{"id":884540,"date":"2023-10-24T01:30:51","date_gmt":"2023-10-24T06:30:51","guid":{"rendered":"https:\/\/blogging-techies.com\/ge\/so-trainieren-sie-ihren-chatbot-durch-rapid-engineering\/"},"modified":"2023-10-24T01:30:51","modified_gmt":"2023-10-24T06:30:51","slug":"so-trainieren-sie-ihren-chatbot-durch-rapid-engineering","status":"publish","type":"post","link":"https:\/\/blogging-techies.com\/ge\/so-trainieren-sie-ihren-chatbot-durch-rapid-engineering\/","title":{"rendered":"So trainieren Sie Ihren Chatbot durch Rapid Engineering"},"content":{"rendered":"<p>Einer der Gr\u00fcnde, warum KI-basierte Chatbots in den letzten Monaten die Welt im Sturm erobert haben, liegt darin, dass sie Texte f\u00fcr eine Vielzahl von Zwecken generieren oder verfeinern k\u00f6nnen, sei es f\u00fcr die Erstellung einer Werbekampagne oder das Verfassen eines Lebenslaufs.<\/p>\n<p>Diese Chatbots basieren auf LLM-Algorithmen (Large Language Model), die menschliche Intelligenz nachahmen und Textinhalte sowie Audio, Video, Bilder und Computercode erstellen k\u00f6nnen.  LLMs sind eine Art k\u00fcnstlicher Intelligenz, die auf einer gro\u00dfen Anzahl von Artikeln, B\u00fcchern oder internetbasierten Ressourcen und anderen Eingaben trainiert wird, um menschen\u00e4hnliche Reaktionen auf Eingaben in nat\u00fcrlicher Sprache zu erzeugen.<\/p>\n<p>Immer mehr Technologieunternehmen haben LLM-basierte generative KI-Tools f\u00fcr den kommerziellen Einsatz eingef\u00fchrt, um Anwendungsaufgaben zu automatisieren.  Beispielsweise hat Microsoft letzte Woche einen Chatbot basierend auf ChatGPT von OpenAI f\u00fcr eine begrenzte Anzahl von Benutzern eingef\u00fchrt;  Es ist in Microsoft 365 integriert und kann CRM- und ERP-Anwendungsfunktionen automatisieren.<\/p>\n<figure class=\"large \"><a class=\"zoom\" href=\"https:\/\/images.idgesg.net\/images\/article\/2023\/03\/salesforce-einstein-gpt-code-development-example-100938736-orig.jpg?auto=webp&#038;quality=85,70\" rel=\"nofollow noopener\" target=\"_blank\"><\/a>    Zwangsversteigerung<br \/>\n<\/figure>\n<p>Beispielsweise kann der neue Microsoft 365 Copilot in Word verwendet werden, um einen ersten Entwurf eines Dokuments zu erstellen, was m\u00f6glicherweise stundenlanges Schreiben, Suchen und Bearbeiten erspart.  Zwangsversteigerung <a href=\"https:\/\/www.cio.com\/article\/464018\/salesforce-not-ready-to-unleash-generative-ai-on-its-customers.html\" rel=\"noopener nofollow\" target=\"_blank\">k\u00fcndigte au\u00dferdem Pl\u00e4ne zur Einf\u00fchrung eines GPT-basierten Chatbots an<\/a> zur Verwendung mit Ihrer CRM-Plattform.<\/p>\n<p>Die meisten LLMs, wie etwa GPT-4 von OpenAI, sind als Content- oder Next-Word-Prediction-Engines vorab trainiert;  So nutzen sie die meisten Unternehmen, sozusagen \u201eout of the box\u201c.  Und w\u00e4hrend LLM-basierte Chatbots ihren Teil an Fehlern verursacht haben, funktionieren vorab trainierte LLMs relativ gut darin, genaue und \u00fcberzeugende Inhalte bereitzustellen, die zumindest als Ausgangspunkt verwendet werden k\u00f6nnen.<\/p>\n<p>Viele Branchen ben\u00f6tigen jedoch st\u00e4rker angepasste LLM-Algorithmen, die ihren Fachjargon verstehen und benutzerspezifische Inhalte produzieren.  LLMs f\u00fcr die Gesundheitsbranche m\u00fcssen beispielsweise m\u00f6glicherweise elektronische Gesundheitsakten (EHR) verarbeiten und interpretieren, Behandlungen vorschlagen oder eine Zusammenfassung der Gesundheitsversorgung von Patienten auf der Grundlage medizinischer Notizen oder Sprachaufzeichnungen erstellen.  Ein LLM, der auf die Finanzdienstleistungsbranche abgestimmt ist, kann Gewinngespr\u00e4che zusammenfassen, Besprechungsprotokolle erstellen und Betrugsanalysen durchf\u00fchren, um Verbraucher zu sch\u00fctzen.<\/p>\n<p>In vielen Branchen kann es von gr\u00f6\u00dfter Bedeutung sein, ein hohes Ma\u00df an Reaktionsgenauigkeit sicherzustellen.<\/p>\n<p>Auf die meisten LLMs kann \u00fcber eine Anwendungsprogrammierschnittstelle (API) zugegriffen werden, die es dem Benutzer erm\u00f6glicht, Parameter zu erstellen oder die Reaktion des LLM anzupassen.  Eine an einen Chatbot gesendete Frage oder Anfrage wird aufgerufen <a href=\"https:\/\/learn.microsoft.com\/en-us\/semantic-kernel\/concepts-ai\/prompts\" rel=\"nofollow noopener\" target=\"_blank\">ein Symbol<\/a>, in dem der Benutzer eine Antwort anfordert.  Eingabeaufforderungen k\u00f6nnen Fragen in nat\u00fcrlicher Sprache, Codeausschnitte oder Befehle sein. Damit das LMM seine Aufgabe jedoch korrekt ausf\u00fchren kann, m\u00fcssen die Eingabeaufforderungen pr\u00e4zise sein.<\/p>\n<p>Und aus diesem Bed\u00fcrfnis ist eine neue F\u00e4higkeit entstanden: Rapid Engineering.<\/p>\n<h2><strong>Schnelles Engineering erkl\u00e4rt<\/strong><\/h2>\n<p>Unter Prompt Engineering versteht man den Prozess der Entwicklung und Optimierung von Texteingabeaufforderungen f\u00fcr gro\u00dfe Sprachmodelle, um die gew\u00fcnschten Ergebnisse zu erzielen.  \u201e[It] \u201ehilft LLMs bei der schnellen Iteration bei der Produktexploration und beim Prototyping, indem das LLM schnell und einfach so angepasst wird, dass es sich besser an die Aufgabendefinition anpasst\u201c, sagte Marshall Choy, Senior Vice President of Products bei <a href=\"https:\/\/sambanova.ai\/\" rel=\"nofollow noopener\" target=\"_blank\">SambaNova-Systeme<\/a>ein Startup aus dem Silicon Valley, das Halbleiter f\u00fcr k\u00fcnstliche Intelligenz (KI) herstellt.<\/p>\n<p>Laut Eno Reyes, einem Machine-Learning-Ingenieur bei Hugging Face, einer Community-gesteuerten Plattform, die LLM erstellt und hostet, ist Rapid Engineering f\u00fcr Benutzer vielleicht genauso wichtig, aber es ist auf dem besten Weg, eine wichtige F\u00e4higkeit f\u00fcr Gesch\u00e4fts- und IT-Experten zu werden.<\/p>\n<figure class=\"large \"><a class=\"zoom\" href=\"https:\/\/images.idgesg.net\/images\/article\/2023\/03\/shutterstock_2259188619-100938589-orig.jpg?auto=webp&#038;quality=85,70\" rel=\"nofollow noopener\" target=\"_blank\"><\/a>    Neil Lockhart\/Shutterstock<\/figure>\n<p><strong>\u201e<\/strong>\u201eViele Leute, die ich aus der Software-, IT- und Beratungsbranche kenne, nutzen Rapid Engineering st\u00e4ndig f\u00fcr ihre pers\u00f6nliche Arbeit\u201c, sagte Reyes in einer E-Mail-Antwort an .  \u201eDa LLMs zunehmend in verschiedene Branchen integriert werden, ist ihr Potenzial zur Produktivit\u00e4tssteigerung immens.\u201c<\/p>\n<p>Durch den effektiven Einsatz von Rapid Engineering k\u00f6nnen Gesch\u00e4ftsanwender LLMs optimieren, um ihre spezifischen Aufgaben effizienter und genauer auszuf\u00fchren, vom Kundenservice \u00fcber die Inhaltserstellung bis hin zur Datenanalyse, sagte Reyes.<\/p>\n<p>Das derzeit bekannteste LLM, GPT-3 von OpenAI, ist die Basis f\u00fcr den beliebten ChatGPT-Chatbot.  Das GPT-3 LLM arbeitet mit einem 175 Milliarden Parametermodell, das mit kurzen schriftlichen Eingabeaufforderungen Text und Computercode generieren kann.  Die neueste Version von OpenAI, GPT-4, verf\u00fcgt sch\u00e4tzungsweise \u00fcber bis zu 280 Milliarden Parameter, was die Wahrscheinlichkeit erh\u00f6ht, genaue Antworten zu liefern.<\/p>\n<p>Neben GPT LLM von OpenAI umfassen beliebte generative KI-Plattformen offene Modelle wie <a href=\"https:\/\/huggingface.co\/docs\/transformers\/model_doc\/bloom\" rel=\"nofollow noopener\" target=\"_blank\">BLOOM des umarmenden Gesichts<\/a> Und <a href=\"https:\/\/huggingface.co\/docs\/transformers\/model_doc\/xlm-roberta\" rel=\"nofollow noopener\" target=\"_blank\">XLM-RoBERTa<\/a>, <a href=\"https:\/\/www.nvidia.com\/en-us\/gpu-cloud\/nemo-llm-service\/\" rel=\"nofollow noopener\" target=\"_blank\">Nvidia NeMO LLM<\/a>, <a href=\"https:\/\/paperswithcode.com\/method\/xlnet\" rel=\"nofollow noopener\" target=\"_blank\">XLNet<\/a>, <a href=\"https:\/\/cohere.ai\/\" rel=\"nofollow noopener\" target=\"_blank\">Haften<\/a> Und <a href=\"https:\/\/github.com\/THUDM\/GLM-130B\" rel=\"nofollow noopener\" target=\"_blank\">GLM-130B<\/a>.<\/p>\n<p>Da Rapid Engineering eine junge und aufstrebende Disziplin ist, verlassen sich Unternehmen auf Brosch\u00fcren und Kurzanleitungen, um optimale Reaktionen ihrer KI-Anwendungen sicherzustellen.  Es entstehen sogar M\u00e4rkte f\u00fcr Anzeigen, wie z <a href=\"https:\/\/beebom.com\/best-chatgpt-prompts\/\" rel=\"nofollow noopener\" target=\"_blank\">Die 100 besten ChatGPT-Eingabeaufforderungen<\/a>.<\/p>\n<p>\u201eDie Leute verkaufen sogar schnelle Vorschl\u00e4ge\u201c, sagte Arun Chandrasekaran, ein angesehener Vice President Analyst bei Gartner Research, und f\u00fcgte hinzu, dass die j\u00fcngste Flut an Aufmerksamkeit f\u00fcr generative KI die Notwendigkeit einer besseren schnellen Entwicklung deutlich gemacht habe.<\/p>\n<p>\u201eEs ist eine relativ neue Dom\u00e4ne\u201c, sagte er.  \u201eGenerative KI-Anwendungen st\u00fctzen sich oft auf riesige selbst\u00fcberwachte KI-Modelle und daher sind mehr Wissen, Tests und zus\u00e4tzlicher Aufwand erforderlich, um optimale Antworten daraus zu erhalten.  \u201eIch bin zuversichtlich, dass wir mit zunehmender Reife bessere Anleitungen und Best Practices von KI-Modellbauern zu effektiven M\u00f6glichkeiten erhalten werden, das Beste aus KI-Modellen und -Anwendungen herauszuholen.\u201c<\/p>\n<h2><strong>Ein guter Einstieg bedeutet einen guten Ausstieg<\/strong><\/h2>\n<p>Die maschinelle Lernkomponente von LLM lernt automatisch aus Eingabedaten.  Zus\u00e4tzlich zu den Daten, die urspr\u00fcnglich zur Erstellung eines LLM wie GPT-4 verwendet wurden, hat OpenAI etwas namens \u201e <a href=\"https:\/\/huggingface.co\/blog\/rlhf\" rel=\"nofollow noopener\" target=\"_blank\">Verst\u00e4rkungslernen. Menschliches Feedback<\/a>Dabei trainiert ein Mensch das Modell darin, menschen\u00e4hnliche Antworten zu geben.<\/p>\n<p>Beispielsweise stellt ein Benutzer dem LLM eine Frage und gibt dann die ideale Antwort ein.  Der Benutzer stellt dem Modell dann erneut dieselbe Frage und das Modell bietet viele weitere unterschiedliche Antworten.  Wenn es sich um eine faktenbasierte Frage handelt, besteht die Hoffnung, dass die Antwort dieselbe bleibt;  Handelt es sich um eine offene Frage, besteht das Ziel darin, mehrere kreative, menschen\u00e4hnliche Antworten hervorzubringen.<\/p>\n<p>Wenn ein Benutzer beispielsweise ChatGPT bittet, ein Gedicht \u00fcber eine Person zu erstellen, die an einem Strand in Hawaii sitzt, wird erwartet, dass jedes Mal ein anderes Gedicht generiert wird.  \u201eWas die menschlichen Trainer also tun, ist, die Antworten vom besten zum schlechtesten zu bewerten\u201c, sagte Chandrasekaran.  \u201eDas ist ein Input f\u00fcr das Modell, um sicherzustellen, dass es eine bessere oder menschlichere Reaktion gibt, w\u00e4hrend gleichzeitig versucht wird, die schlechtesten Reaktionen zu minimieren.  Aber wie formulieren Sie die Fragen? [has] einen gro\u00dfen Einfluss auf das Ergebnis, das man mit einem Modell erh\u00e4lt.\u201c<\/p>\n<p>Organisationen k\u00f6nnen ein GPT-Modell trainieren, indem sie unternehmensinterne benutzerdefinierte Datens\u00e4tze aufnehmen.  Sie k\u00f6nnen beispielsweise Unternehmensdaten nehmen, diese kennzeichnen und mit Anmerkungen versehen, um ihre Qualit\u00e4t zu erh\u00f6hen, und sie dann in das GPT-4-Modell aufnehmen.  Dadurch wird das Modell so angepasst, dass es spezifische Fragen f\u00fcr diese Organisation beantworten kann.<\/p>\n<p>Die Feinabstimmung kann auch branchenspezifisch erfolgen.  Es entsteht bereits eine Heimindustrie von Start-ups, die GPT-4 nutzen und eine F\u00fclle von Informationen aufnehmen, die speziell f\u00fcr vertikale Branchen wie Finanzdienstleistungen gelten.<\/p>\n<p>\u201eSie k\u00f6nnen Informationen von Lexus-Nexus und Bloomberg aufnehmen, sie k\u00f6nnen Informationen von der SEC wie 8K- und 10K-Berichte aufnehmen.\u201c  Aber der Punkt ist, dass das Modell eine Menge Sprache oder Informationen lernt, die sehr spezifisch f\u00fcr diesen Bereich sind\u201c, sagte Chandrasekaran.  \u201eEine Feinabstimmung kann also auf Branchenebene oder auf Organisationsebene erfolgen.\u201c<\/p>\n<p>Zum Beispiel, <a href=\"https:\/\/www.harvey.ai\/\" rel=\"nofollow noopener\" target=\"_blank\">Harvey<\/a> ist ein Startup, das mit OpenAI zusammengearbeitet hat, um einen sogenannten \u201eCopiloten f\u00fcr Anw\u00e4lte\u201c oder eine Version von ChatGPT f\u00fcr Juristen zu entwickeln.  Anw\u00e4lte k\u00f6nnen den benutzerdefinierten ChatGPT-Chatbot verwenden, um rechtliche Pr\u00e4zedenzf\u00e4lle f\u00fcr bestimmte Richter zu ermitteln und sich auf ihren n\u00e4chsten Fall vorzubereiten, sagte Chandrasekaran.<\/p>\n<p>\u201eIch sehe den Wert von Verkaufsanweisungen nicht so sehr in der Sprache, sondern in Bildern\u201c, sagte Chandrasekaran.  \u201eEs gibt alle Arten von Modellen im Bereich der generativen KI, einschlie\u00dflich Text-zu-Bild-Modellen.\u201c<\/p>\n<p>Beispielsweise kann ein Benutzer ein generatives KI-Modell bitten, ein Bild eines Gitarristen zu erstellen, der den Mond spielt.  \u201eIch denke, dass der Text-zu-Bild-Bereich in schnellen M\u00e4rkten mehr Gewicht hat\u201c, sagte Chandrasekaran.<\/p>\n<h2><strong>Hugging Face als umfassendes Zentrum f\u00fcr LLM<\/strong><\/h2>\n<p>W\u00e4hrend Hugging Face einige seiner eigenen LLMs erstellt, darunter BLOOM, besteht die Hauptfunktion der Organisation darin, eine Drehscheibe f\u00fcr maschinelle Lernmodelle von Drittanbietern zu sein, wie es GitHub f\u00fcr Code tut;  Hugging Face beherbergt derzeit \u00fcber 100.000 Modelle f\u00fcr maschinelles Lernen, darunter eine Vielzahl von LLMs von Startups und gro\u00dfen Technologieunternehmen.<\/p>\n<p>Da es sich bei neuen Modellen um Open-Source-Modelle handelt, sind sie im Allgemeinen zentral verf\u00fcgbar und bieten so eine zentrale Anlaufstelle f\u00fcr neue Open-Source-LLMs.<\/p>\n<p>Um ein LLM f\u00fcr ein bestimmtes Unternehmen oder eine bestimmte Branche mithilfe von Hugging Face zu optimieren, k\u00f6nnen Benutzer die Vorteile der Organisation nutzen.<a href=\"https:\/\/huggingface.co\/docs\/transformers\/index\" rel=\"nofollow noopener\" target=\"_blank\">Transformer<\/a>\u201e\u201eDatensatz\u201c-APIs und -Bibliotheken.  Im Finanzdienstleistungsbereich k\u00f6nnte ein Benutzer beispielsweise ein vorab trainiertes LLM importieren, z <a href=\"https:\/\/www.philschmid.de\/fine-tune-flan-t5\" rel=\"nofollow noopener\" target=\"_blank\">Flan-UL2<\/a>Laden Sie einen Datensatz mit Finanznachrichtenartikeln und optimieren Sie das Modell mit dem \u201eTransformers\u201c-Trainer, um Zusammenfassungen dieser Artikel zu erstellen.  Integrationen mit <a href=\"https:\/\/huggingface.co\/blog\/the-partnership-amazon-sagemaker-and-hugging-face\" rel=\"nofollow noopener\" target=\"_blank\">AWS<\/a>, <a href=\"https:\/\/huggingface.co\/docs\/accelerate\/usage_guides\/deepspeed\" rel=\"nofollow noopener\" target=\"_blank\">Deepspeed<\/a>Und <a href=\"https:\/\/huggingface.co\/docs\/accelerate\/index\" rel=\"nofollow noopener\" target=\"_blank\">Beschleunigen Sie<\/a> die Schulung weiter zu rationalisieren und zu optimieren.<\/p>\n<p>Laut Reyes kann der gesamte Prozess in weniger als 100 Codezeilen durchgef\u00fchrt werden.<\/p>\n<p>Eine weitere M\u00f6glichkeit, mit Rapid Engineering zu beginnen, ist die Hugging Face Inference API;  ist laut Reyes ein einfacher HTTP-Anfrageendpunkt, der mehr als 80.000 Transformer-Modelle unterst\u00fctzt.  \u201eMit dieser API k\u00f6nnen Benutzer Textnachrichten senden und Antworten von Open-Source-Modellen auf unserer Plattform, einschlie\u00dflich LLMs, erhalten\u201c, sagte Reyes.  \u201eWenn Sie es noch einfacher machen m\u00f6chten, k\u00f6nnen Sie Text ohne Code senden, indem Sie das Inferenz-Widget in den LLM-Modellen verwenden <a href=\"https:\/\/huggingface.co\/docs\/hub\/index\" rel=\"nofollow noopener\" target=\"_blank\">Umarmender Gesichtsw\u00fcrfel<\/a>.\u201c<\/p>\n<h2>Wenig-Schuss- und No-Schuss-Lernen<\/h2>\n<p>Schnelles LLM-Engineering nimmt im Allgemeinen eine von zwei Formen an: Lernen oder Training mit wenigen und ohne Sch\u00fcssen.<\/p>\n<p>Beim Zero-Shot-Lernen wird eine einfache Anweisung eingegeben, beispielsweise eine Eingabeaufforderung, die eine erwartete Antwort vom LLM hervorruft.  Es soll einem LLM beibringen, neue Aufgaben auszuf\u00fchren, ohne f\u00fcr diese spezifischen Aufgaben gekennzeichnete Daten zu verwenden.  Stellen Sie sich Zero Shot als verst\u00e4rkendes Lernen vor.<\/p>\n<p>Im Gegensatz dazu verwendet das Wenig-Schuss-Lernen eine kleine Menge an Informationen oder Beispieldaten, um das LLM f\u00fcr die gew\u00fcnschten Antworten zu trainieren. <a href=\"https:\/\/huggingface.co\/blog\/few-shot-learning-gpt-neo-and-inference-api\" rel=\"nofollow noopener\" target=\"_blank\">Wenige Sch\u00fcsse lernen<\/a> Es besteht aus drei Hauptkomponenten:<\/p>\n<ul>\n<li><strong>Aufgabenbeschreibung<\/strong>: Eine kurze Beschreibung dessen, was das Modell tun soll, zum Beispiel \u201eEnglisch ins Franz\u00f6sische \u00fcbersetzen\u201c<\/li>\n<li><strong>Beispiele<\/strong>: Einige Beispiele, die dem Modell zeigen, was es tun soll, zum Beispiel \u201eSeeotter => Loutre de Mer\u201c<\/li>\n<li><strong>Sofort<\/strong>: Der Anfang eines neuen Beispiels, den das Modell durch Generieren des fehlenden Textes vervollst\u00e4ndigen muss, z. B. \u201echeese =>\u201c<\/li>\n<\/ul>\n<p>Tats\u00e4chlich gibt es heute nur wenige Organisationen mit ma\u00dfgeschneiderten Schulungsmodellen, die ihren Bed\u00fcrfnissen entsprechen, da sich die meisten Modelle laut Chandrasekaran von Gartner noch in einem fr\u00fchen Entwicklungsstadium befinden.  Und w\u00e4hrend Low-Shot- und No-Shot-Lernen hilfreich sein kann, ist das Erlernen von Rapid Engineering als Fertigkeit sowohl f\u00fcr IT- als auch f\u00fcr Gesch\u00e4ftsanwender wichtig.<\/p>\n<p>\u201ePrompt-Engineering ist heutzutage eine wichtige F\u00e4higkeit, da Grundlagenmodelle gut f\u00fcr Low-Shot- und Zero-Shot-Lernen geeignet sind, aber ihre Leistung wird in vielerlei Hinsicht von der Art und Weise beeinflusst, wie wir die Prompts aufbauen. Notizen methodisch\u201c, sagte Chandrasekaran.  \u201eJe nach Anwendungsfall und Dom\u00e4ne werden diese F\u00e4higkeiten sowohl f\u00fcr IT- als auch f\u00fcr Gesch\u00e4ftsanwender wichtig sein.\u201c<\/p>\n<p>Die meisten APIs erm\u00f6glichen es Benutzern, ihre eigenen Rapid-Engineering-Techniken anzuwenden.  Jedes Mal, wenn ein Benutzer eine SMS an ein LLM sendet, besteht laut Reyes die M\u00f6glichkeit, die Eingabeaufforderungen zu verfeinern, um bestimmte Ergebnisse zu erzielen.<\/p>\n<p>\u201eDiese Flexibilit\u00e4t \u00f6ffnet jedoch auch die T\u00fcr f\u00fcr b\u00f6swillige Anwendungsf\u00e4lle, wie zum Beispiel schnelle Injektion\u201c, sagte Reyes.  \u201eF\u00e4lle wie [Microsoft\u2019s] <a href=\"https:\/\/gizmodo.com\/bing-ai-chatgpt-microsoft-alter-ego-sydney-dead-1850149974\" rel=\"nofollow noopener\" target=\"_blank\">Bing Sydney<\/a> hat gezeigt, wie Menschen Rapid Engineering f\u00fcr unbeabsichtigte Zwecke nutzen k\u00f6nnen.  \u201eDa es sich um ein wachsendes Forschungsgebiet handelt, wird es f\u00fcr die Zukunft von entscheidender Bedeutung sein, sich sowohl mit der schnellen Einschleusung in b\u00f6swilligen Anwendungsf\u00e4llen als auch mit dem \u201aRed Teaming\u2018 f\u00fcr Penetrationstests auseinanderzusetzen, um den verantwortungsvollen und sicheren Einsatz von LLMs in verschiedenen Anwendungen sicherzustellen.\u201c<\/p>\n   ","protected":false},"excerpt":{"rendered":"<p>Einer der Gr\u00fcnde, warum KI-basierte Chatbots in den letzten Monaten die Welt im Sturm erobert haben, liegt darin, dass sie Texte f\u00fcr eine Vielzahl von Zwecken generieren oder verfeinern k\u00f6nnen, sei es f\u00fcr die Erstellung einer Werbekampagne oder das Verfassen eines Lebenslaufs. Diese Chatbots basieren auf LLM-Algorithmen (Large Language Model), die menschliche Intelligenz nachahmen und [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":884541,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":"","fifu_image_url":"https:\/\/blogging-techies.com\/wp-content\/uploads\/2023\/06\/2124347900bed5_content-calendar-p-500.jpg","fifu_image_alt":""},"categories":[7],"tags":[],"_links":{"self":[{"href":"https:\/\/blogging-techies.com\/ge\/wp-json\/wp\/v2\/posts\/884540"}],"collection":[{"href":"https:\/\/blogging-techies.com\/ge\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blogging-techies.com\/ge\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blogging-techies.com\/ge\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/blogging-techies.com\/ge\/wp-json\/wp\/v2\/comments?post=884540"}],"version-history":[{"count":0,"href":"https:\/\/blogging-techies.com\/ge\/wp-json\/wp\/v2\/posts\/884540\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/blogging-techies.com\/ge\/wp-json\/wp\/v2\/media\/884541"}],"wp:attachment":[{"href":"https:\/\/blogging-techies.com\/ge\/wp-json\/wp\/v2\/media?parent=884540"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blogging-techies.com\/ge\/wp-json\/wp\/v2\/categories?post=884540"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blogging-techies.com\/ge\/wp-json\/wp\/v2\/tags?post=884540"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}