Nach vielen Spekulationen in den sozialen Medien und anderen Foren darüber, was OpenAI für uns auf Lager hat, hat OpenAI gestern endlich seinen neuesten und bisher leistungsstärksten LLM vorgestellt – GPT-4o (‘o’ für omni). Falls Sie die Einführungsveranstaltung von GPT-4o verpasst haben, lassen Sie uns einen Blick auf die Fähigkeiten von GPT-4o und die Funktionen werfen, die es bietet.
Verbesserte Audio-, Text- und Bildbearbeitungsfähigkeiten
Der GPT-4 Turbo ist ein leistungsstarkes Modell, das jedoch einen Nachteil hat – die Latenzzeit. Im Vergleich zu GPT-3.5 Turbo ist GPT-4 Turbo immer noch deutlich langsamer. GPT-4o behebt diesen Nachteil und ist 2x schneller als GPT-4 Turbo. Dies eröffnet ein breiteres Spektrum an Anwendungsfällen, die die Integration von Daten aus Sprache, Text und Bild erfordern, und geht damit einen Schritt weiter von multimodal zu omnimodal. Der Hauptunterschied zwischen multi-modal und omni-modal besteht darin, dass bei omni-modal alle drei Quellen nahtlos parallel betrieben werden können.
Diese Verbesserungen ermöglichen es dem Modell auch, Sprache mit verbesserter Stimmmodulation, der Fähigkeit, Sarkasmus zu verstehen, und verbesserten natürlichen Konversationsfähigkeiten zu erzeugen.
Reduzierte Preise und kostenlos für ChatGPT-Benutzer verfügbar
Obwohl GPT-4o im Vergleich zum bisherigen GPT-4 Turbo effizienter und schneller ist, kostet es die Hälfte des Preises (API) von GPT-4 Turbo, d.h. GPT-4o wird 5,00 US$/1M Input-Token und 15,00 US$/1M Output-Token kosten. Mit der besseren Preisgestaltung beträgt das Kontextfenster nun 128k Token und der Wissensstopp ist Oktober 2023.
Als Sahnehäubchen wird GPT-4o allen ChatGPT-Benutzern kostenlos zur Verfügung stehen (ChatGPT Plus-Benutzer haben eine 5-fache Obergrenze für GPT-4o). Daneben hat OpenAI auch die ChatGPT-Desktop-App vorgestellt, mit der die Benutzer die Sehfähigkeiten des GPT-4o nutzen können, um die auf dem Bildschirm angezeigten Inhalte zu lesen und zu verstehen. Die Benutzer können auch über die Desktop-App mit ChatGPT sprechen.
GPT-4o Demo
OpenAI teilte mit, dass sie den Zugang zu GPT-4o in den nächsten Wochen schrittweise einführen werden, wobei ChatGPT Plus-Benutzer Vorrang und frühen Zugang zu dem Modell erhalten. Wir werden das wahre Potenzial dieses Modells erst verstehen, wenn wir in den kommenden Wochen Zugang dazu erhalten. Aufregende Zeiten liegen vor uns!
Vor ein paar Monaten tauchte wie aus dem Nichts ein neues Unternehmen namens ‘Groq’ auf, das einen Durchbruch in der KI-Branche erzielte. Sie boten Entwicklern eine Plattform für den Zugriff auf LPUs als Inferencing-Engines für LLMs, insbesondere für Open-Source-Lösungen wie Llama, Mixtral und Gemma. In diesem Blog wollen wir erkunden, was Groq so besonders macht und das Wunder hinter LPUs ergründen.
Was ist Groq?
“Groq hat es sich zur Aufgabe gemacht, den Standard für die Geschwindigkeit von GenAI-Inferenzen zu setzen und so KI-Anwendungen in Echtzeit zum Leben zu erwecken.” – Die Groq Website
Groq ist kein Unternehmen, das LLMs wie GPT oder Gemini entwickelt. Stattdessen konzentriert sich Groq darauf, die Grundlagen dieser großen Sprachmodelle zu verbessern – die Hardware, auf der sie arbeiten. Sie dient als ‘Inferenzmaschine’. Derzeit nutzen die meisten LLMs auf dem Markt herkömmliche GPUs, die auf privaten Servern oder in der Cloud eingesetzt werden. Diese Grafikprozessoren sind zwar teuer und leistungsstark und stammen von Unternehmen wie Nvidia, aber sie basieren immer noch auf der traditionellen GPU-Architektur, die für LLM-Inferencing nicht optimal geeignet ist (obwohl sie nach wie vor leistungsstark und für das Training von Modellen bevorzugt sind).
Die von Groq bereitgestellte Inferenzmaschine arbeitet mit LPUs – Language Processing Units.
Was ist eine LPU?
Eine Language Processing Unit ist ein Chip, der speziell für LLMs entwickelt wurde. Er basiert auf einer einzigartigen Architektur, die CPUs und GPUs kombiniert, um Tempo, Vorhersagbarkeit, Leistung und Genauigkeit von KI-Lösungen für LLMs zu verbessern.
Die wichtigsten Merkmale eines LPU-Systems. Kredite: Groq
Ein LPU-System verfügt über so viel oder mehr Rechenleistung wie ein Grafikprozessor (GPU) und reduziert die Rechenzeit pro Wort, was eine schnellere Generierung von Textsequenzen ermöglicht.
Merkmale einer LPU-Inferenzmaschine, wie auf der Groq-Website aufgeführt:
Außergewöhnliche sequentielle Leistung
Architektur mit einem Kern
Synchrone Vernetzung, die auch bei großen Implementierungen erhalten bleibt
Fähigkeit zur automatischen Kompilierung >50B LLMs
Sofortiger Speicherzugriff
Hohe Genauigkeit, die auch bei niedrigeren Genauigkeitsstufen erhalten bleibt
Dienstleistungen von Groq:
GroqCloud: LPUs in der Cloud
GroqRack: 42U-Rack mit bis zu 64 zusammengeschalteten Chips
GroqNode: Skalierbares 4U-Rack-Rechnersystem mit acht miteinander verbundenen GroqCard™-Beschleunigern
GroqCard: Ein einziger Chip in einem Standard-PCIe Gen 4×16-Formfaktor für problemlose Serverintegration
“Anders als die CPU, die für eine völlig andere Art von Aufgabe als KI entwickelt wurde, oder die GPU, die auf der Grundlage der CPU entwickelt wurde, um zufällig etwas Ähnliches wie KI zu tun, oder die TPU, die die GPU modifiziert hat, um sie besser für KI zu machen, ist Groq von Grund auf, von den ersten Prinzipien her, ein Computersystem für KI” – Daniel Warfield, Towards Data Science
Um mehr darüber zu erfahren, wie sich LPUs von GPUs, TPUs und CPUs unterscheiden, empfehlen wir Ihnen, diesen umfassenden Artikel von Daniel Warfield für Towards Data Science zu lesen.
Was ist der Sinn von Groq?
LLMs sind unglaublich leistungsfähig und können Aufgaben bewältigen, die von der Analyse unstrukturierter Daten bis zur Beantwortung von Fragen über die Niedlichkeit von Katzen reichen. Ihr größter Nachteil liegt jedoch derzeit in der Reaktionszeit. Die langsamere Reaktionszeit führt bei der Verwendung von LLMs in Backend-Prozessen zu erheblichen Latenzzeiten. Beispielsweise ist das Abrufen von Daten aus einer Datenbank und die Anzeige im JSON-Format derzeit viel schneller, wenn es mit herkömmlicher Logik erfolgt, anstatt die Daten zur Transformation durch einen LLM zu leiten. Der Vorteil von LLMs liegt jedoch in ihrer Fähigkeit, Datenausnahmen zu verstehen und zu behandeln.
Mit der unglaublichen Inferenzgeschwindigkeit, die Groq bietet, kann dieser Nachteil von LLMs stark reduziert werden. Dies eröffnet bessere und breitere Einsatzmöglichkeiten für LLMs und senkt die Kosten, denn mit einer LPU können Sie Open-Source-Modelle einsetzen, die viel billiger zu betreiben sind und sehr schnelle Reaktionszeiten haben.
Llama 3 auf Groq
Vor ein paar Wochen hat Meta die neueste Version des ohnehin schon leistungsstarken und äußerst fähigen Open-Source-Programms LLM-Llama 3 vorgestellt. Neben den typischen Verbesserungen bei der Geschwindigkeit, dem Datenverständnis und der Token-Generierung stechen zwei wesentliche Verbesserungen hervor:
Trainiert auf einem 7-mal größeren Datensatz als Llama 2, mit 4-mal mehr Code.
Verdoppelung der Kontextlänge auf 8.000 Token.
Llama 2 war bereits ein hervorragender Open-Source-LLM, aber mit diesen beiden Updates wird die Leistung von Llama 3 voraussichtlich deutlich steigen.
Llama 3 Benchmarks
Um Llama 3 zu testen, haben Sie die Möglichkeit, Meta AI oder den Groq-Spielplatz zu nutzen. Wir werden die Leistung von Groq mit Llama 3 testen.
Groq Spielplatz
Derzeit bietet der Groq-Spielplatz freien Zugang zu Gemma 7B, Llama 3 70B und 8B und Mixtral 8x7b. Auf dem Spielplatz können Sie Parameter wie die Temperatur, die maximale Anzahl von Token und die Streaming-Umschaltung einstellen. Außerdem verfügt es über einen speziellen JSON-Modus, um ausschließlich JSON-Ausgaben zu erzeugen.
Nur 402ms für die Inferenz bei einer Rate von 901 Token/s
Ich komme nun zu dem Bereich/Anwendung, der meiner Meinung nach am meisten Einfluss hat: Datenextraktion und -umwandlung:
Bitten Sie das Modell, nützliche Informationen zu extrahieren und ein JSON mit dem JSON-Modus bereitzustellen.
Die Extraktion und Umwandlung in das JSON-Format war in weniger als einer halben Sekunde abgeschlossen.
Schlussfolgerung
Wie gezeigt, hat Groq mit seiner innovativen LPU Inference Engine die LLM-Landschaft entscheidend verändert. Der hier gezeigte schnelle Wandel deutet auf das immense Potenzial für die Beschleunigung von KI-Anwendungen hin. Über die zukünftigen Innovationen von Groq kann man nur spekulieren. Vielleicht könnte eine Bildverarbeitungseinheit die Bilderzeugungsmodelle revolutionieren und zu Fortschritten bei der KI-Videoerzeugung beitragen. Es ist in der Tat eine aufregende Zukunft, die Sie erwarten können.
Da die LLM-Schulung immer effizienter wird, ist die Aussicht auf ein personalisiertes ChatGPT, das auf Ihre Daten auf Ihrem lokalen Gerät abgestimmt ist, eine verlockende Aussicht. Eine Plattform, die solche Möglichkeiten bietet, ist Cody, ein intelligenter KI-Assistent, der darauf zugeschnitten ist, Unternehmen in verschiedenen Bereichen zu unterstützen. Ähnlich wie ChatGPT kann Cody auf Ihre Geschäftsdaten, Ihr Team, Ihre Prozesse und Ihre Kunden geschult werden, wobei Ihre einzigartige Wissensbasis genutzt wird.
Mit Cody können Unternehmen die Leistung der KI nutzen, um einen personalisierten und intelligenten Assistenten zu schaffen, der speziell auf ihre Bedürfnisse zugeschnitten ist. Das macht Cody zu einer vielversprechenden Ergänzung in der Welt der KI-gesteuerten Unternehmenslösungen.
LLMs sind heutzutage allgegenwärtig und bedürfen keiner Einführung. Unabhängig davon, ob Sie in der Technikbranche tätig sind oder nicht, sind Sie wahrscheinlich schon einmal mit einer Form von LLM in Berührung gekommen oder verwenden sie derzeit täglich. Zu den bekanntesten LLMs gehören derzeit GPT von OpenAI, Claude von Anthropic und Gemini von Google.
Diese beliebten LLM arbeiten jedoch oft als abstrakte oder Black-Box-Systeme, was Bedenken hinsichtlich des Datenschutzes und der Transparenz aufkommen lässt. Um solche Probleme zu lösen, sind mehrere Open-Source-LLMs verfügbar, die es den Benutzern ermöglichen, sie auf privaten Rechnern oder Servern unbesorgt einzusetzen.
Open Source bezieht sich auf Software oder Produkte, deren Quellcode zur Einsichtnahme, Änderung und Weitergabe frei verfügbar ist. Diese Zugänglichkeit ermöglicht es den Nutzern, die Software zu verstehen, zu verbessern und zu ihrer Entwicklung beizutragen.
Hier sind einige der besten derzeit verfügbaren Open-Source-LLMs:
Llama 2 ist ein von Meta entwickeltes Open-Source-LLM, das für kommerzielle und Forschungszwecke kostenlos angeboten wird. Die Llama-2-Modelle werden auf zwei Billionen Token trainiert und verfügen über die doppelte Kontextlänge von Llama 1.
Die Parameter des Modells wirken sich direkt auf seine Fähigkeit aus, Text zu verstehen, wobei größere Modelle eine bessere Leistung auf Kosten eines größeren Umfangs und höherer Ressourcenanforderungen bieten.
Verfügbare Varianten: Parameter 7B, 13B und 70B
Kontext-Fenster: 4096 Token
Unterstützte Sprachen: Die beste Leistung wird auf Englisch erbracht.
Mixtral 8x7B, entwickelt von Mistral AI, ist ein LLM mit insgesamt 46,7B Parametern. Trotz seiner Größe ist es ähnlich schnell und kostengünstig wie Modelle, die nur ein Drittel so groß sind. Dieses reine Transformer Mixture of Experts (MoE) Modell übertrifft LLama 2 und GPT-3.5 in bestimmten Benchmarks deutlich.
Verfügbare Varianten: Tiny, Small, Medium und Large (von kostengünstig bis hochleistungsfähig)
Falcon, entwickelt vom Technology Innovation Institute (TII) in Abu Dhabi, ist ein weiteres führendes Open-Source-LLM. Nach seiner Markteinführung stand Falcon 40B zwei Monate lang auf Platz 1 der Hugging Face-Rangliste für quelloffene große Sprachmodelle (LLMs). Mit der Variante 180B erweitert TII die Fähigkeiten des Modells in Bezug auf Wissen und Datenverständnis. Falcon 180B ist ein äußerst leistungsfähiges Sprachmodell, das auf 3,5 Billionen Token trainiert wurde.
Verfügbare Varianten: Falcon 40B und Falcon 180B
Kontext-Fenster: 4096 Token
Unterstützte Sprachen: Englisch, Deutsch, Spanisch, Französisch, mit eingeschränkter Unterstützung für Italienisch, Portugiesisch, Polnisch, Niederländisch, Rumänisch, Tschechisch und Schwedisch.
BLOOM ist ein autoregressives Large Language Model (LLM), das von Big Science entwickelt wurde. BLOOM wurde mit 176B Parametern trainiert und zeichnet sich durch die Generierung von Textfortsetzungen aus Eingabeaufforderungen unter Verwendung großer Mengen von Textdaten und industrieller Rechenressourcen aus.
Gemma, Googles neuester offener LLM, folgt auf den Erfolg von Gemini. Gemma ist eine Familie offener Large Language Models (LLM) von Google DeepMind, die auf Gemini-Forschung und -Technologie aufbaut. Während die Modellgewichte frei zugänglich sind, können die spezifischen Bedingungen für die Nutzung, Weitergabe und den Besitz von Varianten variieren und basieren möglicherweise nicht auf einer Open-Source-Lizenz.
Verfügbare Varianten: Gemma 2B und Gemma 7B
Kontext-Fenster: 8192 Token
Unterstützte Sprachen: Englisch
Schlussfolgerung
Wir bei Cody setzen auf einen modellunabhängigen Ansatz, wenn es um LLMs geht, und bieten eine Plattform, die es Ihnen ermöglicht, personalisierte Bots zu erstellen, die auf Ihren individuellen Anwendungsfall zugeschnitten sind. Mit einem vielfältigen Angebot an LLM-Studiengängen sind Sie nicht an einen einzigen Anbieter gebunden und haben so die Freiheit, das für Sie am besten geeignete Programm zu wählen.
Mit Cody können Unternehmen die KI nutzen, um intelligente Assistenten zu entwickeln, die genau auf ihre Bedürfnisse zugeschnitten sind. Diese Flexibilität macht Cody zu einer vielversprechenden Ergänzung im Bereich der KI-gesteuerten Unternehmenslösungen.
Nachdem Google mit Bard den Anschluss an den KI-Hype verpasst hatte, stellte das Unternehmen kürzlich sein neuestes KI-Produkt Gemini vor. Im Rahmen dieser Einführung wurde Bard in Gemini umbenannt und umfasst nun das neue Gemini Pro LLM. Um das Ausmaß dieser Veränderungen zu verstehen, müssen wir uns näher damit befassen.
Was ist Gemini AI?
Gemini ist Googles neuestes Large Language Model (LLM), das auf die Veröffentlichung von LaMDA und PaLM folgt. Im Gegensatz zu seinen Vorgängern ist Gemini von Haus aus multimodal und in der Lage, Text, Bilder, Sprache und Code zu verstehen, und verfügt über verbesserte Verständnis- und Argumentationsfähigkeiten.
Varianten von Gemini AI
Die Gemini-KI besteht aus drei großen Sprachmodellen:
Gemini Nano: Optimiert für Effizienz auf dem Gerät, liefert schnelle KI-Lösungen direkt auf Ihr persönliches Gerät.
Gemini Pro: Ein vielseitiges und skalierbares Modell, das verschiedene Aufgaben mit solider Leistung bewältigen kann. Erreichbar über die kostenlose Version der Gemini-Chat-Schnittstelle.
Gemini Ultra: Die Krönung der Gemini-Serie, die komplexe Problemlösungen ermöglicht und die Grenzen der KI-Fähigkeiten verschiebt. Exklusiv für Abonnenten des Google One AI Premium-Plans.
Die Gemini-Modelle wurden mit TPUv5e und TPUv4 trainiert, je nach Größe und Konfiguration der Modelle. Für das Training von Gemini Ultra wurde eine große Flotte von TPUv4-Beschleunigern verwendet, die Google in mehreren Rechenzentren besitzt. Dies stellt eine erhebliche Vergrößerung gegenüber dem bisherigen Vorzeigemodell PaLM-2 dar, das neue Herausforderungen an die Infrastruktur stellte.
Gemini lässt sich jetzt nahtlos in alle Google Apps integrieren, einschließlich Maps, YouTube, Gmail und mehr. Um bestimmte Anwendungen abzufragen, stellen Sie dem Namen der Anwendung einfach ein “@” voran, gefolgt von Ihrer Anfrage. Während ähnliche Integrationen auf ChatGPT mit GPTs und Plugins erreicht werden können, bieten sie möglicherweise nicht das gleiche Maß an Nahtlosigkeit wie die nativen Integrationen von Gemini.
Googles anerkanntes Fachwissen im Bereich der Suchmaschinentechnologie wird zweifellos zur Verbesserung der Web-Browsing-Funktionen von Gemini beitragen. Durch die Nutzung grundlegender Stärken bei Suchalgorithmen und Indizierung bietet Gemini den Nutzern ein nahtloses und effizientes Browsing-Erlebnis.
2. Multimodale Fähigkeiten
Gemini bietet jetzt multimodale Fähigkeiten, einschließlich Bildverständnis, auf der Gemini-Chat-Schnittstelle ohne zusätzliche Kosten. Obwohl die Leistung während des Tests annehmbar war, kann sie die Genauigkeit von GPT-4V nicht erreichen. Da es aber kostenlos ist, können wir uns nicht wirklich beschweren, oder? 😉 Es besteht die Möglichkeit, dass Gemini Ultra den GPT-4V übertrifft, wenn man die folgenden Metriken betrachtet
3. Freier Zugang für Hobbyisten und Studenten
Für aufstrebende LLM-Entwickler, die in das Feld eintauchen möchten, aber aus Kostengründen nicht auf die GPT-APIs zugreifen können, bietet Google kostenlosen Zugang zur Gemini Pro 1.0 API. Damit können Sie bis zu 60 Abfragen pro Minute in Google AI Studio, einem kostenlosen webbasierten Entwickler-Tool, durchführen. Mit Google AI Studio können Sie schnell Prompts entwickeln und einen API-Schlüssel für die App-Entwicklung erhalten. Wenn Sie sich mit Ihrem Google-Konto bei Google AI Studio anmelden, können Sie dieses kostenlose Kontingent in Anspruch nehmen. Dies ist eine hervorragende Gelegenheit, um Ihr LLM-Studium zu beginnen und sich mit Einbettungen, Vektordatenbanken, semantischer Suche und mehr zu beschäftigen.
4. Preis-Leistungs-Verhältnis
Für 20 Dollar pro Monat können Nutzer über ChatGPT Plus auf GPT-4 zugreifen. Alternativ können sie für den gleichen Preis Gemini Advanced mit Gemini Ultra 1.0 nutzen, das zusätzliche Vorteile wie 2 TB Cloud-Speicher und die Integration mit Google Apps wie Gmail und Docs bietet. Für den Zugriff auf Gemini Advanced ist jedoch ein Abonnement für den Google One AI Premium Plan erforderlich. Trotz dieser Anforderung bietet es einen höheren Gegenwert für Ihr Geld.
Die Einführung eines Mid-Tier-Tarifs mit 500 GB Speicherplatz und Zugang zu Gemini Advanced zwischen dem Standard- und dem Premium-Tarif würde die Zugänglichkeit von Gemini erheblich verbessern, insbesondere für Studenten und Nutzer mit moderaten Speicheranforderungen. Google, wenn Sie zuhören, denken Sie bitte über diesen Vorschlag nach.
Was kommt als Nächstes für Zwillinge?
DeepMind von Google entwickelt das Gemini-Modell kontinuierlich weiter. Erst vor einer Woche wurde Gemini Pro 1.5 eingeführt. In dieser aktualisierten Variante wurde das Kontextfenster auf 128.000 Token erweitert. Darüber hinaus kann eine ausgewählte Gruppe von Entwicklern und Unternehmenskunden jetzt mit noch größeren Kontextfenstern von bis zu 1 Million Token durch private Vorschauen auf AI Studio und Vertex AI experimentieren. Zum Vergleich: Ein typisches Sachbuch enthält etwa 300.000 Token. Mit dem 1-Million-Token-Kontextfenster des Gemini Pro 1.5 können Benutzer nun ganze Bücher in Abfragen hochladen – ein bemerkenswerter Fortschritt im Vergleich zum 128.000-Token-Kontextfenster des GPT-4.
Inmitten der Sättigung von LLMs in der KI-Branche scheint Google diesmal mit seiner verbesserten Architektur, den schnellen Reaktionen und der nahtlosen Integration in das Google-Ökosystem einen Volltreffer gelandet zu haben. Es könnte in der Tat ein Schritt in die richtige Richtung sein, der OpenAI und andere Wettbewerber auf Trab hält.
Im Zeitalter der KI ist es für Unternehmen von entscheidender Bedeutung, gut ausgebildete Mitarbeiter zu haben, und die Einbeziehung von KI in die Mitarbeiterschulung kann eine erhebliche Investition darstellen. Wenn Sie auf der Suche nach KI-Lösungen für die Schulung Ihrer Mitarbeiter sind, ist Cody das richtige Werkzeug für Sie. Ähnlich wie bei ChatGPT und Gemini kann Cody auf Ihre Geschäftsdaten, Ihr Team, Ihre Prozesse und Ihre Kunden geschult werden, wobei Ihre einzigartige Wissensbasis genutzt wird. Cody ist modellunabhängig, was es Ihnen erleichtert, je nach Bedarf das Modell zu wechseln.
Mit Cody können Unternehmen die Leistung der KI nutzen, um einen personalisierten und intelligenten Assistenten zu schaffen, der speziell auf ihre Bedürfnisse zugeschnitten ist. Das macht Cody zu einer vielversprechenden Ergänzung in der Welt der KI-gesteuerten Unternehmenslösungen.
Warum Ihr Unternehmen heute einen KI-Mitarbeiter braucht
Die transformative Kraft von KI-Lösungen wie ChatGPT in modernen Arbeitsumgebungen ist unbestritten. Von der Vereinfachung des Verfassens von E-Mails bis hin zur Unterstützung bei psychischen Problemen – ChatGPT revolutioniert die Art und Weise, wie wir alltägliche Aufgaben angehen. Es ist jedoch nicht ohne Einschränkungen, wie z. B. die fehlende Anpassung an die Wissensbasis Ihres Unternehmens. Hier kommt Cody ins Spiel, Ihre unkomplizierte Lösung, mit der Sie das Beste aus der KI in Ihr Unternehmen bringen können – ohne Code.
Lassen Sie uns drei Möglichkeiten erkunden, wie Ihr Unternehmen von KI profitieren kann:
Ausbildung: Von statisch zu dynamisch
Herkömmliche Schulungsmethoden beinhalten oft statische, vordefinierte Abläufe, die nicht nur weniger ansprechend sind, sondern auch nicht unbedingt auf die Bedürfnisse Ihres Unternehmens zugeschnitten sind. Durch den Einsatz von KI können Sie Dynamik und Interaktivität in Ihre Mitarbeiterschulungsprogramme bringen.
Mit Cody ist es ganz einfach, Ihre vorhandenen Schulungsunterlagen hochzuladen – egal, ob es sich um PDFs oder Word-Dokumente handelt. Wählen Sie aus vorgefertigten Bot-Vorlagen oder verwenden Sie den erweiterten Bot-Builder, um Codys Persönlichkeit nach Ihren Wünschen zu gestalten. In nur wenigen Schritten erhalten Sie einen personalisierten Onboarding-Coach, der auf die Bedürfnisse jedes einzelnen Mitarbeiters eingeht und so die Effektivität und Intuitivität Ihrer Schulungsprogramme steigert.
Searching: Wissen zugänglich machen
Was nützt eine gut dokumentierte Wissensdatenbank, wenn Ihre Mitarbeiter Ewigkeiten damit verbringen, die Daten zu sichten? KI-gestützte Lösungen wie Cody verändern die Art und Weise, wie auf Informationen innerhalb Ihres Unternehmens zugegriffen wird, und funktionieren wie eine interne Suchmaschine.
Sobald Ihr Geschäftswissen in Cody hochgeladen ist, wird jede Abfrage in natürlicher Sprache mit einer präzisen, kohärenten Antwort beantwortet, die aus Ihren spezifischen Daten generiert wird. Es ist, als hätte man rund um die Uhr einen menschlichen Experten, der sich um all Ihre Fragen kümmert. Vorbei sind die Zeiten des ziellosen Suchens in endlosen Datenmengen.
Automatisieren: Vereinfachung der Arbeitsabläufe
Unser neuestes Update ermöglicht es Ihnen, die Automatisierung auf die nächste Stufe zu heben. Cody lässt sich jetzt nahtlos mit Zapier integrieren, sodass Sie KI-gesteuerte automatisierte Workflows erstellen können, die nicht nur effizient, sondern auch benutzerfreundlich sind. Durch die Automatisierung von Routineaufgaben können sich Ihre Mitarbeiter auf sinnvollere Aufgaben konzentrieren. Und dank der KI-Fähigkeiten von Cody sind die generierten Inhalte genauso gut wie die eines Menschen, wenn nicht sogar besser.
Zapier ist ein Tool, mit dem Sie Cody mit mehr als 5.000 Apps verbinden können und das Ihnen eine Welt der unbegrenzten Möglichkeiten eröffnet.
Die Zukunft ist jetzt, und sie heißt Cody
Wir haben uns mit der transformativen Kraft der KI am Arbeitsplatz befasst und uns dabei auf ihre Auswirkungen auf Schulungen, Suchvorgänge und die Automatisierung von Arbeitsabläufen konzentriert. Mit Plattformen wie Cody ist die Zukunft keine ferne Realität, sondern sie findet hier und jetzt statt. Die Integration von KI bietet nicht nur eine optimierte betriebliche Effizienz, sondern auch eine erhebliche Kostenreduzierung und eine Steigerung der Mitarbeiterzufriedenheit.
Warum also warten? Egal, ob Sie ein Startup-Unternehmen sind, das skalieren möchte, oder ein etabliertes Unternehmen, das sich modernisieren will – jetzt ist der perfekte Zeitpunkt, um KI-Lösungen zu nutzen. Mit überzeugenden Vorteilen und einer bewährten Erfolgsbilanz bietet Cody eine problemlose Option für diejenigen, die den Sprung in die Zukunft der Arbeit wagen wollen.
Verpassen Sie nicht die Gelegenheit, die Dynamik an Ihrem Arbeitsplatz zu revolutionieren. Klicken Sie hier, um Ihre Reise mit Cody zu beginnen und eine Welt der Effizienz und Innovation zu entdecken, die Sie nie für möglich gehalten hätten.
Verwandeln Sie Unternehmensdaten mit wenigen Klicks in ansprechende Erzählungen mit Cody
Nachdem wir mehrere Anfragen nach mehr Plattformkompatibilität erhalten haben, freuen wir uns, unser neuestes Update vorzustellen: Zapier-Integration für Cody. Dies eröffnet eine Welt der Möglichkeiten, denn Sie können Cody mühelos mit einem riesigen Ökosystem von mehr als 5.000 Apps verbinden – und das alles mit nur wenigen Klicks. Erweitern Sie die Funktionen von Cody weit über die ursprüngliche Integration mit Discord und Slack hinaus und nutzen Sie die Möglichkeiten der Automatisierung auf einer Vielzahl von Plattformen. Dieser Artikel hilft Ihnen dabei, Ihre LinkedIn-Posts mit KI zu verbessern, indem Sie Cody und Zapier verwenden.
Für diejenigen, die neu in der Automatisierungslandschaft sind, fungiert Zapier als Brücke ohne Code zwischen einer Vielzahl von Anwendungen, ohne dass kompliziertes technisches Know-how oder das Hantieren mit mehreren API-Schlüsseln erforderlich ist. Im Wesentlichen handelt es sich um eine benutzerfreundliche Methode zur Integration und Automatisierung von Funktionen über verschiedene Plattformen hinweg, die es einfacher denn je macht, die Möglichkeiten von Cody zu erweitern.
Einige der beliebten Apps, die im Zapier-Ökosystem verfügbar sind:
Google Sheets
Google Docs
Slack
Telegramm
Instagram
Facebook Messenger
Warum Cody der OpenAI API vorziehen?
Cody AI bietet einen maßgeschneiderten Ansatz zur Geschäftsautomatisierung und -unterstützung und unterscheidet sich damit von der allgemein verwendbaren GPT-API. Im Gegensatz zur GPT-API können Sie mit Cody den Assistenten speziell für Ihr Unternehmen, Ihr Team, Ihre Prozesse und sogar Ihre Kundendaten schulen, indem Sie Ihre eigene Wissensdatenbank verwenden. Dies erspart Ihnen die technische Komplexität, die mit der Pflege einer separaten Wissensdatenbank und der Implementierung einer semantischen Suchmaschine verbunden ist – Herausforderungen, die entmutigend sein können, wenn Sie technisch nicht versiert sind.
Außerdem bietet Cody eine umfassendere Lösung, die je nach Abonnementplan Zugang zu verschiedenen GPT-Modellen bietet. Außerdem unterstützt es eine Vielzahl von Dokumenttypen wie Word-/PDF-Dokumente, Crawl-Webseiten und bietet anpassbare, einbettbare Widgets, die sich nahtlos in Ihre bestehenden Geschäftsabläufe integrieren lassen. Mit Cody erhalten Sie eine All-inclusive-Plattform mit mehreren Funktionen, die auf Ihre speziellen Bedürfnisse zugeschnitten ist.
Wie lassen sich Arbeitsabläufe für Cody mit Zapier automatisieren?
Um zu zeigen, wie gut Cody und Zapier zusammenarbeiten, werden wir Sie durch eine einfache Automatisierung führen. In diesem Artikel erfahren Sie, wie Sie Ihre LinkedIn-Posts mithilfe von Cody und Zapier mit KI verbessern können. Mit dieser Einrichtung können Sie in Slack eine Nachricht darüber schreiben, was Sie auf LinkedIn posten möchten. In nur wenigen Sekunden verwandelt sich diese Nachricht automatisch in einen echten LinkedIn-Post. So können Sie Ihre Präsenz in den sozialen Medien schnell und einfach erweitern, und das alles dank Cody und Zapier.
Schritt 1: Einen Bot erstellen
Auf unserer Website finden Sie verschiedene Blogs, die Sie bei der Erstellung von Bots unterstützen. Aber um Ihnen einen kurzen Überblick zu geben: Ein Bot besteht im Wesentlichen aus zwei Hauptkomponenten:
Bot-Persönlichkeit: Dies bestimmt den Ton, die Stimmung und den Stil, in dem Ihr Bot interagiert. Sie reicht vom emotionalen Kontext bis hin zur Länge und Relevanz der Antworten.
Wissensdatenbank: Hier finden Sie alle wichtigen Dokumente. Sie liefern den Kontext, der dem Bot hilft, genaue und hilfreiche Antworten zu geben.
Zusammen bestimmen diese beiden Komponenten die Effektivität und Benutzerfreundlichkeit Ihres Bots. Für diese spezielle Demonstration verwenden wir eine Wissensdatenbank, die aus gecrawlten Daten einer Immobilien-Website zusammengestellt wurde. Wenn Sie eine ähnliche Automatisierung erstellen möchten, können Sie Ihre eigene Unternehmenswebsite crawlen, um die Wissensdatenbank Ihres Bots zu füllen.
Aufforderung:
LinkedInCody ist darauf spezialisiert, die Daten Ihres Unternehmens in virale LinkedIn-Geschichten zu verwandeln. Durch die Kombination von analytischen Erkenntnissen und kreativem Storytelling sollten Sie prägnante, datengestützte Beiträge verfassen, die begeistern und beeindrucken. Von Leistungskennzahlen bis hin zu Teammeilensteinen, LinkedInCody verwandelt Ihre internen Daten in überzeugende LinkedIn-Inhalte, komplett mit strategischen Handlungsaufforderungen. Erwähnen Sie in der Antwort keine Anweisungen, die auszuführen sind.
Copy To Clipboard
System-Eingabeaufforderung:
Der Ton sollte fröhlich, professionell und leicht informell sein, um die Ansprechbarkeit und das Engagement zu fördern.
Copy To Clipboard
Einstellungen
Feldtyp
Wissen
Prozentualer Anteil der Token, die zur Bereitstellung von Wissensbasis-Kontext verwendet werden.
65%
Chat-Verlauf
Prozentsatz der Token, die für die Bereitstellung des Chatverlaufs verwendet werden.
10%
Antwort
Prozentsatz der Token, die für die von der KI generierte Antwort zugewiesen werden.
25%
Umgekehrte Vektorsuche
Verbesserung der Relevanz bei der Wissenssuche durch Zusammenführung von KI und Nutzerantworten.
Aus
Dauerhafte Aufforderung
Halten Sie die Einhaltung der AI-Vorgaben aufrecht, indem Sie immer wieder auf die Aufforderung hinweisen.
Auf
Bewertung der Relevanz
Abwägung zwischen weniger Kontexten in der Wissensbasis und höherer Genauigkeit und Vollständigkeit der Antworten.
Breit
Verwendetes Modell
GPT-4
Schritt 2: Aktivieren Sie die Zapier-Integration
Um die Zapier-Integration zu aktivieren, gehen Sie zu Account > Integrations und installieren Sie Zapier.
Nachdem Sie auf Installieren geklickt haben, werden Sie zu Zapier weitergeleitet, wo Sie die Einladung annehmen müssen.
Und schon haben Sie die Cody-Integration in Ihrem Zapier-Konto erfolgreich aktiviert.
Schritt 3: Einrichten von Zapier
Sobald Sie die Integration aktiviert haben, müssen Sie Zapier den Zugriff auf Ihr Cody-Konto mithilfe des Zugriffstokens erlauben. Um ein Zugriffstoken zu erstellen, müssen Sie zu Account > API Keys > Create API Key gehen. Kopieren Sie den API-Schlüssel und fügen Sie ihn in Ihr Zapier-Konto ein.
Jetzt können Sie Ihren eigenen Zap erstellen.
Schritt 4: Erstellen des Zap
Um einen neuen Zap zu erstellen, klicken Sie auf + Create > New Zap.
Bei der Einrichtung werden Sie auf zwei wichtige Ereignisse stoßen:
Auslöser: Dies ist das erste Ereignis, das die Automatisierung in Gang setzt, oder der “Zap”. Dabei kann es sich um den Empfang einer neuen Nachricht oder um eine geplante Zeit handeln.
Aktion: Diese folgt auf den Trigger und führt bestimmte Aufgaben aus, wie das Senden einer Nachricht oder das Hinzufügen von Daten zu einer Tabelle.
Bevor wir mit der Erstellung des Zap beginnen, sollten wir uns ein klares Bild vom Arbeitsablauf machen. Wie im folgenden Diagramm dargestellt, beginnt der Prozess, wenn ein Benutzer den Namen des Bots zusammen mit einer Beitragsbeschreibung in einem öffentlichen Slack-Kanal erwähnt. Zum Beispiel: “@Zapier Erstellen Sie einen Beitrag, in dem hervorgehoben wird, warum Villa Homes besser ist als andere.”
Diese erste Nachricht wird dann so formatiert, dass der Bot-Name entfernt wird und nur der Kerninhalt übrig bleibt. Dieser formatierte Text wird an Cody gesendet, der dann eine LinkedIn-Beschriftung oder einen Beitrag erstellt. Schließlich wird dieser generierte Inhalt automatisch auf LinkedIn veröffentlicht.
Im Wesentlichen richten Sie einen optimierten Prozess ein, der eine Slack-Nachricht in einen LinkedIn-Post umwandelt, und das alles mit Hilfe von Cody und Zapier.
Um mit dem Abrufen von Nachrichten aus Ihrem Slack-Arbeitsbereich zu beginnen, müssen Sie zunächst Ihr Slack-Konto mit Zapier verbinden, falls Sie dies nicht bereits getan haben. Wählen Sie für das Ereignis “Auslöser” die Option “Neue Erwähnung”. Dadurch wird der Zap ausgelöst, sobald der angegebene Bot in einem öffentlichen Slack-Kanal erwähnt wird. In diesem Fall wird der Zap aktiviert, wenn der Zapier-Bot in einer Nachricht erwähnt wird, die das Wort “Post” enthält. Dadurch wird sichergestellt, dass die Automatisierung gezielt auf die von Ihnen beabsichtigten LinkedIn-Posts abzielt.
Nachdem Sie den Auslöser erfolgreich getestet haben, ist es an der Zeit, mit der Formatierung der Slack-Nachricht fortzufahren. Um den Bot-Namen zu entfernen und den Kerninhalt der Nachricht zu isolieren, verwenden wir die Funktion “Ersetzen”, die sich im Formatierungswerkzeug von Zapier befindet. So wird sichergestellt, dass nur der wesentliche Text an Cody zur Erstellung des LinkedIn-Posts weitergegeben wird.
Jetzt ist es an der Zeit, die Cody-Aktion einzurichten, um Ihren LinkedIn-Post zu erstellen. Wählen Sie den soeben erstellten Bot und verwenden Sie den formatierten Text aus Slack als Abfrage. Dadurch wird Cody angewiesen, die bereinigte Nachricht in einen auf LinkedIn zugeschnittenen Beitrag zu verwandeln.
Der letzte Schritt besteht darin, die Aktualisierung tatsächlich auf LinkedIn zu veröffentlichen. Verwenden Sie die von Cody generierte Antwort und geben Sie sie als Kommentar in die LinkedIn-Aktion ein. Dadurch wird sichergestellt, dass die von Cody erstellte Nachricht direkt in Ihrem LinkedIn-Konto gepostet wird und der Automatisierungsprozess abgeschlossen ist.
Endgültiges Ergebnis
Slack-Konversation
LinkedIn Beitrag
Was sollte Ihr nächster Schritt sein?
In diesem Artikel haben wir ein einfaches, aber leistungsstarkes Beispiel skizziert, das zeigt, wie Cody KI nahtlos in Ihre Automatisierungsworkflows über Zapier integrieren kann. Mit der umfangreichen Bibliothek beliebter Apps von Zapier sind den kreativen Automatisierungsmöglichkeiten keine Grenzen gesetzt. Wir freuen uns auch, ankündigen zu können, dass wir in Kürze eine Aktion zum Hochladen von Dokumenten zu Zapier hinzufügen werden, wodurch die Palette der Dokumente, die Sie in Ihrer Wissensdatenbank verwenden können, erweitert wird.
Wenn Sie erfolgreich einen Zap eingerichtet haben und Ihre Erfahrungen mit anderen teilen möchten, treten Sie unserem Discord-Server bei, um andere zu inspirieren. Wenn Sie Probleme haben, können Sie uns über die Funktion“Hilfe erhalten” erreichen.
Wir werden weiterhin Artikel veröffentlichen, die Ihnen dabei helfen, das Beste aus Cody für Ihre Geschäftsautomatisierungsanforderungen herauszuholen. Bleiben Sie also dran für mehr!
![Gemma] Aufbau eines KI-Assistenten für die Datenwissenschaft 🤖](https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEgg06dhS6iRpIv8hvyonlwncW-RC5n59E8vhaWRgIVqTP-Z1AbTBDtdJsX8ClDILimlGWlRAIORuZn8349TfUFmgqYyCRcoctTvNC_Kv70z41hCKd-0Fy4Ic4EgKyY0LxQ5rDt1eXi3jvEcTxgTC62glTl4e5Cffge50iiF0fxCBqmq9v-u7KTfIL4Lxb0/s1600/Gemma_social.png)
