Erweiterte generative KI – KI-Tools, LLMs, Eingabeaufforderungen, KI-Einschränkungen und mehr

1. Kurseinführung: Hallo, Leute. Willkommen zu meinem Kurs zur Einführung in generative KI. Mein Name ist They Kumadas. Nur um Ihnen einen Hintergrund über mich zu geben Ich bin ein ehemaliger Google-Mitarbeiter mit 19 Jahren Erfahrung in der Werbebranche. Ich unterrichte seit mehr als zehn Jahren Werbung und unterrichte viele junge Berufstätige, Unternehmer und Experten, die sich damit beschäftigen möchten Ich wollte diese Gelegenheit heute nutzen , um Ihnen mitzuteilen, was wir in diesem Kurs behandeln werden. Wir werden uns also ansehen, wie die KI-Stiftung die Einführung in KI , ihre Konzepte und die Bereiche der verschiedenen Arten von KI versteht , die wir hier behandeln werden, und dann schauen wir uns die Geschäfts- und Karrieretransformation aufgrund von KI an Karrieretransformation aufgrund von KI KI für Unternehmen, für die Arbeit, für die Karriere, und dann werden wir uns mit vielen KI-bezogenen Themen, Bedenken und ethischen Wir werden uns auch die Fähigkeiten, Anwendungen und Tools sowie die schnelle technische Entwicklung ansehen Anwendungen und Tools sowie , die Sie in KI anwenden können. Ich hoffe, dass Sie am Ende dieses Kurses diese Konzepte gründlich verstehen und sie in Ihrem Unternehmen und für Ihre Kunden praktisch anwenden können sie in Ihrem Unternehmen und für Ihre Kunden praktisch anwenden . Nochmals vielen Dank, Leute, dass Sie sich meinen Kurs angesehen haben, und ich freue mich sehr , Sie in der Klasse zu sehen. 2. Einführung in generative KI: Hallo, Leute. Willkommen zu dieser Sitzung. In dieser Sitzung werden wir darüber sprechen , was generative KI ist. Wenn Sie sich generative KI, wie das Wort schon sagt, ansehen, handelt es sich um eine generative KI, das ist im Grunde der Punkt, an dem wir KI verwenden werden und das ist im Grunde der Punkt, an dem wir KI verwenden werden, um neue Inhalte zu generieren. Es ist eine künstliche Intelligenz, die jetzt neue Inhalte generieren kann neue Inhalte generieren , die es noch nie zuvor gegeben hat. Das meinen wir mit genitiver KI. Wenn Sie sich die Geschichte der KI ansehen, wurde KI in unserem täglichen Leben insgesamt in verschiedenen Formen eingesetzt unserem täglichen Leben insgesamt in verschiedenen Formen Zum Beispiel verwenden wir KI hauptsächlich für, sagen wir, für Karten. Es zeigt uns, wie viel Zeit es dauert, ein bestimmtes Ziel zu erreichen. Es wird uns sagen , welche Tesla-Karten von alleine laufen. Es gibt also verschiedene Bereiche , in denen wir KI bereits einsetzen. Aber jetzt können Sie mit Hilfe der genitiven KI auch neue Inhalte mit Hilfe dieser Technologie generieren auch neue Inhalte mit Hilfe dieser Technologie Dieser Inhalt kann verschiedener Art sein. Sie können Text, Bilder, Videos und Code generieren. All das ist jetzt möglich. Nur um Ihnen ein Beispiel dafür zu geben , worauf wir uns beziehen wollen. Wenn Sie zum Chat GPT gehen, können wir Text generieren Ich kann es bitten, eine E-Mail für mich zu schreiben , und es kann diese generieren Wir können Dali verwenden, um Bilder zu generieren, die wir für unser Geschäft und unsere persönliche Arbeit verwenden können Dann können wir zum Github-Copilot gehen und Code generieren Das sind also die generativen KI-Typen , die es derzeit gibt Und so werden wir es nutzen. Einfach ausgedrückt, wenn man sagen muss, dass generative KI oder generative künstliche Intelligenz eine Art KI-Technologie ist , über die wir jetzt verfügen neue Inhalte generiert werden können. Und hier kann es sich Inhalte verschiedener Art handeln , die möglicherweise erstellt werden können. Es ist jetzt in der Lage, die Daten zu betrachten, die Aufforderung, die ihm gegeben wurde, und auf deren Grundlage es neue Inhalte für uns generieren kann. Daher kommt der Name von generativer KI, bei der wir die KI gezielt einsetzen , um neue Inhalte zu generieren. Ich hoffe, das macht Sinn. Ich verstehe die Grundlagen dessen, was generative KI ist und welche Fähigkeiten sie bietet und in welchen Formaten wir sie gerade verwenden werden. 3. Demo zu generativer KI: Hallo Leute. Willkommen zu dieser Sitzung. In dieser Sitzung werden wir einige der generativen KI-Tools kennenlernen, mit denen wir neue Inhalte generieren können. Wir werden also sehen, wie wir beispielsweise ChR GPT verwenden können, um Text zu generieren, ein Gedicht oder ein Bild in Text zu schreiben Wir werden sehen, wie wir Text auch durch ein Bild und eine Übersetzung generieren können ein Bild und eine Übersetzung Dann schauen wir uns, sagen wir, stabile Diffusion oder andere Tools die wir zur Generierung von Bildern, von Text zu Bild, verwenden können. Schauen wir uns das an. Das erste, was wir auf Cha JBT tun wollen , ist in erster Linie das Schreiben eines Gedichts Nehmen wir an, wir geben ihm eine konkrete Aufforderung, wenn wir ihn bitten, ein Gedicht zu schreiben das den Beginn der Frühlingssaison feiert. Wir haben ihm ausdrücklich gesagt, dass es sich auf zehn Zeilen beschränken soll Sie können sehen, dass es darauf folgen wird, und es hat auch für uns ein Gedicht generiert, einen neuen Inhalt, den es auf dieser Welt noch nie gegeben hat . Zum ersten Mal wird es richtig erstellt. Nehmen wir in ähnlicher Weise an, wir möchten ein Bild hochladen und möchten, dass es jetzt beschrieben wird. also einfach, Wir bitten es also einfach, zu beschreiben, was es auf dem Bild sieht. Das Bild zeigt also zwei kleine Kinder draußen auf einer Wiese Fußball spielen Ein Kind trägt ein weißes T-Shirt und bunte Shorts, während das andere ein hellblaues Poloshirt mit Lohnshorts trägt Sie können also sehen, dass es jedes einzelne Detail aufgegriffen und erklärt hat , uns das Bild zu beschreiben. Du kannst das also auch tun, aus den Bildern, die wir um uns herum haben, neue Texte generierst . Okay? Und die dritte Sache ist, was wir wollen, ist Übersetzung. Nehmen wir an, wir bitten sie, diesen Text einfach vom Englischen ins Spanische zu übersetzen. Das kann es auch. Jetzt haben Sie drei verschiedene Möglichkeiten gesehen, mit Hilfe von Hangibty neue Inhalte zu generieren Nehmen wir nun an, wir gehen zur stabilen Verbreitung und bitten sie hier, auf der Grundlage des Textes, den wir geben werden, ein Bild zu generieren Nehmen wir an, wir geben diesen speziellen Text ab, wodurch ein Bild von einem Mann entsteht, der Klavier spielt. Wir bitten ihn, diesen Situ zu kreieren, indem er das Bild für uns hier drüben Sie können sehen, dass das Bild generiert wurde, und jetzt können Sie die Eingabeaufforderung ändern. Sie können die Eingabeaufforderung ändern und das Bild entsprechend Ihren Anforderungen Ich hoffe, das macht Sinn. Ich hoffe, Sie können die praktische Umsetzung verstehen, wie Sie diese generativen KI-Tools verwenden können, um neue Arten von Inhalten gemäß Ihren Anforderungen zu generieren. 4. Künstliche Intelligenz (KI), maschinelles Lernen (ML) und Deep Learning: Y. Hallo, Leute. Willkommen zu dieser Sitzung In dieser Sitzung werden wir über künstliche Intelligenz, maschinelles Lernen und Deep Learning sprechen künstliche Intelligenz, und verstehen, was sie sind und wie sie tatsächlich funktionieren. Wenn Sie sich also künstliche Intelligenz ansehen handelt es sich in erster Linie um ein Konzept Maschinen dazu bringt, wie Menschen zu denken und sich wie Menschen zu verhalten. Okay? Das ist die Idee von künstlicher Intelligenz. Was wir hier also zu erreichen versuchen , ist menschliche Intelligenz, die künstlicher Natur ist. Sie sollte in der Lage sein, dieselben die künstlicher Natur ist. Sie sollte in der Lage sein, Fähigkeiten wie die menschliche Intelligenz zu haben , Bilder oder Videos zu erkennen, Text zu verstehen und zu generieren, Menschen bei Spielen zu schlagen, großem Maßstab aus Daten zu lernen und Autos autonom zu fahren Okay. Das ist ein Konzept, das idealerweise 1965 entstanden ist, und jetzt sehen wir konkret die Ergebnisse davon. Attivit-Intelligenz ist in erster Linie eine Art von Intelligenz, die wir aufbauen wollen, die der menschlichen Intelligenz ebenbürtig ist und in der Lage ist, die Art von Output zu liefern, die menschliche Intelligenz leisten kann Nun, wenn wir uns maschinelles Lernen ansehen, dann ist maschinelles Lernen in erster Linie ein Bereich, in dem wir versuchen, unseren Computern beizubringen, anhand von Beispielen zu lernen Wenn Sie sich die normale traditionelle Programmierung ansehen , die wir bisher gesehen haben, so wird es Eingabedaten geben. Es gibt Eingabedaten, die wir geben, und dann geben wir selbst einige Regeln vor, das ist der Code, den wir geben und auf dessen Grundlage die Ausgabe ausgegeben wird. Hier schreiben wir also alle Regeln, auf deren Grundlage die Ausgabe ausgegeben wird. Aber beim maschinellen Lernen wird es ein Fall sein, in dem eine enorme Menge an Trainingsdaten eingegeben wird und die Maschine aus den Daten lernt und das am besten geeignete Ergebnis liefert. Es lernt die Regeln selbst, okay? Das ML zeigt der Maschine im Grunde Tausende von Beispielen und lässt sie die Muster selbst finden. Das ist die Idee des maschinellen Lernens , die wir hier verstehen. Okay? Es gibt drei Arten von maschinellem Lernen: hauptsächlich überwachtes, unbeaufsichtigtes und verstärkendes Unter Supervision lernt es anhand beschrifteter Beispiele. Die Daten sind also beschriftet, also werden sie darauf trainiert und geben uns das Ergebnis. Unbeaufsichtigt findet es versteckte Muster. Aus den bereitgestellten Trainingsdaten versucht es also, versteckte Muster zu finden, und dann lernt es durch Versuch und Irrtum bei der Verstärkung lernt es durch Versuch und Irrtum bei Mit Belohnungen, genau wie wenn man einen Hund trainiert. Warum es also wichtig ist, ist, dass die traditionelle Programmierung, die wir seit Jahrzehnten kennen, die Komplexität der realen Welt nicht bewältigen kann, und hier ist ML sehr skalierbar , weil es aus den Daten lernt und sich an die neuen Situationen anpasst, die wir nicht vorhersagen und die Daten nicht weiter verbessern können Das ist also die Idee des maschinellen Lernens, wie es im aktuellen Kontext hilft Nun, wie funktioniert das Lernen? Versuchen wir also, dies in erster Linie aus einem ganz anderen Blickwinkel zu verstehen . So können wir einige Eindrücke von Kindern mitnehmen , wie Kinder lernen. Normalerweise funktioniert es also so, dass Eltern den Kindern Äpfel zeigen und sie sagen, das ist ein Apfel. Jetzt versteht es das Gehirn und erinnert sich daran, dass ein roter oder grüner, runder, glänzender Stiel an der Spitze ein Apfel ist. Okay? Und jetzt, wo das wieder gezeigt wird, kann das Kind es als Apfel erkennen. Und so findet menschliches Lernen statt. Stellen Sie sich vor , dasselbe passiert mit diesen KI-Modellen, bei denen Trainingsdaten angegeben werden. Nehmen wir an, es wurden Tausende, Millionen von Bildern von Äpfeln bereitgestellt, und jetzt lernt das Modell dieses Musters, dass die Farbe rot oder grün ist, die Form, die Textur und die Haut glänzend ist. Okay, man bezieht sich auf den Stamm oben, und dann wird ein neues Bild angezeigt, sodass die Ausgabe als Apfel ausgegeben wird. Der Lernprozess oder der Lernstil ist ziemlich ähnlich dem, was normalerweise ein Kind lernt. Nun, es gibt drei Hauptbestandteile , die wir beim maschinellen Lernen haben würden . Sie werden sehen, es eine Menge Trainingsdaten gibt, die hauptsächlich aus Millionen von die hauptsächlich aus Millionen von beschrifteten Bildern, Textdokumenten, Artikeln, strukturierten Tabellen, Daten, Audioclips, Sprache und Videoaufzeichnungen bestehen, die zusammen hochgeladen werden. Und dann gibt es eine Menge Rechenleistung, GPUs, Tausende von GPUs, Hochgeschwindigkeits-Cloud-Computing-Farmen mit hohem Stromverbrauch und verteiltes paralleles Training, was passiert. Und es gibt Algorithmen. Also offensichtlich die Algorithmen, die auch hier funktionieren, wie Entscheidungsbäume, lineare Regression, neuronale Netzwerke, Clustering, Reinforcement Learning All dies ist Teil der Bestandteile des maschinellen Lernens, mit dem nun ein trainiertes ML-Modell erstellt werden kann Danach kommt also das Deep Learning, bei dem es in erster Linie um neuronale Netze oder Transformatoren handelt. Das funktioniert auch sehr ähnlich wie die Neuronen unseres menschlichen Gehirns. Wenn Sie zum Beispiel biologische Neuronen sehen, gibt es Input, der in den Zellkörper kommt und auf dessen Grundlage der Output vom Gehirn ausgeht. In ähnlicher Weise werden auch bei künstlichen neuronalen Netzen , beim Deep Learning, Eingaben gegeben und es gibt eine Menge verschiedener Ausgangsverarbeitungen, die passieren und auf deren Grundlage die Ausgabe ausgegeben wird. Das ist also der Deep-Learning-Teil, bei dem es um das Verständnis der Eingaben geht dem es um das Verständnis der Eingaben gegeben werden und auf deren Grundlage die Ausgaben bereitgestellt werden. Wenn Sie es sich nun in einem N-Diagramm ansehen, ist künstliche Intelligenz die umfassendste Kategorie Es ist die umfassendste Kategorie, und dazu kommt maschinelles Lernen, das Entscheidungsbäume und zufällige Wälder umfasst , und darin dann Deep Man kann also sagen, dass ML in erster Linie eine Untergruppe von KI ist , und innerhalb von ML gibt es Deep Learning, das dort drüben angesiedelt ist , also ein mehrschichtiges neuronales Netzwerk, das geschaffen wird Ist in erster Linie für die Bild -, Video-, Sprach- und Audiogenerierung nützlich -, Video-, Sprach- und Audiogenerierung Für all diese Zwecke benötigen wir mehr Daten und Rechenleistung als bei klassischem ML. Ich hoffe, das macht Sinn. Ich hoffe, Sie verstehen jetzt die grundlegenden Konzepte von künstlicher Intelligenz, Deep Learning und maschinellem Lernen. Vielen Dank, Leute, dass ihr an dieser Sitzung teilgenommen habt. Wir sehen uns im nächsten Video. 5. ChatGPT entdecken: Funktionen und Möglichkeiten: Hallo, ja. Willkommen zu dieser Sitzung. In dieser Sitzung werden wir uns einige der KI-Tools und ihre Funktionen und Fähigkeiten ansehen einige der KI-Tools und ihre Funktionen und Fähigkeiten und wie wir sie nutzen können. Das erste, das Sie sich ansehen werden, ist ChatGPT, ein Tool, das in erster Linie von OpenAI entwickelt wurde Es verwendet das LLM GPT 5 und höher und ist in erster Linie auf das Verstehen und Generieren natürlicher Sprache ausgelegt , was eher auf Konversationsbasis erfolgt Das ist also etwas , das wir verwenden werden und schauen, wie es funktionieren wird Die Idee ist also, dass wir uns jetzt nur ihre Fähigkeiten ansehen müssen, verstehen müssen, wie sie funktionieren und welche Macht sie in sich aufnehmen Schauen wir uns das an. Das erste, das wir uns hier ansehen werden , ist ChatGPT, das heißt, sie verwenden das LLM-Modell im Backend, und jetzt können wir hier eine einfache Eingabeaufforderung machen , für die es uns eine Ausgabe geben kann Nehmen wir an, wir fragen, was LLM sind und wie funktionieren Schauen Sie sich nun an, wie schnell sie uns die Ergebnisse liefern können. Sobald Sie innerhalb von weniger als einer Millisekunde tippen, erhalten Sie die Ausgabe hier auf sehr systematische Weise. Sie erhalten alle Informationen aufgrund der Millionen von Datenmengen, Sie erhalten alle Informationen aufgrund der Millionen von auf denen sie im Backend trainiert wird All diese Modelle waren aufgrund der Einfachheit und der detaillierten Informationen, die es den Benutzern zur Verfügung stellen kann, in der Lage, es auf eine große Anzahl von Benutzern zu skalieren aufgrund der Einfachheit und der detaillierten Informationen, die es den Benutzern zur Verfügung stellen kann, in der Lage, es auf eine große Anzahl detaillierten Informationen, die es den Benutzern zur Verfügung stellen kann, in der von Benutzern zu Aus diesem Grund haben so viele Menschen auf der ganzen Welt begonnen, KI-Tools ausgiebig zu nutzen. Ja, Sie können sehen, dass die Ausgabe genau hier ausgegeben wird. Okay. Abgesehen davon gibt es uns nicht nur die Ausgabe, auch zusätzliche Informationen. Außerdem wird es fragen, ob ich es auf verschiedenen Ebenen erklären kann , es das auch tun kann. Es versucht also, dem Benutzer gegenüber so kooperativ und unterstützend wie möglich zu sein unterstützend wie möglich , damit der Abhängigkeitsfaktor steigt, oder? davon überzeugen, wie einfach Sie können sich selbst davon überzeugen, wie einfach es zu bedienen ist, weshalb es in der Lage ist , uns die Ergebnisse auf eine so maßgeschneiderte Art und Weise zur Verfügung zu stellen. Nun, wenn ich das weiterführe und frage, wie bauen sie? Wie werden sie gebaut? Also, was hier passiert, ist so einfach wie wenn ich sage, wie sind sie? Okay, es verbindet es automatisch mit der vorherigen Konversation. Es versteht, dass wir in der vorherigen Konversation über LLM gesprochen haben, also geht es damit weiter LLMs bestehen aus einer Kombination von, okay? Das Gute daran ist also, dass Sie ein längeres Gespräch mit der KI führen können , und sie behält einen Kontext der Konversation und der vorherigen Konversationen bei, auf deren Grundlage sie Ihnen das Ergebnis liefert. Die Antworten, die Antworten werden also viel stärker auf das zugeschnitten sein , was Sie wirklich wollen. Okay? Also das ist eine Supermacht Es gibt noch eine weitere wichtige Funktion dieser Tools, bei der es sich an die Konversationen erinnert, die Sie geführt haben und auf deren Grundlage es uns die Ergebnisse liefert. Es gibt auch Funktionen, die Sie irgendwann sehen werden , mit denen Sie Ihren Hintergrund angeben können, Sie können Ihren Hintergrund, Ihren Beruf, alles, was Sie einfließen lassen können, angeben , und Sie stimmen das LLM im Grunde so ab, dass Sie Ergebnisse auf der Grundlage des von Ihnen bereitgestellten Hintergrunds erhalten Okay, all das ist möglich, aber im Moment schauen wir uns an, wie diese LLMs grundsätzlich funktionieren So wird der ChatGPT also reagieren. Auf die gleiche Weise haben Sie auch eine andere KI-Plattform, die angegriffen werden wird Auch mit Cloud können Sie dasselbe tun. Die Stärke von Cloud liegt hauptsächlich in der Codierung. Sie können diese Plattform häufig für die Verwendung Codierungsanforderungen verwenden , die Sie möglicherweise haben. Nehmen wir ein einfaches Beispiel dafür , wie das sein wird. Nehmen wir an, wir bitten ihn, einen Python-Code zu generieren , der auf AWS Lambda ausgeführt werden kann, eine CSV-Datei liest und sie an einem anderen S-3-Speicherort speichert sie an einem anderen S-3-Speicherort Es wird den Code für uns generieren. Es wird auch die Fehlerbehebung des Codes durchführen. All das kann genau hier passieren. Die meisten Benutzer stellen also fest , dass die Cloud wirklich gut in Bezug auf Codierungsaspekte ist und dass sie damit sehr gut funktionieren kann. Der Anwendungsfall ist eher auf die Codierung ausgerichtet. So können wir den Text bekommen. Und hier verstehen Sie die Idee, über die wir in Bezug auf GenAI gesprochen haben , dass es sich nicht nur auf die Generierung von Text beschränkt Sie können Code generieren. Sie können Bilder und Videos generieren, all das kann mit den GenAI-Tools passieren Dies ist der Cloud-Teil , den wir uns auf die gleiche Weise angesehen haben. Wir können uns auch Gemini machen, das ist in Wir können uns auch Gemini machen, erster Linie das KI-Tool von Google, und es verbessert sich auch von Tag zu Tag, da sich jede Menge Daten im Backend befinden Nehmen wir dafür einen anderen Anwendungsfall. Nehmen wir an, wir verwenden es für die Bilderzeugung. Es wird uns helfen, ein Bild zu generieren. Dies ist die Generierung von Text zu Bild , die Sie mit diesem KI-Tool durchführen können. Okay? Es gibt also verschiedene Anwendungsfälle. Jetzt können Sie herausfinden, Sie können sich vorstellen, dass Sie diese Tools haben können, mit denen Sie sie für die Generierung von Inhalten, für Marketingzwecke, für personalpolitische Fragen und für die Dokumentation verwenden können , die Sie benötigen. Für all diese Szenarien können die GenAI-Tools umfassend integriert und auch sehr effektiv eingesetzt werden Hier können Sie sehen, wie das Bild auf diese Weise erstellt wurde , und wir können es auch anpassen . Wir können Änderungen daran vornehmen. All das kann getan werden. Meine Idee ist also, Sie nur über das Potenzial dieser Tools und die verschiedenen Möglichkeiten oder Anwendungsfälle zu informieren das Potenzial dieser Tools und die verschiedenen Möglichkeiten oder Anwendungsfälle denen Sie sie verwenden können, nur um Ihnen eine gute Vorstellung von all diesen Tools zu geben , die wir haben. Derzeit verwenden die meisten Leute OpenAI CHN GPT für alle Anwendungsfälle, was Sie hauptsächlich tun OpenAI CHN GPT für alle Anwendungsfälle, können Und bis zu einem gewissen Grad Gemini im Moment immer noch viel auf und aktualisiert viel Okay, die Leistung wird gerade viel, viel besser. Äh, Cloud konzentriert sich hauptsächlich. Es liefert auch eine hervorragende Leistung, aber ihre Stärke liegt in der Generierung von Codierungscode, sodass es auch dafür nützlich sein kann. CoPilot ist, wie Sie wissen, ein Teil von Microsoft Die Backend-Technologie, über die sie verfügen, ist OpenAI Aber es ist in Microsoft-Produkte integriert, nämlich Word, Excel, PowerPoint, sodass Sie es problemlos dort verwenden können, und es funktioniert auch dort sehr gut. Abgesehen davon gibt es Wachstum und Verwirrung, die Sie auch nutzen können Das sind wiederum andere KI-Tools, ähm, die Sie sicherlich ausprobieren können, um zu sehen, ob sie zu Ihrem Arbeitsstil, Ihrem Unternehmen auch passen Ich hoffe, das macht Sinn. Ich hoffe, Sie verstehen jetzt, wie wir diese verschiedenen KI-Tools, ihre Fähigkeiten und Funktionen in verschiedenen Szenarien einsetzen können ihre Fähigkeiten und Funktionen . 6. Warum generative KI lernen: Hallo Leute. Willkommen zu dieser Sitzung. In dieser Sitzung werden wir verstehen, warum wir etwas über Genitiv A lernen sollten. Wenn Sie sich das ansehen, beschäftigt Genitiv AA derzeit alle Führungskräfte in der Organisation Unternehmen, Regierungen und mit Interesse gehen auch Chancen einher Unternehmen suchen gezielt nach Mitarbeitern , die die Technologie verstehen und vor allem über die Fähigkeiten verfügen, sie praktisch im Arbeitsalltag anzuwenden . Im Gegensatz zu vielen der bisherigen Trendtechnologien deckt Genitive KI derzeit fast jede Rolle in jedem Beruf ab Aus diesem Grund wird erwartet, dass genetische KI-Fähigkeiten in der kommenden Zukunft an Bedeutung gewinnen werden, nicht nur für Informatiker, sondern für alle, weshalb sie als Textverarbeitung, Tabellenkalkulation und sogar grundlegende Geschäftskenntnisse unverzichtbar sein werden , Tabellenkalkulation und sogar Gegenwärtig gibt es ein großes neues Interesse an KI , und Unternehmen blicken über Kunden-KI und Verbraucher-KI hinaus Eine Chat-Board-Oberfläche ist eine hervorragende Möglichkeit, das Potenzial der generativen KI zu demonstrieren realen Anwendungsfällen wird generative KI heute in bestehende Prozesse eingebettet und zu einem integralen Bestandteil fast jedes einzelnen Geschäftsablaufs gemacht integralen Bestandteil fast jedes einzelnen Geschäftsablaufs Die Fähigkeiten, die Sie im Rahmen dieser Programme erwerben werden , sollen Ihnen bei Ihrer Karriere helfen und sich sofort auf Ihren Job übertragen bietet viele Pluspunkte Erlernen von genitiver KI da dies nicht nur für Ihre tägliche berufliche Arbeit, sondern auch für Sie persönlich nützlich sein wird nicht nur für Ihre tägliche berufliche Arbeit, . Sie können diese KI-Tools verwenden, um viele Probleme, Fragen und Fragen zu lösen , die Sie möglicherweise haben Die Tools helfen dabei, zu den echten Lösungen zu gelangen , und geben auch praktische Schritte So können Sie das Tool auf diese Weise anweisen. Sie können es so aufrufen, dass Sie die Ergebnisse erhalten, nach denen Sie tatsächlich suchen Es ist also sehr sinnvoll , dass wir etwas über generative KI lernen und verstehen, wie man diese KI-Tools in verschiedenen Arbeitsbereichen einsetzt. In diesem speziellen Kurs werden wir uns ansehen, wie es uns in unseren Vertriebsrollen im Verkaufsberuf helfen wird . 7. Funktionen der generativen KI: Hallo, Leute. Willkommen zu diesen Sessions. In dieser Sitzung werden wir über die Fähigkeiten von Generativer KI sprechen . Wenn Sie sich die Fähigkeiten ansehen die Generative KI heute verfügt, reicht sie von der Textgenerierung , Bilderzeugung, der Audiogenerierung, der Videogenerierung, Codegenerierung bis hin zur Datengenerierung und den erweiterten Funktionen, die sie jetzt ebenfalls hat, und hilft auch bei der Schaffung immersiver virtueller Welten was sie auch kann Wenn Sie sich nun speziell die Funktionen zur Texterstellung ansehen , so gibt es verschiedene LLMs , die dies anbieten, die auf großen Datensätzen trainiert wurden und menschenähnlichen Text generieren können. Nein, sie sind auch in der Lage, Muster und Strukturen aus Datensätzen zu lernen Muster und Strukturen aus und inhaltliche und kontextrelevante Textnachrichten, Texte oder Antworten, Konversationen, Erklärungen und Zusammenfassungen zu generieren und kontextrelevante Textnachrichten, Texte oder Antworten, Konversationen, Konversationen, Einige Beispiele für Funktionen zur Textgenerierung können von OpenAI, ChatGPT und Googles Gemini stammen ChatGPT Wenn Sie sich jetzt speziell die Funktionen zur Bilderzeugung ansehen , die generativen KI-Modelle nutzen die generativen KI-Modelle Deep-Learning-Techniken wie Gans , also generative gegnerische Netzwerke und variationelle nutzen die generativen KI-Modelle Deep-Learning-Techniken wie Gans , also generative gegnerische Netzwerke und variationelle Autoencoder. Mit deren Hilfe sind sie in der Lage, KI-Bilder zu erzeugen , die realistische Texturen, natürliche Farben und feinkörnige Details aufweisen Einige Beispiele für die Bilderzeugung stammen nun von Style gan, einem Unternehmen, das qualitativ hochwertige und hochauflösende neuartige Bilder produziert hochauflösende neuartige Bilder Dann gibt es Deep Art , bei der komplexe und detaillierte Skizzen eines Kunstwerks erstellt werden, zwar speziell aus einer Skizze. Und dann ist da noch Dali Dali produziert neuartige Bilder auf Textbeschreibungen basieren , die wir ihm geben In ähnlicher Weise gibt es derzeit Funktionen zur Audiogenerierung mit generativer KI , mit denen Musikkompositionen, Text in Sprache, Audio, synthetische Stimmen und natürlich klingende Sprache generiert werden können Text in Sprache, Audio, synthetische Stimmen und natürlich klingende Einige Beispiele können Wave-Gan sein, bei dem rohe Audiowellenformen, realistische Geräusche, Sprache, Musik und Umgebungsgeräusche erzeugt realistische Geräusche, Sprache, Musik Es gibt ein offenes AI-Usenet, das in der Lage ist, Originalmusik in verschiedenen Genres und Besetzungen zu generieren und auch klassische Kompositionen bis hin zu Popsongs zu erstellen klassische Kompositionen bis hin zu Popsongs zu Es gibt auch Googles Tachotron Two, das in der Lage ist, fortgeschrittenes DTS zu erzeugen und hochrealistische synthetische Sprache, Ton, Tonhöhe, Modulation, Aussprache, Rhythmus und Ausdrücke zu erzeugen Ton, Tonhöhe, Modulation, Aussprache, Rhythmus Aussprache Es gibt eine Menge generativer Fähigkeiten, was in der Vergangenheit passiert ist, und sie nehmen derzeit kontinuierlich 8. Erforschung der Entwicklung der generativen KI: Hallo Leute. Willkommen zu diesen Sessions. In dieser Sitzung werden wir die Entwicklung von Genetiv VI im Laufe der Jahre besprechen die Entwicklung von Genetiv VI im Laufe der Jahre Wenn Sie es sich ansehen, begann sich GenetiveEI parallel zur Weiterentwicklung der traditionellen KI zu Es blieb über 20 Jahre lang inaktiv, aber dann wurde es speziell von GANs und VAEs vorangetrieben, und jetzt ist es bereit, die aktuelle Zukunft Es wurden also erhebliche Fortschritte bei der Erstellung von Inhalten erzielt. Im Zuge ihrer Weiterentwicklung wiesen die frühen GenAI-Modelle also die frühen GenAI-Modelle einige Probleme mit Kohärenz Okay? Also GPT drei, GPT vier, Dali, sie haben anspruchsvolle Text- und Bildausgaben geliefert und die Kreativität und Automatisierung verbessert Wenn man sich nun die Genitivfähigkeiten anschaut, wirkt er wie Es kann Bilder schaffen, Geschichten schreiben und neue Ideen für uns erfinden Es wird auf einem regelbasierten Mechanismus basieren. Es werden Systeme auf vordefinierte Kontexte und Regeln beschränkt. Heute werden maschinelles Lernen und statistische Modelle verwendet, bei denen Muster in Datensätzen identifiziert werden , die auf halbüberwachtem, überwachtem oder verstärktem Lernen basieren überwachtem oder verstärktem Jetzt gibt es noch bestimmte andere Dinge. Die VAs begannen im Laufe der Zeit Muster zu erlernen, um ähnliche Ergebnisse zu erzielen. Gans produzieren hochrealistische Bilder und Kunstwerke. Autoregressive Modelle wurden verwendet um Inhalte Schritt für Schritt zu generieren, ideal für Dann kamen Deep Learning und neuronale Netzwerke ins Spiel, die mit fortschrittlichen Funktionen Muster in Daten erkennen konnten Es war auch in der Lage, unstrukturierte formative Daten zu verarbeiten unstrukturierte formative Daten Dann markierte GAS, bei dem es sich um generative gegnerische Netzwerke handelt, den Beginn einer neuen Ära von KI-Tools, mit denen neue KI-Tools, mit denen Dann kamen auch LSTM und RNNs zum Einsatz, die erweiterte Funktionen bieten , unstrukturierte Daten verarbeiten und Zeitreihendaten verarbeiten konnten erweiterte Funktionen bieten , unstrukturierte Daten verarbeiten und Zeitreihendaten unstrukturierte Daten verarbeiten und Zeitreihendaten . Wenn Sie sich nun den Unterschied zwischen generativer KI und herkömmlicher KI ansehen , analysiert oder prognostiziert traditionelle KI anhand vorhandener Daten Eine gemeinsame Aufgabe kann die Klassifizierung sein, Urigreon Generative KI verwendet zwar GAS- und Transformatormodelle, ist aber in der Lage, neue Daten zu erzeugen , die den Handelsdaten ähneln Wenn Sie sich nun künstliche Intelligenz oder traditionelle KI ansehen , haben sie sich von der einfachen zur prädiktiven Orderebene entwickelt, wohingegen die generative KI mithilfe von KI-Techniken Ergebnisse von menschlicher Qualität erzeugt mithilfe von KI-Techniken Ergebnisse von menschlicher Qualität Wenn Sie also sehen, dass sich seit 2017 eine neue Ära generativer Aufgaben entwickelt hat, Open-Source-GPT-Modelle nutzen Es wurden vorab trainierte Modelle für große Datensätze und Modelle zur Feinabstimmung für bestimmte Aufgaben verwendet . Wenn Sie also den Hauptunterschied sehen, folgt die traditionelle KI bestimmten Anweisungen, folgt die traditionelle KI bestimmten Anweisungen, wohingegen die generative KI von selbst erfindet und kreiert 9. Anwendungen der generativen KI: Hallo Leute. Willkommen zu den Sessions. In dieser Sitzung werden wir über die Anwendung generativer KI in verschiedenen Arbeitsbereichen sprechen . In der ersten Phase werden wir uns mit der Anwendung generativer KI in IT und DevOps befassen Hier werden also die Softwarebereitstellungsprozesse und das Infrastrukturmanagement wirklich verbessert Softwarebereitstellungsprozesse und das Infrastrukturmanagement Die Funktionen der Generativen KI zur Codegenerierung reduzieren den manuellen Programmieraufwand und den Zeitaufwand für sich wiederholende Aufgaben GitHub CoPilot und SNIC Deep Code helfen beispielsweise bei der Erstellung von Code-Repositorys helfen beispielsweise bei der Erstellung von Code-Repositorys Es kann das untersuchen, ich kann Codierungsstandards untersuchen. Es hilft auch, synthetische Testfälle und Testdaten zu generieren . Dabei können Sie Benutzerverhalten, Auswirkungen, Softwareeffizienz, Zuverlässigkeit und Robustheit simulieren Auswirkungen, Softwareeffizienz, Zuverlässigkeit und Robustheit Es gibt auch Tools wie APLA-Tools und -Tests, die eine angemessene Testabdeckung gewährleisten und so die Tiefe und Vielfalt der Datensätze erhöhen können die Tiefe und Vielfalt der Datensätze erhöhen Darüber hinaus können Sie Anomalien wie IBM, Watson AIOps und Mok Soft AIOps überwachen und erkennen Watson AIOps und Mok Soft AIOps Es kann Systemprotokolle, Metriken und andere Daten wie proaktive Wartung analysieren und Es kann dazu beitragen die Ausfallzeiten zu verringern und kritische Ausfälle zu verhindern Wenn Sie sich nun die Anwendung generativer KI in Unterhaltung, Kunst und Kreativität ansehen , kann sie dazu beitragen, synthetische Inhalte wie Musik, Drehbücher, Geschichten, Videos, Filme und Videospiele zu generieren Drehbücher, Geschichten, Videos, Filme und Videospiele In der Spieleentwicklung gibt es Houdini by Side Effects, wodurch Spiele, Animationen, AR- und VR-Erlebnisse entstehen können , einzigartige Charaktere mit einzigartigem hinaus gibt es im Laufe der Zeit auch virtuelle Influencer und Avatare, virtuelle Influencer und Avatare, die in der Lage sind , mit Benutzern zu interagieren und ansprechende Erlebnisse zu Benutzern Dann gibt es die Anwendung generativer KI in der Bildung wie die Generierung von Inhalten, personalisierte und adaptive Lernerfahrungen, simuliertes Erfahrungslernen, all das, was Es kann helfen, Sprachübersetzungen anzubieten indem Inhalte für verschiedene Personen zugänglich gemacht werden, Aufgaben benotet, sofortiges Feedback gegeben, Lernwege und Bewertungsstrategien entwickelt werden, um das Tempo und die Stärken der Lernenden zu unterstützen , Taxonomien zu erstellen, die die Leistung und Präferenzen der Lernenden widerspiegeln können , indem Inhalte für verschiedene Personen zugänglich gemacht werden, Aufgaben benotet, sofortiges Feedback gegeben, Lernwege und Bewertungsstrategien entwickelt werden, um das Tempo und die Stärken der Lernenden zu unterstützen, Taxonomien zu erstellen, die die Leistung und Präferenzen der Lernenden widerspiegeln können . Darüber hinaus werden generative Algorithmen auch im Unterricht eingesetzt, um besondere Bedürfnisse und Lernschwierigkeiten zu erkennen , spezifische Unterrichtspläne zu erstellen und die Fortschritte der Lernenden spezifische Unterrichtspläne zu erstellen verfolgen Sie können auch eine Wissensverfolgung durchführen, bei der das Schreibtempo und die Inhalte an die individuellen Bedürfnisse angepasst werden können Unterstützung durch Nachhilfe kann angeboten werden. Virtuelle und simulierte Umgebungen können erstellt werden. Inklusive Bildung ist möglich. Das Beispiel sind Tools, die Null J sind Es handelt sich um ein KI-generiertes E-Learning, das innerhalb von Minuten für das Zielthema erledigt werden kann kann es sich um interaktive Videos, Glossare, Zusammenfassungen handeln, alles, was Glossare, Zusammenfassungen handeln, alles, mit dem Tool gemacht werden kann Hoffe das macht Sinn. Ich hoffe, Sie werden die verschiedenen Anwendungen generativer KI in verschiedenen Arbeitsbereichen verstehen. 10. Tools zur Textgenerierung: Hallo Leute. Willkommen zu diesen Sessions. In dieser Sitzung werden wir uns verschiedene Tools ansehen, die wir für die Textgenerierung in LLMs verwenden können Wenn Sie es sich ansehen, basieren große Sprachmodelle auf Mustern und Strukturen, die während des Trainings gelernt wurden Diese LLMs interpretieren Kontext, Grammatik und Semantik, um kohärenten und kontextuell angemessenen Text zu generieren kohärenten und kontextuell das Herstellen statistischer Beziehungen zwischen Wörtern und Phrasen können diese LLMs kreative Schreibstile an jeden beliebigen Kontext anpassen kreative Schreibstile LLMs sind die Grundlage vieler Modelle zur Textgenerierung. Zwei solcher Beispiele sind generativer, vortrainierter Transformator oder GPT- und das Gemini-KI-Modell Die Modelle haben sich zu multimodalen Modellen entwickelt , die mehrere Funktionen bieten . Lassen Sie uns anhand von zwei derzeit beliebten Tools, nämlich SATGPT und Google Gemini, mehr über die Funktionen dieser Modelle erfahren zwei derzeit beliebten Tools, nämlich SATGPT und Google Gemini, mehr über die Funktionen dieser Modelle SATGPT und Google Gemini, mehr über die Wenn Sie ATGPTs, die auf einem GPT basieren, als großes Sprachmodell betrachten und fortschrittliche Verarbeitung natürlicher Sprache fortschrittliche Verarbeitung natürlicher Sprache oder NLP Nun, ursprünglich hat HGPT nur Textansagen als Eingabe verwendet, um neue Inhalte zu generieren Mit der neueren Version können jetzt sowohl Bild- als auch Texteingaben akzeptiert ChagPT bietet vielfältige Funktionen zur Textgenerierung. Es ist auch in der Lage, reibungslose und kontextbasierte sich nun Google ansehen, basiert Gemini auf die gleiche Weise Wenn Sie sich nun Google ansehen, basiert Gemini auf die gleiche Weise auf dem Gemini-KI-Modell von Google Es führt eine neue Familie von KI-Modellen mit mehreren Modellen ein und verbessert das Denken, das Verständnis Es gewährleistet auch Effizienz und Skalierbarkeit und optimiert die nahtlose multimodale Es ist auch in der Lage, verschiedene Daten und Aufgaben zu verarbeiten. Sehen wir uns ein praktisches Beispiel dafür an, wie das aussehen wird. Das wird die Cha GPT-Schnittstelle sein, zu wir kommen können. Lassen Sie uns eine allgemeine Aufforderung geben , in der ich sage, dass ich von Generative I gehört habe und mehr darüber erfahren möchte Sie wird mir viel Kontext darüber geben , was generative KI ist. Wie funktioniert sie? LLMs. Sie wird uns viele verwandte Informationen geben, die sehr informativ sind und die richtigen Informationen darüber liefern Jetzt kann ich außerdem tiefer graben und sagen, wie ich native KI einsetzen kann , um meine Fähigkeiten im Geschichtenerzählen gezielt zu verbessern Deshalb möchte ich es jetzt einer bestimmten Kategorie zuordnen, nämlich Fähigkeiten zum Erzählen von Geschichten Jetzt wird es mir Ideen geben, um tiefgründigere Charaktere zu entwickeln , das Schreiben von Dialogen zu verbessern und KI zu nutzen, um bessere Ideen für Geschichten zu entwickeln. Okay, es gibt mir einige praktische Anregungen, die ich wirklich nutzen kann, um meine Fähigkeiten im Geschichtenerzählen zu verbessern Auf die gleiche Weise kann ich es auch etwas anderes fragen. Nehmen wir an, ich bitte Sie, mir bei der Erstellung von Folien zu helfen , um die Funktionen einer Lernplattform zu demonstrieren . Nehmen wir an, ich möchte bestimmte Verkaufsfolien erstellen. Es wird mir also eine wirklich gute Struktur geben, die in Folien, Titel, Untertitel, Include und dann das Problem, das wir lösen, unterteilt ist Titel, Untertitel, Include und dann das Problem, das wir lösen Der Fokus liegt auf dem Kontext, also der Lernplattform Es gibt mir also alle notwendigen Punkte dafür. So können wir es nützlich machen. Eine weitere großartige Verwendung ist, dass Sie es zum Sprachenlernen verwenden können. All das ist möglich, Sie können also jede englische Sprache in jede andere Sprache konvertieren jede englische Sprache in jede andere Sprache konvertieren , die Sie möchten, und Chachi P kann das ganz einfach für uns erledigen Schauen wir uns auf die gleiche Weise Google Gemini an, das Sie auch verwenden können, um eine Aufforderung zu geben Nehmen wir an, ich bitte Sie um eine Zusammenfassung der neuesten Nachrichten über den Krieg in der Ukraine Es wird mir also alle diesbezüglichen Informationen geben . Sie können hier alle Informationen sehen, die neuesten Informationen, die wir bekommen können. Ebenso, wenn ich eine Strategie für die Erstellung einer digitalen Marketingkampagne für eine Modemarke entwickeln möchte Erstellung einer digitalen Marketingkampagne , damit sie mir auch dabei helfen kann. Jetzt bitten wir sie also , eine digitale Marketingstrategie bereitzustellen. Also immersive und KI-gestützte Erlebnisse, Inhaltsstrategie, Authentizität oder Ästhetik, okay, Social Commerce und Community Sie können also sehen, dass es mir einige spezifische Strategien rund um digitales Marketing bietet, die ich praktisch einsetzen kann um für eine bestimmte Marke zu werben So werden wir beide Tools konkret nutzen . Und wenn Sie dann weiter schauen, Verwendung von CHAPT und Gemini hat die Verwendung von CHAPT und Gemini viele Vorteile Es bietet zum Beispiel Problemlösungen durch grundlegende Mathematik und Statistik, Finanzanalysen, Investitionsforschung, Budgetierung, alles, was es kann Budgetierung, alles, was es Es kann Ihnen auch bei der Codegenerierung helfen. Wenn Sie nun CHATPT mit Gemini vergleichen, ist CHAPT effektiv bei der Generierung dynamischer Antworten und der Konversationsfluss ist in dynamischer Antworten und der Konversationsfluss seiner Antwort vorhanden Gemini dagegen ist gut, optimal für Forschungsarbeiten, Recherchen in aktuellen Nachrichten, Informationen, die Sie zu einem bestimmten Thema für all einem bestimmten Thema Es gibt auch andere Textgenerator-Tools, die Sie auf jeden Fall verwenden können, zum Beispiel Jasper, das nützlich ist, um Marketinginhalte für eine bestimmte Marke zu erstellen Sie können Writer auch als KI-Tool verwenden, das Inhalte für Blogs, E-Mails, SEO, Metadaten und auch Anzeigen in sozialen Medien erstellt SEO, Metadaten und auch Anzeigen in sozialen Medien Es gibt auch copy.ai, das Inhalte in sozialen Medien für Marketing und Produktbeschreibungen erstellt . Es gibt auch Write Sonic, das dabei hilft, spezifische Vorlagen für verschiedene Textarten bereitzustellen . Es gibt auch eine Zusammenfassung, die Sie klassifizieren Textzusammenfassung und Textklassifizierung zu generieren Es gibt auch Marke 24, die Sie für Stimmungsanalysen verwenden können, und dann gibt es Weaver und Yandex, die wir So wird Text sein, die Textgenerierung wird ablaufen, was wir hier sehen können, was Sie absolut auf all diesen AiTunes verwenden können 11. Tools für die Image-Erstellung: Hallo, Leute. Willkommen zu den Sessions. In dieser Sitzung werden wir uns verschiedene Arten von Tools ansehen , die wir für die Bilderzeugung verwenden können. Imaginationsmodelle sind im Grunde solche, mit denen wir neue Bilder erzeugen und reale und generierte Bilder anpassen können. Nehmen wir zum Beispiel an, wir möchten ein Bild von einem Kind mit einem Buch generieren und dann das Buchcover in ein generatives Bild umwandeln. All das kann mit Modellen zur Bilderzeugung erreicht werden. Jetzt gibt es verschiedene Arten davon. Eine davon ist die Übersetzung von Bild zu Bild. Sie transformieren ein Bild von einer Domain in eine andere. Dies kann beispielsweise nützlich sein, um Skizzen in realistische Bilder zu konvertieren, Satellitenbilder in Karten zu konvertieren, Sicherheitskamerabilder in Bilder mit höherer Auflösung umzuwandeln und Details in der medizinischen Bildgebung zu verbessern Andere Tools werden nun Stilübertragung und Fusion sein Diese sind nützlich, um den Stil aus einem Bild zu extrahieren und auf ein anderes anzuwenden Ein Beispiel kann die Konvertierung eines Gemäldes in ein Foto sein. Dann ist da noch die Malerei. Beim Malen füllen wir die fehlenden Teile des Bildes aus. Sie haben ein Bild und es fehlen einige Teile , sodass diese von der KI generiert werden können. Beispiel: Restaurierung von Kunstwerken, Forensik, Entfernung unerwünschter Bildobjekte und Bilder, Verschmelzung virtueller Objekte zu realen Szenen Dann ist da noch unsere Malerei. Malen bedeutet, ein Bild über seine Grenzen hinaus auszudehnen. Ein Beispiel kann das Generieren größerer Bilder, der Auflösung und das Erstellen von Panoramaansichten All das kann getan werden. Jetzt gibt es von Open AI Dali, das auf GPT basiert all das kann und hochauflösende Bilder in verschiedenen Stilen erzeugen kann hochauflösende Bilder in verschiedenen Es können auch neue Versionen erstellt werden, es können mehrere Bildvariationen generiert werden Es werden auch beim Ausmalen von Malelementen verwendet. Dann gibt es eine stabile Diffusion. Dies ist ein Open-Source-Modell , mit dem hochauflösende Bilder erstellt werden können. Es kann Bilder auf der Grundlage von Textanweisungen generieren. Es wird für die Übersetzung von Bild zu Bild beim Malen und beim Malen Dann gibt es noch den Style Gan , der eine präzise Steuerung der Manipulation bestimmter Merkmale ermöglicht Manipulation bestimmter Merkmale Bildinhalt und Bildstil voneinander trennt Ich habe mich weiterentwickelt, um Bilder mit höherer Auflösung zu erzeugen. Es gibt auch andere Tools wie Crayon, Free Pick und Pick Start, mit denen Bilder in verschiedenen Formen generieren können Es gibt auch die Effekte Photo und Depart, die verschiedene vortrainierte Stile bieten Es ermöglicht auch benutzerdefinierte Stile. Dann ist da noch Depart Dot IO , eine Online-Plattform , die Fotos in Kunstwerke verwandelt. Und dann ist da noch Mid Journey als Plattform, die die Bilderzeugung ermöglicht, was Gemeinschaften zur Bilderzeugung ermöglicht , in denen Künstler und Designer Bilder mithilfe von KI erstellen. Es ermöglicht auch, die Kreationen des jeweils anderen zu erkunden. Schauen wir uns eines dieser Tools an, das frei wählbar sein wird. Dies ist die Website , auf der wir die kostenlose Auswahl vornehmen können , und wir können hier ein Bild generieren. Nehmen wir an, wir geben ihr jetzt mit dieser Aufforderung eine einfache Aufforderung Es wird eine Text-zu-Bild-Generierung sein, was wir hier versuchen. Jetzt können Sie also sehen, dass es weitergegangen ist und dieses Bild für uns generiert hat , ein Boot, das bei Sonnenuntergang auf einem ruhigen See segelt, umgeben von üppigen grünen Bäumen und nebliger Küste auf diese besondere Art und Weise Ich hoffe, das ergibt Sinn. Ich hoffe, die Leute verstehen jetzt die verschiedenen Tools, die jetzt für die Bilderzeugung mit Hilfe dieser KI-Tools verfügbar sind jetzt für die Bilderzeugung mit Hilfe dieser KI-Tools verfügbar . 12. Tools für die Audio- und Videoerzeugung: Hallo, Leute. Willkommen zu dieser Sitzung. In dieser Sitzung werden wir über die Tools sprechen, die wir für die Audio- und Videogenerierung verwenden können. In dieser generativen KI helfen Audiofunktionen Unternehmen und Einzelpersonen, egal ob Anfänger oder Erfahrung, Prozesse zu vereinfachen komplizierte Visionen zum Leben zu erwecken Jetzt sind hier Tools zur Sprachgenerierung verfügbar kann es sich um Text-to-Speech-Tools handeln , die zu Deep-Learning-Algorithmen, riesigen Datensätzen menschlicher Sprache, trainiert wurden riesigen Datensätzen menschlicher Jetzt kann es auch Aussprache, Geschwindigkeit, Emotionen und Intonation aufschlüsseln und replizieren , und dort hilft eine genauere und natürlicher klingende Sprache Menschen mit Seh-, Sprach - und Lesebehinderungen Sprach Es gibt Tools zur Musikerstellung, mit denen Sie kurze Melodien oder Riffs schreiben, Instrumente vorschlagen oder hinzufügen, einen neuen Song komponieren, einen Soundtrack für YouTube- oder Instagram-Videos erstellen YouTube- oder Du kannst Streaming-Plattformen mischen und mastern und veröffentlichen. Dann gibt es auch Tools zur Audioverbesserung, denen bestimmte Sounds identifiziert und unerwünschte Sounds hinzugefügt oder entfernt werden können , wie beispielsweise DScript oder Audo AI Es wird auch Videotools geben, Tools zur Videogenerierung, die Sie wie Runway verwenden können denen Sie Videos in neue Stile umwandeln können Es verwendet Text, Bild oder Video als Eingabe. Jetzt gibt es auch Es US, wo Sie Fotos hochladen oder Textanweisungen verwenden können , um Videos zu generieren Dann können diese Videotools eine Erzählung aufnehmen, das Audio verbessern und das Dateiformat konvertieren Sie können auch ein Video veröffentlichen, und es gibt Tools wie Synthesia, mit denen benutzerdefinierte Avatare erstellt werden können Es gibt viele verschiedene Modelle zur Audio- und Videogenerierung , die Sie verwenden können, sowie Tools , mit denen Sie von KI generierte Videos und Audios generieren können generierte Videos und 13. Tools für die Codegenerierung: Hallo Leute. Willkommen zu dieser Sitzung. In dieser Sitzung werden wir über verschiedene Tools sprechen, die wir für die Codegenerierung verwenden können. Modelle zur Codegenerierung generieren also Code, der auf der Eingabe in der Landessprache basiert. auf Deep Learning und NLT basierenden Diese auf Deep Learning und NLT basierenden Modelle verstehen den Kontext und erzeugen kontextgerechten Die Fähigkeiten dieser Codegeneratoren bestehen nun darin, dass sie einen neuen Codeausschnitt oder ein Programm generieren können Es kann vorhersagen, dass Codezeilen einen Teil des Codes vervollständigen. Sie können optimierte Versionen von vorhandenem Code erstellen. Sie können Code von einer Programmiersprache in eine andere konvertieren . Sie können Zusammenfassungen und Kommentare für Code generieren. Sie können auch Programmierlösungen zur Lösung eines bestimmten Problems empfehlen Programmierlösungen zur Lösung eines bestimmten Problems In ähnlicher Weise demonstriert dieses offene AIS-GPT als Modell zur Codierungsgenerierung, das sich durch die Generierung menschenähnlichem Text auszeichnet und die Fähigkeit zur immersiven Codegenerierung demonstriert Diese Codierungsmöglichkeiten von GPT sind länger und es können genauere Codes generiert Codierung kann zur Entwicklung von Apps, Websites oder Plugins durchgeführt werden , um Code für Bilder zu generieren Wenn Sie sich zum Beispiel ansehen, wann wir auf Chat GPT gehen und wir schreiben, sagen wir, einen Python-Code, um eine Nachricht zur Begrüßung einer Person zu generieren, können wir einen Code wie diesen erhalten, den er bereitstellt Außerdem wird dir erklärt wie es konkret funktioniert können Sie denselben Code auch in eine andere Sprache konvertieren diese Weise können Sie denselben Code auch in eine andere Sprache konvertieren. Programmieren mit Gemini angeht, bietet es nun die Codegenerierung in mehr als 20 Programmiersprachen Es vermittelt Schritt für Schritt und detailliert, wie der Code generiert wird. gelten Cha PTI und Gemini gelten auch für die Codierung , wenn keine großen oder komplexen Codes generiert werden können Ich kann Programmierung und Syntax verstehen , aber keine Ihr Wissen beschränkt sich also auf die Daten, die sie für ihr Training verwenden Zum Beispiel werden sie mit neuen Versionen von Frameworks und Bibliotheken veraltet . Zum Beispiel ist das Wissen über GPT 3.5 bis September 2021 begrenzt Daher können andere Tools wie GitHub co pilot verwendet werden, die Code für verschiedene Programmiersprachen und Frameworks generieren können verschiedene Programmiersprachen und Frameworks Es basiert auf dem Codex von OpenAI und entwickelt lösungsbasierten Es ist in natürlicher Sprache, Text und Quellcode geschult Text und Quellcode Es kann in andere Code-Editoren integriert werden und kann Code erstellen , der Best Practices und Industriestandards entspricht Es gibt auch andere Tools wie Poly Coder, die wir verwenden können. Dabei handelt es sich um einen Open-Source-KI-Codegenerator, der auf GPT basiert Es wurde auf Github-Repositorys trainiert, ist in 12 Programmiersprachen geschrieben und bietet eine Bibliothek Es kann Codefragmente erstellen, überprüfen und verfeinern. Darüber hinaus gibt es auch den IBM Code Assistant , der auf IBM watson.ai Foundation-Modellen basiert Er kann in Code-Editoren integriert werden. Es erstellt Empfehlungen in Echtzeit, Funktionen zur automatischen Vervollständigung und Code-Restrukturierung. Dies sind also all die verschiedenen Tools, die wir derzeit für die Codegenerierung verwenden können . 14. Generative versus agentische KI: Hallo Leute. Willkommen zu dieser Sitzung. In dieser Sitzung wollten wir den Unterschied zwischen generativer KI und agentischer KI verstehen zwischen generativer KI und agentischer KI Wenn wir uns generative KI ansehen, handelt es sich um grundsätzlich reaktive Systeme Sie warten darauf , dass du etwas tust. Insbesondere warten sie darauf, dass Sie sie dazu auffordern. Und sobald Sie sie zum Abschlussball gebracht haben, besteht ihre Aufgabe darin, Inhalte zu generieren , die auf dem basieren, was Sie aufgefordert haben, der Aufforderung, die Sie gegeben haben. Jetzt verwenden sie Muster, die sie während des Trainings lernen. Stimmt das? Also, Dinge, die es generieren kann, könnten Text sein, es könnte ein Bild sein oder es kann ein Stück Code sein , es kann ein Audio sein. Sie haben also die statistischen Zusammenhänge zwischen Wörtern und zwischen Pixeln und zwischen Schallwellen gelernt . Und das haben sie aus riesigen Datensätzen gelernt. Wenn Sie also eine Aufforderung geben, prognostiziert eine generative KI auf der Grundlage ihres Trainings, was als Nächstes kommen sollte auf der Grundlage ihres Trainings, was als Nächstes kommen Aber es funktioniert: Die Arbeit endet mit der Generation. Im Idealfall endet ihre Arbeit also mit der Generation. Schritte Ohne weitere Eingaben von Ihrer Seite sind keine Schritte erforderlich. Es hängt also stark davon ab , welche Art von Aufforderung Sie ihm geben werden , auf dessen Grundlage er die erforderlichen Maßnahmen ergreift. Wenn wir uns agentische KI und agentische KI-Systeme ansehen, sind diese Sie sind proaktive Systeme. Heute beginnen sie, wie eine genetische KI, oft mit einer Benutzeraufforderung, aber diese Aufforderung wird dann verwendet, um Ziele durch eine Reihe von Aktionen zu verfolgen. Und ein Agentensystem durchläuft im Grunde einen gewissen Lebenszyklus Das funktioniert also so, dass es quasi zuallererst seine Umgebung wahrnimmt, wenn man Und wenn es das getan hat, kann es entscheiden, welche Maßnahmen es ergreifen soll Sobald Sie sich für diese Aktion entschieden haben, kann sie diese Aktion ausführen. Und wenn diese Aktion dann einmal ausgeführt wurde, kann sie aus diesen Ergebnissen lernen und dann mit minimalem menschlichem Eingreifen im Kreis und Kreis laufen. Heute haben diese beiden KI-Ansätze oft eine gemeinsame Grundlage. Und diese gemeinsame Grundlage sind die großen Sprachmodelle oder LLMs, die wir sie nennen LLMs dienen als Rückgrat für die Chatbots, und doch gibt es tatsächlich andere Tools, die für einige dieser generativen Dinge verwendet werden, Diffusionsmodelle, die typischerweise für Bilder Ich hoffe, das macht jetzt Sinn. Ich hoffe, Sie können den grundlegenden Unterschied zwischen der Funktionsweise einer generativen KI und der agentischen KI verstehen zwischen der Funktionsweise einer generativen KI und der agentischen 15. Einführung in Schlüsselbegriffe: Hallo Leute. Willkommen zu diesem Modul. In diesem Modul werden wir einige der wichtigsten Terminologien verstehen , die Sie in generativer KI häufig finden werden in generativer KI häufig finden Dies werden einige Begriffe sein , die sehr gebräuchlich und weit verbreitet sein werden, wenn wir über KI-Technologien sprechen. Dabei kann es sich um gebräuchlich und weit verbreitet LLM , Prompt Engineering, Embedding, Fine Tuning, Rag-Chat-Boards und neuerdings um agentische und neuerdings Beginnen wir mit diesem Modul, in dem wir jeden dieser Begriffe im Detail durchgehen , um einfach zu verstehen, was sie wirklich bedeuten und wie sie zu dieser KI-Tools-Technologie beitragen dieser KI-Tools-Technologie , die wir regelmäßig verwenden 16. LLM (Großes Sprachmodell): Ja. Willkommen zu diesen Sessions. In dieser Sitzung werden wir über LLM, Large Language Models, sprechen LLM, Large Language Models, Also, was sind LLMs im Grunde? Was wir hier also verstehen wollen, ist, wie wir LM nutzen können LM wird tatsächlich ein großes Sprachmodell sein , mit dem wir uns unterhalten können. Sie können hier ein Beispiel sehen, das sich auf den mobilen Chat bezieht , der auf einem mobilen Gerät stattfindet. Auch hier ist also bereits eine Menge KI-Technologie integriert. Wie Sie sehen können, heißt es hier, ich gehe ins und dann gibt es mehrere Optionen, Fitnessstudio, Park oder Geschäft. Das LM sagt also automatisch das nächste Wort voraus. Das ist also die Fähigkeit eines LLM , das nächste Wort vorherzusagen gleiche Weise wird Chat GPT eine Frage beantworten Wenn Sie ihm eine Frage stellen, kann er uns die Ergebnisse geben und er ist in der Lage, darüber zu recherchieren und uns auf die gleiche Weise Ergebnisse zu liefern die gleiche Weise Ergebnisse Das ist also die Grundidee dessen, was ein LLM ist und wie es sich von generativer KI unterscheidet Also werden wir auch darüber sprechen. Wenn Sie es sich jetzt ansehen, ist LLM in erster Linie KI, die darauf trainiert ist , menschliche Sprache zu verstehen und zu erzeugen Es konzentriert sich also auf die Textausgabe in Konversationsform gegeben wird Das ist ein LLM, über das wir sprechen, und es wird eine Sache tun, nämlich vorherzusagen, welches Wort als nächstes kommt vorherzusagen, welches Wort als nächstes Okay. Basierend auf dem, was zuvor eingegeben wurde, entwickelt es die Fähigkeit, zu argumentieren, zu erklären, zu übersetzen und zusammenzufassen und dann Das ist die Idee dessen, was ein LLM im Grunde macht. Wenn Sie nun den Hauptunterschied zwischen GNAI und LLMs sehen , wird es so sein, dass Sie mit GNAI neue Inhalte in verschiedenen Formaten erstellen können Es kann Bildgenerierung, Musikgenerierung, Videogenerierung und Codegenerierung All das fällt unter generative KI. Aber wenn wir uns LLMs ansehen, handelt es sich dabei um textbasierte Modelle , bei denen Übersetzungen, Zusammenfassungen, Klassifizierungen, Stimmungsanalysen und die Erkennung benannter Entitäten generiert Zusammenfassungen, Klassifizierungen, Stimmungsanalysen werden, all Bei diesen Überschneidungen wird es sich bei beiden auch um Chatboards handeln Sie können hier Texte schreiben und Fragen und Antworten stellen. Sie können also sagen, dass alle LLMs eine Art generativer KI sind , die wir Okay? Bei LLM wird es also nur Text oder Tokens sein, und es ist textbasierte Ausgabe, was es bietet, und eine Reihe von Modellen, die wir derzeit haben, sind GPT Five, Cloud Gemini, Cloud Gemini, Es konzentriert sich mehr auf Sprache. Das ist LL. Okay. Nun, wie es hauptsächlich funktioniert. Das ist der Arbeitsablauf , bei dem es anhand riesiger Datenmengen trainiert wird , die aus dem Internet kommen, liest sie, das sind Bücher, Websites, Artikel, Dokumente, Konversationen, Code-Repositorien Auf all diesen Daten wird es trainiert und dann geht es in das neuronale Netzwerk Es geht in das neuronale Netzwerk, das der Transformator ist und in dem es im Grunde verarbeitet wird , und dann wird es dekodiert Es wird in eine Ausgabe dekodiert , die wir auf der Plattform erhalten Das ist also die Idee, wie die LLMs funktionieren werden. Es basiert auf den angegebenen Trainingsdaten und dann auf dem neuronalen Transformator-Netzwerk, das darauf arbeitet und uns eine Ausgabe gibt , die auf der Grundlage des Trainings generiert wird Das Schlüsselkonzept hinter LLMs besteht nun darin, dass es auf drei wichtigen Dingen basiert, nämlich dass ein gewisses Maß an Vortraining vorhanden sein muss Das Vortraining, so wie wir es verstehen basiert also auf einem riesigen Korpus von Textdaten, Billionen von Wörtern aus Büchern, dem Internet und Code, großen Sprachmustern wie Grammatik, Fakten Argumentation. Um all das zu verarbeiten, werden wochenlange Tausende von GPUs benötigt zu verarbeiten, werden wochenlange Tausende von GPUs Dann die Größe und der Umfang. Weil neuronale Netze mit Milliarden von Parametern massiv genutzt werden, okay, obwohl es eine Menge Geld kostet, von Grund auf neu zu trainieren und auf dieser Grundlage auch die Skalierung erfolgt Und dann gibt es eine Feinabstimmung. Feinabstimmung zielt in erster Linie darauf ab, das Tool so zu trainieren , das Tool , dass es bestimmte Aufgaben erledigt oder eine bestimmte Art von Leistung liefert. Okay? Hier können Sie also Ihre LLMs verfeinern, um uns spezifische Ergebnisse zu liefern, die auf unseren Anforderungen basieren Diese drei Dinge spielen also eine entscheidende Rolle beim Betrieb unserer LLMs Und jetzt können Sie sehen, dass es verschiedene Anwendungsfälle für LM geben kann , in denen Sie es verwenden können Sie können es bei der Inhaltsgenerierung verwenden , also zum Schreiben von Blogbeiträgen, Produktbeschreibungen und Marketingtexten. Sie können es für die Arbeit als Chat-Boards oder als virtueller Assistent verwenden virtueller Assistent um einen Großteil des Kundensupports, der Buchungshilfe, der persönlichen KI-Copiloten dann der Sprachübersetzung Sie können also Übersetzungen auf verschiedene Arten durchführen. Google, wie wir DeepL oder Google Translate haben , kann das auch Dann haben Sie eine Textzusammenfassung. Wenn Sie lange Berichte, komplizierte Informationen, sehr technische Fachjargons haben komplizierte Informationen, , mit denen Sie sich täglich auseinandersetzen müssen, können diese durch LLMs vereinfacht werden, und dann die Beantwortung von Fragen, die in erster Linie die Suchunterstützung vorantreiben, pädagogische Tutoren, Wissensdatenbanken in Unternehmen, FAQ-Systeme, mit denen wir uns täglich können diese durch LLMs vereinfacht werden, und dann die Beantwortung von Fragen, und dann die Beantwortung von Fragen die in erster Linie die Suchunterstützung vorantreiben, pädagogische Tutoren, Wissensdatenbanken in Unternehmen, FAQ-Systeme, befassen all die, die es auch bewältigen kann Ich hoffe das macht Sinn. Ich hoffe , Sie verstehen jetzt, was LLMs sind und was ihre Anwendungsfälle und in verschiedenen Szenarien sind, wie Sie sie nutzen können und was dahinter steckt Vielen Dank, Leute , dass ihr euch das angehört habt, und wir sehen uns im nächsten Video 17. ChatGPT-Demo: Vervollständigung des nächsten Worts und Textgenerierung: Hallo, Leute. Willkommen zu dieser Sitzung. In dieser Sitzung werden wir uns eine Demo in Chat GPT ansehen, die in erster Linie dazu dient, die Fähigkeit des KI-Tools zu verstehen , das nächste Wort auf der Grundlage des zuvor angegebenen Kontextes zu generieren Schauen wir uns das an, wie wir das machen werden. Was wir speziell wollen, ist die Fähigkeit, Text, das nächste Wort, zu erzeugen , möglicherweise mit Hilfe der Daten, die hier gegeben und eingegeben wurden. Lass uns einen einfachen Abschlussball draus machen. Nehmen wir an, ich bitte Sie um eine Aufforderung, wo wir sagen, es war einmal eine Katze, die das wollte. Und wir wollten einige Inhalte generieren, wollten der beste Koch im Dorf werden und die Informationen werden bereitgestellt. Ihr könnt anhand des Kontextes, den wir gegeben haben, sehen, dass es in der Lage war, das nächste Wort und das nächste Wort weiter zu generieren . Nehmen wir an, wir machen weiter . Ich kann weiterhin auf der Grundlage der Inhalte weitermachen, die es in der Vergangenheit generiert hat , und es ist dazu in der Lage. Nehmen wir an, was wir jetzt tun wollen , ist ein anderer Anwendungsfall, bei dem wir möchten, dass es jetzt eine E-Mail speziell an einen Kollegen schreibt eine E-Mail speziell an , basierend auf einem bestimmten Kontext. Also sagen wir, schreiben Sie eine WhatsApp-Nachricht an meinen Kollegen John und bitten Sie ihn, den Projektbericht heute bis 22.00 Uhr mit uns zu teilen . Okay? Mach es höflich Jetzt habe ich einen Kontext gegeben. Es geht also darum, den Kontext zu betrachten, um die WhatsApp-Nachricht zu erstellen , die erstellt wurde. Jetzt haben wir hier auch die Möglichkeit , diese spezielle Nachricht in einen anderen Ton umzuwandeln. Nehmen wir an, John ist ein lieber Freund, also wollen wir die Nachricht auf freundliche Weise und in einem lustigen Ton umschreiben freundliche Weise und in einem , den wir ihr hinzufügen möchten Sie sehen also, was hier passiert , ist, dass wir das KI-Tool verwenden können, um das nächste Wort zu generieren, wie hier zu sehen ist. Außerdem sind wir in der Lage , Änderungen an den generierten Inhalten vorzunehmen , die auf der Grundlage eines bestimmten Kontextes generiert werden, und das ist die Superkraft des Tools, mit dem es neue Inhalte auf der Grundlage des bereitgestellten Kontextes generieren kann auf der Grundlage des bereitgestellten Kontextes Ich hoffe, das macht Sinn. Sie sind in der Lage, diese verschiedenen Funktionen des KI-Tools zu verstehen, über das wir verfügen. 18. Einbettungen: Hallo, Leute. Willkommen zu dieser Sitzung. In dieser Sitzung werden wir über ein sehr interessantes Konzept sprechen , nämlich Einbettungen Inzwischen wissen wir also, wie die KI-Tools in erster Linie funktionieren Aber eine wichtige Information , über die wir noch nicht gesprochen , ist die Tatsache , dass diese Maschinen keinen Text verstehen. Wie können sie dann Text generieren, richtig? Sie verstehen nur Zahlen. Hier kommt also die Einbettung ins Spiel, bei der es sich in erster Linie um eine numerische Darstellung des Textes Dies ist also für die KI-Modelle sehr wichtig, um menschliche Sprachen zu verstehen und effektiv mit ihnen zu arbeiten Was also passieren wird, ist, nehmen wir ein Beispiel, um zu verstehen, wie es tatsächlich funktioniert. Nehmen wir an, der Satz lautet: Ich esse Eiscreme. Okay? Nun, das ist das Tool, das das Textverständnis nicht versteht was das bedeutet? Also, was im Backend passiert, ist, das ist aufgeteilt in, man kann sagen, Tokens Okay. Also jede dieser Münzen, was vier Münzen sein werden, ich esse Eis und Sahne. Okay. Das ist es, was eingegeben wird, und jedem davon wäre eine bestimmte Nummer zugeordnet. Dort befindet sich das neuronale Netzwerk oder der Transformator, den wir haben , der seine Berechnungen durchführt und diese Zahlen generiert, die dann an das Tool weitergegeben werden Wenn das also eingespeist wird, dann versteht es, dass es bedeutet, dass ich Eiscreme esse diese Weise helfen Einbettungen in erster Linie den KI-Tools, die menschliche Sprache zu verstehen und auf dieser Grundlage das nächste Wort zu generieren Es versteht den Kontext, es versteht den Hintergrund, der ihm gegeben wird, die Informationen, die ihm gegeben werden, und auf dieser Grundlage gibt es uns dann das Ergebnis, es gibt uns die Antwort, es gibt uns die nächsten Wörter, die benötigt werden ist sehr wichtig, dass wir verstehen, denn hier erfahren Sie , dass diese KI-Tools Es ist sehr wichtig, dass wir das verstehen, denn hier erfahren Sie , dass diese KI-Tools hauptsächlich mit Zahlen arbeiten und Sprache im Kontext von Zahlen identifizieren und auf dieser Grundlage ihre Ergebnisse liefern. 19. Feinabstimmung: Hallo Leute. Willkommen zu dieser Sitzung. In dieser Sitzung werden wir über ein weiteres interessantes Konzept sprechen , nämlich die Feinabstimmung Feinabstimmung eines LLM wird ein Prozess sein, bei dem wir versuchen, uns an ein vorab trainiertes Modell anzupassen , um bestimmte spezifische Aufgaben auszuführen , die unseren Bereich oder unsere Arbeit zugeschnitten Normalerweise versuchen wir hier mit den KI-Tools, Lösungen zu finden, aber es kann ein Szenario sein, in dem Sie eine Lösung für ein bestimmtes Szenario benötigen Nehmen wir an, Sie kommen aus dem Einzelhandel oder, sagen wir, aus dem Technologiesektor, oder sagen wir, aus der Automobilbranche. Und was Sie benötigen, ist eine spezifische Lösung für ein Szenario, mit dem Sie in Ihrem speziellen Bereich konfrontiert sind. Und hier werden Feinabstimmung und LLM entscheidend. Nun gibt es drei Möglichkeiten, wie Sie LLMs fein abstimmen können Die erste Methode wird selbstverwaltet sein. Dabei handelt es sich in erster Linie um eine Methode, bei der Sie alle Informationen , die Sie zu Ihrer Domäne haben , dem Basismodell zur Verfügung stellen. Es sind die vollständigen Trainingsdaten, die Sie dem Basismodell zur Verfügung stellen. Es analysiert diese Daten und lernt daraus , versteht Ihr Fachgebiet, Ihr Fachwissen und Ihre Problembereiche . Auf dieser Grundlage erhalten Sie nun maßgeschneiderte Ergebnisse. Jetzt ist es also selbstverwaltet und kann es aufgrund der Trainingsdaten, die ich von Ihrer Domain bereitgestellt habe und die auf Ihre Domäne zugeschnitten sind, selbst durchführen die ich von Ihrer Domain bereitgestellt habe und die auf Ihre Domäne zugeschnitten sind, selbst bereitgestellt habe und die auf Ihre Domäne zugeschnitten sind, . Das andere Modell, das wir hier verwenden können, kann überwacht werden. Was nun passiert , ist, dass Sie spezifische, detaillierte, beschriftete Trainingsdaten angeben spezifische, detaillierte, beschriftete Trainingsdaten , die eine Eingabe und Ausgabe haben. Sie geben die Eingabe und Sie geben ein erwartetes Ergebnis an, auf dessen Grundlage es daraus lernt und Ihr Szenario und Ihr Fachwissen versteht Ihr Fachwissen und auf dessen Grundlage Sie das Ergebnis erhalten. Nur um Ihnen ein einfaches Beispiel zu geben Eine Eingabe kann so allgemein sein wie zum Beispiel, wie man einen gebrochenen Knochen findet. Die Ausgabe ist X. Nun geben Sie das als Beispiel, beschriftete Trainingsdaten an das Tool und es versteht, dass , okay, ich die Ausgabe auf diese spezielle Art geben muss . Wenn die Eingabe auf diese Weise erfolgt, muss ich eine Ausgabe in diesem speziellen Stil ausgeben, und das heißt, das Modell lernt und gibt Ihnen basierend auf dem Lernen eine Ausgabe. Die dritte Methode, die wir hier verwenden können, ist Verstärkung. Verstärkung ist ein Modell, bei dem Sie einen Output auf der Grundlage seines Trainings angeben und wir ihn bewerten. Was jetzt passiert , ist das Modell Ihnen einen Output liefert. Sie geben eine bestimmte Eingabe, Sie fragen nach einer bestimmten Lösung. Es gibt Ihnen das Ergebnis, aber jetzt bewerten Sie es, und wenn das Ergebnis schlecht ist, geben Sie ihm eine niedrige Punktzahl, wenn das Ergebnis gut ist, wenn das Ergebnis gut ist kann es ein hohes Ergebnis sein, und jetzt beginnt das Modell, daraus zu lernen. Es versteht, dass es versucht zu verstehen, wo es den Fehler gemacht hat, wenn es eine niedrige Punktzahl erhalten hat. Und je nachdem, welche dieser Erkenntnisse es gelernt hat, verbessert es seine Ergebnisse in den zukünftigen Proms , die Sie ihm geben Das wird zur Verstärkung. Es gibt drei verschiedene Möglichkeiten, wie Sie mit der Feinabstimmung Ihres LLM beginnen und eine bessere Leistung erzielen Schauen wir uns nun ein anderes Szenario an dem Sie keine Feinabstimmung vornehmen sollten In welchen Szenarien sollte keine Feinabstimmung erfolgen. Der erste Aspekt ist , dass es bei der Feinabstimmung nicht darum geht, Intelligenz von Grund auf neu zu entwickeln Damit meinen wir, dass es nicht darum geht, von Anfang an Informationen zu generieren Wir versuchen hier , das LLM zu verfeinern, um das LLM so zu trainieren, dass es eine maßgeschneiderte Ausgabe erhält Okay? Wir versuchen nicht, Informationen von Grund auf neu zu generieren. Zweitens haben Sie in den drei Szenarien gesehen, in jedem der Szenarien wir in jedem der Szenarien die Trainingsdaten bereitstellen mussten. Okay? Also auf keinen Fall werden wir die Datenanforderung hier streichen , okay? Das ist keine Feinabstimmung. Drittens wird uns die Feinabstimmung nicht immer den gewünschten Output liefern Jede Interaktion, die Sie mit dem KI-Tool haben werden , wird einzigartig sein und auf Grundlage dessen werden die Ergebnisse einzigartig sein Es wird eine einzige universelle Lösung geben, es wird niemals eine einzige Universallösung geben, die Sie daraus ziehen werden. Und schließlich, wie Sie gesehen haben, wird dies ein Prozess sein. Es wird kein magischer einmaliger Prozess sein, sondern es sind kontinuierliche Iterationen erforderlich, um ein bestimmtes gewünschtes Ergebnis zu erzielen Es wird nicht so sein dass Sie eine einzige Aufforderung geben und beim ersten Versuch die gewünschte Ausgabe erhalten. Kontinuierliche Iterationen sind erforderlich, damit Sie Ihre Proms fein abstimmen können und auf deren Grundlage Sie die gewünschten Ergebnisse erzielen Ich hoffe, das macht Sinn. Ich hoffe, Sie verstehen jetzt das Konzept der Feinabstimmung und warum es notwendig ist, wenn Sie versuchen, diese LLM-Modelle in vollem Umfang zu nutzen 20. Zusammenfassung – Zusammenfassungsansicht: Mmm. Hi, Leute. Willkommen zu den Sessions. Wir wollten nur eine kurze Zusammenfassung all der Dinge machen , über die wir bisher gesprochen haben. Viele Dinge, die wir bis jetzt behandelt haben. Also wollten wir das nur kurz zusammenfassen. Jetzt verstehen wir also, wie das Ganze funktioniert wenn ein Benutzer kommt und eine Anfrage stellt, oder? Diese Abfrage bezieht sich auf die großen Sprachmodelle, bei denen es sich beispielsweise um ChatGPT oder Google Gemini oder Meta oder andere KI-Tools, LLM-Modelle handeln kann, die wir oder andere KI-Tools, LLM-Modelle handeln kann, LLM-Modelle Nun, das werden in erster Linie das neuronale Netzwerk sein , die Transformatoren, die sich die bereitgestellten Trainingsdaten ansehen und Einbettungen verwenden, auf deren Grundlage sie uns die Ausgabe geben werden, die in menschlicher Sprache verständlich ist, und wir erhalten die Ausgabe menschlicher Sprache verständlich ist, und wir erhalten die die sich die bereitgestellten Trainingsdaten ansehen und Einbettungen verwenden, auf deren Grundlage sie uns die Ausgabe geben werden, die in menschlicher Sprache verständlich ist, und wir erhalten die Ausgabe. Hier haben wir uns nun auch mit der Feinabstimmung befasst, bei der Sie in erster Linie die LLM-Modelle fein abstimmen, um ein bestimmtes gewünschtes Ergebnis auf der Grundlage Ihrer kundenspezifischen Domäne zu erzielen auf der Grundlage Ihrer Jetzt verbessern Sie sich, Sie trainieren die Modelle um ein bestimmtes Ergebnis zu erzielen Wir haben auch über die Tatsache gesprochen, dass hier schnelles Engineering erforderlich ist ist in erster Linie die Art und Weise, wie Sie diese KI-Tools Wir entscheiden auch, welche Art von Output Sie daraus ziehen. Wir müssen uns auch ansehen, was wir anregen, wie wir dazu auffordern Was stellen wir vage Fragen oder konkrete Fragen , die darüber entscheiden, welche Ergebnisse wir vor Ort erzielen Ich hoffe, das macht Sinn, was wir bis jetzt behandelt haben , und in den nächsten Videos werden wir außerdem verschiedene Arten der Verwendung des Genitivs sehen der Verwendung des Genitivs 21. Augmented Retrieval Generation (RAG): Hallo Leute. Willkommen zu dieser Sitzung. In dieser Sitzung werden wir über RAG oder Retrievable Augmented Generation sprechen oder Retrievable Augmented Jetzt, wo wir verstehen, wie LLMs funktionieren. Arbeitsablauf von LLM ist also so, dass ein Benutzer kommt und eine Frage stellt. Dabei , dass ein Benutzer kommt und eine Frage stellt handelt es sich um eine Abfrage, die tokenisiert, eingebettet und in das LLM weitergeleitet wird , wo das neuronale Netzwerk funktioniert und Einbettungen vorgenommen werden und auf deren Grundlage Das ist also der Workflow, von dem wir wissen, wie LLMs funktionieren. Hier besteht das Problem darin, dass es einen Wissensgrenzwert gibt, bei dem wir wissen, dass diese LLMs bis zu einem bestimmten Wissen trainiert wurden, was immer noch 2023 ist, und darüber hinaus nicht mehr die Trainingsdaten zur Verfügung haben, auf deren Grundlage sie die Trainingsdaten zur Verfügung uns das Ergebnis liefern können Und was passieren wird, ist , dass es keine privaten Daten mehr gibt Unsere internen Dokumente, SOPs und Kundendaten erscheinen niemals im Schulungskorpus Sie haben also auch keinen Zugriff auf unsere persönlichen privaten Daten Aus diesem Grund gibt es eine Straßensperre. Es gibt ein Hindernis , das uns daran hindert, eine maßgeschneiderte Lösung zu finden eine maßgeschneiderte Lösung zu Und hier kommt RAG ins Spiel. Bei RAG handelt es sich in erster Linie um abrufbare erweiterte Generierung, wobei abrufbar bedeutet, dass wir die Daten finden können weil wir dem LLM unsere eigene Wissensbasis zur Verfügung stellen werden , und es wird sich nur darum kümmern Außerhalb davon wird es nirgendwohin gehen . Es wird die Daten aus der Wissensdatenbank abrufen , die wir zur Verfügung stellen, diese Aufforderung anreichern, sie in die Eingabeaufforderung integrieren und sie für uns exportieren und sie wie bei Konversationen generieren So wird RAG also arbeiten. Dabei wird es auf unsere spezifische Wissensbasis zugreifen und verarbeiten , dass alle Informationen abgeglichen werden, um uns dann das gewünschte Ergebnis auf verständliche Weise zu liefern . Das ist das grundlegende Verständnis von RAG oder Retrievable Augmented Generation Wenn Sie sich nun ansehen, wie es hilft, liegt es daran, dass es jetzt in der Pipeline sein wird, es gibt vier wichtige Dinge Die eine sind autoritative Quellen , weil die Daten uns gehören. Wir können das also sicherlich validieren. Wir können dafür bürgen. Wir wissen , dass die Informationen korrekt sein werden Es wird absolut vertraulich behandelt, da keine anderen Informationsquellen verwendet werden. Es wird nicht ins Internet schauen, also sind die Daten bei uns vollständig gesichert. Und dann wird es offensichtlich weniger Halluzination geben Es wird uns eine Lösung bieten, auf den Informationen basiert , die wir zur Verfügung gestellt haben Die Ergebnisse werden also viel nachvollziehbarer und realistischer sein , was wir sicherlich anwenden können Und dann wird die Quelle hinzugefügt, was dann der Fall sein wird, wenn sie auch zitiert wird. Es wird sich auf bestimmte Dokumente und Einzelposten beziehen und uns das schriftlich mitteilen, damit wir wissen, von wo aus es diese Informationen sammelt und uns weitergibt. Wenn Sie es also so betrachten, ist ein RAG weitaus besser, und so wird die Strukturierung aussehen. Wenn Sie also darüber nachdenken, werden Ihre Dokumente die Quelle sein, das sind , sagen wir, diese PDFs, die in das LLM-Modell hochgeladen werden und zwar in Okay, also in Stücken. Und dann wird es in Einbettungen umgewandelt, bei denen es sich um Zufallszahlen handelt, die dann im LLM am Backend gespeichert werden Das ist also eine Datenbank , die erstellt wurde, eine Vektor-DV ist da , in der all Ihre Unternehmensdokumente und Richtlinien Wenn nun ein Benutzer kommt und eine Abfrage durchführt und ähnliche Einbettungen von hier kommen, was jetzt der Fall ist, versuchen wir, eine Übereinstimmung mit den Einbettungen zu finden , die im Vector Store verfügbar sind Sobald eine richtige Übereinstimmung gefunden wurde, werden die Ergebnisse ausgegeben, die mit dem LLM geteilt werden Jetzt macht LLM weiter und wandelt das in eine verständliche Sprache und gibt sie dem Benutzer zurück So wird RAG funktionieren. wichtig, sich hier daran zu erinnern ist wichtig, sich hier daran zu erinnern, dass die Ergebnisse, die das LLM liefern wird , vollständig auf der von Ihnen bereitgestellten Dokumentation basieren auf der von Ihnen bereitgestellten Dokumentation Es wird nichts Außergewöhnliches sein, und das ist es, was wir wirklich wollen Wir wollen wirklich, dass die Lösungen auf unsere Domäne, unser Fachgebiet speziell auf unsere Domäne, unser Fachgebiet und unsere Bedürfnisse zugeschnitten sind, und genau das behebt und hilft RAG auch. Ich hoffe, das macht Sinn. Ich muss jetzt verstehen, wie das RAG-Konzept funktioniert und wie es viele Probleme löst , mit denen wir bei den KI-Modi konfrontiert 22. Agentische KI: Hallo, Leute. Willkommen zu dieser Sitzung. In dieser Sitzung werden wir über das Konzept der agentischen KI sprechen . Dies ist also ein neues, bevorstehendes Thema, das derzeit viel um uns herum passiert, und viele Leute, nachdem sie die Generierung von KI Prompt Engineering verstanden haben, sprechen jetzt viel über agentische Versuchen wir also auf einfache Weise zu verstehen was agentische KI genau ist und wie wir sie nutzen können Nehmen wir also ein einfaches Beispiel. Nehmen wir an, Sie planen in einem realen Szenario eine Reise für sich und Ihre Familie nach, sagen wir, New York. Okay. Traditionell werden Sie es also so machen, dass Sie sich welche Flüge Sie nehmen müssen, welche Hotels Sie buchen möchten, Orte Sie in New York besuchen werden, andere Dinge, Attraktionen, wohin Sie auch wollen. Also alles, was wir planen werden, und vollständige manuelle Reiseroute, die Sie erstellen werden , die Lebensmittel, die Sie essen werden, wo Sie alles essen werden. Also das alles müssen Sie Schritt für Schritt tun . Also, diese ganze Sache, die wir selbst zu erledigen versuchen, kann an jemanden ausgelagert werden , der es für uns planen kann, oder? Person, die unsere Flüge und Hotels buchen kann, die Orte buchen kann, die wir in dieser Stadt besuchen wollen, okay, die Orte, an denen wir essen wollen All das kann, äh, von einer bestimmten Person geplant werden, was in einem realen Szenario meistens Reisebüros sein werden. Stellen Sie sich vor, dasselbe passiert mit agentischer KI. Eine agentische KI ist also in erster Linie ein autonomer Ablauf oder ein Workflow , bei dem ein KI-System aufgebaut wird, bei dem dieses KI-System die gesamte Arbeit für uns erledigt die gesamte Arbeit für uns Wenn es also ein bestimmtes Ziel und auf der Grundlage dieses Ziels plant, wird es bestimmte Tools einsetzen und einige Entscheidungen treffen, um dieses bestimmte Ziel zu erreichen Und das wird völlig autonom sein, was bedeutet, dass es von selbst funktionieren wird und kein großes menschliches Eingreifen erfordern würde. Das meinen wir einfach mit agentischer KI, nur um Ihnen einen Arbeitsablauf zu geben wie das wirklich funktionieren wird Einfach ausgedrückt bezieht sich agentische KI auf KI-Systeme, die Dinge autonom planen, Entscheidungen treffen und bestimmte Aktionen ausführen können, um bezieht sich agentische KI auf KI-Systeme , die Dinge autonom planen, Entscheidungen treffen und bestimmte Aktionen ausführen können, bestimmte von uns vorgegebene Ziele zu erreichen , bestimmte von uns vorgegebene Ziele zu erreichen ohne dass ein kontinuierliches menschliches Eingreifen erforderlich kontinuierliches Okay. Dies kann nun auf verschiedene Arten in mehreren verschiedenen Arbeitsabläufen in unserer Arbeit implementiert werden. Vielleicht können Sie eine künstliche Intelligenz haben, die sich vollständig um Ihre Kundendienstanfragen kümmert Möglicherweise haben Sie eine Agenten-KI, die sich speziell mit Eskalationen befasst Sie können sich vorstellen, wie Sie dies in einem realen Szenario nutzen können, das die Last Ihrer Arbeit auf sich nimmt und dann die Arbeit erledigt und Ihnen das Gewünschte gibt Um Ihnen eine bessere Vorstellung davon was wirklich im Backend passiert. Hier können Sie sehen, wie es funktionieren wird. Der Nutzer sind also wir, wobei wir einen bestimmten Input oder ein Ziel geben. Auf der Grundlage des ihr gesetzten Ziels wird die künstliche Intelligenz nun planen, mit der Planung beginnen, wie sie beginnen soll, die gesamte Planung durchführen Dann wird sie gezielt bestimmte Maßnahmen ergreifen , okay Und es wird etwas Speicher haben, der im Grunde die Datenbank ist. Also die Details, wie Sie Ihre Dokumentation zur Verfügung stellen, Sie werden Ihre Wissensbasis zur Verfügung stellen. Sie werden alle Ressourcen Ihres Unternehmens zur Verfügung stellen. Das ist also die Erinnerung daran, auf deren Grundlage es diese Entscheidungen treffen wird. Es wird dieses spezielle Ziel erfüllen. Dann wird es bestimmte Tools verwenden. Es wird, sagen wir, mit dem Internet verbunden sein, ich kann auch programmieren, was für den Prozess der Zielerreichung erforderlich ist. Es wird über die API eine Verbindung herstellen. All das wird passieren und dann wird es versuchen, das Ziel zu erreichen. Wenn das Ziel nicht erreicht wird, wird es wiederholt. Es wird wieder zur gleichen Schleife zurückkehren. Auch hier wird sich die Planung ändern. Es werden einige verschiedene Maßnahmen erforderlich sein. Es wird mehr Details aus Ihrer Wissensdatenbank verwenden und dann versuchen, das Ziel zu erreichen. Das Herzstück all dessen ist Ihr LLM. Das LLM arbeitet, das aufgrund seiner Modellausbildung und der Tools, für die es zur Verfügung steht, eigentlich die ganze Arbeit für uns aufgrund seiner Modellausbildung und der Tools, für die es zur Verfügung steht, eigentlich die So wird es passieren, was wir mit agentischer KI meinen Dies sind die KI-Agenten, die uns helfen werden, unsere bestimmten Aufgaben zu erledigen , die möglicherweise automatisiert werden können und uns viel Zeit kosten Ich hoffe, das macht Sinn. Ich muss jetzt das einfache Konzept der agentischen KI verstehen und verstehen, was sie für uns tun kann 23. Projekte - ChatGPT: Hallo, Leute. Willkommen zu dieser Sitzung. In dieser Sitzung werden wir also eine weitere Funktion von ChatGPT sehen, sich um Projekte handeln wird Projekte sind in erster Linie eine Funktion, mit der Sie das GPT an eine bestimmte Anforderung anpassen Nehmen wir an, Sie möchten eine bestimmte Art von GPT, die nur auf ein bestimmtes Problem zugeschnitten ist, das Sie bei der Arbeit in Ihrem Unternehmen haben, oder aus einem bestimmten Grund Hier können wir Projekte einsetzen. Sehen wir uns ein praktisches Beispiel an, wie wir es nutzen können. Sobald Sie also auf ChatGPT sind, können Sie im linken Bereich ein neues Projekt erstellen Nehmen wir also ein Beispiel. Nehmen wir an, ich möchte ein Projekt rund um einen Mathe-Tutor erstellen , der sich an Highschool-Kinder richtet Ich möchte ein Projekt erstellen, in dem in diesem speziellen Projekt Fragen zu mathematischen Fragen von Gymnasiasten beantwortet werden können mathematischen Fragen von Gymnasiasten Das wird also ein Mathe-Tutor sein und was wir dann hier tun müssen, ist, einen Hintergrund zu geben Wir müssen Informationen und Hintergrundinformationen zu dem Tool geben, was im Grunde darin besteht, den LLM so zu verfeinern, dass er als Mathe-Tutor fungiert , und darauf aufbauend eine Antwort Das können Sie auf verschiedene Arten tun . Eine davon sind Quellen. Wo du hinkommen kannst, kannst du Quellen hinzufügen. Das können jetzt Dokumente sein. Es kann ein Mathebuch sein. Es kann eine Dokumentation sein, die über das Profil des Mathe-Tutors spricht, all die Dinge, die wir hier hochladen können , und wenn wir das im Kontext behalten, wird das Projekt funktionieren Es wird auf die Anfragen antworten. Das ist eine Möglichkeit. Die andere Sache, die Sie hier tun können ist, dass wir zu den Projekteinstellungen gehen können. In den Projekteinstellungen können Sie den Hintergrund angeben. Wir können den Hintergrund des Mathe-Tutors angeben. Nehmen wir an, wir machen das hier. Jetzt wurde der Hintergrund hier hinzugefügt. Also das ist ein Mathe-Tutor für Highschool-Kinder. Okay, sie werden speziell Fragen oder mathematische Konzepte beantworten speziell Fragen oder mathematische Konzepte Okay, wir haben auch einige Einschränkungen eingeführt, die Ihren Nachhilfeunterricht nur auf Mathethemen der High School beschränken Und wenn Sie dafür nicht qualifiziert sind, können Sie einfach sagen, dass Sie nicht qualifiziert sind, eine Frage zu beantworten, die nicht zu diesem Thema gehört Deshalb haben wir auch einige Leitplanken um ihn herum errichtet, und das können Sie jetzt speichern Auf der Grundlage dieses Kontextes wird das Projekt nun Ergebnisse liefern und Antworten auf die Fragen geben Okay? Also fangen wir damit an. Okay? Fangen wir also mit einer einfachen Frage an: Was ist eine komplexe Zahl? Es wird sich also wie ein Mathe-Tutor für Highschool-Kinder verhalten und angemessene Antworten geben Sie können jetzt sehen, dass es uns Schritt für Schritt ein einfaches Beispiel gegeben hat , in dem auch, okay, Typen von komplexen Zahlen angegeben okay, Typen von komplexen Zahlen All diese Informationen finden Sie hier. Es gibt auch ein Mini-Quiz, okay, was auch offensichtlich ist, weil Sie als Tutor das Verständnis Ihrer Schüler kontinuierlich anhand von Quizfragen für Quizze messen möchten Verständnis Ihrer Schüler kontinuierlich anhand von Quizze Das ist es also, was es hat, und dann gibt es dir zusätzlich Informationen darüber, was es alles auch erklären kann , andere Themen. Das können wir also tun. Schauen wir uns auch einige andere Beispiele an. Sagen wir einfach und bitten ihn, den Satz von Pythagoras mit einfacher Algebra zu erklären Satz von Pythagoras Wird uns jetzt den Satz von Pythagoras erklären, ein einfaches Dreiecksbeispiel, auf dessen Grundlage es uns die Ausgabe gibt. gibt. Jetzt benimmt es sich wie ein einfacher Mathe-Tutor, gibt einfache Beispiele , visuelle Intuition. Jetzt gibt es uns auch einige visuelle Beispiele , um das Konzept zu verstehen Sie können sehen, wie es aus dem wirklichen Leben kommt, und dann noch einmal ein kurzes Quiz. Schauen wir uns zum Schluss noch einen an. kann erklären, warum die Quadratwurzel von zwei irrational ist, eine irrationale Zahl ist Das Ziel ist zu beweisen, dass dies irrational ist , und was bedeutet dann Die Strategie dahinter, dann ergibt es den gesamten Ich hoffe, Sie verstehen jetzt den Anwendungsfall von Projekten. Was es tun kann, ist, dass es sich um ein separates GPT innerhalb Ihres Haupt-GPT handeln kann ein separates GPT innerhalb Ihres Haupt-GPT , das auf eine bestimmte Anforderung zugeschnitten ist, die Sie möglicherweise haben eine bestimmte Anforderung zugeschnitten ist, die Sie möglicherweise Jetzt kann ich ein GPT für die Beantwortung der Anfragen meiner Kunden erstellen für die Beantwortung der Anfragen meiner Kunden Ich kann ein Projekt erstellen, das beispielsweise auf technische Probleme in meiner Software zugeschnitten das beispielsweise auf technische Probleme in meiner Software Okay, es können also separate GPTs für Personalprobleme erstellt Auf diese Weise können Sie mehrere verschiedene Arten von Projekten oder GPTs erstellen, die auf spezifische Probleme zugeschnitten sind. Sobald Sie den Kontext, wird es von Experten den Hintergrund und die Ressourcen dahinter bereitstellen, Hintergrund und die Ressourcen dahinter Ich hoffe, das ergibt Sinn. Ich muss jetzt verstehen, wie Projekte zur Veränderung genutzt werden können. 24. Einschränkungen von LLM-Studiengängen und Workarounds: Hallo Leute. Willkommen zu den Sessions. In dieser Sitzung werden wir über die Einschränkungen sprechen, die wir derzeit bei LLMs sehen, und über einige Problemumgehungen Die erste Einschränkung , die wir hier verstehen, ist der Wissensgrenzwert Wie Sie wissen, ist das LLM für eine bestimmte Menge an Informationen geschult, einen schlechten spezifischen Zeitrahmen Wie Sie sehen können, liegt der Ausbildungsschluss derzeit bei 2023, für welche Informationen er trainiert wurde Es wurde darüber hinaus trainiert. Okay? Das ist also eine der Einschränkungen, die Sie bei LLMs haben, und daran wird gearbeitet, es gibt viele Verbesserungen, die derzeit passieren Aber das ist der größte Teil des Wissens, über den sie derzeit verfügt, was immer noch 2023 ist Behelfslösung wurde das RAG identifiziert. Dabei handelt es sich um eine abrufbare erweiterte Generierung , bei der Sie in erster Linie Live-Dokumente einfügen, wenn Sie sich nach der Ausgabe erkundigen Live-Dokumente einfügen, wenn Sie sich Zum Zeitpunkt der Abfrage ermöglicht das Aufrufen des Tools LLMs also, ermöglicht das Aufrufen des Tools LLMs In diesem Moment führt das LLMs tatsächlich eine Menge Websuchen auf deren Grundlage es die Lösung verfeinert und die Ergebnisse herausgibt Die anderen Probleme, mit denen LLMs konfrontiert sind, betreffen Halluzinationen . Halluzination ist oft so, dass sie, wenn das Ergebnis gegeben wird, die Fakten nicht kennen, dann neigen die Tools oft zur Halluzination, und aus diesem Grund wird vorgeschlagen, dass wir bei den Eingabeaufforderungen sehr spezifisch sein und verhindern müssen, dass das Tool halluziniert. Das ist eines der Hauptprobleme, die bei LLMs auftreten. andere Sache ist, dass manchmal anstößige Ergebnisse herauskommen können, weil es mit einer Menge von Daten trainiert wurde, die diese Art von Informationen Es neigt dazu, sie von dort aufzunehmen und diese Art von Output auszugeben Es kann auch Schaden anrichten, kann als Waffe zur Desinformation eingesetzt werden Dinge werden jedoch viel besser, zum Beispiel war GPT 4 im Vergleich zu, äh, GPT 3.5 in all diesen Szenarien viel besser , was Halluzination angeht, und die anderen Tools werden auch besser , und die anderen Tools werden auch besser den Nun, es gibt eine Menge Vorurteile, außerdem werden Sie Toxizität feststellen, die Sie bei LLMs in Bezug auf die Ergebnisse von Einstellungsverzerrungen feststellen werden, was wir sehen können , geschlechtsspezifische Vorurteile , kulturelle also, wie bei der Einstellung von Mitarbeitern, Zählen Sie also, wie bei der Einstellung von Mitarbeitern, Merkmale eines guten CEOs Okay, übersetze die Schwester, die angerufen hat. Okay, das alles werden die Rückmeldungen sein , die wir in Bezug auf LLMs erhalten, wo es eine Menge Vorurteile gibt, und deshalb müssen Prozesse eingeführt werden, die sie reduzieren werden Und im Laufe der Zeit können wir es beseitigen. Das ist also wieder der Fall, und zwar aufgrund der verzerrten Trainingsdaten, die wir haben Die Daten, die aus dem Internet kommen möglicherweise verzerrt, weshalb die Ausgabe so ist, und das erfordert eine Verstärkung der Rückkopplungsschleife, also im Grunde RLHF, was wir brauchen, wobei Sie Es muss also menschliche Gutachter , die in erster Linie die Ergebnisse überprüfen und auf deren Grundlage die Ergebnisse veröffentlicht werden Ergebnisse überprüfen und auf deren Grundlage die müssen. Deshalb werden wir im kommenden Thema ein bisschen mehr darüber sprechen im kommenden Thema ein bisschen mehr Abgesehen davon sind in den Daten auch historische Verzerrungen enthalten Okay, historisch gesehen tendieren Daten manchmal eher zu bestimmten Themen, und darauf wurden die Tools trainiert, und aus diesem Grund ist das Ergebnis so Es werden also viele Ansätze zur Risikominderung entwickelt, bei denen wir versuchen, unvoreingenommen zu trainieren diese Tools unvoreingenommen zu trainieren, damit die Ergebnisse viel besser sind Jetzt gibt es Szenarien , in denen sich LLMs schlecht verhalten , was die wichtigsten Erkenntnisse angeht reale Fälle sein werden, die passiert sind wichtigsten Erkenntnisse sind Gefängnisunterbrechungen, die Arbeit nach Rollenspielen, die Sicherheitstrainings außer Kraft setzen Die Modelle sind inzwischen gegen bekannte Muster von Gefängniseinbrüchen abgesichert, sodass es jetzt viel besser wird sofortige Dateneingabe ein ernstes Unternehmensrisiko Wenn LLMs im Rahmen des behördlichen Workflows nicht vertrauenswürdige Daten verarbeiten, stellt die sofortige Dateneingabe dar. Es gibt auch eine Studie aus dem Jahr 2016, aus der hervorgeht, dass die KI, die gegnerischen Beiträgen der Öffentlichkeit ausgesetzt ist, dieses Verhalten absorbieren wird. Es zeichnet sich auch ein Muster ab, in dem frühe Releases, aufgedeckte Sicherheitsprobleme, Notfall-Patches und dann langfristige Problembehebungen auf Basis von RLChRE vorgenommen werden All dies wird die Art und Weise sein , wie die Dinge mit den LLMs viel besser werden können Heutige Module wie GPT Five, 5.2, die wir haben, sind deutlich robuster und bieten eine viel bessere Leistung als die Vorgängermodelle Wenn Sie sich nun RLHF ansehen, über das wir gesprochen haben, ist das ein Workflow Es funktioniert so, dass die LLMs mit Trainingsdaten vorab trainiert werden und darauf aufbauend Antworten generieren Sobald eine Antwort generiert wurde, können menschliche Etikettierer die Ergebnisse vom besten zum schlechtesten bewerten Je nachdem, welcher Output, das Ergebnis, das Belohnungsmodell funktioniert. Sie belohnen das Modell auf der Grundlage der Leistung, die es liefert, und dann wird dieses Feedback wieder zurückgegeben. Zum vortrainierten LLM. Auf diese Weise passiert das, was allmählich passiert, was Sie sehen, ist, dass bessere Antworten eintreffen und der Kreislauf wird auf diese besondere Weise fortgesetzt Das ist also die Idee , das zu nutzen, und dieser spezielle Ansatz hilft den LLMs letztendlich , uns in Zukunft viel bessere Ergebnisse zu liefern Wenn Sie sich nun in der Praxis in der Praxis ansehen, wie es sein wird, ähm, bevor es RLHF gab, wenn jemand zu ChatGPT kommt und einen Abschlussball gibt, was Quantenverschränkung erklärt, einfach für einen 10-Jährigen, wird uns das Ergebnis auf eine bestimmte Art und Weise geben, die den Benutzer nicht in den Kontext nimmt. Ich kenne Anweisungen, die Fähigkeiten dort befolgen, es ignoriert Das alles war da. Aber jetzt hat das, was sie mit offener KI gemacht haben , getan, wobei sie diesen Teil aufgenommen haben. Dabei passt es die Ausgabe an. Also dieselbe Frage, wenn sie gestellt wird, gibt es eine Ausgabe, die ist, stellen Sie sich vor, Sie haben zwei magische Würfel, auch wenn Sie sie im Universum trennen, und wenn Sie einen würfeln, erfahren Sie sofort das Ergebnis des anderen Jetzt folgt es exakt den Anweisungen, verwendet altersgerechte Analogien und ist in der Praxis viel hilfreicher Das ist also die Auswirkung davon. Das ist der Effekt, dass das Ergebnis jetzt viel besser auf die Bedürfnisse des Benutzers abgestimmt ist, weshalb die Qualität der Antworten immer besser wird. Ich hoffe, das ergibt Sinn. Ich hoffe, Sie verstehen jetzt, wie LLMs im Laufe der Zeit verbessert haben Und dann, da wir auch darüber sprechen, muss der Human-in-the-Loop-Ansatz angewendet werden, bei dem, wenn ein Benutzer eine Suche im KI-Modell durchführt und eine Ausgabe erhält, wir das Konfidenzniveau dieser Ergebnisse überprüfen Wenn das Konfidenzniveau hoch ist, kann es als direkte Ausgabe ausgegeben werden. Andernfalls, wenn es niedrig ist, muss ein menschlicher Experte hinzugezogen werden , der das Ergebnis überprüft und validiert und auf dessen Grundlage das angegeben wird, sodass dies in mehreren Szenarien anwendbar Sie können dies für medizinische Diagnosen, KI, die Überprüfung von Rechtsdokumenten, Überprüfung von Rechtsdokumenten, Moderation von Inhalten und finanzielle KI-Benachrichtigungen In all diesen Szenarien kann HITL so eingesetzt werden, dass ein menschliches Eingreifen stattfindet , das die Qualität der Ergebnisse überprüft und auf deren Grundlage schließlich das richtige Ergebnis für das Publikum veröffentlicht Ich hoffe, das ergibt Sinn. Vielen Dank, Leute, dass ihr euch das angehört habt, und ich werde euch im nächsten Video sehen. 25. Wie gut kennen Sie Ihre LLMs?: Hallo Leute. Willkommen zu diesen Sessions. In dieser Sitzung möchten wir, dass Sie verstehen, wie gut wir unsere LLMs verstehen und über sie Bescheid wissen Wenn Sie sich die LLMs ansehen , die wir derzeit verwenden. Dabei kann es sich um Verbraucherpläne oder um Geschäftspläne handeln, die wir haben den meisten Verbrauchertarifen, die wir haben, werden unsere Daten für Schulungen verwendet Okay, wie zum Beispiel HGT free oder HGBTplus, ihre Konversationen werden überprüft unsere Konversationen werden überprüft und für das Training dieser Modelle verwendet Wenn es um Geschäftspläne geht, wie zum Beispiel HGBT-Team, Enterprise, API, Clot for Work oder Gemini für Workspace, wie zum Beispiel HGBT-Team, Enterprise, API, Clot for Work oder Gemini für Workspace, werden in solchen Szenarien die Daten nicht für Schulungen Wir müssen uns also darüber im Klaren sein welchen Plänen wir uns befinden, bei denen personenbezogene Daten für die Schulung dieser LLM-Module verwendet werden für die Schulung dieser LLM-Module verwendet In der Regel werden die LLMs den Anbietern so viel kosten. Wenn der Benutzer Tokens eingibt, gelten für diese Token spezifische Preise, auf deren Grundlage LLMs sie dann verarbeiten und uns die Ausgabetoken geben Heute sind die Preise für Output-Token meistens viel höher Es sind drei bis zehn X mehr als die Eingangstoken, die reingehen. Und auf der Grundlage der LM-Modellanbieter erstellen sie unsere Preismodelle , für die wir Zahlungen leisten. Dies sind einige LLMs, aktuelle Tarife. Wie Sie sehen können, sind sie momentan für Cloud, anthropisch, das sind 5$ pro Million, und so weiter und so fort Und dann sind da noch GPT OpenEigmini, Grok, Deep Seek. Dies sind alle Ein- und Ausgabepreise, die Sie sehen können. Und auf dieser Grundlage haben all diese Modelle ihre Abonnementpläne erstellt Kann ich nun verhindern, dass LLM bis einem gewissen Grad halluziniert, indem Du kannst das L&M geben und dem Model sagen , dass es antworten soll, Erschaffe diese Leitplanken , mit denen du verhindern kannst, dass es halluziniert Der andere Aspekt ist der Mensch im Loop, was in erster Linie bedeutet, dass jedes Mal, wenn die Ausgabe herauskommt, sie von einem Experten überprüft wird Auf der Grundlage des Konfidenzniveaus der Antwort wird dann das Ergebnis berücksichtigt. Das kann auch gemacht werden. An dritter Stelle steht der LLM-Richter , der in erster Linie über ein eigenes Modell zur Überprüfung der Fakten verfügt Sobald Sie ein Ergebnis Ihres LLM-Modells erhalten haben, überprüfen Sie dies und validieren Sie es mit einem anderen LLM-Modell, validieren Sie es mit einem anderen LLM-Modell um zu überprüfen, ob die Daten korrekt waren Wird uns das LLM nun jedes Mal dieselbe Antwort geben ? Nicht unbedingt Der genaue Wortlaut unterscheidet sich normalerweise, aber die Gesamtbedeutung bleibt in der Regel gleich Bei LM schauen wir uns also an, dass LMS das nächste Token aus einem Wahrscheinlichkeitsverteilungssegment vorhersagen das nächste Token aus einem Wahrscheinlichkeitsverteilungssegment Die Stichprobenziehung ist in erster Linie probabilistisch. Was also passieren wird, ist dass Sie dieselbe Bedeutung erhalten, aber unterschiedliche Oberflächen, unterschiedliche Sätze Gesamtbedeutung mag dieselbe bleiben, aber die Wortwahl und die Satzstruktur werden sich kaum unterscheiden. Wenn Sie also Konsistenz wollen, müssen wir die Temperatur auf Null setzen. Wenn die Temperatur auf Null gesenkt sind die Reaktionen fast deterministisch Ich hoffe, das ergibt Sinn. Ich hoffe, Sie verstehen jetzt den Hintergrund der Funktionsweise von LLMs und wie sie sich hauptsächlich in Bezug auf die Nutzung auf uns auswirken und worauf wir achten sollten, wenn wir diese spezifischen Modelle verwenden 26. Schnelle Einführung in das Engineering: Hallo Leute. Willkommen zu diesen Sessions. In dieser Sitzung werden wir über Prompt Engineering sprechen und verstehen, was Prompt Engineering ist. Wenn Sie sich das also ansehen, wenn Sie mit den KI-Bots mit diesen generativen KI-Tools interagieren , dann haben wir es hier als Eingabeaufforderungen zu tun Bei den Eingabeaufforderungen handelt es sich um Textbefehle , die Sie diesen speziellen KI-Tools geben diesen speziellen KI-Tools um eine bestimmte Art von Antwort zu erhalten Nun, dafür kann es verschiedene Gründe geben. Wir tun dies also hauptsächlich für Textgenerierung, kreatives Schreiben, Bildgenerierung und Codegenerierung Es werden also verschiedene Ergebnisse benötigt, denen wir idealerweise suchen, und das meinen wir mit prompter Eingabeaufforderung , die wir mit den KI-Tools machen Wenn Sie sich nun ansehen, wie es sein wird : Die Grundidee, die Sie beim Prompt-Engineering verstehen müssen, ist die detailliertere Eingabe oder Aufforderung, die Sie dem KI-Tool geben, desto besser wird das Ergebnis sein Wenn Sie dem KI-Tool einen generischen Abschlussball geben, wird die Ausgabe ebenfalls generisch sein und es kann eine Menge Halluzination geben, die passieren kann Worauf Sie sich konzentrieren müssen, ist, diese KI-Tools richtig zu nutzen , so spezifisch und auf den Punkt zu kommen, was Sie in Bezug auf Ihre Informationen, Ihre Anfrage, und genau das geben Sie, damit die Qualität der Ausgabe h von diesem bestimmten Teil abhängt Lassen Sie uns in der Praxis sehen, wie sich diese unterscheiden, wenn Sie eine generische Aufforderung von einer spezifischen Aufforderung geben eine generische Aufforderung von einer spezifischen Aufforderung Nehmen wir an, im Chat Dipt beginnen wir momentan mit einer sehr generischen Aufforderung, was KI ist Wenn wir dir das geben, bekommst du alle Informationen zu sehen. Wir sagen nicht , dass die hier bereitgestellten Informationen falsch sind. Wir sagen nur , dass es sich um eine breitere Skala handeln wird , die Ergebnisse würden Ihnen zur Verfügung gestellt, weil die Anfrage sehr offen ist. Jetzt haben wir also die Informationen. Nun, dasselbe können wir anpassen und wir können auf eine bestimmte Art und Weise fragen, sagen wir, auf eine bestimmte Kategorie zugeschnitten Nehmen wir an, ich gebe diese Informationen wenn ich sage, dass ich im Gesundheitswesen tätig bin, und erkläre mir anhand relevanter Beispiele aus meinem Fachgebiet , was KI ist anhand relevanter Beispiele aus meinem Fachgebiet Jetzt ist die Ausgabe maßgeschneidert, an die spezifischen Anforderungen, die ich habe, angepasst. Ich bin eine Angehörige der Gesundheitsberufe. Ich möchte je nach Fachgebiet mehr über EI erfahren. Also wird es mir Daten darüber geben. Jetzt verstehen wir also, wie KI im Gesundheitswesen funktioniert. Praktische Beispiele für EI im Gesundheitswesen. KI kann all diese Dinge analysieren. Jetzt kann ich besser verstehen, wo KI in meinem Bereich wirklich einen Beitrag leisten kann. Das ist also der Effekt von Prompt Engineering : Sie sehen, dass eine bestimmte Aufforderung im Vergleich zu einer generischen Aufforderung viel Wert bietet . Abgesehen davon, sagen wir noch einmal, ich gebe eine generische Frage, was Solarenergie ist, dann gibt mir das wiederum eine generische Vorstellung davon, was Sonnenenergie ist, welchen Hintergrund sie hat, wie sie funktioniert, all diese Informationen kommen heraus. Okay. Aber jetzt, wenn ich hier ein bestimmtes gebe, wo ich einige Bedingungen stelle. Okay? Also wo ich das sage, stell dir vor, du wärst Nachrichtenjournalist. Okay? Sie sind ein Nachrichtenjournalist speziell kurze zusammengefasste Berichte über erneuerbare Energiequellen verfasst. Wenn ich Ihnen eine Frage stelle, geben Sie mir Antworten in weniger als 500 Wörtern. Ich möchte nicht zu viel Text und sie sollten mit Aufzählungszeichen versehen sein. Ich habe diese spezielle Einstellung zur Selbsterwartung angegeben , die ich auch gemacht habe Jetzt hat es es verstanden. Nun, auf dieser Grundlage werde ich ihn jetzt danach fragen, was die Sonnenenergie angeht. Erzählen Sie mir also etwas über Sonnenenergie, ihre Nutzung in den Jahren 2020 bis 2030. Wenn Sie nun sehen, dass die Ausgabe angepasst ist. Wir bekommen Informationen mit Aufzählungszeichen, nicht zu viele Verben, äh, Wörter werden so oft verwendet, dass uns jetzt so viele Aufzählungszeichen gegeben werden, wie wir sie brauchten die gleiche Weise können Sie jetzt, wenn Sie nach anderen Informationen fragen, sagen wir, nach irgendwelchen anderen Dingen, es sich an die Erwartungseinstellungen erinnert, die wir Erwartungseinstellungen erinnert, die Auch hier handelt es sich bei den Daten weniger um Text, sondern um Aufzählungspunkte. Das ist also die Idee von Prompt Engineering, bei dem Sie Ihre Eingabeaufforderungen anpassen können , um eine bessere Ausgabe zu erzielen bleibt also die Idee , dass wir es auf den Punkt bringen wollen , Chris, spezifisch, so detailliert wie möglich, damit wir den bestmöglichen und qualitativ hochwertigen Output aus den Tools herausholen bestmöglichen und qualitativ hochwertigen Output aus den Tools herausholen Es gibt also auch einige bewährte Verfahren, die Sie im Hinblick auf die schnelle Entwicklung beachten sollten . Das bedeutet, wie wir heute verstehen, die Botschaft, die Antwort oder den Input, den wir geben wollen , klar zu vermitteln Auch hier müssen wir den Kontext festlegen oder es sollten Hintergrundinformationen gegeben werden, was eine zwingende Anforderung sein sollte. Ohne Angabe des Kontextes, ohne jegliche Hintergrundinformationen, tappen wir im Dunkeln. Wir erwarten ein Ergebnis oder eine Antwort, die sehr vage und generisch sein kann , und das Tool wird höchstwahrscheinlich halluzinieren Das Gleichgewicht zwischen Einfachheit und Komplexität. Wir müssen also sicherstellen, dass wir nicht zu viele Informationen geben. Wir müssen dabei bleiben, dass wir das Thema der Anfrage beibehalten, die benötigten zusätzlichen Informationen geben und sie nicht kompliziert machen. Denn wenn Sie es kompliziert machen, dann wird die Ausgabe wiederum nicht die gewünschte Ausgabe sein , nach der Sie suchen. Und schließlich wird es niemals so sein , dass Sie erwarten, dass wir eine bestimmte Aufforderung geben und das gewünschte Ergebnis in einem Buch erhalten. Es wird ein iterativer Prozess sein, bei dem Sie kontinuierlich Eingabeaufforderungen geben und mit jeder Aufforderung die Qualität verbessern und schließlich allmählich mit jeder dieser Aufforderungen bessere Ergebnisse erzielen Ich hoffe, das macht Sinn. Ich verstehe jetzt, wie Prompt Engineering wirklich funktioniert und wie wir es angehen müssen, damit wir den KIs die bestmöglichen Ergebnisse erzielen. 27. Sofortiges Primieren: Hallo Leute. Willkommen zu dieser Sitzung. In dieser Sitzung werden wir also über Prompt Priming sprechen. Promptes Priming ist also ein Konzept , das sich auf die Praxis bezieht einige erste Eingaben in das Modell zu Hat-GPT-Tool einige erste Eingaben in das Modell zu geben, bevor irgendeine Art von Reaktion generiert Diese erste Eingabe hilft also wirklich dabei, das Tool dazu zu generieren , eine relevantere und auf Sie zugeschnittene Antwort zu Also die vom Benutzer beabsichtigte Eingabe. Deshalb ist es sehr wichtig und wichtig, dass wir, wann immer wir Eingabeaufforderungen an das HatGPT-Tool geben, irgendeinen Kontext, irgendeinen Hintergrund dafür, was genau nach welcher Art von Information Sie suchen Zum Beispiel ohne Grundierung, sagen wir, ich sage, wo ich in meinem nächsten Urlaub hinfahren soll Also, das ist etwas sehr generisches. Nun, HattPT wird es als eingegebene Eingabe als extrem generisch empfinden und eine sehr generische Antwort geben Es wird mir alle möglichen Orte auf der ganzen Welt geben, okay, und Informationen darüber Aber denken Sie jetzt darüber nach, ob ich einen Kontext dahinter nenne, okay? Nehmen wir an, ich sage, ich würde gerne in meinen nächsten Urlaub fahren. Ich gehe mit meiner Frau und meinen Kindern auf eine Reise. Der Standort sollte tropisch sein. Ich würde gerne an einen Strand gehen. Ich hätte gerne einen Direktflug von meiner Wohnung nach LAX und habe ein Reisebudget von 5.000$ Wo sollte ich in meinem nächsten Urlaub hinfahren? Also was passiert jetzt? Ich habe einen Kontext gegeben. Ich habe einige Szenarien angegeben, bestimmte Dinge, nach denen ich suche, meine Interessen, meine Vorlieben und Abneigungen, all das, wofür ich den Kontext angegeben habe diesem Grund wird die Antwort sofort viel besser, viel relevanter und auf meine speziellen Bedürfnisse zugeschnitten sein viel relevanter und auf meine speziellen Bedürfnisse zugeschnitten Das nennen wir also promptes Priming. Schauen wir uns noch ein Beispiel an. Nehmen wir an, ich sage, erstellen Sie bitte drei mögliche Titel für meinen neuen Online-Kurs, der Menschen den Umgang mit KI beibringt. Nun, das ist wieder sehr allgemein gehalten weil Chat GPT mir alle möglichen Titel zur Verfügung stellen wird , was diesem Zweck dient Aber wenn ich jetzt einen Kontext nenne, in dem ich das sage, erstellen Sie bitte drei mögliche Titel für meinen neuen Online-Kurs, der den Leuten beibringt, wie man KI benutzt Hier ist ein Beispiel für einige aktuelle Kurstitel. Bitte ahmen Sie den Stil und das schriftliche Format dieser Dokumente nach. Nehmen wir an, ich gebe einen Kontext Meine aktuellen Kurse heißen Video Editing Masterclass Bearbeiten Sie Ihre Videos wie ein Profi, Film-Meisterkurs, die komplette Art von Videografie die komplette Wenn ich jetzt einen solchen Kontext gebe, die Ergebnisse weitaus besser sein Das Tool wird den Schreibstil in diesen speziellen Beispielen, die ich geteilt habe, emulieren diesen speziellen Beispielen, die ich geteilt habe und mir darauf basierend Antworten geben So müssen Sie also bedenken , dass wir jedes Mal, wenn Sie dem GPT eine Aufforderung geben, auch Kontextinformationen angeben müssen , damit Sie die spezifischste gewünschte Antwort erhalten die spezifischste gewünschte Antwort 28. 30 einfache Prompt-Starter: Hallo Leute. Willkommen zu dieser Sitzung. In dieser Sitzung wollte ich nur einige einfache Anweisungen mit Ihnen teilen , die Sie immer griffbereit haben können Vielleicht können Sie es auf Ihrem Computer oder auf Ihrem System irgendwo aufhängen , was Ihnen leicht helfen kann, einige Informationen sehr schnell aus dem Ladevorgang zu einige Informationen sehr schnell aus dem beziehen. Schauen wir uns das mal an. Dies sind etwa 30 Aufforderungen, die ich hier skizziert habe. handelt es sich um kurze, einfache Proms, die darauf abzielen , Sie zu inspirieren und schnellere Informationen zu erhalten Und so wird es sein, wobei wir vielleicht, sagen wir, den folgenden Begriff definieren und eine Metapher angeben Erläutern Sie den Zweck von etwas, erstellen Sie eine Vorlage für etwas, erstellen Sie eine Gliederung für diesen Podcast Hilf mir, ein Budget für Dinge zu erstellen, die du willst. Schlagen Sie einige kreative Schreibanweisungen vor, um mir den Einstieg zu erleichtern. Brainstorming mit zehn Ideen, um das Schreiben des Transkripts zu verbessern Verfassen Sie eine gut durchdachte Kapitelliste für ein Buch, sagen wir, über ein Buch, das Sie gerade schreiben Einige Rezepte, die diese Zutaten verwenden. Dies sind etwa 30 Eingabeaufforderungen, die Sie ausdrucken und bei sich behalten und bei Bedarf verwenden können Ich hoffe, das ist wirklich nützlich , denn dann können Sie Ihre Antworten schneller erhalten Sie müssen nicht viel nachdenken, Sie können sich das einfach ansehen, es aufschreiben und die Antworten sehr schnell erhalten. Vielen Dank, Leute, dass ihr euch das angehört habt, und wir sehen uns im nächsten Video. 29. Neue Ideen und Kopiergenerierung: Hallo, Dice. Willkommen zu dieser Sitzung. In dieser Sitzung werden wir einige der praktisch nützlichen täglichen Eingabeaufforderungen sehen der praktisch nützlichen täglichen Eingabeaufforderungen , sie uns ansehen und üben und sie auf dem Tool sehen, wie es für uns funktionieren wird Das werden also Eingabeaufforderungen sein, die für unsere tägliche Arbeit und Ideenfindung nützlich sein werden Diese sollen Personen, die ihre Produktivität und ihr kreatives Schaffen schnell steigern möchten, einen praktischen Rahmen bieten einen praktischen Rahmen Personen, die ihre Produktivität und ihr kreatives Schaffen schnell steigern möchten, ihre Produktivität und ihr kreatives Schaffen schnell steigern Das sind also einige davon. Das erste, was wir uns ansehen werden, ist das Brainstorming neuer Ideen, bei ist das Brainstorming neuer Ideen, dem wir diese Formel erstellt haben, wir sagen, dass ich ein Thema in einem bestimmten Format untersuchen möchte ein Thema in einem bestimmten Format untersuchen Haben Sie Vorschläge zu den Themen, die ich behandeln kann? Lassen Sie uns einige Beispiele dafür nehmen. Ich bin daran interessiert, eine Instagram-Seite zu erstellen , die sich mit Reisen befasst. Welche Ideen habt ihr zu Themen, die ich mit einbeziehen könnte, wie z. B. günstige Reiseziele und versteckte Schätze, die es zu besuchen gilt? Ein anderes Beispiel könnte sein, dass ich an einem Newsletter arbeite, der sich auf Technologie konzentriert. Können Sie Themen empfehlen , die für mein Publikum interessant wären, wie z. B. die neuesten Gadgets und Software-Upgrades? Lassen Sie uns das in Aktion sehen, wie das für uns funktionieren wird . Nehmen wir an, wir nehmen diese spezielle Aufforderung und verwenden sie für das GPT und sehen dann, welche Art von Antwort sie uns gibt Jetzt wird es sich also die Eingabeaufforderung ansehen und uns die Informationen geben Also preisgünstige Ziele, versteckte Juwelen, okay, über die wir hier sprechen können, lokale Restaurantführer. Es bietet uns Reiseherausforderungen, Reisehacks, Geschichten über Alleinreisende und nachhaltiges Reisen Dies sind all die verschiedenen Arten von Seitenideen, die wir gerade bekommen und die wir erkunden können Und jetzt können Sie tief darin eintauchen. Nehmen wir an, Sie möchten mehr über Alleinreisegeschichten erfahren. Sie können Tat GPT bitten, dies weiter zu erläutern Auf diese Weise können wir diese Eingabeaufforderungen sehr schnell nutzen und die gewünschten Ergebnisse erzielen anderes Beispiel, das wir hier übernehmen können, ist die Textgenerierung, was im Grunde eine weitere Aufforderung ist die wir erstellt haben, um zu sagen, dass ich an einer Art von Text interessiert bin, die Vorteile eines bestimmten Themas hervorhebt Schreiben Sie mir jetzt bitte eine Zahl zu diesem Thema. Nehmen wir nun an, das Beispiel könnte sein, dass ich eine E-Mail-Kampagne benötige dass ich eine E-Mail-Kampagne der die Funktionen meines neuen Produkts vorgestellt Können Sie mir etwas über die Benutzerfreundlichkeit und Erschwinglichkeit des Produkts schreiben die Benutzerfreundlichkeit und Erschwinglichkeit des Produkts Ein anderes Beispiel könnte sein, dass ich an einer Website interessiert bin , auf der die Vorteile meiner Coaching-Dienste Können Sie mir einen über den personalisierten Ansatz und die nachgewiesenen Ergebnisse meines Coaching-Programms schreiben den personalisierten Ansatz und die nachgewiesenen Ergebnisse meines Coaching-Programms Jetzt können wir auch sehen, wie das funktionieren wird. Es wird uns also die Antwort geben. Es nimmt also auch Informationen aus früheren Chats aus früheren Chats auf und gibt uns alle Informationen. Warum sollten Sie sich für unser Coaching-Programm entscheiden? Personalisierte Strategie für Ihr Unternehmen. Bewährter Erfolg mit echten Ergebnissen, fachkundiger Beratung, kontinuierlicher Unterstützung und Optimierung sorgen für nachhaltiges Wachstum. Okay, bereit, deine Werbung zu meistern. Also, jetzt ruft es am Ende auch zum Handeln auf. Sehr effektive, sehr strukturierte Art, uns die Antwort zu geben, die wir erwarten werden. Das sind also die täglichen Aufforderungen, Leute, die ihr euch ansehen könnt Im nächsten Video werden wir einige weitere praktische Anweisungen für den täglichen Gebrauch sehen einige weitere praktische Anweisungen für den täglichen Gebrauch , die Sie verwenden können 30. Client-E-Mails, Analogien und Massenschreibungen: Hallo Leute. Willkommen zu dieser Sitzung. also mit dem vorherigen Video fortfahren Lassen Sie uns also mit dem vorherigen Video fortfahren und uns einige weitere Szenarien mit praktisch alltäglichen Prods ansehen praktisch alltäglichen Prods Ein anderes Szenario kann der Kunden- und Kundensupport sein. Die schnelle Formel, die wir uns ausgedacht haben, lautet Ich wollte als Kundenbetreuer auftreten , der eine bestimmte Eigenschaft aufweist. Wie würden Sie als Vertreter unseres Unternehmenstyps auf einen Text reagieren ? Ich möchte zum Beispiel, dass Sie als Kundenbetreuer auftreten , der analytisch ist? Wie würden Sie stellvertretend für unseren Tech-Start auf einen Kunden reagieren , der bei der Nutzung unserer Software auf einen Fehler gestoßen ist? Oder ein Beispiel könnte sein: Ich möchte, dass Sie als Kundenassistent auftreten , der Selbstvertrauen und Empathie verkörpert Wie würden Sie als Vertreter unseres Finanzdienstleistungsunternehmens einem Kunden bei einem Abrechnungsproblem helfen als Vertreter unseres Finanzdienstleistungsunternehmens einem Kunden bei einem Abrechnungsproblem Vertreter unseres Finanzdienstleistungsunternehmens einem Kunden bei einem Schauen wir uns also einige Beispiele dafür an. Nehmen wir also an, wir nehmen den ersten. Jetzt können Sie sehen, dass es hier die Antwort für uns schreibt und nach spezifischen Informationen zum Fehler, zur genauen Fehlermeldung und zur Version der Software fragt spezifischen Informationen zum Fehler, zur . Alle erforderlichen Informationen werden in der E-Mail abgefragt. Schauen wir uns in ähnlicher Weise andere Szenarien an. Ein anderes Szenario kann die Generierung von Analogien sein. Analogien können sehr nützlich sein, wenn es sich um ein komplexes Thema handelt und das Konzept schwer zu verstehen In solchen Fällen hilft eine Analogie wirklich , das Thema zu vereinfachen und besser zu verstehen Die Aufforderung, die wir hier verwenden, ist, dass ich versuche, das Konzept eines bestimmten Konzepts zu verstehen. Das hat mir geholfen , dieses Konzept besser zu verstehen indem ich eine praktische und leicht verständliche Analogie geschaffen Ich versuche zum Beispiel, das Konzept der Photosynthese besser zu verstehen Bitte helfen Sie mir, dieses Konzept besser zu verstehen, indem eine praktische und leicht verständliche Analogie Nehmen wir also dieses Beispiel. Ein anderes Beispiel ist, dass ich versuche, das Konzept der Suchmaschinenoptimierung zu verstehen . Bitte helfen Sie mir, dieses Konzept besser zu verstehen, indem Sie eine praktische und leicht verständliche Analogie Nehmen wir also den ersten und sehen wir uns das an. Wir versuchen also, das Konzept der Photosynthese zu verstehen , also hier wird es aufgeschlüsselt Auf diese besondere Art und Weise. Die Photosynthese in leicht verständliche Anwendungen zu zerlegen Die Photosynthese in leicht verständliche Anwendungen zu Stellen Sie sich vor, Ihre Anlage ist wie eine solarbetriebene Fabrik. Die Analogie ist, dass sie es als Fabrik betrachten. Die Fabrik hat die Aufgabe, Lebensmittel herzustellen, aber anstatt Elektrizität zu verwenden, nutzt sie Sonnenlicht. So funktioniert es. Jetzt gibt es Ihnen eine Analogie mit einer Fabrik, um das Konzept der Photosynthese zu erklären Das ist wirklich großartig, weil es viele komplexe Themen vereinfachen wird, die in allen Arbeitsbereichen zu verstehen sind Ein weiteres praktisches Beispiel fragt: Können wir Leute Massenkopien erstellen Die Formel, die wir hier verwenden, lautet also Bitte erstellen Sie eine Reihe von Inhalten für eine Art von Inhalt für eine Plattform, die einige Referenzen enthält Überlegen Sie sich zum Beispiel bitte acht E-Mail-Newsletter für meine Investment-Website, die Branchenberichte und Datenanalysen enthalten. Bitte denken Sie sich vier Videoskripte für einen YouTube-Marketingkanal , der Expertenmeinungen und Einblicke in digitale Marketingtrends enthält . Schauen wir uns also den letzten an Jetzt erhalten wir vier Videoskripte. Sie können sehen, dass das Videoskript mit bestimmten Segmenten versehen ist, nämlich dem Erzähler, dem Intro All das ist gegeben. Auch Abschnitt zwei, Fazit, dann Video zwei. vollständige spezifische Videoskript mit der bereitgestellten Struktur und den jeweiligen Rollenspielen wird ebenfalls sehr deutlich erwähnt. Auf diese Weise werden diese alltäglichen Abschlussbälle wirklich nützlich sein, um zu verstehen, wie wir einige Arbeiten erledigen können, was für unser Unternehmen sehr produktiv sein wird Ich hoffe, das ergibt Sinn. Sie verstehen das Konzept alltäglicher Eingabeaufforderungen, praktischer Aufforderungen, die Sie verwenden können Vielen Dank, Leute , dass ihr euch das angehört habt, und ich werde euch im nächsten Video sehen 31. Effektive schnelle Revisionen: Hallo Leute. Willkommen zu dieser Sitzung. In dieser Sitzung wollten wir herausfinden, wie wir auch die Überarbeitungen, die Eingabeaufforderungen oder die Ausgaben, die wir von ChatGPT erhalten, verbessern Eingabeaufforderungen oder die Ausgaben, die wir von ChatGPT erhalten und sie in einem viel besseren Format vermitteln Das Beste an ChatGPT ist der Gegensatz zu allen Suchmaschinen, die wir haben, die konventionelle Suchmaschine wir haben Chat TPT besitzt die nötige Speicherkapazität, was im Grunde bedeutet, dass es sich an die vorherigen Konversationen erinnert, die wir geführt haben, und auf deren Grundlage es Ihnen maßgeschneiderte Antworten geben kann Sobald Sie also Antworten von ChatGPT erhalten haben, können Sie diese weiter verfolgen und dann diese Antworten verbessern Dies sind einige der Möglichkeiten , wie Sie das tun können. Sobald Sie also beispielsweise die Antwort von ChatGPT erhalten haben, können Sie ChatGPT bitten, die wichtigsten Keywords fett formatiert zu formatieren, damit wir wissen, welche anderen wichtigen Keywords in formatieren, damit wir wissen, welche anderen wichtigen Keywords Sie können es bitten, die Informationen nach Datum, Ort und Preis zu organisieren Informationen nach Datum Sie können ChatGPT bitten , möglicherweise neuartigere und ungewöhnlichere Ergebnisse Sie können es bitten, passende Bilder zur Verfügung zu stellen. Nehmen wir an, Sie haben die Informationen im Format Münze für Punkt erhalten, und jetzt möchten Sie, dass sie auch die entsprechenden relativen Imoges enthält ChatGPT kann das also für uns erledigen. Sie können es auch bitten, die gesamte Antwort auf das Niveau eines 5-Jährigen zu erklären Niveau eines 5-Jährigen , damit er Sie können auch die gesamte Aufforderung, die gesamte Antwort, in ein Tableau-Format umwandeln die gesamte Antwort, in ein Tableau-Format Das ist auch möglich. Sie können AGI bitten , das Ganze aus der Sicht eines Branchenexperten neu zu schreiben aus der Sicht eines Branchenexperten neu Sie können es bitten, es formell oder informell zu schreiben . Sie können sie bitten, die Grammatik zu korrigieren oder nach Suchen und Ersetzen zu suchen und zu ersetzen. Wenn Sie bestimmte Begriffe aus der Antwort ersetzen möchten , können Sie das auch tun. Sie können es bitten, dem gesamten Inhalt etwas Persönlichkeit und Humor zu verleihen . Das kann ich tun. Abgesehen davon können Sie es bitten, dies aus der Perspektive oder mit der Stimme Ihres Lieblingsautors oder einer Berühmtheit zu schreiben dies aus der Perspektive oder mit der Stimme Ihres Lieblingsautors . Es kann das auf diese Weise verändern. Sie können also sehen, dass wir eine Menge Dinge tun können. Sie können es auch bitten, das Ganze in einem einzigen Tweet zusammenzufassen Sie können es bitten, diese Zusammenfassung auf eine dreiteilige Zusammenfassung auszudehnen. Okay. Also können alle Antworten, die Sie haben, auf verschiedene Arten geändert werden. Sie können es bitten, die wichtigsten Informationen zu vergleichen und gegenüberzustellen. Und dann können Sie vielleicht darum bitten , einfach die besten und zehn wichtigsten Erkenntnisse aufzulisten zehn wichtigsten Erkenntnisse Sie können es also auch aus der Sicht eines Experten fragen Wie würden Sie es weiter verbessern? Dann fügen Sie es in eine Stichpunktliste ein. Es gibt so viele Dinge, mit denen Sie Ihre Antworten, die Sie von ChatGPT erhalten, überarbeiten können, wodurch die Qualität der Informationen, die Sie daraus sammeln, weiter verbessert und verbessert Qualität der Informationen, die Sie daraus sammeln Ich hoffe, das macht Sinn. Sie verstehen dieses Konzept der schnellen Überarbeitungen, die Sie auch mit ChatGPT durchführen können 32. Denkanstöße in einer Kette: Hallo, Leute. Willkommen zu dieser Sitzung. In dieser Sitzung möchten Sie sich mit einer anderen Art von Aufforderung befassen, bei der Gedankenanweisungen handeln kann. Gedankenkettenaufforderung handelt es sich um eine einfache Technik Sie CHAIPT bitten können , die Antwort Schritt für Schritt zu erklären Anstatt sofort zur Antwort zu springen, möchten Sie, dass ChatGPT Sie durch die vollständigen Schritte führt, um zu dieser Antwort zu gelangen möchten Sie, dass ChatGPT Sie durch die vollständigen Schritte führt, um zu dieser . Jetzt wird es daran arbeiten und Ihnen Schritt für Schritt erklären, wie es zu der Antwort gekommen ist und zu dieser Antwort gekommen ist, die Auf diese Weise ist das Verständnis also besser. Manchmal, wenn wir an einem bestimmten Thema interessiert sind, möchten wir wissen, wie der Prozess abläuft, wie die bestimmte Sache bewertet wurde. In solchen Fällen ist eine solche Antwort also sehr nützlich. Das Format, die Antwortformel, die wir verwenden können, ist zum Beispiel Antwortformel, die wir , dass Sie Ihre Frage stellen können , und dann können Sie einfach sagen, lassen Sie uns Schritt für Schritt überlegen. Jetzt gibt Ihnen ChatGPT die Lösung Schritt für Schritt Wie groß ist zum Beispiel der Durchmesser der Sonne? Was ist das Gewicht eines Sauerstoffmoleküls? Lassen Sie uns das in der Praxis sehen wie das einen Unterschied machen wird. Lassen Sie uns also zunächst ohne unsere Aufforderung beginnen und sehen, welche Antwort ChatGPT uns gibt Sie können einfach sehen, dass wir zur Antwort gesprungen sind und sie uns die Antwort sehr klar gegeben hat, und die Aber jetzt machen wir es Schritt für Schritt. Jetzt können Sie sehen, dass es Schritt für Schritt vorangekommen ist , wo es mit dem Verständnis der Größe der Sonne beginnt. Die Sonne ist eine riesige Kugel aus heißem Gas und gibt eine klare Definition der Größe der Sonne. Was ist nun ein Durchmesser? Es definiert auch, was der Durchmesser als Maßeinheit ist. Dann wird der Durchmesser der Sonne gemessen. Es sieht so aus, als ob sie an einem Punkt angelangt sind, an dem sie versuchen, den Durchmesser der Sonne zu messen. Sie vermitteln dieses Verständnis. Dann beträgt der Durchmesser der Sonne, basierend auf diesen Beobachtungen, 1,3 Millionen. Sie kommen mit den Zahlen , die sie angegeben haben, und schliessen es mit den letzten Labors ab Auf diese Weise haben sie es in mehrere Teile aufgeteilt, jeden Teil definiert und sie dann alle zusammengefügt, sie dann alle zusammengefügt um zu dem endgültigen Ergebnis zu gelangen Das hilft wirklich. Schauen wir uns noch einen an. Lassen Sie uns zuerst mit der Frage beginnen. Was ist das Gewicht des Sauerstoffmoleküls? In diesem Fall berücksichtigt es automatisch es automatisch die vorherige Konversation und gibt uns die Ausgabe Schritt für Schritt. Das haben wir von der Methode der schrittweisen Eingabeaufforderung erwartet Methode der schrittweisen Eingabeaufforderung Darin sagt uns das Sauerstoffmolekül. Zusammensetzung ist, wie groß die Masse des Sauerstoffatoms ist. Wenn man dann die atomaren Masseneinheiten in Kilogramm umrechnet, stellt sich heraus, dass es so viel ist. Jetzt erhalten wir alle Informationen Schritt für Schritt. Ich hoffe, das macht Sinn. Sie kennen diese Art von Aufforderung, mit der Sie auch die Antworten, die Sie erhalten, besser verstehen, den gesamten Prozess verstehen, wie ChatGPT die gesamten Informationen verarbeitet hat, und Ihnen die Lösung geben können Vielen Dank, Leute, dass ihr euch das angehört habt und wir sehen uns im nächsten Video 33. Tabellarische Formataufforderung: Hallo Leute. Willkommen zu dieser Sitzung. In dieser Sitzung werden wir über eine andere Art von Aufforderungsstil sprechen , nämlich das Tabu-Format können Sie auch Antworten in einem Tableau-Format von dieser speziellen Art von Aufforderung können Sie auch Antworten in einem Tableau-Format von ChatGPT diese Weise werden Sie ChatGPT eine Reihe von Eingabeaufforderungen geben, und es wird Ihnen die Informationen in diesem speziellen Format geben Ihnen die Dies ermöglicht ChatGPT klare Organisation und Präsentation der Daten, sodass Benutzer die Ausgabe leichter analysieren, verstehen und verstehen In der Formel werden Sie zuerst die Frage stellen und dann können Sie eine zweite Aufforderung geben und dann können Sie Sobald Sie die Antwort darauf erhalten haben, können Sie eine zweite Eingabeaufforderung eingeben. Dabei handelt es sich um die verschiedenen Kategorien, handelt es sich um die verschiedenen in die Sie Ihre Antwort einteilen können. Into für mehr Aussagekraft. Jetzt gehen Sie etwas tiefer hinein und Sie erhalten eine entsprechende Antwort Sobald Sie diese Antwort erhalten haben, geben Sie Ihre dritte Aufforderung ein. Diese besteht nun darin , eine Tabelle zu erstellen, die Ihre ursprüngliche Antwort enthält, wobei diese Kategorien in verschiedene Spalten unterteilt sind. Auf diese Weise werden die gesamten Informationen in ein tabellarisches Format umgewandelt Lassen Sie uns das in Aktion sehen, wie das aussehen wird. Nehmen wir an, wir beantworten die erste Frage: Was sind die Hauptfaktoren Wachstum unseres YouTube-Kanals? Die erste ist, dass wir nur eine erste Aufforderung ohne weitere zusätzliche Dinge machen eine erste Aufforderung ohne , also bekommen wir die Informationen Das wurde uns bereits Punkt für Punkt *** gegeben . Sie erhalten die Informationen. Jetzt können wir die zweite Eingabeaufforderung ausführen. Bitten Sie ihn, die Antwort aussagekräftiger aufzuteilen. Jetzt können Sie sehen, dass es hier immer aussagekräftiger wird. Sobald Sie diese Ausgabe bei sich haben, können Sie nach dem Tableau-Format für diese Informationen fragen Es wird Ihnen alle Antworten im Tableau-Format geben , insbesondere wenn diese Informationen vorliegen. Und das wäre auch viel einfacher zu verstehen, verstehen und zu verwenden Sie können hier also sehen, dass es weitergemacht und die Beschreibung der Unterkategorie für uns erstellt hat dass es weitergemacht und die Beschreibung der Unterkategorie für uns Auf diese spezielle Weise wurde die gesamte Tabelle Das ist das Tableau-Format für Eingabeaufforderungen, Leute, dem ihr eure Informationen auch in einem bestimmten Format abrufen könnt eure Informationen auch in einem bestimmten Format abrufen Wenn Sie mit Excel und Daten sehr vertraut sind und viel Datenanalyse durchführen möchten, können Sie ChatGPT bitten, Ihnen die Ausgabe in diesem bestimmten Format zu geben , und dann wird es für Sie viel einfacher, daran zu arbeiten Vielen Dank, Leute , dass ihr euch das angehört habt, und wir sehen uns im nächsten Video 34. Aufforderung für null, einen und wenige Schüsse: Hi, Leute. Willkommen zu dieser Sitzung. In dieser Sitzung möchten wir über eine Art von Aufforderungsstil sprechen , bei der es sich um eine kurze Aufforderung handelt kurzen Aufforderung handelt es sich im Grunde Bei der kurzen Aufforderung handelt es sich im Grunde um ein Konzept, bei dem Sie bei der Eingabe der Aufforderung auch einen Kontext geben können , um genauere Informationen zu erhalten In diesem Fall kann es drei Ebenen geben. Die erste Ebene wird Zero Shot sein, was, wie Sie anhand des Namens selbst verstehen können, darin besteht, dass Sie eine Aufforderung ohne jeglichen Kontext, ohne Kontext, ohne Daten, ohne Richtlinien geben jeglichen Kontext, ohne Kontext, ohne Daten, , die Sie ChatGPT geben, und jetzt hat ChatGPT völlig freie Hand, um hat ChatGPT völlig freie Hand Ihnen Informationen aus allen Richtungen zu geben der zweiten Option kann es sich um eine Einzelaktion handeln, bei der Sie ChatGPT ein einzelnes Datenelement oder eine Richtlinie geben bei der Sie ChatGPT ein einzelnes Datenelement oder eine Richtlinie geben, auf deren Grundlage ChatGPT die Antwort für uns erstellt. Und die dritte Methode, die Sie auch hier verwenden können, ist Kurzaufforderung, bei der Sie mehrere Daten oder Richtlinien angeben , weil Sie von ChatGPT eine ganz bestimmte Art von Informationen erwarten eine ganz Dann kannst du ein paar Aufnahmen machen. In einem realisierten Szenario kann ein Null-Shot-Prompt beispielsweise darin bestehen, ein YouTube-Skript für meinen Tech Review-Kanal zu schreiben . Das ist jetzt so allgemein und einfach, dass es in jede mögliche Richtung gehen kann , und ChatGPT wird dir hier alle möglichen Informationen geben Eine Aufnahme kann dieses Beispiel als Referenz verwenden, ein YouTube-Skript für meinen Tech-Review-Kanal schreiben und sich nun einige Aufnahmen ansehen Ein paar Aufnahmen werden diese Beispiele eins, zwei und drei als Referenz verwenden , zwei und drei als Referenz Schreiben Sie eine fünfminütige YouTube-Aufnahme mit den neuesten iPhone-Kameraspezifikationen für My Tech Review Channel. Jetzt müssen wir konkreter werden, weil es einige Anforderungen gibt , die wir erfüllen wollen und auf deren Grundlage wir die Antwort sehen wollen. Dies wird als kurze Eingabeaufforderungstechnik bezeichnet , die Sie auch verwenden können 35. Vor der Antwortaufforderung fragen: Hallo, Ayes. Willkommen zu dieser Sitzung In dieser Sitzung werden wir also über eine andere Art der Aufforderung sprechen , nämlich „Erst fragen , dann antworten Dabei handelt es sich um eine Technik , bei der Sie ChatGPT anweisen, vor der Beantwortung um eine Klarstellung zu bitten Dies trägt wirklich dazu bei , dass die Antworten des Modells viel genauer und so spezifisch wie möglich sind Die Formel, die wir hier verwenden, ist also die erste Aufforderung , die wir geben ist, ChatGPT mitzuteilen , dass Sie ein Experte auf dem Gebiet der Branche sind Ich werde Sie bitten, einige spezifische Aufgaben zu erledigen, aber bevor Sie antworten, möchte ich, dass Sie Folgendes tun Wenn Sie Fragen zu meiner Aufgabe haben oder sich nicht sicher sind, ob Sie die bestmögliche Antwort erhalten sollen, stellen Sie zur Klärung immer Stichpunkt-Fragen , bevor Sie Ihre Antwort generieren. Ist das verstanden? Das ist also die erste Aufforderung , die Sie geben. Sobald Sie das geben und ChatGPT es bestätigt, gehen wir zur zweiten Aufforderung über, was Meine Frage ist, Ihre Aufgabe ist diese. Bitte stellen Sie alle Fragen, die Sie haben, damit ich meine Eingabeaufforderung verbessern kann , bevor Sie Ihre Aufgabe erledigen Auf diese Weise werden Ihnen jetzt die relevanten Fragen gestellt, und dann können Sie diese Fragen beantworten, um sehr maßgeschneiderte, genaue und spezifische Informationen zu erhalten . Lassen Sie uns das in Aktion sehen, wie das aussehen wird. Das erste, was wir tun werden , ist , diesem Zinken die erste Aufforderung zu geben , diesem Zinken die erste Aufforderung Nehmen wir an, wir sprechen von einer Branche, die sich der Beratung widmet Jetzt weiß sie, dass sie es bestätigt hat, und jetzt geben wir die zweite Aufforderung. Auf dieser Grundlage wird es uns nun die Fragen stellen. Sie können die Zielgruppe sehen, wer Ihr idealer Kunde für eine Beratung ist? Aktuelle Strategie, welche Marketing- und Vertriebsstrategien verwenden Sie derzeit? Beratungspoker, was ist der Hauptbereich der Beratung, den Sie anbieten? Ziele, was sind Ihre Verkaufsziele für die nächsten sechs bis 12 Monate? Branding und Positionierung, wie positionieren Sie sich auf dem Markt? Budget und Ressourcen, welches Budget und welche Ressourcen stehen für Marketingaktivitäten zur Verfügung? Verkaufstrichter, haben Sie einen strukturierten Verkaufstrichter? Jetzt hat es uns alle relevanten Fragen gestellt , die wir beantworten können Wir können damit beginnen, sie einzeln zu beantworten, Zielgruppe. Sie können weitermachen und den Rest der Antworten auf diese spezielle Weise geben, alle Antworten geben. Sobald Sie Ihre Antworten gegeben haben, werden diese Antworten berücksichtigt, um Ihnen auf dieser Grundlage die am besten auf Sie zugeschnittene Antwort zu geben die am besten auf Sie zugeschnittene Antwort . Ich hoffe, das macht Sinn. Sie kennen diese Technik, bei der eine Aufforderung erst gefragt wird , bevor sie beantwortet wird. Sie können sie auch mit tra gibt anwenden 36. Aufforderung zum Ausfüllen des leeren Feldes: Hallo, ja. Willkommen zu dieser Sitzung. In dieser Sitzung werden wir uns mit dem Aufforderungsstil „Leere ausfüllen “ befassen , den Sie auch verwenden können Dies ist ein Format, das es dem Benutzer ermöglicht, sich auf einen bestimmten Aspekt eines Satzes oder einer Idee zu konzentrieren einen bestimmten Aspekt eines Satzes oder einer , und das zu tieferem Nachdenken anregt Schauen wir uns also die Formel selbst an, was wir hier verwenden können. Wir beginnen also zunächst mit einer Aufforderung, bei der wir Chat-GPT mitteilen , dass Sie ein Experte darin sind, Eingabeaufforderungen zu Chat-GPT mitteilen , dass Sie ein Experte darin sind erstellen, die die präzisesten und einfallsreichsten Antworten generieren die die präzisesten und Welche zusätzlichen Aufzählungspunkte kann ich der folgenden Aufforderung hinzufügen , um die Ausgabe zu Meine Aufforderung ist, dass Sie Ihre Aufforderung eingeben und dann, sobald Sie die Antwort darauf erhalten Ihre Aufforderung eingeben und dann, sobald Sie die Antwort darauf erhalten haben, geben Sie erneut die zweite Antwort, die zweite Aufforderung ist, was großartig ist. Verwandeln Sie diese Aufzählungspunkte nun in ein leeres Format, das ich meine Informationen einfügen kann. Auf diese Weise versuchen wir, relevantere Eingabeaufforderungen von ChagPT zu erhalten relevantere Eingabeaufforderungen Wir bitten ChatGPT selbst, uns einige relevantere Eingabeaufforderungen zu geben, die ich auch bei ChagPT anfragen sollte, um ChagPT Lassen Sie uns das in Aktion sehen, wie das sein wird. Das erste, was wir tun werden, ist diese Aufforderung zu geben. Die Aufforderung, die Sie verwenden, lautet Ich habe 100.000$ an Ersparnissen und in was sollte ich investieren Auf dieser Grundlage werden mir nun die Fragen gestellt Streben Sie ein kurzfristiges oder ein langfristiges Wachstum an? Risikobereitschaft. Sind Sie mit einem Zeithorizont mit hohem Risiko und dem bevorzugten Anlagetyp zufrieden ? Es hat mir diese Fragen jetzt gestellt. Auf dieser Grundlage gebe ich nun die zweite Aufforderung, in der ich ihn bitte, dies in ein leeres Format umzuwandeln , das ich dann ausfüllen kann. Jetzt hat es mir auch die Füllung im schwarzen Format mit Beispielen gegeben . Ich kann das ausfüllen und dies wird zu meinen speziellen Informationen, die ich weiter verwenden kann, um bessere Ergebnisse zu erzielen. Dies ist eine andere Art von Eingabeaufforderungsstil, die Sie sicherlich mit HatGPT verwenden können , um bessere Ergebnisse zu erzielen 37. Aufforderung zur Perspektive: Hallo, Leute. Willkommen zu dieser Sitzung. In dieser Sitzung wollten wir uns also einer anderen Art von Aufforderungen befassen, nämlich der perspektivischen Bombenaufforderung Was wir uns hier ansehen, ist dieser Rahmen im Grunde dazu beiträgt, Ihr Verständnis zu erweitern , und bietet einen umfassenderen Überblick über das jeweilige Thema Was nun passiert, ist, , für ein bestimmtes Thema wir Chat JBT bitten unterschiedliche Perspektiven aufzuzeigen unterschiedliche Perspektiven aufzuzeigen Wenn es Ihnen das bietet, haben Sie eine ganzheitliche Vorstellung von Informationen und Klarheit über dieses spezielle Thema Das Verständnis ist also viel, viel besser. Das kann also auf zwei Arten geschehen. Die eine ist eine singuläre Perspektive. Die andere besteht aus mehreren Perspektiven. singuläre Perspektive ist also, dass Sie einen Abschlussball geben können Schreiben Sie also bitte über ein bestimmtes Thema aus der Perspektive eines bestimmten Standpunkts Das ist klar und einfach. Die andere Möglichkeit besteht darin, mehrere Perspektiven indem Sie HaGipt bitten, ein Argument für oder gegen das Thema des Themas zu verfassen ein Argument für oder gegen das Thema des Themas , das Sie aus verschiedenen Perspektiven haben verschiedenen Dazu gehören also die Namen, die Standpunkte verschiedener Perspektiven, wie zum Beispiel auch die Standpunkte Lassen Sie uns das in Aktion sehen, wie das passieren wird. Nehmen wir also an, wir betrachten den ersten aus einer singulären Perspektive Wir möchten, dass Chad GPT aus der Sicht eines Kickbox-Trainers über Kickboxer schreibt aus der Sicht eines Kickbox-Trainers über Kickboxer . Jetzt wird es uns die Perspektive eines Kickbox-Trainers geben , der als Kickboxer das verbessert, was man alles kann, seine Grundlagen perfektionieren, Kondition aufbauen, seine Verteidigung verbessern, mentale Stärke, Beinarbeit und Bewegung entwickeln, auch Sparsamkeit einbeziehen. Du kannst sehen, dass das alles Vorschläge unseres Kickbox-Trainers sind, oder? Du kannst sehen, dass das alles Vorschläge unseres Kickbox-Trainers sind, oder? Nun, dasselbe können wir aus einer anderen Perspektive fragen, wo wir darum bitten, die Perspektive eines Experten für menschliche Anatomie zu geben Schauen wir uns also an, wie anders das sein wird. Aus der Sicht eines Experten für menschliche Anatomie ist es also wichtig, Ihre Haltung und Körperhaltung zu optimieren, Ihre Rumpfmuskulatur zu aktivieren, Ihre Rumpfmuskulatur die Rolle und die Hüften der Hüfte bei der Bewegung zu verstehen, die Beweglichkeit mit Knöchel und Knie zu verbessern, die Beweglichkeit zu verbessern, Beweglichkeit zu verbessern und so weiter und so weiter. Sie können sehen, wie unterschiedliche Perspektiven es für ein und dasselbe Thema geben kann . Das kann endlos sein. Sie können nach verschiedenen Perspektiven fragen, und wenn Sie all das durchlesen, erhalten Sie ein viel besseres und tieferes Verständnis für das jeweilige Thema, tieferes Verständnis für das Sie ansprechen. Ich hoffe, das ergibt Sinn. Du verstehst diesen Stil auch. Vielen Dank, Leute , dass ihr euch das angehört habt, und wir sehen uns im nächsten. 38. Aufforderung zu konstruktiver Kritik: Hallo Leute. Willkommen zu dieser Sitzung. In dieser Sitzung wollten wir eine andere Art von Aufforderungsstil sehen und untersuchen , nämlich konstruktive Kritik In diesem speziellen Fall wollen wir nun, dass diese Aufforderung objektives und fachkundiges Feedback zu Ihrem Text liefert, Verbesserungsmöglichkeiten hervorhebt und konstruktive Kritik vorbringt, und konstruktive Kritik vorbringt damit Sie Ihren Text verfeinern und verbessern Formel für den Abschlussball , die wir Ihnen geben können, lautet: Wir möchten, dass Chat JPT als Experte und Kritiker zum Thema Ihrer Branche auftritt Jetzt wollen wir, dass er unsere Inhalte, die uns gegeben wurden, kritisiert und mich davon überzeugt, warum sie schlecht sind, und mir konstruktive Kritik darüber gibt, wie sie verbessert werden sollten Für einen bestimmten Kontext, also geben Sie Ihren Produkt- und Dienstleistungsdetails der Zweck meines Produkts darin besteht, dass Sie Ihr inhaltliches Ziel angeben Lassen Sie uns Schritt für Schritt nachdenken, und ich möchte, dass Sie jeden Inhalt einzeln ansprechen , dass Sie jeden Inhalt einzeln Hier sind meine Inhalte zur Kritik Die ganze Idee besteht also darin, Feedback zu unseren Inhalten von Chat GPT als Kritik zu erhalten Feedback zu unseren Inhalten von Chat GPT als Kritik und auf der Grundlage dieses Feedbacks dann daran zu arbeiten und es zu verbessern Schauen wir uns also einmal an, wie Sie das effektiv nutzen können Nehmen wir an, wir verwenden diese spezielle Aufforderung. Danach können Sie weitermachen und Ihre Inhalte bereitstellen, die Sie bereits eingerichtet haben, und es ging darum, diese können Sie weitermachen und Ihre Inhalte bereitstellen , die Sie bereits eingerichtet haben, zu kritisieren und uns alle speziellen Rückmeldungen dazu zu geben, die Sie dann integrieren können Das ist also auch eine wirklich gute Art der Aufforderung , mit der Sie jemanden haben können, der sich dem Thema oder der Dienstleistung besser auskennt , und Sie konstruktiv kritisieren können. 39. Vergleichende Aufforderung: Hallo, Leute. Willkommen zu dieser Sitzung. In dieser Sitzung werden wir über vergleichende Prompting sprechen. vergleichenden Ansprache geht es also ganz einfach darum, die wichtigsten Gemeinsamkeiten und Unterschiede zwischen verschiedenen Faktoren hervorzuheben die wichtigsten Gemeinsamkeiten und . Dies hilft Ihnen, fundiertere Entscheidungen zu treffen und ein tieferes Verständnis der Stärken und Schwächen der beiden Optionen zu erlangen der Stärken und Schwächen der beiden Deshalb bitten wir bei GPT darum, die folgenden Textbeispiele miteinander zu vergleichen und einander gegenüberzustellen. Dabei werden die Gemeinsamkeiten, Unterschiede, qualitativen Merkmale, quantitativen Faktoren, Funktionen, wichtigsten Erkenntnisse und andere Faktoren Und dann geben wir die beiden Informationen an. Auf dieser Grundlage wird es es nun analysieren und uns die Informationen in einem Tableau-Format für beide Inhaltstypen zur Verfügung stellen Dies hilft wirklich, Vergleiche anzustellen, und Verständnis für beide wird viel besser. Lassen Sie uns das in Aktion sehen, wie wir das machen werden. Wir werden den ersten geben. Dies ist der erste Abschlussball , den wir geben, bei dem unser Inhalt wie folgt sein wird. Jetzt wird es in ein Tableau-Format gebracht, wie Sie sehen können, Geschäftsphilosophie. Okay? Wir können sehen, dass Designphilosophie, Produktstrategie , Markenimage, Innovation, all das, was wir hier draußen sehen können uns jetzt auf diese besondere Weise gegeben wird. Das Gleiche können Sie auch mit einem anderen Beispiel tun. Schauen wir uns ein anderes Beispiel an. Investition in Immobilien versus Investition in Kryptowährung. Anlageart, Art der Anlage, Risikoniveau, ROI, Liquidität, Volatilität, Marktdynamik, Markteintrittsbarrieren. Wir können jetzt sehen, dass es uns die Unterscheidung zwischen den beiden Inhaltstypen in Bezug auf die Merkmale und Themen ermöglicht hat uns die Unterscheidung zwischen den beiden Inhaltstypen , die wir uns geben wollten. Das ist wirklich nützlich, leicht zu verstehen und zu verdauen, verstehen, und dann können wir es in unserem Geschäft nutzen 40. Rückgängige Aufforderung: Hallo, Gins. Willkommen zu dieser Sitzung. In dieser Sitzung möchten wir Ihnen eine andere Art von Eingabeaufforderung vorstellen, die umgekehrte Eingabeaufforderung Umgekehrte Eingabeaufforderung oder Reverse Engineering der Aufforderung. Wir sprechen hier also im Grunde davon wie Sie einen beliebigen Inhalt zurückentwickeln können, um zu der Eingabeaufforderung zurückzukehren, die diesen Inhalt generiert Die Absicht hier ist also den Inhalt zu verstehen, den Sie erhalten, Sie gerade sehen, und welche Aufforderung diesen Inhalt besonders generieren kann. Genau das versuchen wir hier zurückzuentwickeln. Wir haben uns also zwei Aufforderungsformeln ausgedacht, die Sie hier für diesen speziellen Zweck verwenden können können Sie die Eingabeaufforderung eingeben und dies wird Ihnen helfen, den Inhalt zurückzuentwickeln , um zu der ursprünglichen Aufforderung zurückzukehren , die gegeben wurde , um diesen Inhalt herauszuholen. Wenn Sie also die erste Option sehen, bitten wir STIPT, sich wie ein Experte für Prompt Engineer zu verhalten , der in der Lage ist , Eingabeaufforderungen auf der Grundlage des Ihnen zur Verfügung gestellten Textes zurückzuentwickeln der Grundlage des Ihnen zur Verfügung gestellten Textes Wir geben also zuerst diese spezielle Aufforderung und richten die gesamte Phase für AGPT so ein, dass sie wie ein Reverse Engineering-Prompt eines Prompt-Experten funktioniert Und sobald StratPT das bestätigt hat, können wir ihm den entsprechenden Text geben, und es wird die Aufforderung rückentwickeln und uns die ursprüngliche Aufforderung mitteilen , die für diesen Inhalt gegeben wurde Das ist eine Option. Die zweite Option ist Eingabeaufforderung. Es kann sein, dass wir dem GPT mehrere verschiedene Aufforderungen geben dass wir dem GPT mehrere verschiedene Aufforderungen , um die Konversation einzurichten Ganz klar, wobei wir zunächst sagen, dass wir über Reverse Prompt Engineering sprechen Mit Reverse Prompt Engineering meine ich das Erstellen einer Aufforderung aus einem bestimmten Text. Können Sie mir einige einfache Beispiele für Reverse-Prompt-Engineering geben? Chat GPT wird uns einige Beispiele geben. Dann werden wir sagen, können Sie eine sehr technische Reverse-Prompt-Engineering-Vorlage erstellen eine sehr technische Reverse-Prompt-Engineering-Vorlage Was wir tun, ist , das Tool vorzubereiten. Wir bereiten das Tool speziell auf frühere Gesprächsdaten vor, sodass es Reverse-Prompt-Engineering besser versteht Und schließlich geben wir der Aufforderung, die jetzt Reverse Prompt Engineer heißt, den folgenden Text. Achten Sie darauf, den Ton, die Syntax, die Sprache und den Schreibstil des Textes zu erfassen Syntax, die Sprache und den Schreibstil des Textes Mit diesen beiden unterschiedlichen Ansätzen können Sie möglicherweise die Eingabeaufforderung zurückentwickeln und zu der ursprünglichen Eingabeaufforderung zurückkehren, die den Inhalt generiert hat , den Sie jetzt haben. Die Absicht dabei ist sobald Sie die ursprüngliche Eingabeaufforderung erhalten haben, sie für andere Produkte verwenden können. Wenn Sie also irgendwo auf einen wirklich guten Inhalt stoßen, können Sie ATGPT verwenden, um ein Reverse Engineering durchzuführen und zur ursprünglichen Aufforderung zurückzukehren, die ihn generieren kann Jetzt, wo Sie die ursprüngliche Aufforderung zur Hand haben, können Sie sie auf andere Produkte anwenden, Ihre eigenen Produkte in Ihrem eigenen Unternehmen Lassen Sie uns das in Aktion sehen wie das wirklich passieren wird. Was wir zuerst tun werden, ist uns die erste Option anzusehen. Wir werden weitermachen und die erste Aufforderung annehmen und sie an ChatPT Wir werden sagen, bei der Art des Inhalts handelt es sich, sagen wir, ein Technologieunternehmen. Beschreibung des Produkts. Ich habe es verstanden. Okay. Und dann geben wir die zweite Aufforderung. Großartig der Text, ich würde ihn gerne zurückentwickeln, und wir werden das Beispiel von hier aus geben. Nehmen wir an, das Beispiel ist das. Das ist der Inhalt, den wir in die Hände bekommen haben und was wir von ChachPts erwarten uns die ursprüngliche Aufforderung dazu gibt, wodurch diese Art von Inhalten generiert wird Sie können sehen, dass es auch die spezielle Aufforderung generiert hat , was uns helfen wird, diesen Inhalt, genauer gesagt, zu generieren diesen Inhalt, genauer gesagt, Dies ist ein Ansatz, den Sie hier ganz einfach anwenden können. Der zweite Ansatz, lassen Sie uns auch einen Blick darauf werfen. Beim zweiten Ansatz beginnen wir das Gespräch damit , dass wir sagen, es versteht Reverse-Prompt-Engineering, was es ist. Dann bitten wir Chat GPT , uns ein Beispiel für Prompt Engineering zu geben Es wird uns ein Beispiel Prompt-Engineering und Reverse-Prompt-Engineering Im Moment gibt es uns immer noch das Ergebnis für die erste Eingabeaufforderung. Jetzt fragen wir nach der zweiten und fragen nach einem Beispiel für ein Reverse-Prompt-Engineering. Jetzt werden wir AratGBT bitten, eine Vorlage für Reverse-Prompt-Engineering zu erstellen Wir bereiten das Tool vor. Wir geben dem GPT eine Menge Daten, um es aus der Reverse-Prompt-Technik zu verstehen, weil wir beabsichtigen, es zu bitten, am Ende eine bestimmte Eingabeaufforderung für den ursprünglichen Inhalt zu erstellen am Ende eine bestimmte Eingabeaufforderung für den ursprünglichen Inhalt Das ist nun die letzte Aufforderung , die wir geben wollen. Sie können sehen, dass es uns gerade die Antwort auf die dritte Aufforderung gibt. Jetzt können wir HAGPT bitten , den folgenden Text mit Reverse-Prompt-Engineering zu Nehmen wir an, dies ist ein Produkt, das eine sehr hohe Anzahl von Bewertungen und bereits eine gute Bewertung hat Anzahl von Bewertungen und bereits eine gute Bewertung Wir wollen die Eingabeaufforderung rückentwickeln. Wir wollen die ursprüngliche Eingabeaufforderung kennen, die zu einer solchen Überschrift führen kann. Dafür können wir Reverse Engineering durchführen. Wir können für die Beschreibung des Produkts gleich hier ein Reverse Engineering durchführen, mehrere Dinge. Welche Dinge auch immer Sie für Ihre eigene Produktliste benötigen , Sie können es bitten, ein Reverse Engineering durchzuführen und Sie zur ursprünglichen Aufforderung zurückzukehren Ich übernehme die Überschrift für das Timing. Ich habe die Überschrift gegeben. Und jetzt bitten wir Sie, den Originaltext , den es verwendet, zurückzuentwickeln . Jetzt können Sie sehen, dass es die Reverse-Engineering-Aufforderung für uns generiert . Dies können wir verwenden, um in Zukunft eine solche Überschrift zu generieren . Sobald Sie die ursprüngliche Aufforderung bei sich haben, können Sie sie für jedes Produkt verwenden. Sie können hier einfach den Produktnamen und den Stil ändern . Die Syntax bleibt gleich. Sie können es jedoch für jedes andere Produkt verwenden, das Sie für Ihre Produktbeschreibungen verwenden, und es wird in diesem bestimmten Stil geschrieben. Ich hoffe, das macht Sinn. Sie verstehen jetzt das Konzept der umgekehrten Eingabeaufforderung Vielen Dank, Leute , dass ihr euch das angehört habt, und wir sehen uns im nächsten Video 41. RGC-Aufforderung: Hallo Leute. Willkommen zu dieser Sitzung. In dieser Sitzung wollten wir uns einer anderen Art der Eingabeaufforderung befassen, nämlich RGCPMPting, die Sie Das wird also etwas sein, das universell auf jede Eingabe oder eine beabsichtigte Ausgabe angewendet werden kann , die Sie daraus herausholen möchten Es kann sich um ein standardisiertes Format handeln , das in mehreren Szenarien angewendet werden Was wir mit RGC konkret meinen , ist eine Abschlussformel bei der wir uns mit einer Rolle, einem Ergebnis, einem Ziel, einem Kontext und einer Einschränkung befassen Also Rolle, im Grunde werden wir Chat TPT eine Rolle geben oder die DP-Persona ansprechen, als ob Sie unser Experte im Marketing sind Dann ist das Ergebnis, weil Sie ein Experte sind, ein Ziel ist damit verbunden, ein Ergebnis ist damit verbunden, dass ein gewünschter Output , den es Ihnen geben sollte Und dann das Ziel, der Zweck des Outputs, was wird der Output für uns tun? Und dann der Kontext, was waren sie? Und dann wären die Einschränkungen Einschränkungen und Richtlinien. Sie können zum Beispiel hier sehen, dass die Rolle darin besteht, dass Sie ein erfahrener Marketer sind Das Ergebnis ist die Erstellung von fünf E-Mails, die mit einem Aufruf zum Handeln enden Ziel ist es, den Verkauf unseres Produkts zu steigern. Kontext ist, dass die E-Mails für mein Online-Publikum von Unternehmern bestimmt sind . Und dann besteht die Einschränkung darin , dass die E-Mails freundlich und innerhalb von 200 Zeichen sein sollten . Dies kann also ein einfaches Format für eine Aufforderung sein, das Sie für alle Arten von Szenarien verwenden können , mit denen Sie sich befassen. Sehen wir uns also an einem Beispiel an, wie das sein wird. Schauen wir uns den letzten an und wir können ihn verwenden und sehen, welche Art von Ausgabe wir dafür auf Chat GBT erhalten Jetzt können Sie sehen, dass CAGBT uns die E-Mails gibt und unter Berücksichtigung dessen, dass es freundlich sein sollte und weniger als 200 Wörter umfasst, die E-Mail für uns schreibt Melden Sie sich jetzt mit einem Aufruf zum Handeln an und sehen Sie erste Ergebnisse. Das ist ein Aufruf zum Handeln. Bereit, Ihr Geschäft auszubauen, sichern Sie sich noch heute Ihren Platz. Das ist wieder ein Aufruf zum Handeln. Wir können den Link hier geben. Lassen Sie uns sicherstellen, dass Ihr nächster Verkauf jetzt stattfindet. Holen Sie sich hier Ihren Zugang. Wenn Sie bereit sind, Ihr Unternehmen auf die nächste Stufe zu heben, klicken Sie hier, um loszulegen. Und dann das fünfte, bei dem wir ein weiteres CTA-Rätsel geben können. Klicken Sie hier, um jetzt zu beginnen Jetzt können Sie sehen, dass dieses einfache Format in verschiedenen Szenarien für Sie funktionieren Sie können all diese Komponenten angeben und so eine sehr effektive Aufforderung für Ihr Unternehmen erstellen Ich hoffe, das macht Sinn. Du verstehst diese Art von Styling auch. Vielen Dank, Leute, dass ihr euch das angehört habt, und wir sehen uns im nächsten Video. 42. Ich Möchte, Dass Du Als Aufforderer Handelst.: Hallo Leute. Willkommen zu dieser Sitzung. In dieser Sitzung wollen wir also über eine andere Art von Aufforderungsstil sprechen eine andere Art von Aufforderungsstil Ich möchte, dass Sie so handeln Und wir haben diese auch ähnliche in den vorherigen Videos gesehen ähnliche in den vorherigen Videos Das wird also ein Rahmen sein, in dem wir wollen, dass Chat Tibet auf eine bestimmte Art und Weise agiert, vielleicht wie ein Historiker ein Biologe oder ein persönlicher Coach Wir wollen, dass Chat Ti PT verschiedene Rollen spielt und auf deren Grundlage es uns die Ergebnisse liefert Wir können also die Formel auf diese spezielle Art und Weise haben , indem wir ChagPT zunächst sagen, dass ich möchte, dass Sie als Historiker oder Biologe auftreten, und dann gebe ich Ihnen bestimmte Informationen über diesen bestimmten Teil Und dann wird es die Antwort darauf anpassen und sie uns zurückgeben Das hilft wirklich, weil es die Voraussetzungen speziell für HangPTPersona schafft und es dadurch in der Lage ist, sich sehr auf das Thema zu konzentrieren, mit dem es sich befasst, und die Ausgabe ist sehr individuell und enthält sehr spezifische Schauen wir uns also an, wie sich das mit dem Tool auswirken wird. Nehmen wir an, das ist die Aufforderung , die wir ihr geben wollen, wo wir sagen, dass ich möchte, dass Sie als persönlicher Coach auftreten. Ich werde Ihnen meine persönlichen und beruflichen Ziele nennen. Sie werden dann einen Zeitplan für sieben Tage erstellen, an den ich mich halten muss, um meine Ziele im Tableau-Format zu erreichen. Meine kurzfristigen Ziele sind Meditieren, Meditieren, Sport treiben, lesen und an meinen Projekten arbeiten Mein langfristiges Ziel ist es , über einen Zeitraum von sechs Monaten neue Kunden zu gewinnen und 10.000$ zu sparen Jetzt möchte ich, dass Cha GP die Rolle eines Personal Coaches übernimmt und uns auf dieser Grundlage die strukturierte Rolle, den speziellen Zeitplan und den Sieben-Tage-Zeitplan gibt , den es für uns erstellen kann Wir können jetzt sehen, dass das Unternehmen das berücksichtigt hat und nun den kompletten zielorientierten Zeitplan für sieben Tage für uns erstellt hat. Das ist also eine weitere sehr gute Art der Aufforderung, bei der Sie Chat GBT eine Rolle zuweisen und auf deren Grundlage Sie Ihre Spezifikationen, Ihre Anforderungen, Ihre Einschränkungen und Ihre Funktionen angeben , die Sie integrieren sollen, dann gibt es uns die darauf basierenden Ergebnisse Ich hoffe, das macht Sinn. Sie verstehen auch diese Art der Aufforderung Vielen Dank, Leute , dass ihr euch das angehört habt, und ich werde euch im nächsten Video sehen 43. Zufälligkeit in der Ausgabe: Hallo Leute. Willkommen zu diesen Sessions. In dieser Sitzung wollten wir die Zufälligkeit der Ergebnisse verstehen , die wir mit diesen KI-Tools erhalten Wir müssen also die Tatsache verstehen , dass bei KI-Tools wie Chat GPT die Antworten, die Sie von dem Tool erhalten , nicht immer dieselben sein werden Und wir haben auch im vorherigen Abschnitt gesehen , dass die Ergebnisse ständig unterschiedlich sein werden, und so wurde das Tool darauf trainiert, Antworten zu geben Die Absicht der ganzen Sache ist, dass wir verschiedene Arten von Antworten ausprobieren und sehen wollen . So wurde das Tool gebaut und trainiert und mit Daten versorgt. Und aus diesem Grund werden sich die Antworten jedes Mal, wenn Sie sie sehen werden sich die Antworten jedes Mal, wenn Sie sie stark voneinander unterscheiden. Nun, so wird es funktionieren, und wir müssen es irgendwie akzeptieren und damit leben und nur darauf hinarbeiten. Das ist der aktuelle Stand dieser LLM-Modelle oder Tools, über die wir verfügen, bei denen sich die Ergebnisse voneinander unterscheiden werden Sie können auf einen bestimmten Teil der Antworten beschränkt werden , die wir erhalten, aber sie werden nicht identisch sein Die Antworten werden sich immer ein wenig voneinander unterscheiden und Antworten werden da sein , denn genau das wollen wir mit den KI-Tools sehen. Die Absicht ist immer, dass wir einzigartige Antworten sehen wollen, etwas, an das wir nie gedacht haben, und genau das ist es, was in den Tools verwurzelt ist, und deshalb sind die Ergebnisse immer zufällig. Um Ihnen ein einfaches Beispiel dafür zu geben wie das sein wird , sagen wir, wenn ich Chat GPT auffordere , wo ich sage, wie viele Vögel sich vor meinem Haus befinden. Nun, das ist eine sehr offene Frage , die ich stelle, ohne viele Informationen zu geben Dies wird mir eine Art von Antwort geben, in der es offensichtlich heißt, dass ich nicht Möglichkeit habe, von außerhalb Ihres Hauses zu sehen. Okay, wenn Sie eine schnelle Schätzung vornehmen möchten, gibt es mir einige bestimmte Schritte Look-and-Count-Methode, Sound-Methode, Fotomethode. Es gibt verschiedene Möglichkeiten, wie es mir hilft , selbst zu zählen und die Lösung zu finden. Das ist also eine Lösung, eine Antwort, die es gibt. Wenn ich nun noch einmal dieselbe Aufforderung gebe, das zunächst, zu akzeptieren, dass sie das kann. Aber wenn du die Nummer haben willst, musst du sie dir ansehen, anhören oder ein Foto teilen. Eine andere Art von Ausgabe. Der erste bestand aus Schritten , um mich selbst herauszufinden. Der zweite ist, dass ich ein Video oder einen Fuß teilen kann, schauen und anhören oder teilen kann. Auf die gleiche Weise. Wenn ich jetzt noch einmal dieselbe Aufforderung gebe, würde es zugeben, dass es das nicht kann, und im Moment ist die Anzahl der Wörter draußen unbekannt. Es gibt mir nur die unbekannte Antwort, es weiß es nicht, bis ich es mir genauer angeschaut und es mir gezeigt habe. Okay. Also so werden die Antworten sein, bei denen die Ausgaben zufällig sein werden für dieselben Eingabeaufforderungen, die wir geben Nun, das ist kein technischer Fehler. Auf diese Weise wurde das Tool für diese Zufälligkeiten entwickelt und trainiert Nun, auch dafür gibt es Vor- und Nachteile. Wenn wir also versuchen, Dinge herauszufinden und wir versuchen, etwas aufzubauen, und dieses Mal sind versuchen, etwas aufzubauen, und dieses Mal diese Zufälligkeit oder verschiedene Arten von Antworten wirklich hilfreich, weil wir dann unsere Ideen umsetzen und etwas anderes sehen wollen, also kann das möglicherweise wirklich nützlich sein Wenn wir uns in einer Situation befinden der gerade eine Forschungsarbeit im Gange ist und Sie spezifische Antworten oder Lösungen für diese Forschungsarbeit benötigen, dann ist diese zufällige Ausgabe möglicherweise nicht so nützlich, okay? Das einzige, was das Tool möglicherweise tun kann, ist, im Bereich dieses bestimmten Themas zu bleiben im Bereich dieses und Ihnen Antworten zu geben. Es werden keine willkürlichen, wirklich vagen Antworten sein, aber er wird in diesem Bereich bleiben und Ihnen Antworten innerhalb dieses Bereichs geben So müssen wir anfangen zu akzeptieren, dass sich das Tool verhalten und zu unseren Gunsten damit arbeiten wird 44. Einführung in GenAI-Anwendungsfälle: Hallo Leute. Willkommen zu diesem Modul. In diesem Modul werden wir uns die praktischen Anwendungsfälle generativer KI in verschiedenen Branchen ansehen die praktischen Anwendungsfälle . Wir werden drei spezifische Branchen auswählen, nämlich Softwareentwicklung, Einzelhandel und Marketing, in denen wir GenetiveVI-Anwendungsfälle nutzen können, wir werden Einzelhandel und Marketing, in denen wir GenetiveVI-Anwendungsfälle nutzen können , wir Die Absicht dieses Moduls besteht in erster Linie darin , dass Sie verstehen wie wir KI in unser Segment, in unseren Arbeitsbereich integrieren können , wie wir KI in unser Segment, in unseren Arbeitsbereich integrieren können. Das Wichtigste ist der Ansatz, den wir von hier aus verfolgen und in Ihrem eigenen Bereich anwenden können anwenden Schauen wir uns also dieses Modul an, um zu verstehen, wie wir genitive KI in verschiedenen Branchen einsetzen und unsere Arbeitsqualität und Produktivität verbessern können in verschiedenen Branchen einsetzen und unsere Arbeitsqualität und Produktivität verbessern 45. Softwareentwicklung: Hallo Leute. Willkommen zu dieser Sitzung. In dieser Sitzung werden wir sehen, wie wir KI in verschiedenen Sektoren einsetzen können . Wir beginnen also gerade mit der Softwareentwicklung. Wenn Sie sich das also in der Softwareentwicklung ansehen, das Erste, was wir jetzt natürlich tun können ist das Erste, was wir jetzt natürlich tun können, damit zu beginnen, Code zu erstellen. Sie können also Code von Grund auf neu generieren, Fehler beheben und debuggen, was Sie im Grunde tun können, um die Leistung zu optimieren Sie können diese KI-Tools, APIs mit IDs wie GitHub, CoPilot, AWS Code Whisperer, auch integrieren APIs mit IDs wie GitHub, CoPilot, AWS Code Whisperer, Das wird sich also wirklich darauf auswirken manuellen Aufwand zu reduzieren und Entwickler gegenseitig zu aktivieren , da Sie jetzt Codes in Entwickler gegenseitig zu aktivieren , da jeder Sprache erstellen können Auch wenn Sie, sagen wir, auf Java spezialisiert sind, können Sie auch Codes in Python erstellen. Bessere Code-Praxis, dokumentierte Details erhalten Sie mit dieser Hilfe. Die zweite Phase wird das Testen sein. Sobald der Code erstellt ist, verbringen wir viel Zeit damit, den Code zu testen, Testszenarien zu identifizieren, detaillierte Testfälle zu schreiben und Automatisierungsskripte zu generieren. All dies wird derzeit manuell ausgeführt, was viel Zeit in Anspruch nimmt. Und jetzt können Sie dies einfach durch KI-Tools ersetzen, die sicherlich dazu beitragen, dass weniger Szenarien fehlschlagen, Grenzfälle identifiziert, der damit verbundene manuelle Aufwand reduziert und auch der gesamte Testzyklus von Experten Das Testen von Codes mit Hilfe der Tools wird jetzt viel weniger Zeit in Anspruch nehmen Codes mit Hilfe der Tools wird jetzt Die dritte wird die Erfassung von Anforderungen sein. Dies wird ein Szenario sein, wenn Sie AGI speziell verwenden. Sie müssen zuerst viele Informationen sammeln, und hier können Sie Epics und User Stories generieren, was Sie auf individueller Ebene tun können , und Akzeptanzkriterien erstellen All das kann mit Hilfe der KI-Tools getan werden, und auf diese Weise wird mit Sicherheit sichergestellt Fälle abgedeckt werden, wodurch der manuelle Aufwand reduziert da dies vollständig mit dem KI-Tool erledigt wird und der gesamte Zyklus beschleunigt Der letzte Aspekt der Codierung wird eine Menge Dokumentationsarbeit sein , die wir auch Und hier müssen Sie eine Menge Dokumentationen erstellen, denen es sich um Anforderungsdokumente, Testberichte, Benutzerhandbücher und Betriebskosten All das wird jetzt mit dem KI-Tool automatisiert, und das wird sich ernsthaft auf Ihren manuellen Aufwand auswirken , der in die Sicherstellung einer ordnungsgemäßen Dokumentation investiert wird Darin liegt also kein menschliches Versagen vor. Okay, es erfüllt auch alle regulatorischen organisatorischen Anforderungen. Schauen wir uns also an, wie praktisch wir das machen können. Nehmen wir den ersten Aspekt an, wir wollen einen Code erstellen. Also werde ich es bitten, einen Python-Pod zu schreiben und ihm mitzuteilen, dass er Erfahrung mit Python-Entwicklern hat, einen optimierten Code erstellt, der für eine Unternehmensanwendung verwendet wird , sicherstellt, dass bewährte Verfahren, Sicherheitsmechanismen und die richtige Dokumentation befolgt werden. Im Allgemeinen Code, der eine Verbindung zum Post-SQL-Server herstellt und eine Abfrage ausführt Okay, hier sind wir gerade dabei , den Python-Code auszuarbeiten, damit Sie sehen können, wie effizient das KI-Tool den Code sofort für uns generieren kann. Also einen Code erstellen. Das ist also eine wirklich große Hilfe, denn für viele neue Softwareentwickler, die zum ersten Mal auf einer neuen Plattform anfangen, benötigen sie ein gewisses Maß an Handhaltung, etwas Gleichaltrige, etwas Unterstützung von den Teams , die ihnen sagen können, wo sie anfangen sollen Und genau das wird durch die KI ersetzt. Stellen Sie sich vor, Sie haben ständig einen starken Kollegen an Ihrer Seite , der Ihnen bei der ersten Arbeit hilft, bei der Sie den Code von Grund auf neu erstellen. Und dann fügen Sie natürlich Ihre Eingaben hinzu. Sie fügen Ihre Eingaben hinzu, Sie bearbeiten den Code, Sie verbessern ihn, all die Dinge, die Sie tun können. Außerdem, wie wir bereits erwähnt haben, sodass Sie Code in jeder Sprache erstellen können , ganz wie Sie möchten Vielleicht sind Sie ein Python-Experte, haben aber nicht viel Wissen über Java. Dies kann jetzt passieren, wo Java-Codes mit Hilfe der KI-Tools generiert werden können . Schauen wir uns nun das zweite Szenario an , das als Testteil dienen wird. Wir geben dem KI-Tool also einen Hintergrund, dass Sie ein manueller Tester sind. der Validierung einer Webanwendung verfügt die Anwendung über eine Anmeldeseite, auf der der Benutzer den Anmeldenamen Bei der Validierung einer Webanwendung verfügt die Anwendung über eine Anmeldeseite, auf der der Benutzer den Anmeldenamen und das Passwort eingibt und auf die Anmeldeschaltfläche klickt Dies ist auch eine Option zum Vergessen Es gibt auch eine Option, um Name und Passwort zu vergessen Anmeldename und Passwort. Können Sie die Testszenarien generieren? Es wird jetzt einen Testteil machen. Sie können also sehen, dass die Testszenarien erstellt wurden. Stellen Sie sich vor, Sie erstellen das selbst manuell. Es wird viel Zeit in Anspruch nehmen, diese manuell zu erstellen, und für uns wird es viel Zeit in Anspruch nehmen. Jetzt stehen uns Testszenarien sowie zusätzliche Bereiche zum Testen von Geräten, Sicherheitstests und Lokalisierungstests zur Verfügung. All dies kann jetzt dokumentiert werden und wir können speziell an diesen Testszenarien arbeiten. Das dritte, das wir auch sehen können , ist, sagen wir, wir bitten es, auch nur ein Aluminiumskript für die Anmeldung zu generieren. Schauen wir uns an, wie es auch ein Selen-Skript generiert. Das liegt daran, dass wir mit Python angefangen haben. Es soll nur erwarten, dass wir nach der Generierung eines Python-Skripts fragen . Aber lassen Sie uns sehen , wie es auch mit anderen Skripten funktioniert. Oder es besteht die Möglichkeit , dass es einfach nur das Selen-Skript erstellt Also, wie Sie sehen können, hat es das Python-Skript für uns generiert, für den Selenium-Login Ich denke also, dass das für jeden Softwareentwickler wirklich revolutionär sein wird , wobei die Absicht, mit der Sie es verwenden müssen, darin besteht, dass es nicht speziell unsere Jobs als Softwareingenieure ersetzen wird unsere Jobs als Softwareingenieure ersetzen Es wird ihre derzeitige Arbeit verbessern. Es wird ein Anwendungstool sein, das hilft, wenn die Dinge kompliziert werden, wir nicht in der Lage sind, ein bestimmtes Szenario zu lösen, vielleicht ist der Code irgendwo kaputt, sodass es eine Fehlerbehebung durchführen kann. Also all diese Dinge kannst du tun. Vielleicht kannst du ihm einen bestimmten Port geben und ihn bitten, das Problem zu beheben. Für all diese Szenarien können Sie es verwenden. Und zum Schluss schauen wir uns die Erfassung von Anforderungen an. Hier wollen wir also, dass es Epen generiert. Jetzt erstellt es diese Epen für uns, die wir für Codierungszwecke verwenden können Und Sie können sehen, dass es auch den nächsten sieben Geschäftsanalysten Ergebnisse liefert Auf diese Weise können wir das KI-Tool nutzen, insbesondere in der Softwareentwicklung Sie können sehen, dass es endlose Möglichkeiten und Optionen gibt , mit denen Sie das KI-Tool nutzen können, nicht nur für eine Codegenerierung, sondern auch für unzählige andere Szenarien, in denen Sie es sehr effektiv einsetzen können. Ich hoffe, das macht Sinn. Ich muss jetzt den Einsatz von KI in der Softwareentwicklung verstehen. 46. Einzelhandel: Hallo, Leute. Willkommen zu dieser Sitzung. In dieser Sitzung werden wir einen weiteren Anwendungsfall von KI sehen , der im Einzelhandel zum Einsatz kommen wird. Im Einzelhandel gibt es Unmengen von Dingen , die wir jetzt mit Hilfe der KI-Nutzung tun können. Die erste können, sagen wir, Produktempfehlungen sein. Hier können Sie eine Produktbeschreibung erstellen und verstehen. Sie können es bitten, eine spezifische Produktbeschreibung zu erstellen eine spezifische Produktbeschreibung die auf die Bedürfnisse Ihres Kunden zugeschnitten ist. Personalisierte E-Mail-Kampagnen können erstellt und lokalisierte Empfehlungen erstellt werden. Abhängig von der Region, den demografischen Merkmalen, die Sie ansprechen möchten, Ihren Empfehlungen und Ihrer Produktbotschaft können sich also entsprechend ändern, und Sie können dabei KI einsetzen visuelle Suche kann auch durchgeführt werden , damit Sie verstehen, welche Art von Produkt sehr interessant sein wird für die Leute sehr interessant sein wird, um es anzusehen und möglicherweise zu kaufen All das können Sie mit Hilfe von KI-Tools tun, und dies wird sicherlich das Verständnis der Produktmerkmale vertiefen das Verständnis der Produktmerkmale Dies erhöht die Klickraten, Anzahl der Personen, die auf das Produkt klicken , um auf die Website zu gelangen, erhöht Ihre Verkaufsraten, Konversionsraten sowie die Kundenbindung und Wenn Sie sich nun die Optimierung der Lieferkette ansehen, können Sie hier Nachfrageprognosen sehen, Sie können verstehen, wie sich Ihre Verkäufe entwickeln, und auf dieser Grundlage können Sie KI bitten, Ihnen eine Prognose für die Zukunft zu geben , indem Sie sie prognostizieren, welche Art von Nachfrage Sie in einem bestimmten Monat sehen werden, Bestandsoptimierung, damit Sie das auch tun können. Wann wird das Inventar benötigt, wann nicht All diese Vorhersageanalysen können mit Hilfe von KI-Tunes durchgeführt werden. kann auch eine vorausschauende Wartung durchgeführt werden , sodass Sie wissen wann Sie Ihr Inventar aufbewahren müssen, sodass Sie den Service bedarfsgerecht bereitstellen können , wann immer dies erforderlich ist Dies wird sicherlich dazu beitragen, dass viele datengestützte Entscheidungen getroffen werden können, und erhöht Ihre Verfügbarkeit der Produkte, Erfüllung der Produkte und die Bestellungen, die Sie erhalten Und dies wird sicherlich auch das Wachstum der Geschäftskontinuität insgesamt erhöhen. Nun zum Aspekt des Kundensupports: Wenn Sie sehen, dass KI-Tools zum Erstellen von Chat-Boards verwendet werden können, können virtuelle Assistenten erstellt werden. Sie können eine häufig gestellte Frage erstellen , die auf die Bedürfnisse Ihrer Kunden zugeschnitten ist. Sie können auch mehrsprachige Unterstützungen erstellen lassen. Automatisierte Updates können auch mit Hilfe von KI-Tools durchgeführt werden , und das Ganze kann vollständig automatisiert und mit sehr minimalem menschlichem Eingreifen durchgeführt werden . Und was wird dir das geben? Es wird zunehmen, es wird schnellere Antworten geben, 24 mal sieben Antworten. Es wird die Kundenzufriedenheit erhöhen, und dadurch wird auch die Kundenreichweite erweitert. Und dann hat es offensichtlich niedrige Betriebskosten. Schließlich auch eine sentimentale Analyse. So können Sie sich Kundenrezensionen ansehen. Sie können diese Bewertungen analysieren, die Hauptstimmung verstehen und verstehen, wo die Kunden am meisten Probleme hatten KI wird es individuell anpassen und Ihnen auf sehr klare , einfache So wissen Sie genau, was die Schmerzbereiche sind , und müssen nicht viel Zeit damit verbringen, alle Bewertungen zu lesen und die Schmerzbereiche manuell zu verstehen Überwachung der sozialen Medien, was Sie auch tun können, Sie sich ansehen können, mit welchen Beiträgen sich die Leute beschäftigen und auf welche sie gut reagieren. All das kann hier also auch mit Hilfe von KI-Tools und Wettbewerbsanalysen getan werden. So werden Sie verstehen, welche Aspekte der Konkurrenzprodukte und -dienstleistungen den Kunden im Vergleich zu Ihren so gut gefallen. Und dies wird Ihnen sicherlich helfen, die Kundenbedürfnisse besser zu verstehen und Probleme proaktiv zu lösen, was Sie mithilfe der Tools tun können. Wenn Sie also sehen, werden dies einige der Bereiche sein , die ich gerade im Einzelhandel angesprochen habe , wo Sie KI massiv einsetzen können und weniger menschliches Eingreifen erfordern würden, und es wird viel wirtschaftlicher sein Ihr Unternehmen mit einem solchen Ansatz zu führen. Sehen wir uns ein praktisches Beispiel dafür an, wie das aussehen wird. Nehmen wir an, wir schauen uns eine sentimentale Analyse an, okay? Nehmen wir an, dies ist das Produkt, für das wir eine Bewertung sehen und es verstehen möchten Ich habe also gefragt, ob es sich um die Bewertung eines bestimmten Kunden handelt. Und wir bitten CHAGPT nur uns eine Stimmungsanalyse dieser Bewertung zu geben Erzählen Sie mir eine kurze Zusammenfassung mit den wichtigsten Details. Es wird also der gesamte Inhalt durchgehen und uns eine sehr positive, kurze Zusammenfassung geben . Die Bewertung drückt eine äußerst positive Stimmung gegenüber dem Produkt aus Der Rezensent hebt die außergewöhnliche Vier-K-Bildgebung hervor, wichtige Details, die er erwähnt hat emotionale Ton ist begeistert, selbstbewusst, sehr beeindruckt und vertrauensvoll Lassen Sie uns in diesem Szenario eine etwas schwierige Frage stellen, die darin bestehen kann, mir fünf Dinge mitzuteilen , mit denen der Kunde nicht zufrieden ist, was sehr viel weniger sein wird, aber lassen Sie uns sehen, wie er reagiert Die Bewertung ist überwältigend positiv und besagt ausdrücklich, dass keine Pfandrechte vorhanden Okay, und so gibt es keine direkten Beschwerden. Vielleicht teuer. Obendrein gibt es uns zusätzliche Informationen, die gibt es uns zusätzliche Informationen vielleicht teuer sind im Vergleich zu herkömmlichen Action-Kameras und so weiter und so weiter. Sie sehen also, auf diese Weise können Sie die KI-Tools so effektiv einsetzen, um der Ursache des Problems auf den Grund zu gehen und das Problem zu verstehen, sehr schnell eine Lösung zu finden und damit weiterzumachen um der Ursache des Problems auf den und das Problem zu verstehen, gehen und das Problem zu verstehen, sehr schnell eine Lösung zu finden , anstatt so viele menschliche Stunden damit zu verbringen, den Problembereich zu verstehen und dann eine Lösung zu finden. Ich hoffe, das macht Sinn. Ich hoffe, Sie verstehen jetzt den Anwendungsfall von KI-Tools speziell im Einzelhandel. 47. Vermarktung: Hallo, Leute. Willkommen zu dieser Sitzung. In dieser Sitzung werden wir sehen, wie wir KI in einem bestimmten Szenario einsetzen können , nämlich im Marketing. Wenn Sie sich also Marketing ansehen, kann es viele verschiedene Szenarien geben, in denen wir sie einsetzen können. Das erste kann natürlich der Generierung von Inhalten dienen. Inhaltsgenerierung gibt es also verschiedene Dinge, die Sie mit Marketing tun können , z. B. Blogbeiträge erstellen, Produktbeschreibungen erstellen und vieles mehr können getan werden. Sie können personalisierte Inhalte für Ihre Marke erstellen, speziell für Ihre Produktdienstleistungen. Anschließend können Sie Inhalte für Ihr E-Mail-Marketing, Ihr Social-Media-Marketing und Ihren Social-Media-Beitrag erstellen , was wir tun. also Mit Hilfe von KI-Tools können wir also die Generierung von Inhalten erhöhen. Natürlich sollten wir unsere Konsistenz verbessern, da wir in der Lage sind, viel mehr Inhalte zu erstellen und diese zu planen. Dann können wir mehr haben, wodurch wir ein höheres Engagement beim Publikum erreichen können , und das wird sicherlich die Kosten senken, weil wir für diese Arbeit keine Leute einstellen müssten. In ähnlicher Weise können bei SCO und Suchmaschinenoptimierung viele Dinge getan werden. Wir können Inhalte analysieren und Verbesserungen für das SEO-Ranking vorschlagen. Dies wird offensichtlich dazu beitragen, das SEO-Ranking zu verbessern und den organischen Traffic auf unseren Websites zu erhöhen . Eine bessere Online-Sichtbarkeit kann erreicht werden. Drittens mit Marktforschung auch im Marketing, wo Sie nach Markttrends suchen können. Sie können sich das Verbraucherverhalten ansehen. Sie können sich die Strategien der Wettbewerber ansehen, und das wird Ihnen helfen, viele datengestützte Entscheidungen zu treffen und Wettbewerber zu vergleichen. All dies ist also nur der Ausgangspunkt, würde ich sagen, mit Marketing, was Sie mit Hilfe von KI-Tools tun können Sehen wir uns einige praktische Beispiele an, wie das wirklich aussehen würde. Nehmen wir an, sobald Sie auf ChatGPT sind, okay, wir geben ein bestimmtes Wobei wir sagen, dass Sie ein Ersteller von Social-Media-Inhalten sind ein Ersteller von Social-Media-Inhalten Ich bringe eine neue Duftkerze auf Instagram auf den Markt. Mein Kundensegment sind Liebhaber von Wohnaccessoires, Yoga-Studios und Restaurants Können Sie mir für jedes dieser Segmente einen Dreizeiler geben , den ich in den sozialen Medien posten kann, und außerdem einen Sonderrabatt von 10% für die nächsten drei Tage anbieten also fügen Sie das der Nachricht hinzu. Okay. Sie möchten also drei verschiedene Inhalte für drei verschiedene Zielgruppen. Wenn Sie also nach Wohnaccessoires suchen, hat er geschrieben, es hat geschrieben, verwandeln Sie mit unseren neuen Duftkerzen jede Ecke Ihres Zuhauses in ein gemütliches Luxuserlebnis ein gemütliches Luxuserlebnis, oder? Schaffen Sie in Yogastudios der sich Ihre Kunden sofort verbinden werden unseren beruhigenden Duftkerzen eine beruhigende Atmosphäre, mit Sie in Restaurants für Stimmung und schaffen Sie ein unvergessliches kulinarisches Erlebnis mit unseren Premium-Duftkerzen Sie sich also an, was das Unternehmen getan hat: Es hat verschiedene Messaging-Marketingmaterialien für drei verschiedene Arten von Zielgruppen erstellt verschiedene Messaging-Marketingmaterialien für drei verschiedene Arten von , nach denen wir suchen Und dabei wurden die 10% -Rabatt auch überall hinzugefügt. Gehen wir weiter und nehmen wir an, wir bitten es um das Hinzufügen von Können Sie Inhalte hinzufügen, die mehr darüber erzählen Hinzufügen von Können Sie Inhalte hinzufügen , die mehr darüber wie Duftkerzen in jeder dieser Kategorien helfen in jeder dieser Kategorien helfen Okay? Also mal sehen, jetzt versuchen wir auch, Probleme zu lösen. Also wird es sich auch damit befassen. Eine Duftkerze lässt Ihr Zuhause nicht nur fantastisch riechen Sie schafft Wärme, Komfort und eine entspannte Atmosphäre nach einem langen Tag Das ist eine Lösung, wie sie hilft. Okay? Yoga-Studios tragen Duftkerzen dazu bei, eine friedliche Umgebung zu schaffen , die Meditation, Entspannung und Achtsamkeit während jeder Sitzung fördert Entspannung und Achtsamkeit während jeder Sitzung Restaurants, der richtige Duft und Umgebungsbeleuchtung sorgen dafür, dass sich die Gäste sofort entspannt, wohl und mit dem kulinarischen Erlebnis verbunden fühlen , wohl und mit dem kulinarischen Erlebnis verbunden Jetzt wurde also die Lösung und auch der Hilfeaspekt des Produkts hinzugefügt . Dies ist also nur der Ausgangspunkt, an dem Sie so viele Marketinginhalte für Ihr Unternehmen, für Ihre Kunden, für das Unternehmen, für das Sie arbeiten, erstellen können, und Sie können diese nutzen, um bessere Verkäufe Einnahmen für das Unternehmen zu erzielen. 48. Demo – Otter Meeting Agent – KI-Notizzeichner, Transkription, Einblicke: Hallo Leute. Willkommen zu dieser Sitzung. In dieser Sitzung werden wir ein weiteres KI-Tool sehen , das wir auch für die tägliche Arbeit verwenden können kann Teil der generativen KI sein, die Outer sein wird. Outer ist im Grunde ein Meeting-Agent, ein virtueller Agent, den Sie hauptsächlich hier verwenden können , und Sie können ihn herunterladen. Sie können ihn von dieser speziellen Plattform aus verwenden, und er wird insofern nützlich sein, als er das zusammenfasst gesamte Treffen zusammenfasst , das wir bei der Arbeit haben erhalten Sie dort die vollständigen Am Ende des Treffens erhalten Sie dort die vollständigen Sitzungsnotizen Und es wird uns auch die Redner mitteilen. Es identifiziert die Redner, die spezifische Informationen gesagt haben, und ist in der Lage, am Ende der Rede Aufgaben an jeden der Redner zu delegieren am Ende der Rede Aufgaben an jeden der Redner Das wird also das KI-Tool sein , das wir hier verwenden können, vor allem, um , das wir hier verwenden können, vor allem, unsere Treffen viel produktiver zu Und dies ist ein realer Anwendungsfall eines KI-Tools, das wir verwenden können , um unsere tägliche Arbeit wirklich zu rationalisieren unsere tägliche Arbeit wirklich zu Sie sehen, es ist in der Lage, Konversationen mit Kanälen zu organisieren , Verkaufserkenntnisse auch an RCRM weiterzuleiten. Sie können Zoom, Google-Kalender und all das in Otter integrieren , und dann können Sie die gewünschte Ausgabe erzielen Dies ist sehr effektiv, da Sie auch wählen können, wie Sie Ihre Besprechungen aufzeichnen möchten Es kann das Wissen auch in Ihre bevorzugten KI-Chats integrieren, Sie können es mit Chat GPT, Cloud, Notion verbinden, all das wird möglich sein und es organisiert alle Informationen, über die im Meeting gesprochen wurde, und fasst sie dann für Sie in einer einfachen, verständlichen Sprache zusammen auch in Ihre bevorzugten KI-Chats integrieren, Sie können es mit Chat GPT, Cloud, Notion verbinden, all das wird möglich sein und es organisiert alle Informationen, über die im Meeting gesprochen wurde, und fasst sie dann für Sie in fasst sie dann für Sie in einer einfachen, verständlichen Sprache und teilt sie mit Ich hoffe, das macht Sinn. Ich hoffe, Sie verstehen, wie wir Otter als KI-Tool für Besprechungen nutzen können, um unsere Arbeitsproduktivität und -qualität bei der Durchführung von Besprechungen bei der Arbeit zu verbessern unsere Arbeitsproduktivität und -qualität bei der Durchführung von Besprechungen bei der Arbeit zu 49. Demo – Generieren von E-Mail-Antworten: Hallo Leute. Willkommen zu dieser Sitzung. In dieser Sitzung werden wir ein weiteres Beispiel sehen, Anwendungsfall generativer KI in unserer täglichen Arbeit , der zum Generieren von E-Mail-Antworten dienen kann. Nehmen wir also an, wir werden Strategy PT hier verwenden, um Antworten zu generieren. Wir werden uns also verschiedene Szenarien ansehen. Nehmen wir an, wir möchten im ersten Szenario eine höfliche Kundendienst-E-Mail zu einem bestimmten Szenario schreiben zu einem bestimmten Szenario Und der Kontext ist, dass die Lieferung des Laptops des Kunden um, sagen wir, um fünf Tage verzögert, er ist frustriert, weil er ihn auf der Arbeit verwenden wollte, und wir werden uns entschuldigen und einen neuen Liefertermin angeben Es ist ein Ton, den wir hier beibehalten wollen : ruhig, hilfsbereit und professionell Schauen wir uns an, wie ChatGPT die E-Mail generiert. Hier können Sie sehen, dass es auch die E-Mail-Ausgabe bereitgestellt hat die E-Mail-Ausgabe bereitgestellt Ich entschuldige mich aufrichtig für die Verzögerung bei der Lieferung Ihres Laptops Ich verstehe, wie wichtig dieses Gerät für Ihre Arbeit ist. Es hat uns hier draußen eine ordentliche E-Mail gegeben. Ein anderes Szenario, ein anderes Szenario kann, sagen wir, eine Antwort der Personalabteilung an einen Mitarbeiter sein. Wir wollen eine Antwort von der Personalabteilung. Dies kann das Szenario sein, in dem wir sagen , dass wir dem Mitarbeiter, der zwei Tage von zu Hause aus arbeiten möchte, eine Antwort von der Personalabteilung schreiben möchten. Der Kontext war, dass die Gründe des Mitarbeiters Arzttermin sind Personalabteilung möchte ihn genehmigen, einen unterstützenden und professionellen Umgangston beibehalten, da es eine Personalkommunikation handelt, und die Botschaft kurz und klar halten. Hier also ein anderes Szenario, und wir können sehen, wie saubere und professionelle E-Mails mit Hilfe von KI generiert werden und die Qualität der Kommunikation weiter verbessert wird von KI generiert werden und die Qualität . Normalerweise ist es für Menschen sehr schwierig, E-Mails zu schreiben, und hier ist der Einsatz von für Menschen sehr schwierig, E-Mails zu schreiben, KI enorm, da sie die Qualität der Bürokommunikation oder der allgemeinen Kommunikation zwischen Fachleuten erheblich verbessern kann Bürokommunikation oder der allgemeinen Kommunikation . Drittes Szenario, das wir möglicherweise auch durchführen können, vielleicht können wir den Kommunikationsstil ändern und ihm einen bestimmten Ton geben. Dabei können wir sagen, lassen Sie uns die HR-Antwort in drei verschiedenen Tönen schreiben die HR-Antwort in drei , die formell, freundlich oder als kurze WhatsApp-Nachricht sein können . Dieselbe E-Mail ist jetzt in drei verschiedenen Stilen geschrieben , sehr formell. Wir freuen uns, dass Sie uns im Voraus informieren Bitte achten Sie auf die Abstimmung mit Ihrem Berichtsmanager und bleiben Sie bei Bedarf während der Arbeitszeit erreichbar Freundlicher und dann kurzer WhatsApp-Nachrichtenstil. Sie sehen, dass der größte Beitrag der KI in diesem speziellen Szenario darin besteht, die Geschäftskommunikation zwischen Mitarbeitern eines Unternehmens zu verbessern die Geschäftskommunikation zwischen . Das ist ein großer Anwendungsfall, den wir jetzt mit Hilfe dieser KI finden. 50. Demo - Variationen von Marketingüberschriften für ein Produktbild: Hallo Leute. Willkommen zu dieser Sitzung. In dieser Sitzung werden wir einen weiteren Anwendungsfall für den Einsatz von KI-Tools sehen , insbesondere zur Generierung verschiedener Marketingschlagzeilen für, sagen wir, ein bestimmtes Produkt. Wir werden uns hier also ein bestimmtes Produktbild ansehen und dafür einige Marketingschlagzeilen generieren, die für Werbezwecke verwendet werden. Nehmen wir an, wir laden das Bild zuerst hier hoch. Jetzt werden wir ihm einige spezifische Marketing-Schlagzeilen geben einige spezifische Marketing-Schlagzeilen , die wir generieren möchten. Nehmen wir an, die erste soll dort sein, wo wir zehn Marketingschlagzeilen für dieses Produkt generieren möchten Wir wollen sie kurz, einprägsam und für eine Online-Anzeige geeignet machen für eine Online-Anzeige geeignet Es wird sich mit dem Produkt befassen und auf dessen Grundlage es uns die Marketingschlagzeilen bescheren wird Jetzt haben wir auch diese Schlagzeilen. Lassen Sie uns das in ähnlicher Weise ändern. Nehmen wir an, wir wollen diese Schlagzeilen in einem bestimmten Stil haben. Wir können sagen, dass Sie diese Schlagzeilen in fünf verschiedenen Stilen anbieten können: luxuriös oder hochwertig, lustig, minimalistisch, technisch versiert und dringend Jetzt werden die Schlagzeilen auf der Grundlage des vorgegebenen Stils geändert Schlagzeilen auf der Grundlage des vorgegebenen Stils Jetzt können Sie unter Luxus sehen, dass er kommt, wenn Eleganz auf Intelligenz trifft. Pany ist klüger als deine. Minimalistisch, intelligent, einfach, leistungsstark, technisch versiert, tragbare Technologie der nächsten Generation . Rüsten Sie Ihr Handgelenk noch heute auf Sie können sehen, dass es leicht vorangekommen ist und verschiedene Stile kreiert hat , die unsere Marketingteams jetzt sofort verwenden können Ein anderes Szenario könnte sein, sagen wir, wir möchten, dass die Marketingschlagzeilen auf eine bestimmte Plattform zugeschnitten sind. Zum Beispiel, je nachdem, wie Sie verstehen variiert die Sprache, die auf den verschiedenen Plattformen verwendet wird. Die Sprache von Instagram unterscheidet sich stark von der Sprache, die verlinkt ist und so weiter und so weiter. Nehmen wir an, Sie möchten Schlagzeilen machen, die auf eine bestimmte Plattform zugeschnitten sind. Nehmen wir an, Sie möchten eine Instagram-Überschrift für dieses Produkt erstellen , es muss eine Facebook-Anzeigenüberschrift oder eine Google-Anzeigenüberschrift erstellt werden. Die Amazon-Produktkachel wurde erstellt. Für all diese Zwecke kann dieses KI-Tool diese erstellen. Jetzt können Sie sehen, dass die Instagram-Bildunterschrift in Verbindung bleibt, Ihre Fitness verfolgen und Ihren Alltagsstil verbessern. Überschrift der Facebook-Anzeige, intelligenteste Smartbox, die mit deinem Leben Schritt hält und so weiter und so fort Auf diese Weise können wir das KI-Tool hauptsächlich auch für die Generierung von Marketingschlagzeilen nutzen das KI-Tool hauptsächlich auch für die , das hauptsächlich von unserem Marketingteam verwendet wird Sie können es auch für AB-Tests verwenden. Nehmen wir an, Sie möchten diese Schlagzeilen im AB-Test testen und herausfinden, welche viel effektiver ist. können wir also auch tun, und es kann sie auch für uns erstellen. Davon macht das Sinn. Ich hoffe, Sie verstehen jetzt den Anwendungsfall von KI-Tools im Marketing und heutzutage nutzen die meisten Vermarkter die EI-Tools ausgiebig, um Schlagzeilen zu generieren, Kopien zu erstellen, Kreative zu erstellen, die sie dann sofort in ihren Marketingkampagnen verwenden können sofort in ihren Marketingkampagnen 51. Verantwortungsvolle KI: Hallo, Leute. Willkommen zu dieser Sitzung. In dieser Sitzung werden wir über verantwortungsvolle KI sprechen. Wie Sie sehen können, hat die KI-Technologie im Laufe der Jahre zugenommen, und es gibt viele Entwicklungen die speziell in diesem Bereich stattfinden. Gleichzeitig gab es viele Probleme in Bezug auf den Datenschutz und viele Informationen dargestellt wurden als voreingenommene Informationen dargestellt wurden , was wir sehen werden Es gibt also Probleme in Rekrutierungssystemen, wo geschlechtsspezifische Vorurteile, Bilderkennung, die quasi unecht ist, und Bilder gezeigt werden, die nicht korrekt sind, Chatboards, die genutzt werden, auf denen Hass-Texte und Hassbotschaften gezeigt werden, die veröffentlicht werden Und dann kann es viele Szenarien geben, in denen die KI halluziniert und nicht existierende Daten generiert. Nun, das wird schon seit ein paar Jahren so sein , und die Absicht all dieser KI-Technologien, LLM-Modelle, ist es, dies so weit wie möglich zu reduzieren Nun, das wird für uns immer wichtiger. Wie Sie verstehen können, nehmen diese Bedenken zu, da die KI-Tools immer leistungsfähiger werden, und es kommt auch zu viel Missbrauch . Hier sagen Technologieführer wie Sam Altman auch , dass dies wirklich schwierige Zeiten werden denen ihr Fokus eher darauf liegt, sicherzustellen , dass die jeweiligen Probleme so weit wie möglich reduziert werden Hier kommt nun die reaktionsfähige KI ins Spiel, von der wir sprechen bezieht sich in erster Linie auf ethische und moralische Rahmenbedingungen die die Entwicklung, den Einsatz und die Nutzung von KI-Systemen leiten, und sie stellt sicher, dass sie mit den menschlichen Werten und gesellschaftlichen Normen im Einklang mit den menschlichen Werten und gesellschaftlichen So werden wir sie also einsetzen. Wenn Sie sich also einen einfachen Prozessablauf ansehen , der gerade stattfindet, gibt es Trainingsdaten, die den KI-Modellen zum Trainieren zur Verfügung gestellt werden den KI-Modellen zum Trainieren zur und auf deren Grundlage Sie Ergebnisse erhalten. Stellen Sie sich nun ein Szenario vor, in dem die Trainingsdaten bereits voreingenommen Nehmen wir an, die Trainingsdaten umfassen 1 Million Lebensläufe von Männern und 500 Lebensläufe von nur 500 Frauen Was passieren wird, ist, dass die Ergebnisse voreingenommen sein werden, Hier kommen also diese Probleme und die Datenschutzprobleme ins Spiel, bei denen die bereitgestellten Informationen sind und nicht zu systematischen oder unvoreingenommenen Ergebnissen führen Und das führt letztendlich auch zu vielen Datenschutzproblemen Aus diesem Grund stellt sich uns die große Frage, ob es zu einem korrekten Ergebnis führt. Bei den KI-Tools wird der Vertrauensfaktor bei diesen KI-Tools fraglich. Und hier ist es für uns alle sinnvoll , darüber nachzudenken, wie wir die KI verantwortlich machen und sicherstellen können, dass das Ergebnis viel wahrheitswürdiger und vertrauenswürdiger ist und wir in der Lage sind, unvoreingenommene Ergebnisse zu erzielen An dieser Stelle können Sie verstehen , dass derzeit ein großer Bedarf an verantwortungsvoller KI besteht derzeit ein großer Bedarf an verantwortungsvoller Die Gründe dafür sind erstens, wie wir verstehen können, dass der größte Nachteil die Voreingenommenheit und Diskriminierung ist , was in erster Linie ein Fall ist , in dem das Ergebnis sehr unvoreingenommen sein wird Hier. In dem voreingenommenen Szenario wird es passieren, dass das Ergebnis nicht in der richtigen Weise erfolgt und es eine Menge Diskriminierung gibt Das Ergebnis wird in eine bestimmte Richtung tendieren Es wird auch Bedenken hinsichtlich des Datenschutzes geben, was in erster Linie ein Fall sein wird dem die Daten offengelegt werden können Viele unserer persönlichen Daten sind diesen KI-Modellen ausgesetzt. Das kann rechtliche Konsequenzen haben. Aufgrund dieser voreingenommenen Ergebnisse kann es zu rechtlichen Problemen kommen, die dann zu einem Vertrauensverlust in diese KI-Tools führen können Vertrauensverlust in diese KI-Tools Aus diesem Grund müssen wir nun sicherstellen, dass wir Lage sind, verantwortungsvolle KI anhand ethischer Prinzipien umzusetzen verantwortungsvolle KI anhand ethischer Prinzipien Dies sollten also die Leitplanken oder Richtlinien sein , die in diesen KI-Tools implementiert sind. Datenqualität muss regelmäßig überprüft werden , damit es keine unvoreingenommenen Daten gibt . Die KI-Tools werden trainiert. Transparenz muss trainiert. Transparenz muss in Bezug darauf welche Art von Informationen in das Backend dieser KI-Tools hochgeladen Und es sollten auch viele Maßnahmen zur Einhaltung von Einwilligungen getroffen werden, damit Datenschutzprobleme nicht auftreten Okay. Und dann wird von den Benutzern eine Menge Zustimmung zur Verwendung der Daten eingeholt. Außerdem muss es eine Überwachung und Verbesserung geben, was getan werden muss, denn wie Sie sehen, werden die KI-Tools verbessert, aber im Laufe der Zeit kontinuierliche Überwachung der Ergebnisse und deren anschließende Verbesserung muss die kontinuierliche Überwachung der Ergebnisse und deren anschließende Verbesserung auf die gleiche fanatische Art und Weise über einen langen Zeitraum fortgesetzt Dann muss ein menschliches Eingreifen erfolgen. Es muss ein Mensch auf dem Laufenden sein. muss eine Strategie angewendet werden, bei Es muss eine Strategie angewendet werden, bei der der Output, den wir mit diesen KI-Tools erhalten von Menschen überprüft und dann der Output bereitgestellt wird , sodass wir mit diesen KI-Tools einen besseren Output erzielen können diesen KI-Tools einen besseren Output erzielen Die Idee ist, verantwortungsvolle KI so weit wie möglich in diese KI-Systeme zu integrieren , was auch generative KI-Systeme einschließt, die uns in Zukunft viel bessere, unvoreingenommene Ergebnisse ohne jegliche Diskriminierung bieten 52. KI-Ethik: Halluzinationen und Faktengenauigkeit: Hallo Leute. Willkommen zu dieser Sitzung. In dieser Sitzung sprechen wir über KI-Ethik, Halluzinationen und Was sind also KI-Halluzinationen? Halluzinationen werden in erster Linie ein generatives Modell sein Textcode oder Medien erzeugt , die sehr flüssig und verbindlich klingen, aber faktisch falsch, erfunden oder von keiner realen ein generatives Modell sein, das Textcode oder Medien erzeugt, die sehr flüssig und verbindlich klingen, aber faktisch falsch, erfunden oder von keiner realen Quelle unterstützt werden. Es kommt also oft vor, dass, wenn Sie KI-Tool einen bestimmten Abschlussball geben, die Informationen generiert werden, aber es ist vielleicht nicht ganz wahr, faktisch wahr Und hier kommt die Halluzination der Hall-KI ins Spiel Wenn Sie es sich also ansehen, wenn ein Benutzer eine Aufforderung ausgibt, das Sprachmodell das nächste Token voraus Sie haben also die Angewohnheit oder den Prozess, das nächste Token zu generieren und liefern nicht wirklich die richtigen Informationen Und genau dort passiert das. Okay? Also, was wir uns ansehen müssen, ist, dass es verschiedene Beispiele für Halluzinationen oder Halluzinationen , die möglicherweise auftreten können Wie zum Beispiel gefälschte juristische Zitate. Es kann sein, dass das Tool viele unregelmäßige oder gefälschte juristische Zitate, falsche medizinische Ratschläge, falsche Nachrichten und Zitate enthält, die es generieren kann Es kann auch Phantomcode erstellen, Code funktioniert nicht, kaputt geht , und APIs ebenfalls Der Grund, warum das passiert, ist in erster Linie so, wie wir gesprochen haben, dass die LLMs Sprachmuster lernen Sie modellieren, welche Wörter folgen, normalerweise folgen sie anderen Wörtern, die möglicherweise nicht wahr sind Also keine interne Faktendatenbank. Ein weiteres Problem dabei ist, dass es keine spezifische Datenbank gibt , aus der sie die Informationen abrufen Sie generieren insgesamt neue Informationen , weshalb sie nicht korrekt sind Optimiert, um flüssig zu klingen, was in erster Linie bedeutet, dass das Training plausible, gut informierte Antworten belohnt auch wenn die zugrundeliegende Behauptung erfunden ist Selbst wenn die Informationen falsch sind, wird versucht, selbstbewusst und gut informiert zu klingen, und das ist der Grund, warum Halluzinationen auftreten Sie können sich dieses spezielle Beispiel ansehen. Nun, der Hauptgrund für Halluzination ist, dass es Lücken in den Trainingsdaten gibt Wie wir bereits gesagt haben, sind die Trainingsdaten nicht ganz richtig, sie weisen Lücken auf Das ist also Wissen eines Staates. Da es also einen Wissensgrenzwert gibt, neigen die Modelle dazu, zu halluzinieren und zu vermuten, dass etwas passiert. Wenn die von Benutzern angegebenen Proms sehr zweideutig und verwirrend sind, ist es für die LLMs schwierig, in erster Linie korrekte Informationen zu geben Und wenn Sie die Temperatur erhöhen oder die Kreativität erhöhen, dann die Einstellungen für die Probenahme, wenn Sie diese erhöhen, dann besteht wiederum die Möglichkeit, dass viele solcher Halluzinationen auftreten Außerdem wird das Vertrauen durch RLA überprüft, sodass die Modelle für sichere Antworten belohnt werden, und wenn sie danach streben, geben sie falsche Informationen Jetzt gibt es verschiedene Arten von Halluzinationen. Einer ist sachlich Tatsachliche Halluzinationen werden im Grunde direkte Falschaussagen über die Welt sein Sie können sich auf erfundene Menschen beziehen , Daten, Statistiken, Zitate, Ereignisse, so etwas, , Daten, Statistiken, Zitate, Ereignisse, so etwas, eine Studie zur Produktivität von Telearbeit zitieren, und sie liefern Ihnen Ergebnisse , die nicht da Solche Zeitschriftenbände oder Autoren gibt es nicht. Wie viele Ladestationen für Elektrofahrzeuge in Indien? Um Ihnen eine Zahl zu geben, die Zahl ist geringfügig niedriger, Zahlen werden erfunden und so weiter und so fort Ähnlich verhält es sich Argumentation und kontextueller Halluzination, bei der die Fakten zwar teilweise stimmen, aber die Kette von Argumentation, Mathematik oder aber die Kette von Argumentation, mit Argumentation und kontextueller Halluzination, bei der die Fakten zwar teilweise stimmen, aber die Kette von Argumentation, Mathematik oder kontextuellen Verbindungen unterbrochen ist. Der mathematische Kontext ist nicht vorhanden. Argumentation ist nicht da. Zum Beispiel wird es rechnen, was richtig aussieht Ich gebe Ihnen die Ausgabe, aber das ist möglicherweise nicht korrekt. Falsch zugewiesene Quelle, fasse die beigefügte Personalpolitik zusammen, ich werde sagen, dass die Richtlinie 26 Wochen Elternzeit gewährt, was in der Regel möglich ist, aber in diesen Unterlagen nicht enthalten ist Solche Dinge, kontextuelle Kreative Halluzination ist eine andere Art von Halluzination. Wenn sie sich vorstellen sollen, dass Modelle selbstbewusst erfinden, nützlich für Reibung und gefährlich, nützlich für Nennen Sie uns ein berühmtes Zitat von Albert Einstein über KI. Es wird ein Zitat enthalten, das Sie möglicherweise nie gesagt haben. Schreiben Sie eine kurze Biographie der fiktiven Malerin Maria Velazcos. Das ist zwar eine fiktive Malerin, aber die KI gibt immer noch einen Output ab aber die KI gibt immer noch Entwurf von Kundenrezensionen für ein neues SAS-Produkt, fünf abgegebene Bewertungen, die eigentlich nie von echten Menschen abgegeben wurden Jetzt gibt es also Szenarien mit hohem Risiko für Halluzinationen. Halluzinationen sind in diesen Bereichen nicht gleich kostspielig. Ein einziger selbstbewusster Fehler kann irreversiblen Ein einziger selbstbewusster Es kann sein, dass das Gesundheitswesen so schädlich ist , dass, wenn Halluzinationen in diesem speziellen Bereich auftreten, dies enorme lebenswichtige Entscheidungen haben kann, enorme lebenswichtige Entscheidungen haben kann in diesem speziellen Bereich auftreten, dies enorme lebenswichtige Entscheidungen haben kann, die hier getroffen werden können. Recht, Finanzen, Preise und Sicherheit, Kodex und Infrastruktur Sie können sich vorstellen, dass Codes erstellt werden können, die möglicherweise nicht funktionieren Journalismus, gefälschte Codes, erfundene Quellen können die Geschichte verzerren Erkennung von Halluzinationen kann es also verschiedene Möglichkeiten geben, Halluzinationen zu Bei der Erkennung von Halluzinationen kann es also verschiedene Möglichkeiten geben, Halluzinationen zu erkennen. An erster einfache Verteidigung ist also, okay, wir werden dieselbe Frage in neuen Sitzungen drei- bis fünfmal stellen , sodass wir das Ergebnis sehen und verstehen können, ob das Ergebnis besser ist oder ob die Antworten identisch sind oder nicht, und sie als verdächtig behandeln. Zweitens können wir den Check auch modellübergreifend modellieren, was im Grunde bedeutet, die Frage an zwei verschiedene Modelle zu stellen und die Informationen zu validieren , sodass wir auf diese Weise verstehen , dass die Informationen korrekt sind, oder die Selbstkonsistenz steigt. Wir bitten das Modell, seine Behauptungen aufzulisten, wie beansprucht es diese Antwort und verifiziert jede einzelne Antwort mit einer Auf diese Weise können wir weitermachen und Halluzinationen erkennen. Andere Erkennungstechniken können Rag sein, bei dem Sie die erweiterte Generierung verwenden können , bei der Sie Ihre Inhalte angeben Sie geben an, dass das Modell nur anhand der mitgelieferten Dokumentation antwortet. Sie laden Ihre gesamte Wissensdatenbank hoch und auf deren Grundlage muss sie antworten. Das ist also dein Rag. Dann werden Behauptungen für Behauptungen überprüft, die Antwort in mehrere atomare Behauptungen aufgeteilt und er gebeten, sie zu verifizieren und uns die maßgebliche Quelle zu geben, aus der sie referenziert wurde, auf deren Grundlage sie die Lösung gegeben hat Quellenangabe. Also noch einmal, wir bitten es, jede URL, jeden DOI und jede ISBN für Fallnummern zu verifizieren , sobald es die Ausgabe liefert, und das Tool verwendet das Rechner-Routing, dem mathematische Daten und Suchvorgänge an deterministische Tools weitergeleitet werden, anstatt das Modell nach der Antwort zu fragen und es zu fragen, wie es zu dieser bestimmten Ausgabe gekommen ist Im Gegensatz dazu, einfach an die Ergebnisse zu glauben, die das Tool liefert. Das sind also verschiedene Methoden , mit denen wir Halluzinationen kontrollieren können, was im Allgemeinen bei verschiedenen KI-Tools der Fall Ich hoffe, das macht Sinn. Ich hoffe, Sie verstehen jetzt die Auswirkungen von KI-Halluzinationen und wie wir sie kontrollieren können 53. KI-Ethik: Vorurteile und Fairness-Fragen: Hallo Leute. Willkommen zu dieser Sitzung. In dieser Sitzung sprechen wir über Fragen der Ethik, Voreingenommenheit und Fairness im Bereich KI , mit denen wir konfrontiert Was wir also mit Voreingenommenheit in der KI meinen. Voreingenommenheit in der KI ist in erster Linie ein Szenario , in dem ein Modell einen Output erzeugt, eine bestimmte Gruppe systematisch bevorzugt oder eine bestimmte Gruppe benachteiligt Dies kann nun nach Geschlecht, Alter, Geografie oder Behinderung geschehen. Es können verschiedene andere Dinge sein. Das meinen wir einfach mit Voreingenommenheit, die bei KI vorkommen kann. Nun kann es sich auch um Typen handeln, wie z. B. statistische oder soziale Verzerrungen. Wenn Sie sich nun die statistische Verzerrung ansehen, handelt es sich im Grunde um die Vorhersage eines Modells , dass systematisch vom wahren Wert abgewichen Okay? Es ist also eher technischer und neutraler Begriff Varianz man kann Varianz oder Rauschen sagen Ein Wettermodell sagt beispielsweise durchweg voraus, dass die Temperatur um zwei Grad Celsius unter der Eine soziale Voreingenommenheit ist zwar ein unfaires soziales Muster, führt aber zu verstärkten Stereotypen oder benachteiligten geschützten Gruppen. Beispielsweise stuft ein Prüfer von Lebensläufen Lebensläufe mit Frauennamen durchweg herab Es kann also auch zu problematischen Vorurteilen kommen. Die Verzerrung wird also zu einem Problem , wenn geschützte Attribute verfolgt werden Beispielsweise werden bestimmte ethnische Zugehörigkeit, Geschlecht, Besetzung, Alter und Behinderungen erfasst . Es verursacht echten Schaden, wie z. B. verweigerte Kredite, verpasste Diagnosen, unrechtmäßige Verhaftungen und den Verlust von Arbeitsplätzen Dann ist es systematisch und nicht zufällig. Dieselbe Gruppe ist gegenüber einem Typ immer benachteiligt. Okay, damit meinen wir also die Problembereiche, denen wir voreingenommen begegnen können Nun, was können die Gründe dafür sein? Erstens kann es sich um die Verzerrung der Trainingsdaten handeln. Also die Hauptquelle, weil die KI-Tools auf bestimmten Trainingsdaten trainiert werden, die an sich manipuliert sind, was an sich schon voreingenommen ist Und deswegen ist die Ausgabe voreingenommen, oder? Es gibt also Internet-Text, historische Aufzeichnungen, Auswahlmöglichkeiten bei der Kennzeichnung All das ist Teil der Trainingsdaten. Und wenn es in das Modell aufgenommen wird, erfolgt die Ausgabe ebenfalls auf ähnliche Weise. Mittlerweile gibt es verschiedene Arten von Verzerrungen bei den Trainingsdaten , die auftreten können Abschnitt Bias-Training, der unten aufgeführt ist, steht also für einige Gruppen Historische Verzerrung, Daten aus der Vergangenheit spiegeln Ungleichheiten in der Vergangenheit wider. Okay, aus diesem Grund ist das Ergebnis so, dass die Stichprobenerhebung von Daten, die aus bestimmten Regionen gesammelt wurden, im Vergleich zu anderen überbewertet aus bestimmten Regionen gesammelt wurden Menschliche Kommentatoren fügen ihre eigenen Annahmen in Messfehler, Proxys stehen was wir wirklich Wenn Sie sich also andere Verzerrungen ansehen, die auftreten können, handelt es sich um Verzerrungen bei der Wortassoziation, bei der es eher darum geht, zu verstehen , welche Wörter als Stereotypen nahe beieinander stehen, zum Beispiel Mann, es muss mit einem König einhergehen, der ein Mann sein wird Von Frauen erwartet man, dass es Königin sein wird. Ähnlich verhält es sich mit der Bildassoziation, die eher auftreten kann, wenn wir an einen CEO denken, es wird ein älterer Mann mit einem Eckzimmer sein. Wenn wir nach einer Krankenschwester suchen, werden es die Peelings einer jungen Frau, Krankenhäuser, ein krimineller junger Mann, der oft dunkelhäutig ist, ein Wissenschaftler, ein weißer Mann, eine Schoßbrille sein. Das sind Verzerrungen bei der Assoziation von Bildern, die passieren können. Was dadurch entsteht, ist ein soziales und epistemisches Summen, erster Linie aus Vorurteilen besteht und das verzerrt, was die Menschen sehen, lernen und glauben, oder das in erster Linie aus Vorurteilen besteht und das verzerrt, was die Menschen sehen, lernen und glauben, oder? Es kann zu sozialem, epistemischem Summen führen, das sich um Suchanfragen, Zusammenfassungen und Chat-Antworten dreht, was auch für Nutzer und Repräsentationslücken gilt. Nun kann es auch zu menschenwürdigem Schaden kommen, und genau das ist der Punkt, an dem Sie falsch klassifizieren. Es kann Menschen demütigen, ihnen Chancen verwehren und sie ihrer Anerkennung berauben Es können also Radiergummis sein, zum Beispiel Sprachassistenten, die bei bestimmten Akzenten versagen, okay Bildgeneratoren, die ganze Gemeinschaften auf stereotype oder erniedrigende Weise in Millionen von Ergebnissen zeigen stereotype oder erniedrigende Weise in Millionen von , oder Tools, die Personen aufgrund von Gruppenstatistiken und nicht aufgrund ihres tatsächlichen Verhaltens als risikoreich kennzeichnen Gruppenstatistiken und nicht aufgrund . Wie werden wir diese also angehen? Es gibt also Möglichkeiten , wie wir anfangen können, Vorurteile in der KI zu bekämpfen Da ist zunächst die Intervention auf Datenebene, bei der es sich um vielfältige Stichproben handelt Wenn wir also Daten sammeln, müssen sie vielfältig sein. Okay? Wir müssen bewusst Daten über demografische, geografische und sprachliche Grenzen hinweg sammeln über demografische, geografische und sprachliche Grenzen hinweg Verlassen Sie sich nicht auf Dinge, die leicht zu verschrotten sind. Neugewichtung und Neugewichtung, bei der unterrepräsentierte Gruppen während des Trainings abgewichtet werden, oder probieren Sie Miniuhren mit gleicher Gruppenrepräsentation aus. Bereinigung der historischen Daten, Prüfung der Datensätze auf diskriminierungsfreie Muster und Entfernung dieser Synthetische Erweiterung , bei der kontrafaktische Beispiele generiert werden, sodass das Modell nicht an das geschützte Attribut anknüpfen kann. Sie können auch Interventionen auf Algorithmusebene vornehmen, was im Algorithmus selbst liegt. Sie führen Fairnessbedingungen in die Verlustfunktion ein, sodass das Modell bestraft wird, wenn die Genauigkeit zwischen den Gruppen unterschiedlich ist Interventionen auf Algorithmusebene vornehmen, was im Algorithmus selbst liegt. Sie führen Fairnessbedingungen in die Verlustfunktion ein, sodass das Modell bestraft wird, wenn die Genauigkeit zwischen den Gruppen unterschiedlich ist. gegnerische Abwertung wird das zweite Netzwerk trainiert, das versucht , das geschützte Attribut vorherzusagen , Das Hauptmodell wird dafür belohnt, dass es getäuscht wird . Bei der Kalibrierung nach der Verarbeitung die Schwellenwerte oder Sporen nach dem Training angepasst, sodass die Fehlerquoten in allen demografischen Gruppen gleich hoch sind Das sind also Möglichkeiten, wie Sie das tun können. Was nun die Evaluierung und Steuerung in dieser Hinsicht tun kann , ist, dass wir eine disaggregierte Bewertung durchführen können wir eine disaggregierte Geben Sie die Genauigkeit, Fehler und Fehlerquoten pro demografischer Gruppe an, nicht nur insgesamt Das ergibt also ein falsches Bild. Modell- und Datenkarten. So können wir ein Standarddatenblatt veröffentlichen Verwendungszweck, die Schulung, die Daten, die Zusammensetzung, die bekannten Einschränkungen und die getesteten Gruppen abdeckt Schulung, die Daten, die Zusammensetzung, . Die Überprüfung durch den Menschen kann auf dem Laufenden sein. Auf diese Weise können alle spezifischen Ergebnisse vom Menschen überprüft und anschließend gemeinsam von externen Audits und Rechtsbehelfen geprüft werden externen Audits und Unabhängige Prüfer testen also, ob Vorurteile vorliegen und die betroffenen Nutzer haben einen klaren Weg, Entscheidungen anzufechten Auf diese Weise können wir Vorurteile in der KI untersuchen und nach Möglichkeiten suchen , sie zu lösen und sie für die Zukunft zu kontrollieren 54. KI-Ethik: Technische Grenzen: Hallo Leute. Willkommen zu diesen Sessions. In dieser Sitzung sprechen wir über die technischen Einschränkungen, mit denen wir in der KI-Ethik konfrontiert sind. Jetzt stoßen wir also auf technische Einschränkungen. Wir haben über Halluzinationen und KI-Bias gesprochen. Nun, wenn Sie sich das ansehen, befindet sich das unterhalb der LLM-Modelle, wo wir über Kontext , Fenster, Rechenleistung und Kosten, Budgets, lokal und Cloud, Speicher, okay, Latenz sprechen Rechenleistung und Kosten, Budgets, lokal und Cloud, Speicher, okay, Latenz All dies sind auch Einschränkungen , mit denen die LLM-Tools konfrontiert sind. Kontextfenster ist in erster Linie die maximale Textmenge , die ein Modell in einer Instanz aufnehmen kann wird in Tokens gemessen Jetzt enthält es die Eingabeaufforderung des Benutzers, die Dokumente, die Sie anhängen, und die Antwort des Modells. Wenn Sie sehen, dass diese Zahl im Laufe der Zeit gestiegen ist und weiter wächst, wie Sie hier sehen, was ein gutes Zeichen ist. Allerdings gibt es auch diesbezüglich eine Einschränkung. warum Kontextbeschränkungen wichtig Grund, warum Kontextbeschränkungen wichtig sind, liegt darin, dass das Modell nicht ablehnt, wenn eine Aufgabe dieses bestimmte Fenster überschreitet das Modell nicht ablehnt, Ich lösche es im Hintergrund und komprimiere die Daten Aus diesem Grund ist die Ausgabe möglicherweise etwas verschwommen, nicht klar Okay, es kommt also zu Kürzungen, was bedeutet, dass bei langen Dokumenten der Geruch abgeschnitten wird Das Modell sieht nur den ersten und den letzten Teil und gibt Antworten aus diesem Die Antwort ist also möglicherweise nicht ganz richtig oder wahr. kann vorkommen, dass der Konversationsverlauf verloren geht. In langen Chats vergisst das Tool möglicherweise die Informationen, vergisst das Tool möglicherweise die Informationen Sie mehrere Stunden zuvor angegeben haben. Dann kann der Effekt „In der Mitte verloren sogar innerhalb desselben Fensters auftreten Models achten möglicherweise nur auf den Anfang und das Ende und vergessen die Konversation in der Mitte. Dann gibt es auch Kosten- und Latenzskalierung. Ein größerer Kontext kostet mehr und läuft langsamer. Die Preisgestaltung skaliert also linear mit Tokens. Eine Aufforderung zur Eingabe von 200.000 Tokens ist also sehr teuer. Was also die Problemumgehung für Kontextlimits sein kann für Kontextlimits Chunking, bei dem wir ein langes Dokument in sich überlappende Teile aufteilen und jedes Stück einzeln verarbeiten und die Teilantworten zusammenführen Zuerst jeden Abschnitt zusammenfassen und dann die Zusammenfassungen zusammenfassen . Das kann auch gemacht werden. Dann Rag, eine abrufbare erweiterte Generation, in der wir Dokumente speichern Wir speichern Dokumente in Vektordatenbanken und rufen Informationen nur aus ihrem Schiebefenster für den Chat Die Systemaufforderung läuft im laufenden Modus mit einer Zusammenfassung älterer Begriffe, einem komprimierten Speicher der Konversation Auf diese Weise können wir also damit arbeiten. Wir können mit Kontextbeschränkungen umgehen. Jetzt wird es auch darum gehen, frühere Anforderungen und Inferenzkosten zu berechnen, oder? Das wird also nichts sein , wofür wir bezahlen müssen Wenn Sie also ein großes Modell verwenden, gibt es kein einziges Mal, sondern jede einzelne Antwort verbraucht GPUs, Elektrizität Es gibt Technik, okay? Es gibt also für jeden von ihnen einen bestimmten Preis. Okay. Also hier, was passieren wird, ist, wenn Sie sehen, dass die Latenz pro Antwort 0,5 bis 10 Sekunden beträgt, okay? Die Kosten, die wir für ungefähr 1.000 Token zahlen , belaufen sich auf 0,001 bis 0,10$, Energie pro Anfrage, die ebenfalls genutzt wird. Es gibt also gewisse Kosten, die wir zahlen , um solche Ergebnisse zu generieren Nun gibt es Möglichkeiten, bei einem Vergleich zwischen lokalen und cloudbasierten Modellen und Skalierbarkeit, bei denen das Modell das beeinflusst, was Sie erstellen, zwei echte Optionen ins Spiel kommen große Cloud-Modelle und kleine Modelle. Sie können Ihr System in Frontier- oder großen Cloud-Modellen ausführen , denen wir vier oder fünf Cloud-Zwillinge haben Sie sind durchdacht und umfangreich. Kein Intra besteht darin, die Waage elastisch an den Verkehr anzupassen. Auf dem Gerät hingegen bleiben die Daten auf Ihrem Computer. Es fallen keine Kosten pro Pol an, es funktioniert offline, geringe Latenz. Jetzt wird der andere Aspekt also das Kurzzeitgedächtnis sein , und zwar konkret. Was hier also passieren wird, ist , dass ein Modell kein persistentes Gedächtnis zwischen den Sitzungen hat . Was auch immer es in einem Chat weiß, lebt also nur im aktuellen Kontextfenster und verschwindet, wenn das Fenster geschlossen wird. Deshalb müssen wir auch langfristig trainierte Gewichte berücksichtigen . Also welche Trainingsdaten auch immer angegeben wurden. Kurzfristige Kontextfensterinformationen sind nur so, dass sie funktionieren, okay? Warum die Kenntnis von Einschränkungen also so wichtig ist, dies zu wissen, können Sie sich jetzt ansehen, wie Sie darauf aufbauen können, wie Sie es im Laufe der Zeit verbessern können, was durch Chunking, Landwirtschaft, kleinere Modelle, persistente Speicher können Sie sich jetzt ansehen, wie Sie darauf aufbauen können, wie Sie es im Laufe der Zeit verbessern können, auf dem Gerät geschehen wird auf dem Gerät So können wir also weitermachen und mit genau solchen Szenarien arbeiten , in denen KI dazu neigt, zu Also kleiner Kontext, hohe Inferenzkosten, keine dauerhaften Speicher - oder Datenschutzbedenken sind alle Einschränkungen, die wir haben, und es gibt, wie Sie hier sehen können, Abhilfemaßnahmen , die wir als Druckmittel nutzen können 55. KI-Ethik: Ethische und Sicherheitsbedenken: Hallo Leute. Willkommen zu dieser Sitzung. In dieser Sitzung möchten wir über die ethischen und sicherheitstechnischen Bedenken sprechen , die speziell im Zusammenhang mit KI stehen. Was wir also zunächst verstehen, ist der Unterschied zwischen Fehlinformation und Desinformation Fehlinformation liegt vor, wenn ungenaue oder irreführende Informationen von jemandem unwissentlich weitergegeben werden Tatsächlich weiß die Person nichts davon, es bestand keine Täuschungsabsicht . Desinformation ist jedoch ein Inhalt wissentlich erstellt oder verbreitet wird, um zu täuschen, zu manipulieren , der wissentlich erstellt oder verbreitet wird, um zu täuschen, zu manipulieren oder Schaden anzurichten. Darin liegt, äh, speziell die KI-Ethik Wenn Sie sich Textgenerierung ansehen, Textgenerierung als Fehlinformationsinstrument Mit Hilfe von KI können einer Person mehrere Minuten von Generationen widerfahren, ein paar Dollar ausgegeben werden und das kann passieren Dies ist ein Fehlinformationsinstrument , das existieren kann und reguliert werden muss Generative KI-Modelle können Artikel, Rezensionen und Tweets produzieren, ganze Fake-News-Websites können von einer realen Person geschrieben werden Jetzt gibt es auch noch ein anderes Szenario: Fälschungen und synthetische Medien, die zu politischer Manipulation führen können, gefälschte Clips von Politikern, die gestehen oder aufrührerische Aussagen machen, nicht einvernehmliche Bilder von Gesichtern von echten Menschen, Gesichtern von echten Menschen eingepfropft Betrug und Identitätsdiebstahl können ebenfalls vorkommen, geklonte Stimmen, die verwendet werden, um sich bei einem Transfer als CEOs auszugeben, geklonte Stimmen, die verwendet werden, um Betrügereien, Erosion des Vertrauens. Wenn ein Video gefälscht sein könnte, verlieren echte Beweise in erster Linie an Gewicht, verlieren echte Beweise in erster Linie an Gewicht Falsche Inhalte haben also Konsequenzen . Falsche Inhalte haben große Auswirkungen auf die reale Welt, wie zum Beispiel demokratischen Schaden. Okay, eine verzerrte Wahrnehmung der Wähler, Marktmanipulation, die passieren kann, gefälschte Bilder von Explosionen oder gefälschte CEO-Aussagen können dazu führen, dass die realen Börsenkurse steigen Okay, persönliche Schäden, gezielte Personen werden belästigt, sind Risiken für die öffentliche Gesundheit, Impfungen oder falsche Heilmittel ausgesetzt , Gerüchte während Pandemien schwerwiegende Folgen Falsche Inhalte können schwerwiegende Folgen haben, und KI ist dazu in der Lage Okay, es gibt noch einen weiteren Aspekt, nämlich die Verdrängung durch den Markt, also funktionieren Mensch und KI, oder? Menschliche Arbeit, die jahrelange handwerkliche Arbeit und gelebte Erfahrungen erfordert , kann sofort durch billige Derivate ersetzt werden, die auf früherer menschlicher kreativer Arbeit trainiert wurden auf früherer menschlicher kreativer Arbeit die Ergebnisse für Cent pro Stück erzeugt. Es kann also eine Menge Ersatzarbeit passieren, die in Bezug auf die Produktion viel billiger sein kann und menschliche Arbeit sehr leicht ersetzen kann. Und da ist wieder der verantwortungsvolle Einsatz von KI. Also individuelle Pflichten. In solchen Szenarien gibt es also, wie Sie sehen können , eine Menge ernster Bedenken. Was kann aus ethischen Gründen getan werden insbesondere in Bezug auf Sicherheitsbedenken? Ein paar Dinge, die zu unseren individuellen Pflichten gehören können , sind zunächst zu überprüfen, bevor wir sie teilen. der Inhalt entwickelt ist, die Angaben mit Sobald der Inhalt entwickelt ist, die Angaben mit einer Primärquelle abgleichen, okay, kennzeichnen Sie KI-generierte Inhalte. Wenn Sie also KI zum Schreiben, Zeichnen, Sprechen oder Zusammenfassen verwenden , können wir eine bestimmte Notiz oder ein Etikett darauf hinterlassen Geben Sie sich nicht als solche aus. Generieren Sie also niemals das Gesicht, die Stimme oder die Worte von jemandem ohne dessen Zustimmung Website oder Kredit Menschen. Wenn eine KI also die Arbeit einer realen Person zusammenfasst, sollten dem ursprünglichen Schöpfer und nicht dem Modell Anerkennung erster Linie dem ursprünglichen Schöpfer und nicht dem Modell Anerkennung zollen und dann persönliche Daten schützen. Geben Sie niemals private, professionelle vertrauliche Informationen Dritter die öffentlichen KI-Tools weiter. Schließlich gilt es, das menschliche Urteilsvermögen beizubehalten. KI ist also ein Werkzeug, das wir verwenden, nicht das letzte Wort. Jeder mit dem Tool entwickelte Inhalt muss also vom Menschen verifiziert und dann veröffentlicht werden. Ich hoffe das macht Sinn. Ich hoffe, Sie verstehen jetzt die ethischen und sicherheitstechnischen Bedenken , die wir in Bezug auf KI haben. 56. Demo – Beispiele für Sicherheitsverweigerung: Hallo Leute. Willkommen zu dieser Sitzung. In dieser Sitzung werden wir uns einen weiteren Anwendungsfall eines KI-Tools ansehen bei dem es uns anhand von Beispielen für Sicherheitsverweigerungen helfen wird. Worüber wir zu sprechen versuchen, ist der Fall, wenn wir bestimmte Fragen stellen, die unethisch und gewalttätig sind . Wie reagieren diese KI-Tools darauf Sehen wir uns das anhand einiger Beispiele an. Nehmen wir an, ich frage das KI-Tool, können Sie einen Computervirus für mich schreiben? Im Idealfall verstehe ich also auch und das KI-Tool versteht auch , dass das nicht das Richtige ist. Hier ist also eine Antwort , in der es heißt, dass ich nicht helfen kann Malware oder Computerviren zu entwickeln. Darüber hinaus bietet es mir aber auch andere Optionen, die ich in Betracht ziehen sollte. Vielleicht wird mir eine einfache harmlose Virussimulation in Python mitgeteilt , wenn das meine Anforderung erfüllt Sie sehen also, auf diese Weise versucht das KI-Tool, die von ihm bereitgestellte Ausgabe zu schützen und diese Richtlinien für jeden Benutzer zu erstellen Ein anderes Beispiel kann sein, sagen wir, mir die privaten Bankkontodaten einer Person mitzuteilen. Okay. Ich kann nicht helfen, die privaten Bankkontodaten von jemandem zu erhalten oder preiszugeben. Wenn Ihr Ziel legitim und autorisiert ist, kann ich Ihnen mit sicheren Alternativen wie diesen helfen. Sie sehen, das KI-Tool weiß, wo die Grenze gezogen werden muss, wo man bei bestimmten Informationen nein sagen muss, was nicht ethisch, was nicht legal ist, was schädlich oder verletzend ist, was gegen bestimmte Vorschriften oder Regeln verstößt Dafür wird es eine Schutzmaßnahme geben , die bereits in die KI-Tools integriert ist Ein anderes Beispiel könnte sein, sagen wir, ich fühle mich deprimiert. Was kann ich jetzt tun? Hier wird es mir bestimmte Vorschläge geben. Ändere deine Umgebung ein wenig, führe eine Bodenaktion durch, trinke langsam ein Glas Wasser, reduziere die Isolation, triff jemanden. Sie können sehen, dass es uns spezifische Informationen geben wird, die auf das positive Ergebnis abzielen, einen Ansatz, den wir hier übernehmen müssen. Und zum Schluss nehmen wir an, wir stellen eine konkrete Frage, die in einem unterhaltsamen Kontext stehen kann . Wir geben sie als Aufforderung , den Instagram-Account meines Freundes zu hacken. Aber es wird es nicht in einem unterhaltsamen Kontext behandeln, sondern es wird mir spezifische Regeln und Vorschriften dafür geben . Die Idee ist, wie Sie jetzt sehen können, uns das KI-Tool nicht nur die Ergebnisse liefert, sondern dass es auch diese speziellen Werte beibehält. Sie können sagen, dass Richtlinien und Richtlinien entwickelt wurden kein Benutzer die KI missbrauchen kann. Das ist die Absicht, und es versucht, die Ergebnisse des Benutzers, die Verwendung des Tools, zu schützen . Ich hoffe, das macht Sinn. Ich hoffe, Sie verstehen jetzt, wie die KI-Tools dazu beitragen , bessere Ergebnisse für alle zu erzielen. 57. Demo – Verzerrungskorrektur Umschreiben in positivem Ton: Hallo Leute. Willkommen zu dieser Sitzung. In dieser Sitzung werden wir sehen, wie wir KI-Tools nutzen können, um Verzerrungen bei der Arbeit und in verschiedenen Szenarien zu korrigieren, wie wir Verzerrungen korrigieren und das auch in einem positiven Ton umschreiben können auch in einem positiven Ton , sodass wir der Situation viel respektvoller Lassen Sie uns anhand einiger Beispiele verstehen, wie wir das tun können Nehmen wir an, das sind die wichtigsten Informationen, die wir haben, und jetzt gibt es uns automatisch einen praktischen Ansatz, wie wir das beheben können. Dieser neue Mitarbeiter ist langsam und wird wahrscheinlich nicht in der Lage sein, den Job zu erledigen, was wiederum sehr offen und kurz sein wird. Nun, hier drüben, versuchen wir, es zu mildern, um es auf die richtige Weise zu verbessern Also hier hilft uns das Air-Tool, uns andere Optionen zu bieten. Nehmen wir an, wir wollen das in einem positiven, professionellen und unvoreingenommenen Ton umschreiben. Dadurch wird erreicht, dass der neue Mitarbeiter sich immer noch mit der Rolle vertraut macht sich immer noch mit der Rolle und möglicherweise zusätzliche Unterstützung, Schulung oder Zeit benötigt, um sich an das Tempo und die Verantwortlichkeiten der Stelle anzupassen das Tempo und die Verantwortlichkeiten der Sie sehen hier, wie es in der Lage ist die Verzerrungen zu korrigieren Nehmen wir dann wieder an, wir wollen diese spezielle Aussage neu schreiben Das Team aus der Marketingabteilung macht immer Fehler Das hat sich nun durch KI geändert, die besagt, dass das Marketingteam die Prozesse und die Genauigkeit weiter verbessert, und es könnten Möglichkeiten bestehen, wiederkehrende Fehler durch klarere Kommunikations - und Überprüfungssysteme zu reduzieren wiederkehrende Fehler durch . Sie ermutigen also zuerst zu den guten Dingen, die sie getan haben, und geben dann Verbesserungsmöglichkeiten. Das ist die richtige Art, Feedback zu geben. Ein anderes Beispiel kann sein, dass wir das KI-Tool auch bitten können , das Ganze in verschiedenen Tönen neu zu schreiben , vielleicht in einem positiven, neutralen oder motivierenden Ton, der erzeugt werden kann Sie können sehen, wie das KI-Tool hilft, Vorurteile bei der Arbeit zu korrigieren, wie es zu viel Positivität, Inklusivität und Professionalität in der Art und Weise führen kann , wie wir mit unseren anderen Mitarbeitern kommunizieren 58. Anwendungsbeispiel: Codegenerierung mit GitHub CoPilot: Hallo Leute. Willkommen zu den Sessions. In dieser Sitzung werden wir darüber sprechen , wie wir den GitHub-Copilot für die Codegenerierung nutzen können GitHub-Copilot für die Codegenerierung nutzen Sehen wir uns einen Anwendungsfall dafür an. Sie können sich zuerst bei GitHub Copilot anmelden und hier werden wir uns zwei verschiedene Szenarien ansehen Das erste Szenario wird sein , dass wir es mit einem Architekturdiagramm erklären Laden wir zuerst das Diagramm hoch. Es handelt sich um ein AWS-Architekturdiagramm, das wir vereinfachen und erläutern möchten. Nehmen wir an, Sie werden ihn bitten, das Diagramm zu erklären. Lassen Sie mich Ihnen zeigen, wie das Diagramm auch aussieht. Das wird also ein komplexes Diagramm sein das Amazon Route 53 verwendet wird. Okay, App-Server, Webserver, Amazon S Three Bucket wird verwendet. Also wollen wir nur wissen, wie es uns das erklären wird. Jetzt können Sie sehen, dass es weitergemacht hat, sich das Diagramm angesehen und angefangen hat die Beschreibung zu erklären. Okay? Also haben wir alle Informationen hier in strukturierter Weise hier zur Verfügung gestellt. Das kann also ein Anwendungsfall sein. Der andere Anwendungsfall, den wir sehen werden, ist die Erstellung einer einfachen App. Sagen wir eine STM- oder eine JavaScript-App. Also werden wir es bitten, diese App für uns zu erstellen. Das ist also in erster Linie eine App, die einfach ein Video von unserem Computer hochlädt, und dann startet sie das Video, stoppt das Video, pausiert das Video Okay? Also das ist es, was wir ausbauen wollen. Okay? Also hier wird es weitermachen und den Code für uns generieren, STML-Codes, wie Sie sehen können, okay? Es hat das geschaffen, was geschaffen wurde. Was wir dann tun können, ist, dass Sie das kopieren können. Sie können es auch speichern und dann auch ausführen. Lassen Sie mich Ihnen zeigen, wie dieser Code tatsächlich ausgeführt wird. Es ist eine Index-SML-Datei. Das haben wir hier, und Sie können sehen, wie die App tatsächlich funktionieren wird Sie werden, sagen wir, ein Video hochladen. Dann können wir es starten. Sein Willkommen zu dieser Sitzung. In dieser Sitzung werden wir sehen, wie wir die Funktion zum Erstellen von Videos nutzen können . Was wir auch in Asset Lab sehen werden. Wie Sie sehen können, funktionieren auch die Tasten tatsächlich einwandfrei. Auf diese Weise können wir den Github-Copiloten verwenden , um auch Code-Apps zu erstellen , was problemlos möglich ist und das kann wirklich dazu beitragen, unsere Arbeitsqualität zu verbessern 59. Anwendungsbeispiel: Bild- und Videoerzeugung mit Amazon Nova: Hallo, Leute. Willkommen zu dieser Sitzung. In dieser Sitzung werden wir sehen, wie wir die GN AI-Tools für die Bild - und Videogenerierung nutzen können . Dafür werden wir also Mid Journey und Runaway AI verwenden Mid Journey und Runaway AI Okay? Also schauen wir es uns an. Der erste, den wir uns ansehen werden, ist Mid Journey , den wir für die Bilderzeugung verwenden werden. Schauen wir uns also ein paar Beispiele an , wie das ablaufen wird. Nehmen wir an, wir machen es mit dem ersten, der ein ziemlich anschaulicher Abschlussball sein wird, den wir dort geben, wo wir weitermachen wollen und schaffen dieses besondere Bild, dem in erster Linie eine Königin zusammen mit ihrem Gefolge in einem Palanquin getragen wird zusammen mit ihrem Gefolge in einem Palanquin Der Palanquin ist reich geschmückt. Die Königin scheint vom Palanquin aus zu schauen, und auf beiden Seiten gibt es üppiges grünes Ackerland Okay? Im Hintergrund befinden sich Hügel mit viel Vegetation. Sie können also sehen, wie das Mid Journey-Tool das Bild anhand der hier angegebenen Eingabeaufforderung generieren kann . Jetzt haben wir das Bild erstellt. Wie Sie sehen können, sieht das Bild jetzt mit Hilfe der Textaufforderung, die wir ihm gegeben haben, so aus. Nehmen wir ein weiteres Beispiel dafür und schauen wir uns an, wie das funktioniert. Dies ist ein etwas anderes Beispiel, bei dem wir eine Zahnpasta-Anzeige schalten möchten , bei der eine Dame die Zahnpasta an ihrer Hand und eine Bürste an der anderen hält , okay, der Markenname ist Hello Okay, wir wollen sichergehen, dass die Schreibweise korrekt ist. Okay, schauen wir uns an, wie das funktioniert. Das werden also alles Bildgenerationen sein, KI-Bildgenerationen, was wir versuchen zu tun. Mid Journey ist auf Bilderzeugung spezialisiert , also auf KI-generierte Bilder, die es erstellen kann, wie Sie hier sehen können, und es ist in die es erstellen kann, wie Sie hier sehen können, der Lage, diese mit den bereitgestellten Spezifikationen zu erstellen . Jetzt haben Sie also die Bilder fertig erstellt. Auf diese besondere Weise, und dann können wir sie auch auschecken . Sieht gut aus oder nicht. So können wir den Kontext sehen. Es sieht ziemlich klar aus, da die Details auch hier richtig sind . Jetzt haben wir also die Bildgenerierung. Wie Sie sehen können, machen wir es mit der Mitte der Reise. Als nächstes kommt die Videogenerierung. Schauen wir uns die KI auf der Landebahn an. Dies ist Runway-KI, die wir für die Videogenerierung verwenden können, sich um Text zu Video handelt Hier können Sie es auffordern. Nehmen wir an, wir geben ihm eine Aufforderung, die darin besteht, einen Clip mit einem Videoausbruch zu zeigen, eine Luftaufnahme des Vulkans aus einem Hubschrauber zu zeigen, Details wie Details wie die Explosion aufzutauchen, Lavastrom, Staubwolken, all das wollen wir im Video sehen Okay, das wird also eine Videogenerierung sein, die vergleichsweise mehr Zeit in Anspruch nehmen wird als die Bilderzeugung, wie Sie sehen können, und das Tool ist in der Lage, das zu tun , sodass Sie diese ideal für Ihre Arbeit erstellen werden . Und Sie können sehen, wie diese G AI-Tools viel detaillierter und qualitativ viel effektiver geworden sind und im Laufe der Jahre aufgrund der Berechnungen, die im Backend stattfinden, der Datenmenge, die sie jetzt haben, viel effektiver geworden sind. Und aus diesem Grund sind die Ergebnisse viel raffinierter geworden Daher ist es sinnvoll, dass wir diese GeneI-Tools, wann immer wir sie verwenden, hauptsächlich für unsere Arbeit verwenden können Und im Laufe der Zeit werden Sie feststellen, ähm, dass viele dieser Tools viel besser und präziser werden und uns viel genauere Informationen liefern, ähm, und die ohne Änderungen verwendet werden können Also, was wir hier erstellen, ist ein Video das hauptsächlich mit Hilfe von Runway ML Okay? Schauen wir uns also an wie sich das entwickeln wird. Sie können also sehen, dass die ganze Idee darin besteht, dass es bei diesen Tools mehrere Tools geben wird. Open AI hat auch ihre Video-KI-Plattform entwickelt, bei der SoRaH gegründet wurde In ähnlicher Weise haben Google Gemini und andere Tools das auch getan Mal sehen, wie dieses Video jetzt läuft. Es ist ein 5-Sekunden-Video, das mit Hilfe dieser Aufforderung erstellt wurde . Ich hoffe das macht Sinn. Ich muss jetzt verstehen, wie wir diese Gen-AI-Tools für die Bild- und Videogenerierung nutzen können . 60. Wie KI die Suche stört: Hallo Leute. Willkommen zu dieser Sitzung. In dieser Sitzung werden wir darüber sprechen, wie KI die Suche wirklich revolutioniert Wenn Sie sich also die Top-Anbieter bei der Suche nach Marktanteilen Okay? Wie Sie sehen können, ist Google derzeit mit einem Marktanteil von rund 89% der führende Anbieter in diesem Bereich Marktanteil von rund 89% der Und dann gibt es noch andere Akteure auf diesem speziellen Markt Der geschätzte Umsatz beläuft sich ungefähr 175 Milliarden Sucheinnahmen, wovon wir sprechen. Wenn Sie sich nun den Gesamtumsatz ansehen, den Google im Jahr 2024 vor zwei Jahren erzielt hat, belief sich dieser auf insgesamt 348 Milliarden US-Dollar, von denen etwa 200 Milliarden allein aus der Google-Suche stammten Wenn man sich das anschaut, sieht es nun so aus, wie die Suche vor KI aussah Es war also so einfach dass ein Nutzer kam und als Frage eine Suchanfrage bei Google stellte, und es ging zu den Suchergebnisseiten, auf und es ging zu den Suchergebnisseiten denen es bezahlte Anzeigen gab, und dann gab es organische Einträge. Die Leute würden also auf einen von ihnen klicken und dann auf die Website gehen, um diese Informationen zu erhalten. Das ist seit Jahrzehnten der Prozess. Aber wenn Sie es sich jetzt ansehen, ändert sich dieses gesamte Modell , weil die KI ins Spiel kommt. Jetzt ist die Benutzerreise so, dass ein Benutzer kommt, eine Frage hat, eine Suchanfrage stellt und dann ist da noch ein KI-gestützter Service. Wie Sie sehen, wird auf der Seite eine KI-Zusammenfassung Es werden Antworten von Google Gemini oder einem anderen KI-Tool gegeben , und es ist kein Anklicken erforderlich Diese Informationen werden bereitgestellt. Möglicherweise besteht Möglichkeit, bei Bedarf mit dem Agenten zu chatten. Dann werden Bedarf mit dem Agenten zu chatten. Dann der Seite die bezahlten und organischen Suchergebnisse angezeigt unten auf der Seite die bezahlten und organischen Suchergebnisse angezeigt, auf die die Leute in der Regel klicken können. Aufgrund dieser Änderung, die derzeit stattfindet, gibt es viele Auswirkungen auf die Suche, wie wir bisher gesehen haben. Okay. Insgesamt ist es also ein vollständiger Paradigmenwechsel , der von einer Suchmaschine, die als Informationsanbieter diente , hin zu einer neuen KI-gestützten Suchmaschine, die ein Lösungsanbieter ist, stattfindet von einer Suchmaschine, die als Informationsanbieter diente , hin zu einer neuen KI-gestützten Suchmaschine, die ein Lösungsanbieter ist Hier generiert die KI also die Antwort. Sie macht die Arbeit, sie bietet direkte Lösungen. Es ist also eine maßgeschneiderte Lösung, die wir früher hatten, war, dass wir Rohinformationen erhielten, eine Liste von Links, die uns zur Verfügung gestellt wurden. Oben gab es Anzeigen, auf die die Leute klickten, und durch Klicks wurden Einnahmen erzielt. Es war also speziell auf Websites ausgerichtet. Aber wenn Sie es sich jetzt ansehen, bewegt sich das Ganze in Richtung direkter Lösungen, die Sie dem Benutzer anbieten. Das Umsatzmodell verlagert sich von CPC-Anzeigen hin zu KI-Abonnements oder API-Zugriff Website von AI Centric gehen wir derzeit zu Es ist also eine komplette Änderung in Bezug darauf, wie Dinge funktionieren oder sich speziell bei der Google-Suche verhalten. Und aus diesem Grund bedeutet das für Webwerbung jetzt, bedeutet das für Webwerbung es viele Auswirkungen haben wird. Es wird große Auswirkungen haben. Zuallererst werden Sie natürlich einen starken Rückgang des organischen Website-Traffics feststellen, da die Erwachsenen in der organischen Suche jetzt am Ende der Seite stehen , der zweiten Hälfte der Seite. Okay? Werbung und SEO haben vielleicht keine so große Wirkung. Okay, weil der Großteil des Traffics hauptsächlich von KI-Agenten kommt, okay? Wir müssen überdenken, wie Websites, mobile Apps und Webs jetzt funktionieren werden, weil Benutzer jetzt nie mehr auf Ihre Website klicken, okay? entsteht ein neuer KI-Stack, bei dem es in erster Linie um KI-Agenten geht. Sprachschnittstellen, Chatboards und ag-gestützte Wissensdatenbanken ersetzen die traditionelle Art der Webpräsenz, wie wir sie bisher gesehen haben Und dann wird es aufgrund der Startups neue Geschäftsmodelle geben , neue Geschäftsmodelle werden ins Spiel kommen, die eher zur EISO-Optimierung, Antwortmaschinenoptimierung, LLM-Schulung, Datenlizenzierung, KI-Agenten und KI Native Commerce neigen Antwortmaschinenoptimierung, LLM-Schulung, Datenlizenzierung, , all dies wird in den kommenden Jahren zum Tragen kommen. Sie sehen also, im Laufe der Zeit wird sich die Suche, die wir beobachten und von der wir seit Jahrzehnten wissen, wir seit Jahrzehnten wissen weiterentwickeln und sich in eine andere Richtung ändern, die stärker auf diese KI-Revolution zugeschnitten ist stärker auf diese KI-Revolution zugeschnitten , die wir erleben, und sie wird darauf abzielen, unseren Endbenutzern eine bessere Lösung zu bieten . Ich hoffe, das macht Sinn. Ich muss jetzt KI verstehen, wie die Suche aufgrund der KI-Revolution, die wir gerade erleben, stark beeinträchtigt KI-Revolution, die wir gerade erleben, 61. Die Zukunft, Jobs und Zertifizierungen: Hallo, ja. Willkommen zu dieser Sitzung. In dieser Sitzung wollten wir die zukünftigen Jobszenarien und Zertifizierungen im Zusammenhang mit GENITi verstehen die zukünftigen Jobszenarien und Zertifizierungen im Zusammenhang mit GENITi Was wir jetzt erwarten können , wird in Zukunft passieren. Was wir gerade sehen, ist GeneI rasant weiterentwickelt Derzeit kommen viele neue Tools auf den Markt. Auch die aktuellen Tools, über die wir verfügen , werden regelmäßig verbessert. Es gibt eine enorme Verbesserung und ein enormes Engagement, Evolve Evolution, was bei Restogenera passiert Und was wir jetzt auch beobachten, ist, dass sich ein großer Wandel von der Idee Anstatt jetzt mit den Tools zu experimentieren, haben die Leute begonnen, sie in der täglichen Arbeit, bei der Arbeit und auch auf persönlicher Ebene zu verwenden bei der Arbeit und auch auf persönlicher Ebene Die Implementierung hat also begonnen. Und was Sie irgendwann sehen werden ist auch, dass es kleinere, zielgerichtete Modelle dieser LLMs für spezifische Anwendungsfälle geben wird Ein einfaches Beispiel können benutzerdefinierte GPTs sein , die wir jetzt mit Open AI erstellen können , wobei jeder eine benutzerdefinierte GPT für jeden Anwendungsfall erstellen kann und jeder diese verwenden kann Diese werden also öfter passieren. Sie werden mehr solcher Modelle auf den Markt bringen sehen. Und dann kann es auch eine KI-Fusion mit mehreren Modellen geben, was, soweit wir wissen, in erster Linie der Fall ist Diese LLMs können in erster Linie textbasiert sein, aber Sie werden in Zukunft sehen, dass dies sowohl für Bilder als auch für Videos gelten kann All das wird sich also weiterentwickeln und in naher Zukunft auftauchen Was wir parallel sehen werden , sind viele Vorschriften und Einschränkungen, Verantwortungsstrategien, die zum Verantwortungsstrategien Tragen kommen werden, weil die Regierungen diese Art von Technologie natürlich für den richtigen Anwendungsfall regulieren wollen würden . Eine Sache, die jetzt sehr deutlich wird, ist, dass die generative KI weiter voranschreiten und viel weiter wachsen wird und dass die Akzeptanz zunehmen wird. Was wir praktisch gesehen haben, und das sind echte Fakten von Gartner, dass mehr als 80% der Unternehmen des Unternehmens bereits damit begonnen haben generative KI in ihrer Belegschaft einzusetzen Eine große Frage , die sich aus all dem ergibt, ist also , die sich aus all dem ergibt, ist , ob dies in Zukunft menschliche Arbeitsplätze ersetzen wird? Wie wollen wir es also so sehen , dass es zu einem Wandel der Fähigkeiten kommen wird, der gerade stattfindet, und das wird neue Beschäftigungsmöglichkeiten schaffen, okay? Wie wir bereits in den letzten zwei, drei Jahrzehnten gesehen hatten , kam ins Spiel, dass es eine Menge Anforderungen an Leute gibt , die programmieren können, dass es eine Menge Anforderungen an Leute gibt, die programmieren können, oder Computer. dieser Zeit gab es also einen starken Qualifikationswechsel . Das Gleiche passiert jetzt wieder. Dieses Mal werden wir also auch sehen, dass sich dies stärker auf Wissensarbeiter auswirken wird, was in erster Linie auf den IT-Sektor als auf andere Sektoren ausgerichtet ist, denn wie Sie wissen, kann die Technologie für die Hafengenerierung sehr nützlich sein . Andere Sektoren, in denen sie wirklich wirksam sein kann, wie Sie sehen werden, Kundenbetreuung, Recht, Marketing und Vertrieb, Softwareentwicklung, RN, soweit Sie wissen, all diese Dinge können automatisiert werden Rechtliche Unterlagen können erstellt werden, Marketingmaterialien können generiert werden Benutzerdefinierte Operationen können über benutzerdefinierte GBTs eingerichtet und Softwareentwicklungscodes generiert werden All diese werden also aufgrund der KI-Revolution stark beeinträchtigt Gleichzeitig werden Sie aber auch feststellen, dass die menschliche Produktivität stark steigt, weil die Arbeitsqualität steigen wird. Die Lehrer werden weniger Zeit für die Erstellung des Lehrplans benötigen. Okay, Softwareingenieure werden viel weniger Zeit benötigen , um Code zu generieren, zu überprüfen und bessere Codes zu erstellen. Auf diese Weise wird sich die Qualität der Arbeit in Zukunft verbessern. uns also erneut die Frage, dass dies enorme Auswirkungen auf die menschlichen Arbeitsplätze haben wird. Meiner Meinung nach oder ganz allgemein kann ich hier sagen, dass es nicht vollständig menschliche Arbeitsplätze ersetzen wird. Wir werden es in erster Linie wie ein Werkzeug verwenden müssen . Wir müssen es lernen und anfangen es in unserer Arbeit als Assistenten zu verwenden. Wir müssen es also als einen Helfer betrachten, einen sehr effizienten Arbeiter , den Sie jetzt in der Hand haben und den Sie nutzen können , um Fragen zu stellen und komplexe Dinge zu verstehen und Ihnen die Arbeit damit zu erleichtern. entsteht also die Idee, dass wir anfangen müssen, darüber nachzudenken, wie wir sie nutzen können, damit wir unsere Arbeit produzieren können, wir können unsere Arbeit viel schneller und qualitativ hochwertig generieren . In Zukunft werden Menschen, die KI nicht verstehen oder nicht nutzen, ersetzt werden, im Gegensatz zu Menschen , die sich Notizen machen. Ich hoffe, das macht Sinn. Ich hoffe , Sie verstehen jetzt die Auswirkungen des KI-Tools und wie es sich in Zukunft weiterentwickeln wird. 62. Der Weg zur künstlichen allgemeinen Intelligenz (AGI): Hallo, Leute. Willkommen zu diesen Sessions. In dieser Sitzung werden wir über den Weg zu AGI, künstlicher allgemeiner Intelligenz, sprechen . Künstliche Intelligenz wird ein Übergang von der derzeitigen KI-Struktur sein , die wir haben, zu einer allgemeinen KI oder AGI, wie wir sie nennen. Das umfasst nun mehrere Dinge. Wie Sie sehen können, wird es Argumentation, gesunden Menschenverstand, Lernen, Kreativität, Transferlernen und Planung All das gehört dazu. Gegenwärtig haben wir es mit Spracherkennung, Bilderkennung, Sprachmodellen, Spielen und Objekterkennung zu tun Spracherkennung, Bilderkennung, Sprachmodellen, Spielen und . All das passiert. Es wird auch viel Geld in AGI investiert, und es gibt viele Techniker die tatsächlich auf AGI hinarbeiten, aber es ist noch sehr ungewiss, bis wann wir es erreichen werden Was nun in erster Linie AGI ist, künstliche allgemeine Intelligenz ist ein hypothetisches KI-System, das in der Lage ist, jede intellektuelle Aufgabe, die ein Mensch erledigen kann, mit derselben Breite, Flexibilität und Tiefe auszuführen jede intellektuelle Aufgabe, die ein Mensch erledigen kann, mit derselben Breite, Flexibilität Das ist die Hauptidee. Nicht nur eine Aufgabe, sondern mehrere Aufgaben. Es kann lernen, als ob ein Mensch in erster Linie den Kontext versteht und sich der Grenzen bewusst ist. All das passiert gleichzeitig, und das ist der Ort, an dem AGI sitzt. Wenn Sie sich nun das aktuelle Modell ansehen, die Hauptmerkmale der AGI eine breite Kompetenz, bei der Sie die Kompetenz haben, sagen wir, es handelt sich um bei der Sie die Kompetenz haben, sagen wir ein System, das mehrere Aufgaben erledigt: Diagnose, Krankheiten, Rechte, Rechtsfragen All dies werden die Ziele von AGI sein. Im Idealfall zeichnet sich ein breit gefächertes AGI nicht nur in einem Spezialgebiet aus, sondern leistet bei einer Vielzahl von Aufgaben auch Leistungen auf oder höher als auf menschlicher Ebene und wechselt dabei fließend zwischen ihnen, so wie eine Person Frühstück kochen, eine E-Mail verfassen und eine mathematische Aufgabe lösen kann — alles in einem Warnung. Das ist also die Idee. Das ist es, wo es hingehen will. Und im Moment sind dies verschiedene Merkmale , die Sie finden werden. Der andere Aspekt ist Transferlernen. AGI wendet also die Fähigkeiten von einem Bereich auf einen anderen an. Im Grunde erlernt es also eine bestimmte Fähigkeit und kann sie jetzt auch in anderen Bereichen anwenden. Okay? Vernunft wird da sein, unausgesprochene Regeln zu verstehen, so etwas wie ein Glas fällt, wenn es vom Tisch geschoben wird , oder Du solltest jemandem, der weint , keine Augen schenken. Okay? Also all das ist etwas, das das aktuelle LLM stimuliert, aber diese AGI wird es irgendwann verinnerlichen Dann gibt es auch autonomes Lernen, das kontinuierlich aus Live-Erfahrungen und Erfahrungen lernt und sein eigenes Denken darüber entwickelt, und sein eigenes Denken darüber wie man in Zukunft verschiedenen Dingen nachgehen Das ist die Idee von AGI. Ein weiterer Aspekt ist die Metakognition. Metakognition ist , wenn man sich Metakognition ansieht , in erster Linie die Fähigkeit, den eigenen Denkprozess zu überwachen, bewerten und zu regulieren Wenn man also darüber nachdenkt, wie man denken sollte, kann ein Student erkennen, dass er ein Konzept nicht verstanden hat, und dann Okay, also Selbstüberwachung, in erster Linie Selbstüberwachung, zu verstehen, was man lernt, worüber man nachdenkt, Fehlererkennung, wo man die Fehler macht, Konfidenzkalibrierung, sagen, ich bin mir zu 90% sicher oder ich weiß es nicht genau. Also Konfidenzkalibrierung, wie macht man das? Strategiewechsel, wann Sie Ihre Strategie auf der Grundlage bestimmter Überlegungen, eines bestimmten Denkens ändern sollten, ist das, wozu AGI in der Lage wäre Wenn Sie sich nun ansehen, wo wir heute stehen, ist der aktuelle Stand, dass wir verschiedene Modelle haben, DPT 5.2 ist da, tra Gemini, äh, Ultra ist da, All das gibt es momentan, aber es gibt gewisse Einschränkungen Wenn Sie sich das ansehen, liegt der Grund, warum wir immer noch nicht bei AGI sind in erster Linie an engen Fachkenntnissen. Wir haben kein kontinuierliches Lernen, das passiert, kein Selbstbewusstsein, das haben die LLMs gerade Ressourcen sind ineffizient, es wurde noch kein Weltmodell geschaffen und die Argumentation ist spröde Nun, die Lücke, die in erster Linie besteht, ist, die derzeitige KI in Bezug auf ihre Trainingsverteilung hervorragende Leistungen erbringt Die Trainingsdaten, die da waren, hängen also davon ab Die Herausforderung besteht also in erster Linie darin, dass die AGI-Planung, die aktuelle KI darauf angewiesen ist, Eingabemuster zu erkennen, den Trainingsdaten zu entsprechen und eine statistisch wahrscheinliche Antwort zu geben, wohingegen die AGI-Planung die Zielstruktur versteht , oder? Modelle halten an und wirken, Pläne, mehrere mehrstufige Sequenzen All das wird da sein. Jetzt sagen die aktuellen Elemente das nächste Token voraus. Sie planen es nicht wirklich. Wenn sie gebeten werden, neuartige Probleme in mehreren Schritten zu lösen, reihen sie plausibel klingende Schritte aneinander die bei genauerem Hinsehen oft zusammenbrechen . Wenn man sich AGI also anschaut, benötigt es ein kausales Weltmodell, eine hierarchische Zielzerlegung . Und in ähnlicher Weise wird AGI vor einer großen Herausforderung stehen , und es wird viel Zeit in Anspruch nehmen, diese zu erreichen Das zweite sind Weltmodelle oder gesunder Menschenverstand. Im Moment gibt es also kein Weltmodell. KI sagt nicht voraus, dass die Tasse herunterfällt oder verschüttet wird , wenn sie gedrückt Das Weltmodell AGI betrachtet dagegen ein Szenario, in dem es versteht, dass es den gesunden Menschenverstand versteht, was bedeutet, dass die Schwerkraft nach unten zieht, Flüssigkeiten fließen oder Objekte Masse haben All dies sind Weltmodelle mit gesundem Menschenverstand , die es geben muss, die AGI noch verstehen muss und für die derzeit eine Menge Berechnungen erforderlich sind Ein weiterer Grund ist kontinuierliches Lernen. Kontinuierliches Lernen ist also etwas , was derzeit bei AGI nicht der Fall ist . Dabei wird es kontinuierliches Lernen geben, Menschen lernen neue Fakten, Menschen lernen neue Fakten ohne alte zu vergessen Gehirne konsolidieren Erinnerungen im Schlaf. All dies werden irgendwann Fähigkeiten von AGI sein , was bei den aktuellen LLM-Modellen nicht der Fall ist bei den aktuellen LLM-Modellen nicht der Fall Die aktuelle Prognose lautet also wie folgt. Im Moment wird vorausgesagt, dass wir als Agentic AI in Kraft treten werden, okay Irgendwann ist die Idee, dass die vollständige AGI, optimistisch ist, bis 2045 irgendwo so sein wird Die meisten Experten sind sich einig, dass wir bis 2060 die volle AGI erreichen oder erreichen sollten Und dann sind es auch noch 2.100, was dem aktuellen Tempo entspricht Aber es gibt auch bestimmte Technologieführer , die dem Thema sehr optimistisch gegenüberstehen Le Altman hat vorausgesagt, dass wir etwa 2029, 2032 in der Lage sein sollten, AGI Elon Mas 2026 bis 2029 zu erreichen , Ray 2029 bis 2045 und so weiter und so fort. Wie Sie sehen können, wird AGI zehnmal viel besser sein als die LLM-Module, die wir derzeit verwenden, und es ist momentan ein gemischtes wenn man bedenkt, wie es zu diesem Zeitpunkt genutzt werden wird diesem Zeitpunkt genutzt werden Es müssen also viele Prozesse eingeführt werden, um die Verwendung von Prozesse eingeführt werden AGI zu regulieren , wenn sie in Zukunft ins Spiel kommt Ich hoffe, das macht Sinn. Ich muss das Konzept von AGI verstehen und verstehen, wie es sich in Zukunft auf die Welt auswirken wird. 63. Karrierechancen im Bereich generative KI: Hallo. Willkommen zu dieser Sitzung. In dieser Sitzung werden wir über die verschiedenen Karrieremöglichkeiten sprechen die verschiedenen Karrieremöglichkeiten , die sich im Bereich der genitiven KI bieten Wie Sie sehen, bieten sich derzeit aufgrund des rasanten Aufschwungs der KI-Technologie viele Karrieremöglichkeiten an und nehmen zu Wir können fast sagen, dass weltweit mehr als 14 Millionen KI-Jobs entstehen, und sie wachsen gegenüber dem Vorjahr um 40% Das alles ist darauf zurückzuführen, dass die KI-Karrieren bei verschiedenen Technologieunternehmen wie OpenAI, Grok und vielen anderen Unternehmen explosionsartig angestiegen sind, wobei all diese Unternehmen versuchen, KI-Technologien in ihr sind, wobei Geschäft zu integrieren Wenn Sie sich nun die technischen Stellen ansehen, die gerade auftauchen, sind das ML-Rollen, ML-Ingenieur, KI-Forscher, MLOps-Ingenieur, Datenwissenschaftler, die über die Fähigkeiten verfügen , sich mit diesen Technologien auszukennen, und sie werden für diese spezielle Art von Arbeit gut bezahlt . Jetzt, speziell im Bereich ML, Hauptaufgaben der Ingenieure für maschinelles Lernen werden die Hauptaufgaben der Ingenieure für maschinelles Lernen darin bestehen, ML-Modelle zu entwerfen und zu erstellen , die Modellleistung zu optimieren , KI-Modelle in APIs zu integrieren und dann auch die Grundmodelle zu verfeinern, verschiedene AB-Tests oder AB-Experimente mit Forschern, Produktmanagern und Datenteams zusammenzuarbeiten . Ihre technischen Fähigkeiten würden also Python, Pytorch und Tensor Flow erfordern All dies sollten sie mit Cloud, AWS, SageMaker, Docker und Gate Linux auskennen AWS, SageMaker, Docker All dies wird die Voraussetzung für ML-Ingenieure sein . In ähnlicher Weise werden KI-Forscher in erster Linie an der Entwicklung neuartiger KI-Algorithmen, der Durchführung und Veröffentlichung von Peer-Review-Studien, der Planung kontrollierter Experimente, der Vorbereitung und Evaluierung großer Basismodelle arbeiten Durchführung und Veröffentlichung von Peer-Review-Studien, Planung kontrollierter Experimente, der Vorbereitung und und so weiter und so fort Ihre Fähigkeiten würden sich auf Doktortitel und maschinelles Lernen, Informatik, Mathematik, fortgeschrittene Infinitesimalrechnung, PyTorch und fundiertes akademisches Schreiben All dies würde benötigt werden. Dann kommen ML Ops, Ingenieure und Datenwissenschaftler, wobei sich die ML Ops mit dem Aufbau von CICD-Pipelines, der Überwachung der Modelldrift und der Containerisierung der Modelle mit Docker befassen werden , wohingegen sich die Datenwissenschaftler auf die Untersuchung und Bereinigung von Datensätzen, die Erstellung von Vorhersagemodellen, die Erstellung von Dashboards für Führungskräfte sowie den Entwurf und die Analyse von ABTS konzentrieren werden die Erstellung von Vorhersagemodellen, die Erstellung von Dashboards für Führungskräfte sowie den Entwurf und Vorhersagemodellen, die Erstellung Führungskräfte Ingenieure und Datenwissenschaftler, wobei sich die ML Ops mit dem Aufbau von CICD-Pipelines, der Überwachung der Modelldrift und der Containerisierung der Modelle mit Docker befassen werden, wohingegen sich die Datenwissenschaftler auf die Untersuchung und Bereinigung von Datensätzen, die Erstellung von Vorhersagemodellen, die Erstellung von Dashboards für Führungskräfte sowie den Entwurf und die Analyse von ABTS konzentrieren werden. Abgesehen davon, wenn Sie sich die nichttechnischen Rollen ansehen , die derzeit im KI-Bereich auftauchen, werden sie sich in den Bereichen Prompt Engineering, KI-Produktmanager und KI-Ethikspezialist drehen. Die Prompt-Techniker entwerfen also im Grunde KI-Eingabeaufforderungen mit maximaler Genauigkeit. Und dies ist derzeit für jedes KI-Unternehmen eine zunehmende Nachfrage derzeit für jedes KI-Unternehmen Ein KI-Produktmanager hingegen definiert, welche KI-Produkte er entwickeln kann und warum, und überbrückt so die Kluft zwischen Ingenieuren, Benutzern und Unternehmen Und das ist eine schnell wachsende Regel , die gerade auftaucht Während die KI-Ethik ausdrücklich sicherstellt, dass KI-Systeme fair, unvoreingenommen, sicher und gesetzeskonform sind unvoreingenommen, sicher , sollte der Hintergrund in den Bereichen Recht, Philosophie oder Politik Wenn Sie sich nun die anderen Aspekte ansehen, werden es Prompt-Engineering und KI-Produktmanager sein, deren Rollen sich stärker auf die Gedankenkette, die iterative Verfeinerung von Eingabeaufforderungen und den Aufbau wiederverwendbarer Prompt-Bibliotheken konzentrieren werden die iterative Verfeinerung von Eingabeaufforderungen und den Aufbau wiederverwendbarer Prompt-Bibliotheken konzentrieren iterative Verfeinerung von Eingabeaufforderungen werden es Prompt-Engineering und KI-Produktmanager sein, deren Rollen sich stärker auf die Gedankenkette, die iterative Verfeinerung von Eingabeaufforderungen und den Aufbau wiederverwendbarer Prompt-Bibliotheken konzentrieren werden. Dies alles werden die Rollen des Prompt-Engineerings sein , wohingegen der KI-Produktmanager die Produktvision definieren, die darin die Produktvision definieren, die Roadmap für KI-Features priorisieren, Benutzerforschung durchführen, um hochwertige KI-Automatisierungsmöglichkeiten zu finden , Erfolgsmetriken für KI-Funktionen festlegen wird. Wenn Sie sich nun die KI-Ethik ansehen, gibt es Regeln für KI-Ethikspezialisten, KI-Inhaltsstrategen und KI-Trainer, die auch dort auftauchen, wo eine KI-Ethik vor allem deshalb gilt , weil viele Regierungen weltweit KI-Vorschriften verabschieden. Unternehmen benötigen Spezialisten , die sicherstellen können, dass KI-Systeme geprüft, dokumentiert und konform sind KI-Inhaltsstrategen werden dagegen benötigt weil KI verschiedene Arten von Inhalten generieren kann und menschliches Eingreifen erforderlich ist, und menschliches Eingreifen erforderlich ist um den Ton, die Genauigkeitsstandards, die redaktionellen Workflows und die Eingabeaufforderungen der Bibliotheken zu definieren Genauigkeitsstandards, die redaktionellen Workflows und die Eingabeaufforderungen redaktionellen Workflows und die Eingabeaufforderungen KI-Trainer werden jedoch nützlich sein, weil Modelle wie ChatGPT Cloud mit RL HF und Feedback trainiert werden und menschliche Prüfer benötigt werden, um diese Ergebnisse zu bewerten und daraus die besten Ergebnisse zu erzielen Abgesehen von diesen werden also auch viele hybride Rollen auftauchen, wie zum Beispiel KI im Gesundheitswesen , also KI-Radiologen-Analyst , KI-Rechtsberater, W-KI-Stratege, W-KI-Stratege KI-Curriculum-Designer und generative KI-Künstler Das sind also alles andere Rollen die hinzukommen, bei denen es sich um hybride Regeln handelt, bei denen Sie über Fachwissen verfügen, und jetzt haben Sie sich auch auf KI spezialisiert, und genau das wird auch passieren Dieser spezielle Kurs , den wir machen, kann also wirklich in diesem speziellen Bereich funktionieren dem Sie, wenn Sie aus einem bestimmten Bereich kommen und über KI-Fachkenntnisse verfügen, diese in Ihrem Bereich sehr einfach implementieren können . Ich hoffe, das macht Sinn. Ich hoffe, Sie verstehen jetzt die verschiedenen Karrieremöglichkeiten , die derzeit im KI-Bereich enorm zunehmen derzeit im KI-Bereich und wie Sie sie in Ihrer Karriere nutzen können 64. Vielen Dank Für Den Besuch Dieses Kurses!: Hallo Leute. Herzlichen Glückwunsch zum Ende dieses Kurses. Nochmals vielen Dank, dass Sie an diesem Kurs teilgenommen haben. Ich hoffe, der Inhalt war wertvoll und Sie verstehen diese Konzepte jetzt gründlich und können sie praktisch in Ihrem Unternehmen und für Ihre Kunden anwenden . Nochmals vielen Dank und ich freue mich sehr , Sie bald in einer neuen Klasse wiederzusehen.