Generative KI: Konzepte und Grundlagen¶
Definition und Abgrenzung¶
Was versteht man unter generativer KI?
Generative KI bezeichnet Ansätze und Modelle, die darauf ausgelegt sind, eigenständig neue Inhalte zu erzeugen, die in Struktur und Stil den Trainingsdaten ähneln. Das bedeutet, dass das Modell aus einer großen Menge an Beispieldaten lernt und anschließend in der Lage ist, neue, kreative Ergebnisse zu generieren – sei es in Form von Texten, Bildern, Musik oder anderen Medien. Im Gegensatz zu traditionellen, auf Klassifikation ausgerichteten Methoden (diskriminativen Ansätzen), die lediglich Unterschiede zwischen vorgegebenen Kategorien erkennen und zuordnen, strebt die generative KI danach, die zugrunde liegende Wahrscheinlichkeitsverteilung der Daten zu modellieren. Dadurch wird es möglich, nicht nur existierende Daten zu klassifizieren, sondern auch völlig neue Inhalte zu kreieren, die über das Gelernte hinausgehen.
Anwendungsbeispiele¶
Generative KI findet in zahlreichen Anwendungsbereichen Einsatz, was ihre enorme Vielseitigkeit unterstreicht. Beispiele hierfür sind:
Textgenerierung: Automatisches Verfassen von Artikeln, Zusammenfassungen oder kreativen Geschichten. Bekannte Produkte: ChatGPT (OpenAI), Claude (Anthropic), Gemini (Google), Copilot (Microsoft) sowie Open-Source-Alternativen wie Llama (Meta) oder DeepSeek – alle nutzen im Kern Sprachmodelle für Konversation und Text.
Bildgenerierung: Erzeugung von realistischen oder künstlerischen Bildern, die beispielsweise in der Werbung, im Design oder in der Kunst Anwendung finden. Beispiele: DALL-E (OpenAI), Stable Diffusion (Open Source), Midjourney, Adobe Firefly, Imagen (Google) – von älteren bis zu neueren Modellen verschiedener Anbieter.
Musik- und Soundkomposition: Erstellung neuer Musikstücke oder Klanglandschaften, die sowohl in der Unterhaltungsindustrie als auch in der Filmproduktion genutzt werden.
Weitere kreative Anwendungen: Dazu zählen die Generierung von Videos, Code-Snippets oder auch die Simulation komplexer Szenarien in wissenschaftlichen Modellen.
Diese Beispiele zeigen, dass generative Modelle weit über die rein analytische Datenverarbeitung hinausgehen und kreativitätsfördernde Prozesse unterstützen können.
Unterschiede zu diskriminativen Ansätzen¶
Der Hauptunterschied zwischen generativen und diskriminativen Ansätzen liegt in ihrer Zielsetzung und Methodik:
Generative Modelle lernen die vollständige Wahrscheinlichkeitsverteilung der Eingabedaten. Sie können dadurch nicht nur Muster erkennen, sondern auch neue Datenpunkte generieren, die in das erlernte Schema passen. Dies ermöglicht kreative Anwendungen, bei denen neue Inhalte aus dem Gelernten abgeleitet werden.
Diskriminative Modelle hingegen konzentrieren sich darauf, zwischen vorgegebenen Klassen oder Kategorien zu unterscheiden. Sie sind darauf trainiert, direkt aus den Eingabedaten Entscheidungen zu treffen, beispielsweise ob ein Bild eine Katze oder einen Hund zeigt. Dabei steht die Klassifikation im Vordergrund, ohne dass ein tiefergehendes Verständnis der zugrunde liegenden Datenverteilung erforderlich ist.
Während also diskriminative Ansätze primär in der Erkennung und Kategorisierung von Mustern eingesetzt werden, ermöglichen generative Modelle die Erzeugung von neuen, bisher nicht existierenden Inhalten – was sie zu einem zentralen Baustein moderner kreativer und innovativer KI-Anwendungen macht.
Nächster Schritt¶
Für den Lernpfad zu LLMs und RAG folgt als Nächstes die Roadmap (Lernpfad: Generative KI und LLMs) mit der konzeptionellen Abfolge (Text → Tokens → Embeddings → semantische Ähnlichkeit → Retrieval → RAG). Danach starten wir mit LLM-Intuition (LLM-Intuition: Was macht ein Sprachmodell?): Was macht ein Sprachmodell im Kern?