Zum Inhalt springen
Wiki zur Einführung
Künstliche Intelligenz
Grundlagen & Begriffe
Generative AI (GenAI)

Generative AI (GenAI)

Generative Artificial Intelligence (GenAI) beschreibt einen Teilbereich von KI-Technologien, die auf die Erzeugung neuer Inhalte ausgerichtet sind. Ein bekanntes Framework, das von Goodfellow et al. (2014)1 eingeführt wurde, ist das Generative Adversarial Network (GAN). Es besteht aus zwei konkurrierenden Netzwerken: einem Generator, der realistische Objekte erzeugt, und einem Diskriminator, der diese bewertet. Der Prozess setzt sich fort, bis der Diskriminator die generierten Objekte nicht mehr klar von echten Daten unterscheiden kann.1 2 Abbildung unten zeigt die Arbeitsweise eines GANs nach Google (2022).3

Prinzipdarstellung eines Generative Adversarial Networks
Prinzipdarstellung eines Generative Adversarial Networks

Nennenswerte Text-zu-Bild-Beispiele von Generierungsmodellen sind DALL·E nach Ramesh et al. (2021)4 und Imagen von Google5, welche natürliche Sprachbeschreibungen in hochdetaillierte und kontextbezogen passende Bilder umsetzen. GenAI ist dabei nicht auf Text- oder Bildgenerierung beschränkt, sondern umfasst auch die Generierung von Quellcode. Maschinelles Lernen spielt hierbei eine entscheidende Rolle, insbesondere bei der automatisierten Codegenerierung durch Modelle, die auf Transformer-Architekturen – insbesondere GPT-ähnlichen Modellen – basieren und aus riesigen Code-Datenbanken trainiert wurden.6 7 8

Neben der Generierung neuer Inhalte ist auch das Auffinden vorhandenen Wissens ein wichtiger KI-Bereich. Im nächsten Abschnitt wird daher die Retrieval-Augmented Generation (RAG) tiefer untersucht.

  1. Goodfellow, I. J., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., & Bengio, Y. (2014). Generative Adversarial Networks (No. arXiv:1406.2661). arXiv. https://doi.org/10.48550/arXiv.1406.2661 ↩︎ ↩︎

  2. Karras, T., Aila, T., Laine, S., & Lehtinen, J. (2018). Progressive Growing of GANs for Improved Quality, Stability, and Variation (No. arXiv:1710.10196). arXiv. https://doi.org/10.48550/arXiv.1710.10196 ↩︎

  3. Google. (2022, Juli 18). Overview of GAN Structure | Machine Learning. Google for Developers. https://developers.google.com/machine-learning/gan/gan_structure ↩︎

  4. Ramesh, A., Pavlov, M., Goh, G., Gray, S., Voss, C., Radford, A., Chen, M., & Sutskever, I. (2021). Zero-Shot Text-to-Image Generation (No. arXiv:2102.12092). arXiv. https://doi.org/10.48550/arXiv.2102.12092 ↩︎

  5. Google. (2025, Februar 5). Imagen 3. Google DeepMind. https://deepmind.google/technologies/imagen-3/ ↩︎

  6. Wermelinger, M. (2023). Using GitHub Copilot to Solve Simple Programming Problems. Proceedings of the 54th ACM Technical Symposium on Computer Science Education V. 1, 172–178. https://doi.org/10.1145/3545945.3569830 ↩︎

  7. Yenduri, G., Ramalingam, M., Selvi, G. C., Supriya, Y., Srivastava, G., Maddikunta, P. K. R., Raj, G. D., Jhaveri, R. H., Prabadevi, B., Wang, W., Vasilakos, A. V., & Gadekallu, T. R. (2024). GPT (Generative Pre-Trained Transformer)—A Comprehensive Review on Enabling Technologies, Potential Applications, Emerging Challenges, and Future Directions. IEEE Access, 12, 54608–54649. https://doi.org/10.1109/ACCESS.2024.3389497 ↩︎

  8. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., & Polosukhin, I. (2023). Attention Is All You Need (No. arXiv:1706.03762). arXiv. https://doi.org/10.48550/arXiv.1706.03762 ↩︎

Zuletzt aktualisiert am
Natural Langugage Processing (NLP)Retrieval-Augmented Generation (RAG)