In diesem Artikel behandeln wir folgende Themen:
- Was sind NFTs und GANs?
- Die Rolle von Daten bei der Erstellung eines GAN
- Eine Anleitung, wie Unternehmen praktisch Daten für ein GAN-Projekt sammeln können
- Wie GANs einen Mehrwert für Unternehmen generieren können
Was sind NFTs und GANs?
Wenn die meisten Menschen an nicht fungible Token (NFTs) denken, denken sie in der Regel an Kunst, die zu einer beliebten Anwendung der NFT-Technologie geworden ist. Vereinfacht gesagt ist NFT ein Blockchain-basiertes System, das es Einzelpersonen oder Unternehmen ermöglicht, das Eigentum an einem einzigartigen digitalen Gegenstand wie Musik, Code und Kunst zu registrieren.
Wenn wir uns einen Moment lang auf „Kunst” konzentrieren, kennen einige Leute vielleicht den Bored Ape Yacht Club, ein Projekt, das 10.000 einzigartige digitale Kunstwerke geschaffen hat.
Für manche mögen diese Affen wie ein Witz erscheinen, aber in realen wirtschaftlichen Begriffen ist die gesamte Sammlung von Bored Apes mehr als 1 Milliarde Dollar wert – wobei einige einzelne Affen für 2 oder sogar 3 Millionen Dollar verkauft werden.
Diese ganze Reihe von Ereignissen ist an sich schon faszinierend, aber die Geschichte endet hier noch nicht. Eine Gruppe von Menschen, die das Bored Ape-Projekt gesehen hatten, beschloss, die Technologie der Generative Adversarial Networks (GANs) zu nutzen, um ihre eigene Version dieses „Limited Edition”-Projekts zu schaffen.
GANs sind, vereinfacht gesagt, im Grunde genommen ein Algorithmus für maschinelles Lernen (ML), der mit Daten trainiert werden kann, sodass das Modell dann Ergebnisse erstellen/generieren kann, die nicht von Menschen überwacht werden. In diesem Fall entstand die GAN Bored Ape-Serie:
Zunächst entstand dadurch ein Sekundärmarkt für diejenigen, die daran teilhaben wollten, aber keine 2 Millionen Dollar für einen originalen Bored Ape ausgeben konnten. Mit der Zeit entwickelte sich dieser Sekundärmarkt zu einem eigenständigen Markt.
Die Rolle von Daten bei der Erstellung eines GAN
GANs werden mit einer aus zwei Komponenten bestehenden Architektur aufgebaut, die aus einem „Generator” und einem „Diskriminator” besteht. Der Generator erstellt neue Daten, wie Bilder oder Texte, basierend auf den „Trainingsdaten”, die in den Algorithmus eingespeist werden. Der Diskriminator hat die Aufgabe, zwischen den neu künstlich generierten Datensätzen und den Originaldaten zu unterscheiden. Der Diskriminator „genehmigt“ nur Datensätze, die den realen Daten in ausreichendem Maße entsprechen. Das bedeutet, dass die Erfassung hochwertiger, genauer Daten von größter Bedeutung ist, wenn man versucht, ein GAN zu erstellen/zu trainieren, das in der Lage ist, hochwertige Ergebnisse zu generieren.
Ein Tutorial darüber, wie Unternehmen Daten für ein GAN-Projekt praktisch sammeln können
Der CTO von Amazon, Werner Vogels, twitterte:„Übrigens, diese hervorragende Arbeit wurde von @ykilcher geleistet. Sehen Sie sich sein Video an, wenn Sie Details zur Datenerfassung und zur Generierung des GAN erfahren möchten.”
Wie GANs den Wert für Unternehmen steigern können
Oberflächlich betrachtet mag dies wie eine sehr isolierte Entwicklung erscheinen, die nur für diejenigen relevant ist, die tief in die Blockchain-, Krypto- und NFT-Kunsthandelsmärkte involviert sind. Dies ist jedoch ein Irrtum.
Die GAN-Technologie des maschinellen Lernens hat das Potenzial, den Ablauf der Ideenfindung in Unternehmen zu revolutionieren – von ganzen Geschäftskonzepten bis hin zu Produkten und Codezeilen.
Das Spektrum der derzeit existierenden Live-GAN-Domänen ist ziemlich breit. Es gibt Personen, die diese Technologie nutzen, um algorithmische Ergebnisse zu trainieren, darunter auch fast schon lächerliche Beispiele wie thiscatdoesnotexist.com.
Am anderen Ende des Spektrums gibt es Beispiele, die auf Geschäftsmöglichkeiten hindeuten, die bei richtiger Anwendung eine ganze Branche verändern könnten.
Sie verändern die Art und Weise, wie neue Ideen, Songs, Inhalte, Grafiken, Kunstwerke und wissenschaftliche Durchbrüche entstehen und umgesetzt werden.
Hier sind nur einige Beispiele, die helfen sollen, ein Verständnis für die sich bietenden Möglichkeiten zu entwickeln:
- Thisstartupdoesnotexist.com -> Kann Unternehmern dabei helfen, neue Ideen zu finden, indem Millionen von Datenpunkten miteinander abgeglichen werden. Der Algorithmus kann berücksichtigen, welche Startups bereits existieren, und gleichzeitig neue Märkte und Schwachstellen identifizieren, die eine neue Lösung/ein neues Tool erfordern.
- Thissneakerdoesnotexist.com -> Kann Modemarken dabei helfen, unendlich einzigartige Produktdesigns zu entwickeln. Damit heben sie sich von der Konkurrenz ab und können Marktanteile gewinnen, während sie gleichzeitig die Zeit von der Idee bis zur Produktion verkürzen.
- Thischemicaldoesnotexist.com -> Kann Wissenschaftlern dabei helfen, neue synthetische Chemikalien zu entwickeln, die die Art und Weise verändern können, wie Produkte hergestellt, verpackt, gelagert und versandt werden. Zu den bisherigen Beispielen für synthetische Materialien, die ganze Branchen und Produktionszyklen revolutioniert haben, gehören „Kunststoffpolymere” und „Polystyrolschaumstoffe” (besser bekannt als „Styropor”).
Fazit
Die GAN-Interpolationsmodellierung hat seit ihren Anfängen, als sie gerade einmal Zahlen und Bilder generieren konnte, die für das menschliche Auge erkennbar waren, einen langen Weg zurückgelegt. Wie eine der ersten wissenschaftlichen Arbeiten zu diesem Thema aus dem Jahr 2014, „Generative Adversarial Nets” von Ian J. Goodfellow, zeigt:
Seitdem hat die GAN-Machine-Learning-Technologie einen langen Weg zurückgelegt. Allerdings muss sie zugegebenermaßen noch perfektioniert werden. Unternehmen, die sich für eine frühzeitige Einführung entscheiden, können ihre DevOps-Teams damit beauftragen, Open-Source-Webdaten zu erfassen und unabhängige GAN-Modelle in ihren jeweiligen Branchen zu erstellen. Diese Akteure haben das Potenzial, Marktführer in ihren Bereichen zu werden, sowohl durch die Generierung von Ideen, die noch kein Mensch zuvor hatte, als auch durch den Einsatz zukunftsweisender Technologien.
