltet ein relativ kurzes Training auf einem gekennzeichneten Datensatz, der in der Regel viel kleiner ist als der Datensatz, auf dem das Modell ursprünglich trainiert wurde.”
“Insgesamt können fast alle Branchen von Maschinellem Lernen und Deep Learning profitieren. Beispiele für Anwendungsfälle sind Predictive Maintenance, Logistikoptimierung und Kundenservice. Diese Technologien können dazu beitragen, Prozesse zu optimieren, größere Effizienz zu erreichen und Kosten zu senken. Mit der zunehmenden Nutzung von Deep Learning und maschinellem Lernen stehen viele Möglichkeiten für Innovationen und Fortschritte zur Verfügung.”