Generative KI in der Industrie PDF Free Download
1 / 5/5
100%
344 Jahrg. 119 (2024) 5
KÜNSTLICHE INTELLIGENZ
INDUSTRIE 4.0
Generative KI in der Industrie
Chancen der generativen künstlichen Intelligenz (KI) verstehen und deren
Einsatz zielgerichtet implementieren
Generative KI hat in den vergangenen Monaten sehr große Aufmerk-
samkeit erfahren. Die wichtigsten Gründe hierfür: eine sprunghafte
Verbesserung der Ergebnisse und die geringe Eintrittsbarriere durch
die Interaktion mit natürlicher Sprache. Umso wichtiger ist es, die
Grenzen und insbesondere die Chancen dieser Technologie zu ver-
stehen. Dieser Beitrag gibt hierzu einen ausgewogenen Überblick und
verdeutlicht, wie generative KI in der Industrie zielgerichtet imple-
mentiert werden kann.
Jürgen Fritz*
Einleitung
Selten hat eine Applikation für so viel Fu-
rore gesorgt wie ChatGPT [1]: der Chat-
bot, der Ende 2022 auf dem Markt er-
schienen ist und in kürzester Zeit beein-
druckend viele Rekorde gebrochen hat.
Das Thema war rasch in aller Munde,
und so konnte sich diesem kaum jemand
entziehen.
Sicherlich ist es auch dieser medialen
Omnipräsenz geschuldet, dass sich selbst
die Vorstandsetagen von Großkonzernen
mit der zugrundeliegenden Technologie,
der generativen KI, beschäftigen. Und so
werden eilig Strategiepapiere entwickelt,
die darstellen, wie diese Technologie zu-
künftig genutzt werden soll.
Nach einer aktuellen Studie der Boston
Consulting Group (BCG) ist das Thema
für 89 Prozent aller Führungskräfte un-
ter den drei wichtigsten Prioritäten für
das Jahr 2024. Die gleiche Studie zeigt
jedoch auch, dass nur 6 Prozent der Un-
ternehmen einen bedeutenden Teil der
Mitarbeiter geschult hat [2].
Das Potenzial von generativer KI ist in-
des enorm. Der Computerbuchverlag
generativer KI im Mittelpunkt dieses Bei-
trags.
Grundlagen zu generativer KI
Häufig werden die unterschiedlichen Be-
griffe und Definitionen rund um genera-
tive KI vermischt. Im Mittelpunkt von KI
stehen Modelle, welche mit großen Da-
tenmengen parametriert oder trainiert
werden.
Vor dem aktuellen Hype um generative
KI standen sogenannte diskriminative
Modelle im Vordergrund, welche insbe-
sondere für die Klassifikation von Daten
eingesetzt werden (vgl. auch [6]). Ein Bei-
spiel hierfür ist die Bilderkennung, wie
sie beispielsweise in der Qualitätssiche-
rung zum Einsatz kommt. Im Unter-
schied hierzu stehen Modelle der genera-
tiven KI, welche neue Daten erzeugen.
Vielfältig und breit anwendbare KI-Mo-
delle können auf unterschiedlichen Da-
tentypen wie Bildern oder Videos trai-
niert werden und entsprechende Daten
generieren (Bild 1, oben). Solche Modelle
werden als multi-modale Foundation Mo-
dels bezeichnet. Die eingangs erwähnte
Applikation ChatGPT gehört zu den Large
Language Models (LLM), welche mit gro-
ßen Mengen an Textdaten trainiert wer-
den. Die technischen Grundlagen für die-
se Modelle wurden bereits 2017 durch
Google Labs gelegt [7]. Bild 2 zeigt diese
Zusammenhänge im Überblick, eine gute
Einführung in generative KI bieten bei-
spielsweise [8] und [9].
O’Reilly hat in einer eigenen Studie ermit-
telt, dass 54 Prozent der KI-Anwender von
einer erhöhten Produktivität ausgehen
[3]. Das Marktforschungsinstitut Gartner
erwartet beispielsweise, dass bereits im
Jahr 2025 30 Prozent aller Marketing-In-
halte großer Unternehmen durch genera-
tive KI erzeugt wird. Zum Vergleich: Im
Jahr 2022 lag dieser Wert lediglich bei
2 Prozent [4]. Die Unternehmensbera-
tung McKinsey schätzt den zusätzlichen
Nutzen durch generative KI zwischen 2,6
und 4,4 Billionen US-Dollar [5]. Zum Ver-
gleich: Das Bruttoinlandsprodukt Deutsch-
lands lag 2023 bei ca. 4,5 Billionen US-
Dollar.
Deutlich wird: Generative KI betrifft
praktisch alle Unternehmensfunktionen
und einen wesentlichen Teil der Mitar-
beitertätigkeiten. Aus diesem Grund ist
es entscheidend, sich intensiv mit gene-
rativer KI zu beschäftigen. In diesem Bei-
trag werden die wesentlichen techni-
schen Hintergründe kurz erklärt, um die
sinnvolle Anwendung zu verdeutlichen.
Neben einer detaillierten Betrachtung
von Chancen und Risiken stehen die um-
fassenden Anwendungsmöglichkeiten von
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory-Board
wissenschaftlich begutachteten Fachaufsatz (Peer Review).
* Korrespondenzautor
Prof. Dr.-Ing. Jürgen Fritz; School of Management of Fribourg (HEG-FR); Chemin du Musée 4,
CH-1700 Fribourg; Tel.: +41 26 429 63 24, E-Mail: juergen.fritz@hefr.ch
345
Jahrg. 119 (2024) 5
KÜNSTLICHE INTELLIGENZ INDUSTRIE 4.0
■ Anweisung: Zielvorgabe
■ Kontext: Beispielsweise der Text, der
zusammengefasst oder aus dem Infor-
mationen extrahiert werden soll
■ Rolle: Sie steuert das Verhalten des
Modells
■ Formatierungsanweisungen: Angaben
zur Formatierung der gewünschten
Inhalte, beispielsweise einer Tabelle
■ Beispiele: Gewünschte Ergebnisse wer-
den dem Modell durch Beispiele vor-
gegeben, um die Erwartungen klar zu
definieren
Chancen und Risiken
Durch den Einsatz generativer KI wird
die Belastung von Mitarbeitern durch
Routineaufgaben deutlich verringert,
wodurch diese sich auf kreativere und
strategisch bedeutendere Aufgaben kon-
zentrieren können. Den Mitarbeitern
bleibt dabei auch Zeit für die anspruchs-
volle Denkarbeit.
Eine Besonderheit generativer KI ist,
dass nahezu alle Unternehmensfunktio-
nen dadurch beeinflusst und Verbesse-
rungen erzielt werden können. Auch be-
stehende Software-Lösungen werden suk-
zessive durch diese Lösungen optimiert.
Ein bekanntes Beispiel ist der Copilot von
Microsoft, welcher in die bekannten Ap-
plikationen integriert ist [12].
Wo viel Licht ist, da ist auch viel Schat-
ten. Entscheidend ist es, die möglichen
Risiken von KI zu kennen und zu verste-
Prompt Engineering bezeichnet. Dabei ist
es wichtig, den Vorgang und den ge-
wünschten Stil zu spezifizieren und dem
Modell den notwendigen Kontext für die
Aufgabenerfüllung zu liefern. Komplexe
Aufgaben sollten in einfachere Unterauf-
gaben unterteilt werden, um dem Modell
die Möglichkeit zu geben, ein Ergebnis
sukzessive zu erarbeiten. Auch externe
Tools und Quellen können durch entspre-
chend formulierte Prompts genutzt wer-
den. Außerdem sollten Prompts systema-
tisch getestet und so iterativ verbessert
werden. Dadurch können fehlerhafte oder
sensible Inhalte vermieden werden [11].
Ein effektiver Prompt besteht aus fünf
grundlegenden Komponenten:
Bild 2 verdeutlicht insbesondere, dass
Modelle generativer KI keine Wissens-
modelle sind, sondern auf der gezielten
Anordnung vorhandener Daten basieren.
Wirklich neues Wissen kann so nicht ent-
stehen. Vielmehr erklärt es ein interes-
santes Paradoxon: Generative KI kann
beispielsweise Kunstwerke, Texte und
Videos erzeugen, diese aber nicht inter-
pretieren oder verstehen: ein wichtiger
Gegensatz zum Menschen, der Kunstwer-
ke meist bewundern und interpretieren,
häufig aber nicht selbst erstellen kann.
Auch im Fall der Texterstellung auf Ex-
pertenniveau muss der Mensch erst ein
gutes Verständnis für die zugrundelie-
gende Materie haben. Dieses Paradoxon
verdeutlicht das Verständnis von Model-
len generativer KI und wird in [10] aus-
führlich betrachtet.
Nutzung generativer KI
Beim Einsatz generativer KI-Modelle wer-
den die durch das Training erfassten Zu-
sammenhänge für die Erstellung neuer
Inhalte genutzt. Für die Interaktion mit
dem Modell werden Eingabeaufforderun-
gen, sogenannte Prompts, verwendet. Die-
se ermöglichen die Kommunikation mit
natürlicher Sprache, was einen großen
Vorteil darstellt, da die Eintrittsbarriere so
sehr gering ist. Voraussetzung für gute Er-
gebnisse ist jedoch, dass sich der Nutzer
mit dem korrekten Einsatz des Modells
auseinandersetzt und die Eingabeauffor-
derungen klar, präzise und gut gegliedert
formuliert. Dieser Vorgang wird als
Bild 1. Erstellung und Nutzung generativer KI-Modelle (eigene Darstellung)
Bild 2. Zusammenhang zwischen generativer KI, Foundation Model und Large Language Model
(LLM) (eigene Darstellung)
346 Jahrg. 119 (2024) 5
KÜNSTLICHE INTELLIGENZ
INDUSTRIE 4.0
le. Im ersten Schritt der Einführung ge-
nerativer KI werden bestehende Prozesse
optimiert. Hierzu gehören zahlreiche
Aufgaben, welche sich in die in Tabelle 1
gezeigten Bereiche einteilen lassen:
■ Dokumentation,
■ Inhalte, Berichte, Unterlagen sowie
Video- und Audiomaterial,
■ Kommunikation sowie
■ Entwicklung.
Im Qualitätsmanagement lässt sich die Do-
kumentation des Business Management
Systems vereinfachen. Das Personalwesen
freut sich über Unterstützung bei der Er-
stellung von Stellenausschreibungen und
in der nächsten Phase auf eine Zusammen-
fassung von Bewerbungsunterlagen und
Unterstützung bei der Vorbereitung von
Bewerbungsgesprächen. In der Produktion
hilft generative KI bei der Erstellung von
Arbeitsanweisungen und erleichtert die
Interaktion mit diesen Dokumenten.
In nahezu allen Unternehmensfunktio-
nen steht die Erstellung von Präsentatio-
nen auf der Tagesordnung und generati-
ve KI sorgt für einen beeindruckenden
Effizienzgewinn. Erste Studien bezogen
auf den US-Arbeitsmarkt gehen davon
aus, dass 15 Prozent aller Mitarbeiterauf-
gaben bei gleicher Qualität deutlich
schneller erledigt werden können. Durch
Integration von LLM in bestehende Soft-
ware, wie im Fall der Präsentationserstel-
lung, steigt dieser Anteil sogar auf bis zu
56 Prozent aller Aufgaben. [18] Der Kon-
takt mit Kunden wird gleichermaßen ver-
nings-Parametern meist schwierig er-
klärbar bleiben. Auch die mangelnde
Wiederholbarkeit der Ergebnisse bei glei-
chen Prompts ist ein Risiko und erfordert
eine kritische Reflektion der Ergebnisse.
Für die meisten Unternehmensfunktio-
nen muss auch der Datenschutz zwingend
berücksichtigt werden. Sensible Daten
könnten sonst geteilt werden oder sogar
für das Training der Modelle eingebunden
werden. Auch bei der Weiterverwendung
der erzeugten Inhalte muss die potenzielle
Nutzung gesetzlich geschützten Materials
ausgeschlossen werden. Ein weiteres Risi-
ko bleiben auch Cyberangriffe, welche
personalisierter und raffinierter durchge-
führt werden können.
Durch den hohen Aufwand der Modell-
erstellung liegt die Marktmacht bei weni-
gen Akteuren, welche durch den erhebli-
chen Rechenaufwand auch viele CO
2
-Emis-
sionen verursachen. Zahlreiche Regulie-
rungen müssen ebenfalls berücksichtigt
werden. Wenngleich deren Nichteinhal-
tung auch ein Risiko für Unternehmen dar-
stellt, helfen diese jedoch vielfach auch bei
der Risikobeherrschung. Weitere Details
zu den Risiken generativer KI sind in der
Literatur [14–17] beschrieben.
Anwendungsmöglichkeiten
Es lassen sich die folgenden drei Stufen
an Anwendungsmöglichkeiten unter-
scheiden: Optimierung bestehender Pro-
zesse, Entwicklung neuer Prozesse und
die Entwicklung neuer Geschäftsmodel-
hen, um zielgerichtete Maßnahmen zur
Verringerung deren Auswirkungen ein-
zuführen. Die Risiken generativer KI las-
sen sich den folgenden fünf Kategorien
zuordnen (Bild 3):
■ Kompetenzen,
■ Daten,
■ Inhalte,
■ Sicherheit und
■ Auswirkungen auf ESG [Environment
(Umwelt), Social (Soziales), Gover-
nance (Unternehmensführung)].
So sind unzureichend geschulte Mitarbei-
ter auch bei der Anwendung generativer
KI ein großer Risikofaktor. Und bleibt die
Anwendung dieser neuen Technologie
aus, kann dies ein wesentliches Risiko für
die Wettbewerbsfähigkeit eines Unter-
nehmens bedeuten. Ein anderer Aspekt
ist auch der Gewinn oder Verlust an Krea-
tivität von Mitarbeitern und Teams. Eine
aktuelle Studie der Harvard Business
School in Zusammenarbeit mit der Boston
Consulting Group hat ergeben, dass der
Einsatz von generativer KI in Abhängig-
keit des spezifischen Anwendungsfalles
keinen Produktivitätsgewinn ermöglicht,
sondern im Gegenteil sogar schädlich für
die Ergebnisse sein kann [13].
Daten sind die Grundlage für Modelle
generativer KI und bestimmen wichtige
Risikofaktoren wie Desinformation, Bias
oder unethische Ergebnisse. Auch die
Aktualität der zugrundeliegenden Daten
beeinflusst die Ergebnisse wesentlich,
welche indes durch die Vielzahl an Trai-
Bild 3. Risiken
generativer KI
347
Jahrg. 119 (2024) 5
KÜNSTLICHE INTELLIGENZ INDUSTRIE 4.0
einfacht und individualisiert. Unterlagen
können kundenspezifisch angepasst wer-
den. Im Kundendienst können Anfragen
ebenfalls effizienter oder sogar mittels
geeigneter Chatbots vollständig automa-
tisiert bearbeitet werden.
Auch bislang aufwändig zu erstellen-
des Werbematerial, Beiträge in sozialen
Medien oder Kundenunterlagen können
wesentlich schneller, häufig besser und
individualisiert erzeugt werden. Durch
die Multimodalität generativer KI kön-
nen beispielsweise im Marketing oder für
die Aus- und Weiterbildung weitere Me-
dien wie Audio oder Video erstellt wer-
den. Sogar der Kundendiensttechniker
im Außendienst zeigt sich dankbar: ihm
wird beim automatischen Dokumentie-
ren seiner Reparatur- und Wartungsar-
beiten mittels Spracheingabe geholfen.
Eine weitere Unternehmensfunktion
profitiert in besonderem Masse durch den
Einsatz generativer KI. Bei der Entwick-
lung von neuen Produkt-Konzepten und
deren Visualisierung kann die Technologie
ihre Stärke besonders gut ausspielen und
wirklich neuartige, kreative Lösungen be-
reitstellen. Beeindruckende Produktivitäts-
zuwächse sind jedoch insbesondere in der
Software-Entwicklung möglich. Die auf-
wändige Programmierung und Fehlersu-
che werden um Faktoren beschleunigt. [19]
In weiteren Schritten kann generative
KI auch für die Entwicklung neuer Prozes-
se oder sogar die Generierung neuer Ge-
schäftsmodelle eingesetzt werden [20].
Umsetzung, Zukunfts-
perspektiven und Ausblick
Dieser Beitrag zeigt, dass es an Anwen-
dungsmöglichkeiten generativer KI nicht
mangelt. Zahlreiche vielversprechende
Pilotprojekte mancher Unternehmen dür-
fen jedoch nicht darüber hinwegtäuschen,
dass der breite Einsatz dieser Technologie
gerade erst am Anfang steht. Gemäß der
Studie des Computerbuchverlages O’Reilly
aus dem November 2023 arbeiten 26 Pro-
zent aller Anwender generativer KI seit
weniger als einem Jahr mit der Technolo-
gie [2]. Um diese in der Breite zum Einsatz
zu bringen, ist ein umfassender Transfor-
mationsprozess zwingend erforderlich,
welcher insbesondere die Weiterentwick-
lung der Mitarbeiterkompetenzen umfasst.
Unternehmen, denen dieser Transfor-
mationsprozess gut gelingt und die sich
nicht mit der Optimierung bestehender
Prozesse zufrieden geben, sondern neue
Geschäftsmodelle auf Basis generativer
KI entwickeln, werden einen Wettbe-
werbsvorteil gegenüber ihren Marktbe-
gleitern haben. Dabei sind ein umfassen-
des Verständnis und insbesondere eine
ausgewogene Betrachtung der Chancen
und Risiken besonders wichtig.
Für die konkrete Umsetzung kann die
Einführung eines Managementsystems
für KI, welches durch die internationale
Norm ISO/IEC 42001 [21] festgelegt ist,
ein vielversprechender Ansatz sein. Die-
Tabelle 1. Optimierung bestehender Prozesse mit generativer KI
348 Jahrg. 119 (2024) 5
KÜNSTLICHE INTELLIGENZ
INDUSTRIE 4.0
se liefert ein umfassendes Regelwerk für
die Implementierung von KI in der Praxis
und hilft bei der Strukturierung von
Chancen und Risiken sowie bei der Orga-
nisationsentwicklung. Der Aufbau der
Norm gemäß der harmonisierten Struk-
tur ermöglicht zudem die vollständige
Integration der Anforderungen in beste-
hende integrierte Managementsysteme.
Der technologische Fortschritt der zu-
grundeliegenden Modelle, der uns be-
reits bis zu diesem Punkt gebracht hat,
wird sich rasant weiterentwickeln. Neue
Versionen können auf das Internet zu-
greifen und somit aktuelle Informationen
berücksichtigen. Insbesondere durch
kleinere und spezialisierte Modelle kann
die Leistung weiter gesteigert werden.
Durch geeignete Plattformen kann die
Anwendbarkeit durch den Mitarbeiten-
den weiter vereinfacht und das Zusam-
menspiel mehrerer Modelle orchestriert
werden. Solche Neuerungen sind in der
aktuellen Version 4 von ChatGPT bereits
integriert und werden auf der Entwick-
lerkonferenz von OpenAI vorgestellt [22].
Literatur
1. OpenAI: ChatGPT. Online unter https://
openai.com/chatgpt [Abruf am 10.01.2024]
2. Apotheker, J.; Duranton, S.; Lukic, V.; de
Bellefonds, N.; Iyer, S.; Bouffault, O.; de
Laubier, R.: From Potential to Profit with
GenAI – BCG AI Radar. Online unter
https://www.bcg.com/publications/2024/
from-potential-to-profit-with-genai
[Abruf am 23.02.2024]
3. Loukides, M.: Generative AI in the Enterprise.
Online unter https://www.oreilly.com/
radar/generative-ai-in-the-enterprise
[Abruf am 30.11.2023]
4. Wiles, J.: Beyond ChatGPT: The Future of
Generative AI for Enterprises. Online unter
https://www.gartner.com/en/articles/
beyond-chatgpt-the-future-of-generative-ai-
for-enterprises [Abruf am 30.10.2023]
5. McKinsey Global Institute: The Economic
Potential of Generative AI: The Next Pro-
ductivity Frontier, Juni 2023
6. Fritz, J.: Datenbasierte Optimierung des
Business Management Systems – Geschäfts-
prozesse verbessern mit Data Analytics,
Industrie 4.0, KI, Chatbots und Co. Carl
Hanser Verlag, München 2022
DOI:10.3139/9783446472549.fm
7. Vaswani, A.; Shazeer, N.; Parmar, N.;
Uszkoreit, J.; Jones, L.; Gomez, A. N.; Kaiser, L.;
Polosukhin, I.: Attention Is All You Need
DOI:10.48550/arXiv.1706.03762
8. Google Cloud Skills Boost: Introduction to
Generative AI. Online unter https://www.
cloudskillsboost.google/paths/118/course_
templates/536 [Abruf am 25.03.2024]
9. McKinsey & Company: McKinsey Explainers –
What is generative AI? Online unter
https://www.mckinsey.com/featured-
insights/mckinsey-explainers/what-is-
generative-ai [Abruf am 15.12.2024]
10. West, P.; Lu, X.; Nouha, D.; Faeze, B.; Li, L.;
Hwang, J. D.; Jiang, L.; Fisher, J.; Ravichander, A.;
Chandu, K.; Newman, B.; Koh, P. W.;
Ettinger, A.; Choi, Y.: The Generative AI
Paradox: “What It Can Create, It May Not
Understand”
DOI:10.48550/arXiv.2311.00059
11. OpenAI: Prompt Engineering. Online unter
https://platform.openai.com/docs/guides/
prompt-engineering [Abruf am 10.01.2024]
12. Microsoft: Copilot für Microsoft 365. Online
unter https://adoption.microsoft.com/
de-de/copilot [Abruf am 25.03.2024]
13. Dell‘Acqua, F.; McFowland, E.; Mollick, E. R.;
Lifshitz-A.; H. Kellogg, K.; Rajendran, S.;
Krayer, L.; Candelon, F.; Lakhani, K. R.:
Navigating the Jagged Technological Frontier:
Field Experimental Evidence of the Effects
of AI on Knowledge Worker Productivity
and Quality (September 15, 2023). Harvard
Business School Technology & Operations
Mgt. Unit Working Paper No. 24-013
DOI:10.2139/ssrn.4573321
14. OpenAI: GPT-4 Technical Report. Online
unter https://arxiv.org/abs/2303.08774
[Abruf am 10.12.2023]
15. Knuth, C.: ChatGPT und Co: Worauf
Beschäftigte bei der Nutzung von KI im
Betriebe achten müssen. VDI nachrichten.
Online unter https://www.vdi-nachrichten.
com/wirtschaft/recht/chatgpt-und-co-
worauf-beschaeftigte-bei-der-nutzung-von-
ki-im-betrieb-achten-muessen
[Abruf am 20.12.2023]
16. Kremer, A.; Luget, A.; Mikkelsen, D.; Soller, H.;
Strandell-Jansson, M.; Zingg, S.: As gen AI
advances, regulators – and risk functions –
rush to keep pace. McKinsey & Company.
Online unter: https://www.mckinsey.com/
capabilities/risk-and-resilience/our-insights/
as-gen-ai-advances-regulators-and-risk-
functions-rush-to-keep-pace
[Abruf am 10.01.2024]
17. Bevan, O.; Chui, M.; Presten, B.; Yee, L.;
Kristensen, I.: Implementing generative AI
with Speed and Safety. McKinsey & Compa-
ny – QuantumBlack AI by McKinsey. Online
unter https://www.mckinsey.com/capabilities/
risk-and-resilience/our-insights/implementing-
generative-ai-with-speed-and-safety
[Abruf am 24.03.2024]
18. Eloundou, T.; Manning, S.; Mishkin, P.;
Rock, D.: GPTs are GPTs: An Early Look at
the Labor Market Impact Potential of Large
Language Models. Online unter https://
arxiv.org/abs/2303.10130
[Abruf am 11.02.2024]
19. Gates, B.: Unconfuse Me with Bill Gates.
Episode 6: Sam Altman; In: YouTube. Online
unter https://www.youtube.com/
watch?
v=PkXELH6Y2lM [Abruf am 15.01.2024]
20. de Bellefonds, N.; Duranton, S.; Lukic, V.;
Apotheker, J.; Lesser, R.; Breward, T.: Turning
GenAI Magic into Business Impact. Boston
Consulting Group (BCG). Online unter
https://www.bcg.com/publications/2023/
maximizing-the-potential-of-generative-ai
[Abruf am 20.12.2023]
21. International Organization for Standardiza-
tion ISO / International Electrotechnical
Commission IEC: ISO/IEC 42001 – Informa-
tion Technology – Artificial intelligence –
Management System. Erste Ausgabe, Genf,
Schweiz 2023
22. OpenAI DevDay: Opening Keynote. In:
YouTube. Online unter https://www.
youtube.com/watch?v=U9mJuUkhUzk
[Abruf am 15.02.2024]
Der Autor dieses Beitrags
Prof. Dr.-Ing. Jürgen Fritz, geb. 1979, ist Mitglied
des Direktoriums der Hochschule für Wirtschaft
in Freiburg, Schweiz, welche zur HES-SO Fach-
hochschule Westschweiz zählt. Ihm unterliegt
die Leitung für industrielle Kontakte sowie für
die Forschung und Entwicklung. Jürgen Fritz hat
über 15 Jahre internationale Führungsverant-
wortung in der Forschung- und Vorausentwick-
lung, der Produktentwicklung, der Produktion,
der Qualität und im Einkauf.
Abstract
Generative AI in industry – Understanding
the Opportunities of Generative Artificial
Intelligence (AI) and Implementing its Use in
a Target-oriented Way. Generative AI has
attracted a great deal of attention in recent
months due to the rapid improvement in results
and the low entry barrier through interaction
with natural language. Therefore, it is even
more important to understand the limits and,
particularly, the opportunities of generative AI.
This article provides a balanced overview and
illustrates the target-oriented implementation
of generative AI in industry.
Schlüsselwörter
Generative KI, Large Language Models (LLM),
Industrielle Anwendungen, Risiken und
Chancen, Datenbasierte Optimierung
Keywords
Generative AI, Large Language Models (LLM),
Industrial Applications, Risks and Opportunities,
Data-based Optimization
Bibliography
DOI:10.1515/zwf-2024-1056
ZWF 119 (2024) 5; page 344 – 348
© 2024 Walter de Gruyter GmbH,
Berlin/Boston, Germany
ISSN 0947-0085 · e-ISSN 2511-0896
