Large Language Models und Commodity AI

Der essenzielle Report für IT-Entscheider:innen
Ausgabe #1

Large Language Models (LLM)
und Commodity AI

Large Language Models wie GPT-3 und GPT-4 verändern grundlegend, wie wir an natürliche Sprachverarbeitung herangehen. Sie bieten völlig neue Möglichkeiten für Unternehmen aller Branchen und sind ein technologischer „alle zehn Jahre”-Durchbruch. Dazu kommt, dass diese Technologie komfortablen API-Zugriff bietet. Alternativ gibt es zahlreiche Open-Source-Modelle, die lokal und on-premise einsetzbar sind. Ein eigenes Modell zu trainieren, lohnt sich kaum noch. Damit ist alles verfügbar, um AI in Deine Produkte zu integrieren.

Wir nennen das Commodity AI.

In diesem Report zeigen wir, wie Dein Unternehmen die Möglichkeiten von Commodity AI nutzen kann, um Wettbewerbsvorteile zu erzielen. Du bekommst einen Überblick über realisierbare Use-Case-Szenarien in verschiedenen Branchen.

Ich
bin
hier.

Was Du bekommst

  • Executive Summary
  • Branchenanalyse zu Use Cases und Chancen
  • Entscheidungsfinder: selbst machen oder auf APIs setzen?
  • Entwurf und Entwicklung KI-gestützter Produkte
  • On-Premises Betrieb von LLMs

Download

Wir schicken Dir sofort die aktuelle Ausgabe zu. Du erhältst außerdem Zugriff auf alle bisherigen Ausgaben. Alle zukünftigen bekommst Du automatisch nach Erscheinen.

Wer schreibt hier?

Dr. Larysa Visengeriyeva
INNOQ, Autorin von ml-ops.org
Isabel Bär
INNOQ, Ethical AI
Christoph Burnicki
INNOQ, Senior Consultant
Marcel Weiß
Analyst für die digitale Wirtschaft, neunetz.com


Wir unterstützen Dich

Sprich mit uns über Dein Vorhaben. Auch, wenn es nur lose, erste Gedanken sind. Wir begleiten Dich von der Ideenfindung bis zur Implementierung.

Identifizierung von Anwendungsfällen: In interaktiven Workshops und Schulungen ermitteln wir gemeinsam passgenaue Use Cases für Dein Unternehmen.

Architektur- und Technologieberatung: Wir entwickeln gemeinsam eine nachhaltige KI-Strategie, die Deine bestehenden Systeme, Prozesse und Betrieb nicht außen vor lässt.

Vollständige Umsetzung durch ein Team von multidisziplinären Profis.

Referenzen und weiterführende Links

  1. Attention is all you need
  2. Einen guten Überblick über Foundation Models bietet On the Opportunities and Risks of Foundation Models, Kapitel 1
  3. OpenAI’s massive GPT-3 model is impressive, but size isn’t everything
  4. Mosaic LLMs (Part 2): GPT-3 quality for <$500k
  5. Amazon EC2 Trn1 Instances
  6. On the Power of Foundation Models
  7. Model Summary table and region availability
  8. Growth of AI Through a Cloud Lens
  9. Über 600 Use Cases zur GPT-3-Nutzung
  10. A Brief Note To Our Founders Re: Impact Of Artificial Intelligence
  11. How will Language Modelers like ChatGPT Affect Occupations and Industries?
  12. ChatGPT, Generative AI and GPT-3 Apps and use cases
  13. Do the Rewards Justify the Means? Measuring Trade-Offs Between Rewards and Ethical Behavior in the MACHIAVELLI Benchmark
    ChatGPT-4 Outperforms Experts and Crowd Workers in Annotating Political Twitter Messages with Zero-Shot Learning:
  14. An Overview of the End-to-End Machine Learning Workflow
  15. AI Tasks: Paper. HuggingGPT: Solving AI Tasks with ChatGPT and its Friends in HuggingFace
  16. Adaptiert von Data-centric Foundation Model Development: Bridging the gap between foundation models and enterprise AI
  17. Foundation Model Ops: Powering the Next Wave of Generative AI Apps
  18. Introducing LLaMA: A foundational, 65-billion-parameter large language model
  19. GitHub: llama.cpp
  20. Free Dolly: Introducing the World's First Truly Open Instruction-Tuned LLM
  21. Stability AI Launches the First of its StableLM Suite of Language Models
  22. LLaMA-Nachbau: RedPajama – erste dezentrale Open-Source-KI mit offenem Datensatz
  23. Meet Adobe Firefly
  24. Shop smarter with Shop.ai! We've brought our ChatGPT-powered shopping assistant to the web
  25. A European approach to artificial intelligence
  26. MLOps und Model Governance
  27. AI regulation: a pro-innovation approach
  28. OpenAI: ChatGPT back in Italy after meeting watchdog demands
  29. Responsible AI Belongs on the CEO Agenda
  30. On the Opportunities and Risks of Foundation Models
  31. Mehr zur Verteilung der Verantwortlichkeiten entlang der AI-Wertschöpfungskette: 1 und 2
  32. Fairness-Aware Instrumentation of Preprocessing Pipelines for Machine Learning
  33. On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?
  34. Man is to Computer Programmer as Woman is to Homemaker? Debiasing Word Embeddings
  35. Definitionen für Fairness und Ableitungen von Teststrategien
  36. AI as a Target and Tool: An Attacker’s Perspective on ML
  37. Poisoning attacks on Machine Learning
    Dataset Security for Machine Learning: Data Poisoning, Backdoor Attacks, and Defenses
  38. Adversarial ML Threat Matrix
  39. Machine Learning Security – Teil 1
    Teil 2
  40. On the Opportunities and Risks of Foundation Models
  41. On the Opportunities and Risks of Foundation Models
  42. Monitoring Text-Based Generative AI Models Using Metrics Like Bleu Score
    Definitionen für Fairness und Ableitungen von Teststrategien
  43. Extrinsische und intrinsische Evaluation sowie deren Zwecke wird hier beschrieben: On the Opportunities and Risks of Foundation Models
    Ein ausführlicher Artikel, wie sich Accountability durch ein Model-Governance-Framework herstellen lässt, findet sich hier: MLOps und Model Governance
    Ferner stellt Microsoft ein Impact-Assessment-Template bereit, das zu Evaluations- und Dokumentationszwecken genutzt werden kann. Google hat zudem ein Whitepaper veröffentlicht, das auf Dokumentationspflichten als Teil eines MLOps-Frameworks eingeht.
Ein Team aus 4 Personen, die gemeinsam an einem Tisch sitzen und diskutieren. Auf dem Tisch liegt ein Konzeptentwurf.
INNOQ

Unsere Consultants beraten seit mehr als 20 Jahren KMU & Konzerne und setzen IT-Systeme jeder Größe um.

Wir ziehen unsere Erfahrung aus langjähriger Praxiserfahrung – in Software-Architektur und -Entwicklung, Plattformbetrieb und Infrastrukturen sowie der digitalen Produktentwicklung.

Wir betrachten Technologie nicht als Selbstzweck, sondern als Enabler für die Lösung echter Probleme.