Maschinelles Lernen, künstliche Intelligenz und große Sprachmodelle

Die neuen LLMs versprechen viele Möglichkeiten, und die Idee, ein Tool zu entwickeln, das allen Problemen gerecht wird, scheint attraktiver als je zuvor. Und obwohl sie in den letzten Jahren in der Welt des maschinellen Lernens (ML) und der KI von größter Bedeutung waren, gibt es immer noch viele Probleme, die LLMs nicht lösen können.

Hier sind viele der traditionelleren ML- und KI-Methoden immer noch praktisch. ML und KI sind viel mehr als LLMs, obwohl die Begriffe synonym verwendet werden.

Traditionelle ML- und KI-Methoden

Es gibt mehrere Beispiele für Anwendungsfälle, in denen die traditionelleren ML-Modelle immer noch das idealste Tool sind.

Baumbasierte Modelle, wie Gradient Boosted Decision Trees, schneiden im Allgemeinen besser bei Problemen mit tabellarischen Daten ab, d. h. Daten, die als Zahlen in Zeilen und Spalten angeordnet werden können, als transformatorbasierte Modelle (die Modellarchitektur hinter LLMs).

In einigen Fällen muss ein Modell zu 100% transparent sein, damit die getroffene Vorhersage dem Benutzer erklärt werden kann. Beispiele könnten sein, warum eine bestimmte Person oder ein Unternehmen eine schlechte Bonität erhält, oder in Diagnosen und Empfehlungen im Gesundheitswesen, wo die Erklärung dafür eine zentrale Rolle spielt.

Hier kommen sogenannte Glass-Box-Modelle wie Logistic Regression oder Explainable Boosting Machine zum Einsatz, da die Ausgabe des Modells im Gegensatz zu Deep-Learning-Modellen (DL), einschließlich LLMs, zu 100% erklärt werden kann.

LLMs und Generative KI

Wenn die meisten Menschen heute von generativer KI sprechen, meinen sie eigentlich LLMs. Generative KI ist jedoch ein Begriff, der mehr als LLMs umfasst. Vor zehn Jahren war es zum Beispiel so. Generative Adversarial Networks (GANs), die am heißesten im Bereich der generativen KI waren. Sie wurden (und werden) zur Generierung synthetischer Datensätze verwendet, ein Bereich, der sich immer noch in rasanter Entwicklung befindet!

Es gibt jedoch eine Vielzahl von Herausforderungen, bei denen LLMs die beste Lösung sind. Dies können beispielsweise textbasierte Aufgaben wie Chatbots, Stimmungsanalysen, Übersetzungen oder Zusammenfassungen sein. Die Modelle lassen sich auch viel besser verallgemeinern, wobei traditionelle ML-Modelle oft darauf trainiert werden, ein ganz bestimmtes Problem zu lösen.

Ein Streben nach Methodenagnostizismus

Obwohl LLMs die KI-Landschaft der Öffentlichkeit dominieren, gibt es immer noch eine Reihe von Problemen, auf die traditionelle Modelle des maschinellen Lernens (ML) besser zugeschnitten sind. Wir werden beide in proprty.ai verwenden. Die Hauptsache ist, dass die richtigen Tools verwendet werden sollten, um die Probleme zu lösen.

Zum Zeitpunkt des Schreibens haben wir es hauptsächlich mit Regression zu tun. Unsere Modelle prognostizieren die Restlebensdauer von Gebäudeteilen sowie die laufenden Wartungskosten.

Wir haben zwar Projekte am Reißbrett, die alle Vorteile von LLMs nutzen, aber wir arbeiten derzeit hauptsächlich mit klassischeren ML-Methoden.

Wir bemühen uns, ein Produkt zu entwickeln, das dem Benutzer das Leben erleichtert. Ob das durch Programmierung oder durch maschinelles Lernen und LLMs passiert, spielt im Prinzip keine Rolle, solange das Produkt Wert schafft.