
Was ist generative KI?
Unser jüngster Beitrag über künstliche Intelligenz (KI) behandelte die Geschichte und einige der wichtigsten Akteure der KI-Entwicklung. In diesem Beitrag gehen wir noch einen Schritt weiter und untersuchen die generative KI (GenAI) und ihre Beziehung zur KI.
Generative KI-Technologien erstellen Texte, Bilder, Videos und andere Arten von Inhalten. Diese Inhalte sollen die menschliche Kreativität und reale Daten nachahmen. GenAI unterscheidet sich von der traditionellen KI dadurch, dass sie maschinelle Lernmodelle verwendet, um Beziehungen, Muster und andere Merkmale innerhalb eines Datensatzes zu erfassen. Das Gelernte wird von GenAI genutzt, um neue Inhalte zu generieren. Im Idealfall entspricht die Ausgabe von GenAI den Anforderungen der Eingabeaufforderung und ist ein Originalinhalt.
Generative KI ist eine von mehreren Untergruppen der künstlichen Intelligenz:
- Maschinelles Lernen (ML) ermöglicht es Maschinen, aus Daten zu lernen, um ihre Leistung im Laufe der Zeit zu verbessern. Es umfasst Teilbereiche wie neuronale Netze, Deep Learning und Reinforcement Learning.
- Deep Learning ist eine Form von ML, die neuronale Netzwerke verwendet, um komplexe Daten zu analysieren und Muster in einer Weise zu erkennen, die die menschlichen Fähigkeiten übersteigt.
- Natural Language Processing (NLP) ermöglicht es Maschinen, menschliche Sprache zu verstehen und zu erzeugen. Dabei handelt es sich nur um Schriftsprache, nicht um gesprochene Worte.
- Technologien zur Spracherkennung ermöglichen es Computern, gesprochene Sprache zu erkennen und in Text zu übersetzen. Dies ist eine vom NLP getrennte Kategorie von Technologien.
- Generative KI erstellt Inhalte, die auf dem basieren, was sie zuvor gelernt hat. Bei großen Sprachmodellen (Large Language Models, LLMs) wie ChatGPT und Gemini AI handelt es sich um GenAI-Technologien.
Diese Liste erhebt keinen Anspruch auf Vollständigkeit. Es gibt mehrere unterschiedliche Untergruppen von KI, darunter Robotik, maschinelles Sehen und Expertensysteme. Viele davon überschneiden sich und die Anbieter der Branche nutzen unterschiedliche Namen und Hierarchien. Wir werden es einfach halten und eine breite Definition von GenAI verwenden.
Die genauen Ursprünge von GenAI sind etwas unklar, also beginnen wir in den 1950er Jahren, als Forscher Algorithmen entwickelten, die neue Daten erzeugen konnten. Diese Forschung brachte die Markow-Kette hervor, ein statistisches Modell, das auf der Grundlage von Eingaben neue Datensequenzen generieren kann. Ein weiteres frühes Beispiel ist ELIZA, ein einfacher Chatbot, der 1966 am MIT entwickelt wurde. Sie wurde mit Kommunikationsskripten programmiert und angewiesen, menschliche Eingabemuster mit den in ihren Skripten gefundenen Mustern abzugleichen. Diese Mustererkennung ohne Kontext führte oft zu komischen Interaktionen:
Mensch: Meine Mutter hasst mich.
ELIZA: Wer sonst in deiner Familie hasst dich?
Mensch: Was meinen Sie?
ELIZA: Welche Antwort würde Ihnen am meisten gefallen?
Die arme ELIZA war keine gute Gesprächspartnerin, aber sie sorgte dafür, dass die wachsende KI-Community begeistert war und nach mehr verlangte.
GenAI machte 2014 einen großen Schritt nach vorne, als Generative Adversarial Networks (GANs) ins Spiel kamen. Bei diesen GANs handelt es sich um neuronale Netze, die in Reaktion auf Eingaben miteinander konkurrieren. MIT Technology Review hat es so beschrieben:
Beide Netzwerke werden mit demselben Datensatz trainiert. Der erste, der sogenannte Generator, hat die Aufgabe, künstliche Outputs wie Fotos oder Handschriften zu erzeugen, die so realistisch wie möglich sind. Der zweite, der sogenannte Diskriminator, vergleicht diese mit echten Bildern aus dem Originaldatensatz und versucht zu bestimmen, welche echt und welche gefälscht sind. Auf der Grundlage dieser Ergebnisse passt der Generator seine Parameter für die Erstellung neuer Bilder an. Und so geht es weiter, bis der Diskriminator nicht mehr unterscheiden kann, was echt und was falsch ist.
Der Machine Learning-Kurs von Google veranschaulicht GANs wie folgt:
Indem sie auf diese Weise gegeneinander arbeiten, unterstützen diese Netzwerke das kontinuierliche Lernen und die Verbesserung von GenAI.
Neue Technologien und Konzepte brachten enorme Chancen für GenAI. 2017 stellte Google die Idee des Transformer-Modells vor, das die Entwicklung anderer Tools und Modelle erleichterte. OpenAI nutzte dieses Konzept, um eine Reihe von Generative Pre-trained Transformers (GPT) zu entwickeln und startete ChatGPT im November 2022.
GenAI ist mehr als nur ein Chat mit einem LLM wie ChatGPT oder Gemini AI. Sie wird verwendet, um Patienten im Gesundheitswesen zu untersuchen, individuelle Lernumgebungen für K12 zu erstellen, Reservierungen und Reisepläne zu optimieren und vieles mehr. Generative KI ist überall um uns herum. Sie müssen keine Eingabeaufforderung verwenden, um in künstlich generierte Gespräche und Szenarien hineingezogen zu werden. Genauso wie Sie GenAI bitten können, Ihnen Ideen für Desserts und Rezepte zu geben, können Bedrohungsakteure GenAI bitten, Sie in einen Betrug hineinzuziehen, indem sie bösartigen Angriffscode entwickeln oder „originelle“ Phishing-Angriffe schreiben.
Das Versprechen von GenAI birgt einige Risiken. Wir werden nächste Woche darüber sprechen.
Schon gewusst?
Barracuda hat ein neues E-Book mit dem Titel „Die Sicherheit von morgen: ein CISO-Leitfaden zur Rolle von KI in der Cybersicherheit“ veröffentlicht. Dieses E-Book untersucht Sicherheitsrisiken und zeigt die Schwachstellen auf, die Cyberkriminelle mit Hilfe von KI ausnutzen, um ihre Angriffe auszuweiten und ihre Erfolgsquoten zu verbessern. Holen Sie sich jetzt Ihr kostenloses E-Book und überzeugen Sie sich selbst von den neuesten Bedrohungen, Daten, Analysen und Lösungen.

Der Ransomware Insights Bericht 2025
Wichtige Erkenntnisse über die Erfahrungen und Auswirkungen von Ransomware auf Unternehmen weltweit
Abonnieren Sie den Barracuda-Blog.
Melden Sie sich an, um aktuelle Bedrohungsinformationen, Branchenkommentare und mehr zu erhalten.

Managed Vulnerability Security: Schnellere Behebung von Schwachstellen, weniger Risiken, einfachere Compliance
Erfahren Sie, wie einfach es sein kann, die von Cyberkriminellen bevorzugte Schwachstellen zu finden.