Open-Source-basierte Large Language Models (LLMs) sind KI-Modelle, die öffentlich verfügbaren Text in natürlicher Sprache und Software-Programmcode verwenden, um menschliche Sprache zu erlernen, zu verstehen und zu replizieren.
Open-Source-LLMs, eine Form von Open-Source-KI, können frei geändert und geteilt werden und ermöglichen so Zusammenarbeit und Anpassung ganz ohne Lizenzgebühren. Diese Offenheit fördert Transparenz, Sicherheit, Wettbewerb und vielfältige Anwendungen in sämtlichen Branchen. Diese LLMs sind eine Form von Open-Source-KI. Sie können geändert und frei geteilt werden und ermöglichen so die Zusammenarbeit und Anpassung für jeden Zweck, ganz ohne Genehmigung oder Lizenzgebühren. So fördern sie Transparenz, Sicherheit, Wettbewerb, eine vielfältige Kultur sowie verschiedene Anwendungen.
Large Language Models (LLMs) sind die Grundlage moderner Anwenderoberflächen, die auf künstlicher Intelligenz basieren. Diese Modelle, die mit riesigen Datensätzen und fortschrittlichen Architekturen aus neuronalen Netzen trainiert wurden, ermöglichen es Menschen, auf natürlicher Ebene mit Anwendungen zu interagieren. Der Wert von LLMs liegt in ihrer Fähigkeit, komplexe Sprachaufgaben auszuführen, z. B. die Zusammenfassung großer Textpassagen oder umgekehrt die Generierung umfassender Texte als Antwort auf die Anweisungen eines menschlichen Anwenders. LLMs kommen in verschiedensten Bereichen zum Einsatz, darunter Kundenservice, Forschung, Inhaltserstellung oder Bildung. Hier ermöglichen sie es Anwendern, komplexe Anfragen und Anweisungen zu stellen, die die KI auf eine Weise beantwortet, die selbst unerfahrene Anwender genau verstehen können.
Doch auch wenn diese Modelle anwenderfreundliche Interaktionen ermöglichen, sind sie äußerst komplex und basieren häufig auf unternehmenseigenen Daten, die die Transparenz ihrer internen Struktur und Funktionen reduzieren. Zwar bieten Open-Source-LLMs im Allgemeinen eine zugänglichere Alternative, doch der Grad ihrer Offenheit: Einige Large Language Models legen den zugrunde liegenden Trainingscode und die -daten offen, damit alle diese Daten verwenden, ändern oder verteilen können. Andere veröffentlichen möglicherweise nur das Modell und einige unterstützende Artefakte, wodurch ein Audit der vorgelagerten Lieferkette des Modells nahezu unmöglich wird. Indem Open-Source-LLMs den Zugang zu leistungsstarken KI-Tools demokratisieren, kann eine breitere Palette von Entwicklern KI-Lösungen entwickeln und an ihre spezifischen Anforderungen anpassen.
Bei jeder Diskussion über Open-Source-LLMs kommt die folgende Frage auf: Worin liegt der Unterschied zwischen Open-Source-LLMs und kommerziellen LLMs? Open-Source-LLMs und kommerzielle LLMs unterscheiden sich erheblich in Transparenz, Zugänglichkeit, Anpassungsfähigkeit und Community-Beteiligung.
Open-Source-LLMs sind frei verfügbar und können nach eigenem Ermessen verwendet und geändert – und sie können (mitsamt Änderungen und allem Drum und Dran) mit anderen geteilt werden. Das fördert einen kollaborativen Ansatz für nachgelagerte Innovationen, mit dem Entwickler diese Modelle an spezifische Anforderungen anpassen können, und trägt gleichzeitig zu einem dynamischen Ökosystem bei, in dem kontinuierliche Verbesserungen vorgenommen und ständig neue Anwendungen erstellt werden. Im Grunde genommen wird jeder Entwickler, der das Basismodell verbessert und das optimierte Modell als Open Source bereitstellt, zum Mitglied des KI-Ökosystems für diese Community.
Dafür benötigen Open-Source-LLMs Transparenz bezüglich der Modellarchitektur, dem Training und den gewünschten Einsatzzwecken. Um die Akzeptanz in der Community und in Unternehmen zu maximieren, müssen die für Vortraining und Bewertung verwendeten Daten, die beteiligten Ressourcen sowie der zugrunde liegende Code vollständig zur Überprüfung zugänglich sein. Das ist ein wichtiger Unterschied von Open-Source-LLMs, da kommerzielle LLMs in der Regel keinen Einblick in ihre internen Abläufe bieten.
Open-Source-LLMs bieten mehr Freiheit in Form von Flexibilität, da Unternehmen das LLM an ihre individuellen Spezifikationen anpassen können. Auf der anderen Seite können Änderungen, die Entwickler in ihrem abgeleiteten LLM vornehmen, die Sicherheit schwächen. Deshalb ist es wichtig, Open-Source-LLMs auszuwählen, die über eine starke Daten- und Modell-Governance verfügen. Nur so lässt sich sicherstellen, dass neue Modelle die Sicherheits- und Leistungserwartungen für nachgelagerte Anwender erfüllen. Die Arbeit mit einer Open-Source-Lösung kann erhebliche Kosten verursachen, beispielsweise für die Einstellung und Schulung der nötigen Experten, Rechtskosten, Funktionsupgrades, Sicherheits-Compliance, Support, Talentbindung und fortlaufendes Softwarelebenszyklus-Management.
Kommerzielle LLMs werden von einzelnen Organisationen kontrolliert und bleiben im Besitz dieser Organisationen, wobei der Zugriff in der Regel über Lizenzen und Gebühren beschränkt wird. Unternehmen wie OpenAI und Google bieten leistungsfähige LLMs an, doch ihre Nutzung ist oft auf vordefinierte APIs (Application Programming Interfaces) oder bestimmte Anwendungen beschränkt, die von den Anbietern vorgegeben werden. Dieser geschlossene Ansatz kann die Anpassung einschränken, was potenziell die Kosten erhöht und den Zugriff auf die Cloud-Computerinfrastruktur einschränkt, die sich möglicherweise nicht in derselben Region wie der Endanwender befindet. Darüber hinaus können kommerzielle LLMs auf optimierten Versionen von Open-Source-Modellen aufbauen: Hierbei fügen Unternehmen einzigartige Erweiterungen oder ihr „Geheimrezept“ hinzu – z. B. verbesserte Leistung oder spezialisierte Funktionen –, die diese Versionen zu ihren eigenen machen. Ein Beispiel für diesen Ansatz sind Angebote wie Now LLMs, die sich durch maßgeschneiderte Verbesserungen von Open-Source-Alternativen abheben.
Es gibt also einige Vorteile bei der Arbeit mit kommerziellen LLM-Lösungen. Insbesondere bieten kommerzielle, lizenzierte LLMs in der Regel mehr Sicherheit und sind anwenderfreundlicher, da das Anbieterunternehmen bei Bedarf Support bereitstellt.
Open-Source-Software ist nichts Neues. Tatsächlich wurden einige der frühesten Softwareanwendungen frei unter den Menschen ausgetauscht, die damals mit Computern arbeiteten. Doch mit dem relativ jungen Aufkommen künstlicher Intelligenz finden die Konzepte hinter Open Source langsam auch in der KI Anwendung. Und auch wenn beide Bereiche zentrale Philosophien wie Transparenz, Zusammenarbeit und Barrierefreiheit gemeinsam haben, gibt es auch einige erhebliche Unterschiede:
Open-Source-Software bezieht sich auf Programme oder Systeme, deren Quellcode für jedermann zur Verwendung, Änderung und Freigabe zur Verfügung gestellt wird. Open-Source-Software wird durch Lizenzen wie die GNU General Public License (GPL) oder die Apache-Lizenz geregelt, die die Bedingungen für Nutzung und Weiterverteilung festlegen. Beliebte Beispiele sind Linux, Apache HTTP Server und Mozilla Firefox, die durch Beiträge von globalen Entwickler-Communitys erfolgreich bleiben.
Mit dem Aufkommen künstlicher Intelligenz wurden die Prinzipien von Open-Source-Software an KI angepasst. Das Ergebnis ist Open-Source-KI. Die Open Source Initiative definiert Open-Source-KI wie folgt: „Ein KI-System, das unter Bedingungen und auf eine Weise zur Verfügung gestellt wird, die die Freiheit bietet, …
Diese Freiheiten gelten sowohl für ein voll funktionsfähiges System als auch für die einzelnen Elemente eines Systems. Voraussetzung für die Ausübung dieser Freiheiten ist der Zugriff auf die bevorzugte Methode, um Änderungen am System vorzunehmen.“
- ... das System für jeden Zweck und ohne Erlaubnis zu verwenden
- ... zu untersuchen, wie das System funktioniert, und seine Komponenten zu überprüfen
- ... das System für jeden Zweck zu ändern, einschließlich der Änderung der Ausgabe
- ... das System an andere weiterzugeben, damit es mit oder ohne Änderungen für jeden Zweck verwendet werden kann.
Diese Freiheiten gelten sowohl für ein voll funktionsfähiges System als auch für die einzelnen Elemente eines Systems. Voraussetzung für die Ausübung dieser Freiheiten ist der Zugriff auf die bevorzugte Methode, um Änderungen am System vorzunehmen.“
Wie Open-Source-Software fördert auch Open-Source-KI Transparenz und Zusammenarbeit, indem sie Entwicklern direkten Zugriff auf den KI-Code ermöglicht. Open-Source-Lizenzen spielen in diesem Ökosystem eine zentrale Rolle. Lizenzen (z. B. die Blue Oak Model License) beschreiben die allgemeinen Bedingungen für die Verwendung der KI. Diese rechtlichen Frameworks sorgen dafür, dass Open-Source-KI verfügbar bleibt und die Beitragenden vor Haftungsansprüchen geschützt werden.
Open-Source-LLMs nutzen Open-Source-KI, die von Lizenzen unterstützt wird, um Entwicklern die Freiheit zu geben, Large Language Models an ihre spezifischen Anforderungen anzupassen – ohne die Einschränkungen kommerzieller Systeme.
Für Unternehmen, die mit Open-Source-LLMs arbeiten wollen, gibt es zahlreiche Optionen. Im Folgenden finden Sie einige der Open-Source-Sprachmodelle, die derzeit mit der höchsten Transparenz entwickelt werden:
StarCoder – entwickelt vom BigCode-Projekt für offene wissenschaftliche Zusammenarbeit unter der Leitung von Hugging Face und ServiceNow – ist ein Open-Source-LLM für die Codegenerierung. Die Lösung wurde in über 80 Programmiersprachen trainiert und zeichnet sich durch hervorragende Codegenerierung, Workflow-Generierung und sogar Textzusammenfassungsaufgaben aus. StarCoder verfügt über ein großes Kontextfenster und einzigartige Funktionen wie Füllfunktionen, wodurch es ein starkes Foundation-Modell darstellt. Es ist unter OpenRAIL-M lizenziert, was die kostenlose kommerzielle Nutzung ermöglicht, jedoch mit ethischen und verantwortungsvollen Einschränkungen der KI-Anwendungsfälle.
Luminous wurde vom deutschen KI-Startup Aleph Alpha entwickelt und konzentriert sich auf die Bereitstellung fortschrittlicher Funktionen für Natural Language Understanding und die Generierung natürlicher Sprache. Das Modell ist so konzipiert, dass es mit fortschrittlichen LLMs (wie aktuellen Versionen von ChatGPT) konkurrieren kann, und bietet gleichzeitig Transparenz und ethische KI-Entwicklung. Luminous besteht aus 13 Milliarden Parametern und unterstützt Aufgaben von kleinen bis hin zu großangelegten Sprachanwendungen.
Die Granite-Modelle von IBM sind Open-Source-Code-LLMs, die für Unternehmensanwendungen entwickelt wurden. Granite-Modelle wurden in 116 Programmiersprachen trainiert und können für die Codegenerierung und Fehlerbehebung verwendet werden, zusammen mit traditionelleren Zusammenfassungen und Erklärungen. Sie werden unter der Apache 2.0-Lizenz veröffentlicht, sodass sie sowohl für Forschung als auch für kommerzielle Zwecke geeignet sind.
Phi-2, entwickelt von Microsoft Research, ist ein schlankeres Modell mit 2,7 Milliarden Parametern, das dennoch in Sachen Leistung mit vielen größeren Modellen mithalten kann. Phi-2 kann komplexe Aufgaben ausführen, einschließlich vernünftiger Argumentation, Codierung, Mathematik und Sprachverständnis. Dank seiner kompakten Größe eignet es sich ideal für effiziente Experimente und ist im Azure AI Studio verfügbar.
Stable Video Diffusion baut auf dem Erfolg des Stable Diffusion-Frameworks auf und ist ein Open-Source-Modell, das sich auf die Erstellung und Bearbeitung von Videos konzentriert. Es nutzt KI, um dynamische visuelle Inhalte zu erstellen und leistungsstarke Tools für Branchen wie Unterhaltung und Werbung bereitzustellen.
Meta Llama 3 (mit dem aktuellen Release 3.1) ist die neueste Version in der Llama-Modellfamilie. Llama 3 ist in Modellgrößen von 8 Milliarden bis 405 Milliarden Parametern erhältlich und baut auf der Architektur seiner Vorgänger auf. Llama 3 eignet sich gut für Argumentation, Codierung und mehrsprachige Aufgaben und verfügt über erweiterte Sicherheitstools sowie Funktionen zur Erkennung von unsicherem Code
BERT (Bidirectional Encoder Representations from Transformers) ist ein Transformer-Modell, das von Google entwickelt wurde. Es handelt sich um ein reines Encoder-Modell, das menschliche Sprache verstehen und generieren soll. Seit seiner Veröffentlichung im Jahr 2018 fand BERT für verschiedene NLP-Aufgaben (Natural Language Processing) wie Textklassifizierung, Fragenbeantwortung und Stimmungsanalyse breite Anwendung. Trotz seines relativen Alters prägt sein Einfluss weiterhin das moderne NLP.
Vielseitige und zugängliche Open-Source-LLMs unterstützen eine breite Palette von Anwendungen in verschiedenen Branchen. Im Folgenden finden Sie einige der wichtigsten Anwendungsmöglichkeiten:
Open-Source-LLMs können verwendet werden, um PDFs mühelos in ansprechende Audioinhalte im Podcast-Stil zu verwandeln. Durch die Implementierung eines zusammengesetzten LLM-Workflows können Sie Text aus PDF-Dateien in ein Konversationsskript umwandeln und ihn dann mithilfe fortschrittlicher Text-to-Speech-Technologie vorlesen lassen. Das ist ideal, um zugänglichere oder sogar barrierefreie Inhalte und Schulungsmaterialien zu erstellen oder Ihre Dokumente einfach in einem neuen Format zum Leben zu erwecken.
Es kann schwierig sein, die Emotionen hinter dem Kundenfeedback zu messen. Open-Source-LLMs können darin trainiert werden, Text zu analysieren, um die allgemeine Stimmung zu ermitteln: positiv, negativ oder neutral. So können Unternehmen die Antworten ihrer Kunden besser verstehen, um ihre Produkte und Services zu verbessern. Stimmungsanalyse ist ein wichtiges Tool bei der Überwachung von Social Media, um Kundeneinblicke zu gewinnen.
Viele Open-Source-LLMs können Entwickler unterstützen, indem sie Codevorschläge bereitstellen, komplexe Algorithmen schreiben, Fehler im Code beheben und sogar Code dokumentieren. Sie können Codefragmente aus Beschreibungen in natürlicher Sprache generieren – so können Anwender dem Code einfach sagen, was er machen soll.
LLMs werden häufig verwendet, um zusammenhängenden, kontextbezogenen Text zu generieren. Dazu gehört die Erstellung von Artikeln, Storys oder auch Dialogen für virtuelle Assistenten. All das ist ein wichtiger Teil der generativen KI (Gen AI) und findet Anwendung in praktisch jedem Bereich.
Open-Source-LLMs können die Inhaltserstellung automatisieren und Zusammenfassungen langwieriger Dokumente generieren, sodass Anwender schnell die wichtigsten Punkte umfangreicher Texte verstehen können. Das ist besonders nützlich für Experten, die große Informationsmengen effizient verarbeiten müssen.
LLMs helfen dabei, Sprachbarrieren zu überwinden. Mit ihren mehrsprachigen Fähigkeiten können viele Open-Source-LLMs Text in mehrere Sprachen übersetzen, um eine klare Kommunikation mit einer globalen Zielgruppe zu ermöglichen. Diese Modelle werden mit verschiedenen Sprachdatensätzen trainiert, um genaue und kontextbezogene Übersetzungen zu gewährleisten, die weit über einfache Wort-für-Wort-Übersetzungen hinausgehen.
Open-Source-LLMs unterstützen moderne KI-Chatbots und virtuelle Assistenten und verbessern den Kundensupport durch schnelle und genaue Antworten auf Anfragen. Wenn LLMs für Konversationsaufgaben konzipiert sind, können sie Kundeninteraktionen effektiv und auf eine Weise bearbeiten, die sich für den Anwender natürlich anfühlt. Und wenn das LLM einmal keine Antwort hat, kann es so automatisiert werden, dass es das Problem an einen Mitarbeiter eskaliert.
LLMs können in Bildungsplattformen integriert werden, um personalisierte Lernerfahrungen bereitzustellen. Sie können Inhalte an individuelle Lernstile anpassen, Erklärungen bereitstellen und Übungsprobleme generieren, die speziell auf die Bedürfnisse und Fähigkeiten einzelner Anwender zugeschnitten sind.
- Gesundheitswesen
LLM-gestützte KI-Telemedizin-Lösungen bieten jederzeit verfügbare virtuelle Pflegekräfte, die Patienteninformationen diagnostizieren, bereitstellen und organisieren können. Ähnlich wie KI-Chatbots und virtuelle Assistenten sind diese Programme darauf ausgelegt, Patientenprobleme basierend auf Einblicken aus umfangreichen Datensätzen zu bewerten. So wissen sie, wann sie eigenständig Hilfe leisten und wann sie stattdessen medizinische Teams warnen müssen.
- Finanzbranche
Im Finanzsektor verbessern Open-Source-LLMs die Betrugserkennung, automatisieren den Kundensupport und führen Stimmungsanalysen durch, um neue Trends zu erkennen. Diese Modelle analysieren Finanzdokumente und andere Daten, um in Echtzeit Markteinblicke zu erhalten.
- Journalismus und Nachrichten
Journalisten und Nachrichtenorganisationen nutzen Open-Source-LLMs für Zusammenfassungen und Übersetzungen. LLMs können intern verwendet werden, um Informationen zu analysieren, ohne dass hierfür interne Daten die Redaktion verlassen. Und wenn die Umstände schnelles Handeln erfordern, können Nachrichtenagenturen Open-Source-LLMs anweisen, relevante und informative Inhalte zu generieren, die die Zielgruppe ansprechen.
- Wissenschaftsbasierte Branchen
LLMs unterstützen die wissenschaftliche Forschung durch Automatisierung von Literaturüberprüfungen, Datenanalysen und Hypothesengenerierung – doch sie können noch viel mehr leisten: Die extreme Flexibilität dieser Modelle bedeutet, dass Wissenschaftler sie an jede Art von Forschung anpassen können, von der Bekämpfung des Klimawandels über die Analyse von DNA-Sequenzen bis hin zur Modellierung astrophysikalischer Phänomene.
Diese anpassbaren, autonomen Systeme können Anweisungen in natürlicher Sprache befolgen und ebenfalls auf natürliche Weise antworten – entsprechend gibt es viele Vorteile, die Unternehmen mit diesen Modellen erzielen können. Unternehmen, die Open-Source-LLMs nutzen, können Folgendes erwarten:
Open-Source-LLMs bieten zwar viele Vorteile, können aber auch bestimmte Risiken mit sich bringen. Um eine verantwortungsvolle und effektive Nutzung zu gewährleisten, müssen Sie die folgenden Herausforderungen kennen und verstehen, wie sie angegangen werden können:
Open-Source-LLMs können aufgrund ihres uneingeschränkten Zugriffs nicht nur für gute, sondern auch für böse Zwecke eingesetzt werden: Verbreitung von Fehlinformationen, Verletzung des Datenschutzes, Zugriff auf eingeschränkte oder geschützte Informationen – all das sind Möglichkeiten, KI auszunutzen. Um eine ethische Nutzung zu gewährleisten, sind proaktive Community-Governance und klare Leitlinien erforderlich, um Innovation mit Sicherheit und Verantwortung in Einklang zu bringen.
Community-Beiträge zu Open-Source-LLMs können in ihrer Qualität variieren, was zu unbeständigen Ausgaben führt. Ohne standardisierte Aufsicht können diese Modelle unzuverlässige Ergebnisse liefern, insbesondere in Anwendungen, in denen Genauigkeit entscheidend ist. Um hohe Standards zu gewährleisten, müssen Unternehmen alle Codebeiträge genau im Auge behalten und sie bei Bedarf optimieren. Leider kann das bei der Arbeit mit Open-Source-Code eine schwierige Aufgabe sein.
Jede KI ist nur so gut wie die Informationen, auf denen sie basiert – wenn diese Informationen Vorurteile oder unfaire Annahmen enthalten, kann KI dieses sogenannte Bias erlernen und verstärken. LLMs können durch Bias in ihren Trainingsdaten beeinflusst werden, was zu verzerrten und unfairen Ergebnissen führt. Sorgfältige Überwachung und die Kuratierung vielfältiger Daten sind unerlässlich, um Bias zu mindern und Fairness und Inklusion bei KI-generierten Inhalten und Entscheidungen zu gewährleisten.
Bei der Auswahl eines Open-Source-LLMs müssen Unternehmen mehrere Faktoren berücksichtigen, um sicherzustellen, dass sie das Modell auswählen, das für ihre Bedürfnisse am besten geeignet ist. Hier sind die wichtigsten Überlegungen:
- Ziele
Identifizieren Sie den Hauptzweck des LLM. Was soll es für das Unternehmen erreichen? Worauf liegt der Fokus des Modells? Einige Modelle sind auf Forschungszwecke zugeschnitten, während andere eher für kommerzielle Zwecke geeignet sind. Stellen Sie sicher, dass das LLM auf Ihre spezifischen Ziele abgestimmt ist.
- Genauigkeit
Bewerten Sie die Genauigkeit des Modells bei den Aufgaben, die es unterstützen soll. Denn auch wenn Sie den Code anpassen können, eignen sich einige LLMs besser für verschiedene Anwendungen.
- Kosten
Zwar sind Open-Source-LLMs kostenlos, doch Sie sollten die Kosten für das Hosting, Training und die Wartung des Modells berücksichtigen. Größere Modelle erfordern mehr Ressourcen, was zu höheren Infrastruktur- und Betriebskosten führen kann.
- Leistung
Bewerten Sie, wie flüssig und zusammenhängend das LLM Text generieren kann und wie gut es den Kontext versteht. Eine hohe Leistung in diesen Bereichen verbessert die Anwender-Experience und die Effektivität bei der Bearbeitung von Aufgaben.
- Datensicherheit
Stellen Sie sicher, dass das LLM vertrauliche Daten sicher handhaben kann, insbesondere wenn es mit personenbezogenen oder internen Informationen arbeitet.
- Qualität der Trainingsdaten
Überprüfen Sie die Qualität der ursprünglichen Trainingsdaten, die vom LLM verwendet werden. Hochwertige Daten führen auch zu besseren Ausgaben. Verwenden Sie bei Bedarf anwenderdefinierte Daten, um das Modell für bessere Ergebnisse zu optimieren.
- Verfügbare Kompetenzen
Komplexe LLMs erfordern fortgeschrittene Fähigkeiten in Data Science, Machine Learning Operations (MLOps) und NLP. Stellen Sie sicher, dass das Team, das am engsten mit dem LLM zusammenarbeiten wird, über die erforderliche Erfahrung verfügt. Wenn das nicht der Fall ist, planen Sie Schulungen, oder stellen Sie neue Mitarbeiter ein, um diese Kompetenzlücke zu schließen.
ServiceNow stellt über den Now LLM Service erstklassige kommerzielle Sprachmodelle bereit, die fortschrittliche KI-gestützte Funktionen wie Chat-Zusammenfassung, Agenten-Datenzusammenfassung, KI-gestützte Suche, dynamische Übersetzung und nahtlose Konversationsabläufe ermöglichen. Diese Fähigkeiten basieren auf Open-Source-Innovationen: ServiceNow trainiert im Rahmen seiner Initiativen offene Foundation-Modelle wie StarCoder. Diese Modelle werden dann zu kommerziellen Now LLMs weiterentwickelt, die speziell auf die Optimierung der Produktivität im gesamten Unternehmen und die Bereitstellung außergewöhnlicher GenAI-Experiences zugeschnitten sind.
Mit diesem Open-Source-Fundament, das durch die Zusammenarbeit mit Partnern wie Hugging Face und NVIDIA verbessert wurde, kann ServiceNow KI auf verantwortungsvolle Weise vorantreiben und wertvolle Innovationen mit der Community teilen. Durch diesen Ansatz profitieren Unternehmen von leistungsstarken, spezialisierten KI-Funktionen: von automatisierten Workflow-Empfehlungen bis hin zur präzisen Text-to-Code-Generierung. Und da Now LLMs Teil der vollständig integrierten Now Platform® sind, verbessern sie nahtlos bestehende Workflows und Anwendungen, um die Effizienz in jeder Abteilung zu steigern.
Erleben Sie ServiceNow in Aktion, und entdecken Sie, wie KI und LLMs Ihren Betrieb verbessern können. Planen Sie noch heute eine Demo!