💡 Zusammenfassung
In diesem Video wird die Bedeutung von „Trustworthy AI“ für industrielle Anwendungen beleuchtet. Der Fokus liegt auf der Integration von Generative AI (Gen AI) in Unternehmen und den Herausforderungen, die damit einhergehen. Obwohl viele Unternehmen noch zögern, diese Technologie zu nutzen, wird betont, dass Abwarten keine Option ist. Es wird erläutert, dass die Entwicklung eigener Large-Language-Modelle (LLMs) für Unternehmen oft nicht realistisch ist, da enorme Datenmengen und Rechenleistung erforderlich sind. Stattdessen wird vorgeschlagen, existierende Modelle durch sogenanntes Feintuning anzupassen und firmeneigene Wissensdatenbanken zu nutzen, um spezifische und gesicherte Informationen zu generieren. Ein Beispiel für eine solche Anwendung ist der „MPolis Buddy“, der Unternehmenswissen durch LLMs zugänglich macht und dieses für verschiedene Anwendungsfälle, wie z.B. Support oder Wissensmanagement, bereitstellt.

⬆️ Highlights
🤖 Large-Language-Modelle: Entwicklung eigener LLMs ist komplex und ressourcenintensiv, daher sind angepasste und bestehende Modelle sinnvoller.
🔍 Wissensmanagement: Der Einsatz von LLMs in Kombination mit firmeneigenem Wissen ermöglicht präzise und zuverlässige Informationen.
🛠️ Feintuning: Anpassungen der Modelle optimieren die Ausgabe, bringen jedoch kein neues Wissen hinzu.
🔗 MPolis Buddy: Ein Werkzeug zur Integration von LLMs in Unternehmen, das gezielte und gesicherte Informationen liefert.

Kapitelübersicht
00:00:00 – Einleitung und Vorstellung Vorstellung der Sprecher und Einführung in das Thema Trustworthy AI im industriellen Kontext.
00:00:45 – Status quo von Generative AI Erörterung des aktuellen Standes von Gen AI und der Zurückhaltung vieler Unternehmen bei der Einführung.
00:02:42 – Large-Language-Modelle (LLMs) Erklärung, was LLMs sind und warum ihre Entwicklung extrem aufwendig ist.
00:04:21 – Größe und Leistungsfähigkeit von LLMs Je größer das Modell, desto mehr Fähigkeiten besitzt es, dennoch bleibt es weit von einer allgemeinen künstlichen Intelligenz entfernt.
00:06:09 – Einsatzmöglichkeiten von LLMs LLMs können als intelligente Assistenten agieren, jedoch keine tiefgreifende Expertise liefern.
00:09:01 – Einschränkungen und Herausforderungen LLMs lernen nicht durch Nutzung, sondern müssen umfassend vortrainiert werden, was enorme Ressourcen erfordert.
00:12:55 – Feintuning von LLMs Feintuning dient dazu, die Ausgabe zu optimieren, bringt jedoch kein neues Wissen in das Modell ein.
00:14:23 – Optimale Nutzung von LLMs Vorstellung von Retrieval-augmented Generation (RAG) als Methode, um firmeneigenes Wissen in LLMs zu integrieren.
00:16:50 – Praxisbeispiel MPolis Buddy Demonstration des MPolis Buddy, der firmeneigenes Wissen nutzt, um gezielte Antworten auf Fragen zu liefern.
00:22:24 – Sicherung und Vertrauen in die KI Erklärung, wie durch strukturierte und gesicherte Wissensdatenbanken vertrauenswürdige Antworten generiert werden.
00:25:16 – Zusammenarbeit von LLMs und Wissensmanagement Erläuterung der Funktionsweise des RAG-Ansatzes in der Praxis und dessen Vorteile für Unternehmen.