{"id":34599,"date":"2024-10-21T17:18:45","date_gmt":"2024-10-21T15:18:45","guid":{"rendered":"https:\/\/www.etfworld.com\/ch\/?p=34599"},"modified":"2024-10-22T11:02:32","modified_gmt":"2024-10-22T09:02:32","slug":"wisdomtree-grosse-sprachmodelle-von-abstraktion-zu-realitaet","status":"publish","type":"post","link":"https:\/\/www.etfworld.com\/ch\/wisdomtree-grosse-sprachmodelle-von-abstraktion-zu-realitaet\/","title":{"rendered":"WisdomTree : Grosse Sprachmodelle – Von Abstraktion zu Realit\u00e4t"},"content":{"rendered":"
WisdomTree<\/strong> : Das Problem bei grossen Sprachmodellen (Large Language Models, LLMs) besteht darin, dass die Vorstellung, was sie \u00fcberhaupt sind, f\u00fcr Menschen, die keine Softwareingenieure sind, schwierig ist.
<\/h5>\r\n


Abonnieren Sie unseren kostenloser Newsletter<\/strong><\/a><\/p>\r\n

\r\n

Chris Gannatti, Global Head of Research, WisdomTree<\/strong><\/p>\r\n

\r\n

Noch komplizierter wird es, wenn man bedenkt, dass die Entwicklung und das Training der gr\u00f6ssten LLMs Hunderte von Millionen Dollar kostet.<\/p>\r\n

Dennoch haben die Gesch\u00e4ftsf\u00fchrer einiger der gr\u00f6ssten Unternehmen der Welt angedeutet, dass sie in den kommenden Jahren insgesamt mehr als 1\u00a0Billion\u00a0US-Dollar aufwenden wollen, um mehr Recheninfrastruktur aufzubauen, damit mehr dieser Modelle praktikabler betrieben werden k\u00f6nnen[1]<\/sup>&[2]<\/sup>.<\/p>\r\n

Wir suchen st\u00e4ndig nach Anwendungsf\u00e4llen oder Geschichten, mit denen wir die Abstraktion eines LLM in echte gesch\u00e4ftliche Auswirkungen umsetzen k\u00f6nnen. Wenn wir gen\u00fcgend solcher F\u00e4lle finden, k\u00f6nnten wir vielleicht schon bald beobachten, dass diese Auswirkungen in die breiteren Statistiken zur wirtschaftlichen Produktivit\u00e4t einfliessen.<\/p>\r\n

Daher waren wir begeistert, als Amazon-CEO Andy Jassy Folgendes \u00fcber das Q-System von Amazon erkl\u00e4rte, das im Grunde ein LLM ist, das Softwarecode erzeugen kann[3]<\/sup>:<\/p>\r\n

Die durchschnittliche Zeit f\u00fcr das Upgrade einer Anwendung auf Java\u00a017 verringerte sich von normalerweise 50\u00a0Entwicklertagen auf nur wenige Stunden. Unserer Sch\u00e4tzung nach konnten wir dadurch 4.500\u00a0Entwicklerjahre an Arbeit einsparen (ja, diese Zahl ist verr\u00fcckt, aber sie ist real).<\/p>\r\n

In weniger als sechs Monaten konnten wir \u00fcber 50\u00a0% unserer Java-Produktionssysteme mit einem Bruchteil des \u00fcblichen Zeit- und Arbeitsaufwands auf modernisierte Java-Versionen umstellen. Und unsere Entwickler haben 79\u00a0% der \u00dcberpr\u00fcfungen von automatisch generiertem Code ohne zus\u00e4tzliche \u00c4nderungen \u00fcbermittelt.<\/p>\r\n

Die Vorteile reichen \u00fcber den Aufwand hinaus, den wir den Entwicklern erspart haben. Durch die Upgrades wurde die Sicherheit erh\u00f6ht und die Infrastrukturkosten wurden gesenkt, was j\u00e4hrliche Effizienzgewinne in H\u00f6he von sch\u00e4tzungsweise 260\u00a0Millionen\u00a0US-Dollar erm\u00f6glicht.<\/p>\r\n

4.500\u00a0Entwicklerjahre??? J\u00e4hrliche Effizienzgewinne von 260\u00a0Millionen\u00a0US-Dollar??? Das sind enorme Zahlen. Wir sind uns bewusst, dass die KI-Revolution noch in den Kinderschuhen steckt. Aber vielleicht inspiriert Jassys Darstellung der Wirkung von KI f\u00fcr die Entwickler seines Teams andere, \u00e4hnliche Erfahrungen zu schildern und zu ver\u00f6ffentlichen.<\/p>\r\n

Ein Konzept f\u00fcr KI-Entwicklungen[4]<\/sup><\/strong><\/p>\r\n

Abbildung\u00a01 tr\u00e4gt unseres Erachtens massgeblich dazu bei, den Zweck dieser LLMs auf andere Weise zu veranschaulichen. Allen Wissensarbeitern ist klar, dass ihre Arbeit aus verschiedenen Aufgabenbereichen besteht und dass jeder Bereich einen sehr unterschiedlichen Zeitaufwand verursachen kann.<\/p>\r\n

Die aktuellen Versionen von LLMs k\u00f6nnen auf einfache Fragen oder E-Mails antworten, aber es ist weit weniger klar, wie diese Systeme von Grund auf neue Berichte oder originelle Ideen erstellen k\u00f6nnen. Das heisst nicht, dass sie das nicht k\u00f6nnen\u00a0\u2013 es heisst nur, dass der Grad der \u00dcberpr\u00fcfung, der f\u00fcr einfache Antworten auf einfache Fragen n\u00f6tig ist, ein ganz anderer ist als der Grad der \u00dcberpr\u00fcfung, den eine brandneue Pr\u00e4sentation mit m\u00f6glicherweise 60\u00a0Originalfolien, die alle von KI entwickelt wurden, erfordert.<\/p>\r\n

Abbildung\u00a01: Ein Konzept f\u00fcr KI-Entwicklungen<\/strong><\/p>\r\n

\"22-10-24<\/a><\/p>\r\n

Quelle: Stanley, Edward et al. \u201eMapping AI\u2019s Rate of Change.\u201c Morgan Stanley Research<\/u>. 4.\u00a0Juni 2024.<\/span><\/p>\r\n

Sind LLMs Software, Infrastruktur oder beides?<\/strong><\/p>\r\n

Manche Leute bezeichnen LLMs auch als \u201eGrundlagenmodelle\u201c. Das Wort \u201eGrundlage\u201c regt zum Nachdenken an, denn in vielen Zusammenh\u00e4ngen ist eine Grundlage etwas, worauf man aufbauen kann. Wenn wir \u00fcber die Wertsch\u00f6pfung in einigen wenigen \u00d6kosystemen nachdenken:<\/p>\r\n