Künstliche Intelligenz (KI)

Generative KI stützt sich auf Deep Learning-Modelle, um neue Inhalte zu erstellen.

Beim maschinellen Lernen (ML) wird ein Computer daraufhin trainiert, Muster zu erkennen und Vorhersagen zu treffen.

Beim Deep Learning werden Daten mithilfe eines Algorithmus verarbeitet, der sich an die Funktionsweise des menschlichen Gehirns anlehnt.

Ein Basismodell ist ein ML-Modell, das für das Ausführen verschiedener Aufgaben trainiert ist.

Large Language Models (LLM) können menschliche Sprache verarbeiten und erzeugen.

Eine KI-Infrastruktur unterstützt Data Scientists und Entwicklungsteams dabei, effizient zu arbeiten.

MLOps integriert ML-Modelle in Softwareentwicklungs-Prozesse.

AIOps verwenden KI, um eine Reihe von IT-Operations-Prozesse und -Aufgaben zu verbessern oder teilweise zu ersetzen.

Unterschiedliche Branchen profitieren von unterschiedlichen KI/ML-Anwendungen.

Im Gesundheitssektor können sowohl die Life Sciences, die Anbieter und die Käufer von KI profitieren.

Serviceanbieter nutzen KI, um die Komplexität von Netzwerken, operative Ineffizienzen und den Wettbewerb auf dem Markt zu bewältigen.

KI kann den Kundenservice und die operative Effizienz im Bankwesen verbessern.

Mit Edge-KI treffen Geräte kluge Entscheidungen noch schneller.

LLMOps managen und automatisieren den Lifecycle von LLMs.

Eine KI-Plattform ist eine Sammlung von Technologien zum Entwickeln, Trainieren und Ausführen von ML-Modellen.

InstructLab vereinfacht die benutzerdefinierte Anpassung von LLMs mit persönlichen Daten.

Retrieval-Augmented Generation (RAG) verbindet ein LLM mit externen Ressourcen, um eine präzisere Ausgabe zu erzielen.

Intelligente Anwendungen nutzen KI zur Unterstützung menschlicher Workflows.

Sowohl Fine Tuning als auch RAG dienen der Verbesserung von LLMs, verwenden allerdings unterschiedliche Methoden. RAG verzichtet auf Änderungen am Modell, während Fine Tuning Anpassungen seiner Parameter erfordert.

Bei Granite handelt es sich um LLMs, die von IBM für Unternehmensanwendungen entwickelt wurden, die KI-Use Cases wie Sprache und Code unterstützen.

Agentische KI (Agentic AI) ist ein Softwaresystem, das für die Interaktion mit Daten und Tools ausgelegt ist, sodass nur minimale menschliche Eingriffe erforderlich sind.

Vergleichen Sie prädiktive und generative KI (gen KI), um festzustellen, welche KI für Ihre Use Cases am besten geeignet ist.

Large Language Models (LLMs) und Small Language Models (SLMs) sind KI-Systeme, die darauf trainiert werden, menschliche Sprache, einschließlich Programmiersprachen zu interpretieren.

KI-Inferenz bezieht sich auf den Vorgang, bei dem ein KI-Modell eine auf Daten basierende Antwort gibt.

Bei vLLM handelt es sich um eine Library von Open Source-Codes, mit denen Large Language Models (LLMs) Berechnungen effizienter und in großem Umfang durchführen können.

LoRA und QLoRA tragen zu einem effizienteren Fine Tuning von LLMs bei, unterscheiden sich aber durch ihre Methoden der Modellmanipulation und der Storage-Nutzung.

Parametereffizientes Fine Tuning (PEFT) umfasst eine Reihe von Methoden, die nur einen Teil der Parameter innerhalb eines LLMs anpassen, um Ressourcen zu sparen.

KI im Unternehmen bringt in größerem Umfang eigene Herausforderungen und Vorteile mit sich.

MaaS ist ein Ansatz zum Bereitstellen von KI-Modellen als gemeinsame Ressourcen, bei dem Nutzende innerhalb eines Unternehmens nach Bedarf auf diese zugreifen können.

Erfahren Sie, wie die einzelnen Technologien funktionieren, welche besonderen Stärken sie haben und wie sie zusammen für intelligentere Lösungen sorgen können.

KI-Sicherheit dient dem Schutz von KI-Anwendungen vor böswilligen Angriffen, die darauf abzielen, Workloads zu schwächen und Daten zu manipulieren.

Model Context Protocol (MCP) ist ein Open Source-Protokoll, das eine 2-Wege-Verbindung und die standardisierte Kommunikation zwischen KI-Anwendungen und externen Services ermöglicht.

llm-d (Distributed Large Language Model Inference) ist ein Open Source-Framework, das die LLM-Inferenz in großem Umfang beschleunigt.

Verteilte Inferenz sorgt dafür, dass KI-Modelle Workloads effizienter verarbeiten können, indem die Inferenzarbeit innerhalb einer Gruppe miteinander verbundener Geräte verteilt wird.

Erfahren Sie, wie LinkedIn, Roblox und Amazon mit vLLM die KI-Inferenz beschleunigen.

Erklärbare KI (XAI) umfasst eine Reihe von Methoden, die während des ML-Lifecycles (Machine Learning) angewendet werden, um KI-Ausgaben für Menschen verständlicher und transparenter zu machen.

Bei der Integration von Large Language Models (LLMs) in eine KI-Anwendung bietet sich vLLM gut für die High-Performance-Fertigung an, während Ollama hervorragend für die lokale Entwicklung geeignet ist.