Eine technologische Neuerung, die im vergangenen Jahr ganz besonders herausstach, war die Veröffentlichung und breite Zugänglichkeit einer Art der künstlichen Intelligenz – genannt ChatGPT, veröffentlicht von der Firma OpenAI. Und obwohl es sich im wissenschaftlichen Bereich schon seit längerer Zeit abzeichnete, dass ein als revolutionär zu bezeichnender großer Durchbruch bevorsteht, war es für den Rest der Welt überraschend und überwältigend ein „Ding“ zur Verfügung zu haben, das man im eigentlichen Wortsinn als intelligent bezeichnen kann. Wie einschneidend dieses Ereignis war, ist allein schon daran zu erkennen, dass nachdem OpenAI die Software-Version GPT-3 am 30. November 2022 für die Öffentlichkeit kostenfrei zugänglich machte, sich innerhalb von fünf Tagen weltweit eine Million Nutzer anmeldeten.

Technisch gesehen ist ChatGPT als ein Large Language Model (LLM) zu bezeichnen. LLMs sind ein Teil der Natural Language Processing Forschung (NLP), die sich mit der Entwicklung von Modellen beschäftigt, die natürliche Sprache verstehen und auch generieren können. LLMs gibt es schon seit einigen Jahren, aber erst mit der Entwicklung von sehr großen Modellen wie GPT-3 und ChatGPT mit 175 Milliarden Parametern, haben sie wirklich an praktischer Bedeutung gewonnen. Diese Modelle können ohne jeweilige spezielle Vorbereitungen und Modelltrainings über textuelle Anfragen, sogenannte Prompts, mehrstufige komplexe Aufgaben lösen – von der Beantwortung von Fragen bis hin zur Erstellung von Texten.

Was aber auch schnell klar wurde: Trotz ihrer Leistungsfähigkeit gibt es immer noch viele Herausforderungen, die es zu meistern gilt, um ChatGPT sinnvoll und effizient einzusetzen. Dies umfasst einerseits, dass wir als Menschen und Anwender lernen müssen, mit dieser Technologie zu interagieren. Dass wir lernen müssen, die Ergebnisse einschätzen zu können und dass wir gefordert sind, den jeweils besten Prompt zu finden. Und nicht zuletzt gilt es, Antworten auf die Frage nach der besten Integration dieser Modelle in Produkte, Unternehmensprozesse und in Geschäftsmodelle zu finden.

Prompt Engineering als elementares Tool

Beispielhafter Informationsfluß der Prompterstellung bis zur Übergabe an ein Large Language Model, das dann den letztendlichen Output generiert. Ablauf des Prompt-Engineerings und der Interaktion mit LLMs.

© Quelle: talsen team

Einen Überblick über mögliche Einsatzgebiete dieser Technologie in industriellen Unternehmen zu geben, ist gar nicht so einfach. Denn Anfragen beziehungsweise Prompts lassen sich in fast jeglicher Art in einer natürlichen Sprache zu praktisch jedem Themengebiet stellen. Dies bieten ein neues und noch dazu enormes Potenzial diese Fähigkeit unternehmensweit einzusetzen um Produkte und Dienstleistungen zu entwickeln, Dokumente und Technologien zu konvertieren, Informationen aller Art zu extrahieren, den Kundenservice zu verbessern oder Marketingmaßnahmen zu optimieren. Der Kreativität für sinnvolle Anwendungsfälle sind hier definitiv keine Grenzen gesetzt!

Begleitend zur generativen Texterstellung entwickeln sich auch vergleichbare Werkzeuge zur automatisierten Erkennung und Erstellung von Bildern, Videos und Ton. Wir können also davon ausgehen, zukünftig in einer generativen und multimodalen Welt zu leben und aus diesem Potenzial zu schöpfen. Das Paradoxe an der Verwendung generativer KI mag sein, dass trotz des vermeintlich einfachen Zugangs dennoch spezielle fachliche Fertigkeiten erforderlich sind, um mit den textuellen Beschreibungen eines Prompts ein bestimmtes, den eigenen Erwartungen entsprechendes Ergebnis, zu bekommen. Die Erfordernis spezieller Fertigkeiten hat sogar zu einer neuen Tätigkeitsbeschreibung – dem Prompt Engineering - und zu einer dazugehörigen Berufsbezeichnung – dem Prompt-Engineer – geführt. Dies bezeichnet allerdings weniger die einmalige Erstellung einer einfachen Anfrage im Web-Browser, sondern die Erstellung verlässlicher, wiederverwendbarer und robuster Prompts in einem produktiven Umfeld eingesetzt werden können.

Wie verändert generative KI das Unternehmen?

Die zeitliche Entwicklung der LLMs bis heute anhand wichtiger Vorentwicklungen und einer Auswahl an Modellen.

© Quelle: promptengineering.org

Die Herausforderung endet allerdings nicht mit dem bloßen Wissen über eine gute Prompt-Formulierung. Der nun sehr einfache Zugang zu Informationen und Fähigkeiten, die bisher bestimmten Rollen wie dem Marketing, dem Vertrieb, dem Produktmanagement oder der Entwicklung vorbehalten waren, stehen nun sehr einfach mehr oder minder „allen“ zur Verfügung. Dies wird unweigerlich dazu führen, dass sich Rollen und Verantwortlichkeiten verändern; sich vor allem die heute schon vernetzten Prozesse noch stärker vernetzen und auch überlappen werden. Das Resultat mündet schließlich in eine weiter zunehmende Unternehmensdynamik. Damit aber nicht im wahrsten Sinne des Wortes Luftschlösser aufgebaut werden, ist es wichtig, nicht nur die Ergebnisse der jeweiligen Prompts zu kennen, sondern auch den Prompt selbst und dessen Historie.

Der Prompt bekommt damit die gleiche, wenn nicht sogar eine größere Bedeutung als die Antwort selbst. Da sich aus einem guten Prompt die Antwort jederzeit wieder neu generieren lässt. Damit ist das Änderungsmanagement der Prompts eine der großen Herausforderung. Es empfiehlt sich daher, jeden Prompt wie Softwarecode zu behandeln und zu versionieren.

Was ist für 2024 von LLMs zu erwarten?

Der Autor: Dr.-Ing. Hans Egermeier ist Geschäftsführer des Unternehmens talsen team.

© talsen team

In diesem Jahr werden wir eine rasant beschleunigende Entwicklung in der Welt der künstlichen Intelligenz erleben. Insbesondere in Bezug auf die Verschmelzung der unterschiedlichen Modalitäten von Text, Bild, Video und Audio. Es ist anzunehmen, dass wir uns an die nun schnell überall verfügbaren Chatbots schnell gewöhnen und diese auch zunehmend in alle uns bekannten Produktivwerkzeuge nahtlos integriert werden. Wie von OpenAI schon gestartet, werden in diesem Jahr auch Store-Konzepte rund um intelligente Applikationen und Chatbots entstehen. Dies wird auch einen großen Einfluss auf neue unterschiedliche Geschäftsmodelle haben, da bei den kommerziell nutzbaren Modellen Gebühren pro Prompt/Antwort anfallen. Es ist zudem davon auszugehen, dass die systematische und standardisierte Bewertung der Qualität und Nützlichkeit der Chatbots und der generativen KI-Werkzeuge immer wichtiger wird. Das experimentelle Trial and Error Prompt Engineering – das wahrscheinlich viele im vergangenen Jahr mit dem Webinterface und GPT 3.5 erlebt haben – wird Stück für Stück zielgerichteten Optimierungsansätzen weichen. Zu guter Letzt ist jetzt schon abzusehen, dass die Kombination aus mehreren generativen KIs mit unterschiedlichen Rollen zur Erzeugung, Bewertung und Optimierung von Ergebnissen und Lösungsstrategien der nächste große Schritt sein wird. Diese entstehenden Agenten werden die Lösungskomplexität und Lösungstiefe noch einmal deutlich erhöhen und weitere Vorgänge automatisieren, die heute nur mit einer menschlichen Interaktion erreichbar sind.