- Wie "lernt" eine Maschine?
- Generator und Diskriminator
- Gefahren und Chancen
- ... und wie sieht der Code aus?
- Ausblick/Diskussion
Generative KI
Während KI in vielen Bereichen mit Spracherkennung, Empfehlungssystemen etc. bereits zu einem Teil unseres Alltags geworden ist, sorgen generative Modelle, auch 10 Jahre nach ihrer Einführung (Stanford University 2014, Ian Goodfellow et al.) noch immer für Erstaunen.
Wenn "Codex" Programmieraufgaben löst oder "Sora" ganze Filme generiert, wirkt das weit ungewöhnlicher als ein KI Modell, das nach der Einspeisung (dem so genannten Training) mit einer genügend großen Datenmenge (beispielsweise Fotos von Katzen und Hunden), verwendet werden kann, um ähnliche Daten (im Beispiel: weitere Bilder) automatisiert zu unterscheiden. Sieht man nur die Ergebnisse, also Computer die - scheinbar aus dem Nichts - neue Inhalte produzieren, dann kann Generative KI sogar beunruhigend wirken. Schließlich sind die Fähigkeit Neues zu erschaffen und die für kreative Prozesse nötigen Voraussetzungen, wie Inspiration und Vorstellungskraft, Eigenschaften, die wir in erster Linie Menschen zuordnen (wollen). Wir nehmen gerne hin, dass Maschinen uns in manchen technischen Abläufen überlegen sind, z.B. beim Autofahren, wenn wir beim Bremsen auf nasser Fahrbahn auf das ABS vertrauen. Die Frage, ob Maschinen uns in Zukunft auch in anderen Bereichen "überholen" könnten, ist im Hinblick auf die Sicherheit unserer Arbeit, auf die Unterscheidbarkeit von realen und künstlich erzeugten Inhalten und auf andere (ehemalige) Gewissheiten allerdings kritisch zu diskutieren.
Der Vortrag beim IDV Expertenabend soll Ungewissheiten weder anfeuern noch missachten. Vielmehr soll ein Verständnis dafür vermittelt werden, wie Generative Adversial Networks (GANs) funktionieren. Diese kombinieren herkömmliche Neuronale Netze, wie Sie für Klassifikationsaufgaben (Schrifterkennung usw.) benutzt werden, arbeiten aber unüberwacht und damit, in einem gewissen Rahmen, selbstständig. Die Arbeitsweise zu kennen ist die Basis, um GAN-basierte Technologien förderlich nutzen zu können und einen verantwortungsvollen Umgang damit zu erlernen. Neben GAN Grundlagen, werden auch weiterführenden Themen, wie Variationale Autoencoder (VAEs), Large-Language Models (LLMs) und Transformer besprochen.
Ihr Referent:
Prof. Dr. Jan Dünnweber
Prof. Dr. Jan Dünnweber unterrichtet an der Ostbayerischen Technischen Hochschule (OTH) in Regensburg Informatik und betreut bei der IDV AG Studierende, die in Projekten mitwirken.