Die gebräuchlichste Methode zum Erstellen von GenAI-basierten Apps erfordert Programmiersprachen, Frameworks, Data Science und mehr. Dass man alles mit Low-Code umsetzen kann, ist den meisten noch unbekannt.
Low-Code ist ein visueller Ansatz für die Software-Entwicklung, der traditionelle und komplizierte manuelle Programmierungsprozesse minimiert. Low-Code bietet eine benutzerfreundliche Drag-and-Drop-Entwicklungsumgebung, die die App-Entwicklung für Programmieranfänger ebenso vereinfacht wie für erfahrene Profis. Dieser Abschnitt beleuchtet die Tools und Fähigkeiten, die zum Erstellen von GenAI-basierten Apps mit traditionellen Methoden erforderlich sind. Anschließend erfahren Sie, wie der Vorgang mit einer Low-Code-Plattform aussieht.
TL; DR: Die Entwicklung von GenAI-Apps mit herkömmlichem Code ist komplex und erfordert Fähigkeiten in den Bereichen KI/ML-Engineering, Data Science und Datenbankverwaltung. Auch das menschliche Verhalten ist ein Faktor. Gehen Sie direkt zum Abschnitt Verwendung von Low-Code zur Beschleunigung der GenAI-App-Entwicklung, um zu erfahren, wie Low-Code die GenAI-Entwicklung drastisch vereinfacht.
Verwendung traditioneller Methoden zur Entwicklung von GenAI-Apps
GenAI-Applikationen sind eine Kombination aus Cloud-Technologie, Software-Entwicklungssprachen, Data Science, Datenanalyse, DevOps, Processing und KI-Modellen. Zu den KI-Modellen gehört mit sogenannten Large Language Models (LLMs) auch eine spezielle Art von maschinellem Lernen (ML). LLMs können mehrere Anwendungsfälle „out of the box“ lösen, während traditionelles maschinelles Lernen ein umfangreiches Training von Modellen erfordert. Mit LLMs lassen sich Vorteile der künstlichen Intelligenz nutzen, ohne dafür über spezialisierte KI-Fachkenntnisse zu verfügen, um Modelle zu erstellen und Funktionen zu entwickeln. Abgesehen von LLMs müssen Entwickler Bereiche wie Serverless, Infrastructure-as-Code, maschinelle Lernkonzepte, Algorithmen und andere fortgeschrittene Techniken beherrschen. Dazu gehören überwachtes und unüberwachtes Lernen, GenAI-Frameworks, Deep-Learning-Architekturen und Optimierung.
Der Entwicklungsprozess von GenAI-Applikationen erfordert auch Wissen darüber, welches Modell oder welche Modelle verwendet werden sollen. Dabei muss entschieden werden, ob Sie Ihr eigenes Modell erstellen oder ein öffentlich verfügbares Modell nutzen. Zudem müssen Sie mit den für GenAI verfügbaren Framework für die Software-Entwicklung vertraut sein.
Ein Überblick über die GenAI-Terminologie
Für die Nutzung von GenAI sind einige neue Begriffe erforderlich. Hier sind einige wichtige Konzepte:
- Foundation Models (deutsch auch: Grundmodelle oder Basismodelle) – Bezeichnung für die Modelle, die die generative KI verwendet. Die Modelle sind groß und vielseitig und werden mit umfangreichen Daten trainiert, die angepasst werden können, um beispielsweise Text zu schreiben oder Bilder zu analysieren. Ihre Anzahl nimmt weiter zu, während KI-Experten mit ihnen experimentieren.
- Large language models (LLMs) sind eine Art von Grundmodell. Sie generieren und vervollständigen schriftliche Inhalte in massivem Umfang. ChatGPT und Claude verwenden LLMs, um z. B. ganze Textabsätze zu generieren.
- Die Vektorsuche ist eine Art von Suchfunktion, bei der Dokumente und Abfragen als Vektoren dargestellt werden, um eine hohe Suchleistung in Textdaten zu ermöglichen. Es ist der neue Standard für das Abrufen von Inhalten aus großen Wissensdatenbanken der Textdokumentation, die wiederum an LLMs für GenAI-Anwendungsfälle weitergegeben werden.
- Retrieval Augmentation Generation (RAG) ist eine KI-Technik, die LLMs mit Content Retrieval kombiniert, um Anwendungsfälle auf der Grundlage proprietärer Datenquellen zu ermöglichen. RAG besteht aus dem Abrufen von Text aus einer Wissensdatenbank (z. B. mithilfe der Vektorsuche), der wiederum an ein LLM mit einer Reihe von Anweisungen zur Generierung einer Antwort weitergeleitet wird. Ein Beispiel ist ein Chatbot, der Daten aus der Kundensupport-Wissensdatenbank abruft und diese Inhalte an ein LLM weiterleitet, um eine fundierte Antwort auf die Frage des Benutzers zu generieren.
- Diffusionsmodelle werden für die Bilderzeugung und Video- bzw. Bildsynthese verwendet. Zu den bekannten Beispielen zählen DALL-E 2 und MidJourney.
- Few-Shot-Prompting verbessert die Ausgaben von LLMs. Dazu werden Beispiele in einen Prompt aufgenommen, die dem Modell genau zeigen, was Sie in Bezug auf die Struktur, den Ton of Voice und den Stil der Ausgabe erwarten.
Die Sprachen der traditionellen GenAI-Entwicklung
Die Meinungen dazu, welche Programmiersprachen sich am besten für die Erstellung von GenAI-Apps eignen, gehen stark auseinander. Es gibt jedoch fünf Sprachen, bei denen die Experten aus den Entwicklungsteams von OpenAI, Anthropic, Meta, Cohere und Google einig sind, dass sie am häufigsten zur Erstellung von GenAI-Apps verwendet werden. Einige bieten KI-Dienste und Backends an und verlassen sich bei der Erstellung von Benutzeroberflächen auf traditionelle Programmiersprachen.
Python
Python ist aufgrund seiner Vielseitigkeit, Einfachheit, Lesbarkeit, Datenvisualisierungs- und Analysefunktionen und seiner umfangreichen Community-Unterstützung wahrscheinlich die am weitesten verbreitete Sprache in der Entwicklung von künstlicher Intelligenz und GenAI. Entwickler können es für die Verarbeitung natürlicher Sprache (NLP), prädiktive Modellierung, Bilderkennung, Gesichtserkennung, Chatbots und mehr verwenden. Wenn eine GenAI-App jedoch rechenintensive Aufgaben erfordert, die eine sorgfältige Berücksichtigung der Projektanforderungen erfordern, ist Python möglicherweise nicht die beste Wahl.
JavaScript
Wie Python bietet JavaScript Zugänglichkeit und Vielseitigkeit. Dadurch ist JavaScript ebenfalls eine beliebte Sprache für generative KI. JavaScript läuft direkt in Webbrowsern. Das bedeutet: Entwickler können die Sprache verwenden, um interaktive generative KI-Applikationen zu erstellen, die auf jedem Gerät mit Internetverbindung ausgeführt werden. Darüber hinaus bieten der breite Einsatz von JavaScript und die große Community Zugang zu zahlreichen Bibliotheken und Frameworks, die speziell für KI-Aufgaben entwickelt wurden.
R
R wird häufig in der statistischen Datenverarbeitung und Datenanalyse verwendet, bietet aber auch Pakete für die generative Modellierung. Diese Pakete ermöglichen die Manipulation und Visualisierung von Daten für die GenAI-Entwicklung, insbesondere für generative Kunst. Da es sich um eine Data-Science-Sprache handelt, hat R eine steile Lernkurve für Entwickler.
Prompt English
Prompt English ist keine Programmiersprache an sich. Hier wird die menschliche Sprache genutzt, um effektive Prompts zu entwerfen, die generative KI-Applikationen verwenden können, um angemessen zu „antworten“. Sogenannte Prompt Engineers erstellen Eingaben, die optimal mit anderen Eingaben in einem GenAI-Tool interagieren, sodass ein Modell z. B. Marketing-E-Mails schreiben, Code generieren, mit Kunden interagieren und digitale Kunst erstellen kann. Prompt Engineering erfordert linguistische Kompetenzen, Problemlösungsfähigkeiten, KI-Framework- und NLP-Kenntnisse, kreatives Schreiben, ethisches Bewusstsein, Interesse an iterativen Tests und ein grundlegendes Verständnis der menschlichen Kognition, Psychologie und Soziologie.
Beispiele für Prompts: Chain-of-Thought und Tree-of-Thought
Chain-of-Thought (CoT) ist eine Prompting-Technik, die verwendet wird, um die Fähigkeit von LLMs zu verbessern, komplexe Probleme zu lösen. Dabei werden Aufforderungen in kleinere, überschaubare Schritte unterteilt. Diese Schritte werden explizit artikuliert, bevor eine Schlussfolgerung gezogen wird. Hier ist ein allgemeiner Überblick über den CoT-Prozess:
- Aufschlüsslung des Problems: Der Prompt ist so strukturiert, dass er das Modell anweist, das Problem in eine Reihe logischer Schritte zu unterteilen.
- Begründung Schritt für Schritt: Das Modell verarbeitet dann jeden Schritt einzeln und artikuliert den Denkprozess, der von einem Schritt zum nächsten führt.
- Schlussfolgerung: Das Modell kombiniert die Erkenntnisse aus den einzelnen Schritten, um zu einer endgültigen Lösung zu gelangen.
Die Technik des Tree-of-Thought (ToT) baut auf dem CoT-Konzept auf. Es entsteht eine baumartige Struktur von Ideen. Jede Idee im Baum stellt einen Problemlösungsschritt dar, und das LLM kann jeden Schritt bewerten, um zu entscheiden, ob er realisierbar ist. Dieser Ansatz ist inspiriert davon, wie Menschen Probleme durch Versuch und Irrtum lösen. Das LLM kann auf diese Weise:
- verschiedene Ideen entdecken
- bei Bedarf eine Neubewertung durchführen
- Zwischengedanken selbst bewerten
- entscheiden, ob ein Pfad weiterverfolgt oder ein anderer gewählt werden soll
- Fehler automatisch korrigieren
- Wissen ansammeln
Weitere Sprachen
In Entwickler-Communities und Foren wird deutlich, dass auch andere Sprachen verwendet werden, die häufig nicht mit generativer KI in Verbindung gebracht werden. So nimmt beispielsweise der Einsatz von Java für generative KI-Applikationen in der IBM Engineering-Community zu.11 Mehrere gängige GenAI-Umgebungen bieten Java-SDKs an. Die Sprache eignet sich gut für die Erstellung von KI-Agenten und Analysen, die in Unternehmenssoftware eingebettet sind, sowie für die Unterstützung von Empfehlungssystemen.
Einige Entwickler entscheiden sich für die Verwendung von C++ für rechenintensive Aufgaben im Bereich der generativen KI.12 Diese Sprache bietet auch eine Low-Level-Kontrolle über Hardwareressourcen, wodurch sie für das Training umfangreicher generativer Modelle effizient ist. Für alle, die daran interessiert sind, ihre C#-Kenntnisse auf generative KI anzuwenden, gibt es Tutorials, die zeigen, wie dies möglich ist.13
Eine Sprache allein reicht nicht aus
Es ist wichtig zu beachten, dass eine Sprache allein selten ausreicht, um eine GenAI-gestützte Applikation zu erstellen oder GenAI in eine bestehende Applikation einzubetten. Entwickler sollten damit rechnen, mindestens zwei Sprachen zu verwenden.
Die Fähigkeiten, die für die Entwicklung von GenAI-Applikationen mit traditionellen Methoden erforderlich sind
Zusätzlich zu den traditionellen GenAI-Sprachen müssen Entwickler in der Lage sein, KI-bezogene Frameworks, Bibliotheken, Techniken und mehr zu verwenden und zu verstehen.
KI-Frameworks
KI-Frameworks bieten High-Level-APIs und -Tools, mit denen KI-Modelle schneller und einfacher erstellt und implementiert werden können. Die am häufigsten verwendeten Frameworks für die GenAI-Entwicklung sind LangChain, Haystack und LlamaIndex.
LangChain
LangChain wurde speziell für GenAI entwickelt und ist ein Open-Source-Framework, das sowohl in Python- als auch in Javascript-basierten Bibliotheken verfügbar ist. Es hilft Software-Entwicklern dabei, Applikationen mit großen Sprachmodellen (LLMs) zu erstellen. Es bietet Tools und APIs, die die Integration von LLMs in Projekte vereinfachen.
Ein grundlegendes Konzept in LangChain ist die Chain – d. h. eine Reihe automatisierter Aktionen, die die Abfrage eines Benutzers mit der Ausgabe des Modells verbinden. Chains ermöglichen es Entwicklern, mehrere Komponenten zu kombinieren, um eine kohärente Applikation zu erstellen, mehrere Datenquellen zu verbinden und einzigartige Inhalte zu generieren. Zudem sind sie für kontextbezogene Antworten einsetzbar, indem verschiedene KI-Komponenten zusammengehalten werden.
Haystack
Haystack ist ein Open-Source-basiertes Python-Framework für die Erstellung produktionsbereiter LLM-Applikationen, durch Abrufe erweiterter generativer Pipelines und hochmoderner Suchsysteme, die intelligent auf der Basis großer Dokumentensammlungen arbeiten. Haystack-Benutzer berichten, dass es für die Entwicklung groß angelegter Suchsysteme und konversationeller KI nützlicher ist als Langchain.14
LlamaIndex
LlamaIndex ist ein Orchestrierungs-Framework, das entwickelt wurde, um die Fähigkeiten von LLMs wie GPT-4 zu erweitern. Es indiziert die privaten oder domänenspezifischen Daten in Formaten, die für LLMs zur Unterstützung von RAG optimiert sind. Wenn jemand GenAI eine Frage stellt, kann LlamaIndex relevante Informationen aus einer großen Sammlung von Daten finden und sie verwenden, um eine genaue und detaillierte Antwort zu geben. Dies kann zu besseren, relevanteren Antworten führen – insbesondere bei Themen, die aktuelles oder spezifisches Wissen erfordern.
Hugging Face
Obwohl es kein typisches KI-Orchestrierungs-Framework ist, verlassen sich Entwickler auch bei der Erstellung von GenAI-Applikationen auf Hugging Face. Hugging Face bietet ein riesiges Repository an vortrainierten Modellen und einen Community-gesteuerten Ansatz für die gemeinsame Nutzung und Entwicklung von Modellen. Modelle von Hugging Face können auf bestimmte Aufgaben abgestimmt werden, was Entwicklern wertvolle Zeit und Rechenressourcen spart. Ein Model Hub fungiert als zentraler Knotenpunkt für den Austausch, die Entdeckung und die Zusammenarbeit an NLP-Modellen. Als Bibliothek von Hugging Face bietet „Transformers“ benutzerfreundliche APIs für die Arbeit mit vortrainierten Modellen, die es Entwicklern ermöglichen, leistungsstarke Sprachfunktionen mit minimalem Aufwand in ihre Applikationen zu integrieren.
Deep-Learning-Frameworks
Darüber hinaus gibt es einige GenAI-Applikationen, die mit Deep-Learning-Frameworks wie Pytorch, TensorFlow und Keras entwickelt wurden. Pytorch unterstützt z. B. ChatGPT-4. TensorFlow und Keras wurden verwendet, um generative Adversarial Networks zu entwickeln, bei denen es sich um Basismodelle handelt, die bei der Anomalieerkennung, Datenerweiterung, Bildsynthese und Text-zu-Bild- und Bild-zu-Bild-Übersetzung verwendet werden. Diese Frameworks sind jedoch nicht auf GenAI ausgerichtet und kommen in aktuellen GenAI-Projekten nicht besonders stark zum Einsatz.
Techniken zur Verarbeitung natürlicher Sprache
Natural Language Processing (NLP) trainiert Computer darin, menschliche Sprache zu verstehen, zu interpretieren und zu generieren und so Lücken zwischen menschlicher und maschineller Sprache zu schließen. Die Liste der NLP-Techniken umfasst derzeit 14 Einträge, weitere kommen hinzu. Dazu zählen:
- Tokenisierung: Zerlegen eines Textes in kleinere Einheiten, z. B. Wörter oder Subwörter (Token).
- Tagging für Wortarten: Markieren der einzelnen Wörter in einem Satz, z. B. Substantive, Verben, Adjektive usw., um die Rolle und den Kontext von Wörtern zu verstehen.
- Erkennung benannter Entitäten: Identifizieren und Klassifizieren von Namen von Personen, Organisationen, Orten, Daten und mehr in einem Text.
- Stimmungsanalyse: Bestimmen der Emotion, die in einem Text ausgedrückt wird, z. B. positiv, negativ oder neutral.
- Sprachmodellierung: Erstellen statistischer Modelle, die die Abfolge von Wörtern in einer bestimmten Sprache vorhersagen, die in NLP-Aufgaben, einschließlich der Textgenerierung, verwendet werden.
Verarbeitung, Handhabung und Speicherung umfangreicher Datenmengen
Ein moderner Daten-Stack für GenAI ist eine Kombination aus Tools und Technologien. Diese ermöglichen die Erfassung, Verarbeitung, Speicherung, Analyse und Nutzung von Daten zum Trainieren und Bereitstellen generativer Modelle. Hier ist ein Überblick über einige der wichtigsten Komponenten.
| Plattformen für Echtzeit-Datenübertragung | Data Lakes oder Warehouses | Verteilte Datenverarbeitungs-Frameworks | Datenaufbereitung und Feature Engineering |
|---|---|---|---|
|
Erleichterung der Erfassung und Aufnahme von Daten aus verschiedenen Quellen, einschließlich Benutzerinteraktionen, Sensoren oder relevanten Eingaben.
|
Bereitstellung eines zentralen Repository für strukturierte und unstrukturierte Daten.
|
Transformation und Bereinigung von Daten, Verarbeitung groß angelegter Stapelverarbeitungen sowie Ermöglichen der Verarbeitung von Datenströmen in Echtzeit.
|
Bereinigen, Vorbereiten und Engineering von Funktionen aus Rohdaten. Feature Engineering ist entscheidend für das Training effektiver generativer Modelle.
|
Plattformen für die Bereitstellung von GenAI-Modellen und -Apps
Kubernetes und Docker sind unverzichtbare Werkzeuge, um GenAI-Modelle in die Produktion zu bringen und sicherzustellen, dass sie Prognosen in großem Maßstab liefern können. Docker unterstützt Sie, indem es ein KI-Modell und dessen Umgebung in einem Container verpackt, damit es zuverlässig in verschiedenen Computerumgebungen ausgeführt werden kann. Kubernetes verwaltet diese Container und hilft dabei, sie effizient bereitzustellen, zu skalieren und zu betreiben. Obwohl diese Plattformen den Prozess der Bereitstellung und Verwaltung von GenAI-Applikationen erleichtern, ist das Erlernen der Plattformen kompliziert.
Das Erstellen von GenAI-Apps mit herkömmlichen Methoden ist komplex und oft überwältigend
Die beeindruckende Liste von Sprachen und Fähigkeiten, die für die Erstellung von GenAI-gestützten Apps erforderlich sind, ist oft überwältigend. Für entschlossene Entwickler ist es natürlich möglich, all dies zu erlernen und eine erfolgreiche Karriere zu verfolgen. Doch es gibt auch einen Weg, der keine monate- oder jahrelange Schulungen erfordert – nämlich die Nutzung von Low-Code.
Wie Entwickler GenAI-Fähigkeiten erlernen
Hier sind einige der Möglichkeiten, wie Entwickler sich für GenAI qualifizieren:
- Formale Bildung wie Universitätskurse und Online-Programme
- Praktische Erfahrung mit Projekten und Open-Source-Beiträgen
- Verfolgung von Trends und Entwicklungen über das Lesen von Forschungsarbeiten und Blogs, den Austausch mit anderen in diesem Bereich erfahrenen Entwicklern und die Teilnahme an Konferenzen
- Zusammenarbeit mit Experten für Predictive Analytics, Sozialwissenschaftlern, Ingenieuren und Ethikern zur Bewältigung datenbezogener, ethischer und gesellschaftlicher Herausforderungen
- Bitten um Hilfe und Mentoring in Communities wie StackOverflow und GitHub oder in Subreddits
Verwendung von Low-Code, um die Entwicklung von GenAI-Apps (und die Begeisterung dafür) zu beschleunigen
Low-Code-Plattformen haben sich als hervorragend erwiesen, wenn es darum geht, Enterprise-Applikationen schnell und kostengünstiger als mit traditioneller Programmierung zu erstellen. GenAI-Apps sind letztlich auch Applikationen – und Low-Code lässt Ihnen die Wahl. Sie können viele Ressourcen in ein GenAI-Team, Schulungen und Tools investieren, um Ihre Lösung von Grund auf neu zu erstellen, oder Sie können eine Low-Code-Plattform einrichten und quasi direkt loslegen. Visuelle Schnittstellen, einfach einsetzbare Konnektoren, vorgefertigte Komponenten und Drag-and-Drop-Funktionen – diese Möglichkeiten von Low-Code-Plattformen können Entwicklern von GenAI-Apps viele Türen öffnen.
Fokus auf der Strategie statt auf der Umsetzung
Mit Low-Code können sich Entwickler stärker darauf konzentrieren, was ihre GenAI-Applikationen können sollen, statt auf die Umsetzung und den Weg dorthin. Mit minimalem Aufwand und maximaler Geschwindigkeit, Einfachheit und zufriedenstellenden Ergebnissen können sie eine Verbindung zu Grundmodellen herstellen. Auch für Data Scientists, die daran interessiert sind, mit ihren Modellen Applikationen zu erstellen, ist Low-Code eine der besten Möglichkeiten.
Low-Code-Plattformen machen es einfach, generative KI in Apps und Workflows zu integrieren. Mit wenigen Klicks können Entwickler die Vorteile von LLMs und RAG zusammenführen. Low-Code-Plattformen bieten auch Konnektoren zu GPTs, LLMs und GenAI-Funktionen von Amazon Web Services (AWS), Microsoft Azure und Google Cloud Platform. Mit diesen Verbindungen muss sich niemand mehr die Mühe machen, Modelle zu erstellen oder Frameworks auszuwählen.
Low-Code ermöglicht es Entwicklern zudem, eigene KI-Agenten zu erstellen, ohne eine Zeile Java oder Python zu schreiben oder auf die Langchain-Bibliothek zuzugreifen. Zumindest eine Low-Code-Plattform bietet Entwicklerteams alles, was sie benötigen, um GenAI-Agenten zu erstellen und sie in neue oder bestehende Applikationen einzubetten. Einige Plattformen beschleunigen sogar den Prozess der Erstellung von Agenten, indem sie eine Bibliothek mit schnell erstellten GenAI-Apps bieten – inklusive einer Support-Ticket-Applikation zur genauen Beantwortung von Kundenfragen und einer Sales-Intelligence-Applikation für die Zusammenfassung von Support-Anrufen.
GenAI-Apps, die mit Low-Code erstellt wurden
- Ein Fertigungsunternehmen nutzte einen mit Low-Code erstellten OpenAI-Konnektor, um ChatGPT in seine Mitarbeiter-App zu integrieren.
- Ein Software-Unternehmen nutzt GenAI, um Kundensupport zu leisten sowie Tickets schneller zu schließen und so das Kundenerlebnis zu verbessern.
- In einer E-Commerce-App verwenden Kunden einen mit Low-Code entwickelten GenAI-Chatbot, um Hilfe bei der Bestellung, personalisierte Empfehlungen und Antworten auf häufig gestellte Fragen zu erhalten.
- Ein GenAI-gestützter virtueller Assistent, der über eine Low-Code-Plattform bereitgestellt wird, ermöglicht es Mitarbeitern, effizienter auf Informationen zuzugreifen und Aufgaben zu erledigen.
- Eine GenAI-Applikation für den Vertrieb bietet Zusammenfassungen von Calls in Slack, schlägt nächste Aktionen in einer E-Mail vor und generiert umsetzbare Erkenntnisse in Salesforce.
- Eine Entwickler-Community hat ein Benutzererlebnis erstellt, das mit mehreren LLMs verbunden ist und Übersetzungen der Foren generiert.
Einleitend sei gesagt, dass Entwickler ohne grundlegende KI- und ML-Kenntnisse zwar eine Low-Code-Plattform verwenden können, um eine GenAI-Applikation zu erstellen. Meist ist dies jedoch nicht die beste Idee. Low-Code beseitigt einen Großteil der Komplexität, insbesondere im Vergleich zur traditionellen Entwicklung. Doch es gibt Dinge, die Entwickler weiterhin wissen müssen.
Was Entwickler wissen müssen, um GenAI-Apps mit Low-Code zu erstellen
Wenn Entwickler Low-Code verwenden, um GenAI-Apps zu erstellen, ist die Liste der erforderlichen Kenntnisse viel kürzer als bei der traditionellen Entwicklung. Es geht mehr um das Verständnis von Konzepten als um intensives Programmieren und die Auseinandersetzung mit Frameworks. Hier sind einige Beispiele:
- Ein grundlegendes Verständnis von KI- und ML-Konzepten. Dazu gehören überwachtes und unüberwachtes Lernen, neuronale Netze und die Verarbeitung natürlicher Sprache.
- Kenntnisse der Art und Weise, wie Daten gesammelt, bereinigt und vorverarbeitet werden, um GenAI-Modelle effektiv zu trainieren und zu bewerten. Wissen darüber, wie Datenintegration, Datenqualitätsbewertung und Feature-Engineering funktionieren, ist ebenfalls sinnvoll.
- Prinzipien des User Experience (UX) Designs: Die Erstellung benutzerfreundlicher Oberflächen und intuitiver Workflows ist für die Akzeptanz und den Erfolg von GenAI-Applikationen unerlässlich. Entwickler sollten in der Lage sein, visuell ansprechende und einfach zu bedienende Applikationen zu erstellen.
Dies sind nur einige der Gründe, Low-Code für die Bereitstellung von GenAI-Apps in Betracht zu ziehen. Noch wichtiger ist aber der folgende Grund: Während die traditionelle Programmierung durch GenAI auf den Kopf gestellt wird und eines Tages von ihr eliminiert werden könnte, arbeiten Low-Code und GenAI Hand in Hand.
11Andre Tost, Making the case for Java in Generative AI, 2023 (plus Kommentare). LinkedIn, 24. November.
12 C++ Generative AI Inference: Production Ready Speed and Control, 2024. ChemicalQDevice, 13. Juni.
12 Chris Pietschmann, Build a Generative AI App in C# with Phi-3 SLM and ONNX, 2024. Build Five Nines, 18. Mai.
14 Sarfraz Nawaz, Langchain vs Haystack: Which is Best for AI development?, 2024. LinkedIn, 1. April.