Am 16. September 2025 veranstalteten unsere Teams eine interne Konferenz mit dem Titel „Eine Reise durch die generative KI“. Ziel war es, die generative künstliche Intelligenz zu entmystifizieren, ihre Kernkonzepte zu erläutern und praktische Anwendungsbeispiele vorzustellen.
Unter der Leitung der KI-Experten Roxane Jouseau und Hichame Haichour (von Novencia) brachte die Veranstaltung Teams und Interessierte zusammen, um Themen wie große Sprachmodelle (LLMs), deren Architektur, deren Training und deren Anwendungsmöglichkeiten bei realen Geschäftsproblemen zu erörtern.
Grundlagen der generativen KI verstehen
Die drei Ebenen der künstlichen Intelligenz
- ANI (Artificial Narrow Intelligence): KI, die auf eine einzige, eng gefasste Aufgabe ausgerichtet ist.
- AGI (Allgemeine Künstliche Intelligenz): KI mit menschenähnlicher Denkfähigkeit.
- ASI (Artificial Super Intelligence): Eine KI, die die menschlichen Fähigkeiten übertrifft (bislang noch theoretisch).
Wie funktionieren LLMs?
Große Sprachmodelle (LLMs) basieren auf:
- Maschinelles Lernen (überwacht und selbstüberwacht),
- Einbettungen zur Darstellung von Sprache in Vektoren,
- Die Transformer-Architektur, die auf dem Attention-Mechanismus basiert, um Kontext und Bedeutung zu erfassen.
Das Trainieren eines LLM: Eine gewaltige Herausforderung
Um ein Modell wie GPT-4 oder Gemini zu entwickeln, ist Folgendes erforderlich:
- Tausende von Hochleistungs-GPUs,
- Enorme Rechenzeit (Wochen oder sogar Monate),
- Riesige finanzielle Investitionen, oft in zweistelliger Millionenhöhe.
Beispiel: GPT-5 und Grok 3 verdeutlichen die Herausforderungen in Bezug auf Skalierbarkeit, Kosten und Energieverbrauch.
Bewertung eines LLM: Auf dem Weg zu mehr Zuverlässigkeit
Bewertungsmethoden
- Benchmarking mit Referenzdatensätzen,
- LLM-as-a-judge, bei dem ein Modell ein anderes bewertet.
Warum Ehrlichkeit wichtig ist
Neue Forschungsergebnisse zeigen, wie wichtig es ist, dass Modelle Unsicherheiten einräumen können, wenn sie keine Antwort wissen.
Einige LLM-Bewertungssysteme übertreffen Menschen mittlerweile in puncto Konsistenz und Kohärenz und sind damit leistungsstarke Werkzeuge für die Qualitätssicherung.
Praxisbeispiel: Automatisierung der Erstellung von Konfigurationsdateien
Im Rahmen der Sitzung haben wir ein konkretes Beispiel behandelt: die Automatisierung der Erstellung von JSON-Dateien für ein Datenqualitäts-Tool.
Es wurden zwei Ansätze getestet:
- Prompt Augmentation (RAG): Anreicherung von Prompts mit kontextbezogenen Dokumenten,
- Überwachtes Fine-Tuning: Anpassung eines Open-Source-Modells an einen bestimmten geschäftlichen Anwendungsfall.
Ergebnis: Schnellere Konfiguration und verbesserte Datenqualität.
Wie geht es weiter mit generativer KI?
Zu den kommenden Trends, die man im Auge behalten sollte, gehören:
- Multimodale LLMs (Text, Bild, Audio, Video),
- Autonome KI-Agenten, die logisch denken und Aufgaben ausführen können,
- Optimierung und Quantisierung zur Senkung der Inferenzkosten,
Neue Ansätze für die Sicherheit und Zuverlässigkeit künstlicher Intelligenz.
Fazit
Diese Konferenz hat unseren Teams geholfen, ein tieferes Verständnis für die Grundlagen der generativen KI zu entwickeln und zu erkennen, wie sich diese in konkrete Anwendungsfälle umsetzen lassen. Durch die Verbindung von Theorie und Praxis wollen wir die KI-Kultur in allen Teams verbreiten und neue Kooperationen anregen.
.jpg)
