Während die prominenten Vertreter der großen Sprachmodelle – allen voran GPT-4, Midjourney, DALL-E oder Googles Cybersecurity-LLM Sec-PaLM – im Scheinwerferlicht der Öffentlichkeit stehen, erfahren ihre kleineren Verwandten vergleichsweise wenig Aufmerksamkeit. Zu Unrecht, denn leichtgewichtige und spezialisierte Modelle bergen für Unternehmen ein immenses Potenzial. Zoho erklärt, warum sich ein Blick auf die gesamte KI-Spannweite lohnt.
„Das wahre Potenzial der vielen verschiedenen Sprachmodelle liegt in der Möglichkeit, sie miteinander zu kombinieren. Durch das Zusammenspiel der einzelnen Lösungen lassen sich auch komplexe Prozesse effizient gestalten, zum Beispiel bei der Verarbeitung von fotografierten Dokumenten“, erklärt Sridhar Iyengar, Managing Director von Zoho Europe.
- Narrow Language Models
Sie sind kleine, leichtgewichtige Modelle, die sich auf einen eng umrissenen Anwendungsbereich und spezifische Aufgaben spezialisieren. Für diesen Zweck umfassen ihre Trainingsdaten auch nur Informationen aus einem bestimmen Themenbereich, etwa Cybersecurity, Finance oder einzelnen Produktgruppen eines Unternehmens. In der Praxis erstrecken sich die Anwendungsbeispiele von der Analyse juristischer Gesetzestexte über branchenspezifische Übersetzungen bis zur Erkennung von Text in Bildern. - Small Language Models (SLM)
Im Gegensatz zu den ressourcenintensiven LLMs umfassen kleine Sprachmodelle wenige Milliarden Parameter, in der Regel zwischen drei und sieben. Im Vergleich: Große Modelle verarbeiten mehr als 50 Milliarden Parameter. Dadurch können SLMs leichter für bestimmte Aufgaben trainiert werden, eignen sich für den Einsatz auf Geräten mit begrenzten Ressourcen, da sie weniger Rechenleistung und Speicherplatz benötigen, und verursachen geringere Kosten. Damit eignen sich SMLs für eine Vielzahl von Anwendungsfällen, etwa im Bereich von IoT-Geräten, Echtzeitübersetzungen, Transkriptionen oder Spracherkennung. - Medium Language Models (MLM)
Der nicht fest etablierte Begriff der MLMs dient zur Beschreibung von Modellen, die im Bereich von etwa 20 bis 50 Milliarden Parametern arbeiten. Sie bieten damit eine gute Balance zwischen Komplexität, Leistung und Ressourcenverbrauch. MLMs kommen dann zum Einsatz, wenn eine höhere Genauigkeit und Spezialisierung als bei SLMs nötig, die Rechenleistung allerdings begrenzt ist.
Medium Language Models ermöglichen zum Beispiel eine intelligente Arbeit mit Texten, bei der Nutzer Fragen zu einem Dokument stellen können oder inhaltliche Analysen zu umfangreichen Textdokumenten benötigen. Auch die Beantwortung von häufig gestellten Fragen im Bereich Kundensupport, die Umwandlung von Sprache zu Text oder das Erkennen von Emotionen und Meinung im Kontext der Analyse von Kundenfeedback sind mögliche Anwendungsbeispiele.
Aktuelle LLMs wie ChatGPT sind für die breite Nutzung konzipiert, was zu Einschränkungen bei der Anwendung in Unternehmen und hohen Kosten führen kann. Die notwendige kontextuelle Intelligenz entsteht erst, wenn KI-Modelle verschiedener Größen auf Geschäftsprozesse angewendet werden. Das Wissen, das dabei gewonnen wird, ist für Unternehmen äußerst wichtig und kann zu Kosteneinsparungen führen.