Generatives CAD kommt, Autodesk (60 Milliarden Dollar) internalisiert große CAD-Modelle
Cad Der Gigant Autodesk setzt ebenfalls auf generative KI.
Zum Zeitpunkt der Veröffentlichung dieses Artikels notiert die Autodesk-Aktie (US:ADSK) mit einem Plus von über 20 % im Jahr 2024 bei 293,32 US-Dollar pro Aktie und einer Gesamtmarktkapitalisierung von 63,064 Milliarden US-Dollar.
„Wir entwickeln ein generatives KI-Basismodell, das sich von allen anderen Modellen auf dem Markt unterscheidet“, sagte Raji Arasu, Executive Vice President und Chief Technology Officer von Autodesk, kürzlich bei einer öffentlichen Veranstaltung. Das von Raji Arasu erwähnte Basismodell, das im Mai 2024 vorgestellt wurde, trägt den Namen „Bernini“ und ist ein generatives KI-Projekt. Konvertierens Text, handgezeichnete Skizzen usw. in 3D-Dateien umwandeln.
Im Hinblick auf den aktuellen Markt für große 3D-Modelle scheint die Implementierung von graphengenerierten 3D-Funktionen nichts Neues zu sein. Google DeepMinds gerade veröffentlichtes Genie 2, Tencent Hybrid und VoxCraft von BioDigital Technology, um nur einige zu nennen, bieten ähnliche Funktionen. Doch für Autodesk, einen globalen CAD-Giganten, ist Bernini von großer praktischer Bedeutung für das Kerngeschäft.
Bernini entdecken
Bernini wurde nach Gian Lorenzo Bernini, dem berühmten italienischen Bildhauer und Architekten des 17. Jahrhunderts, benannt. Für das Training des Modells wurden 10 Millionen öffentlich verfügbare 3D-Formen verwendet, die von Autodesk AI Labs in Zusammenarbeit mit der Chinesischen Universität Hongkong erstellt wurden.
Der Grund, warum sich Bernini von anderen grundlegenden großen Modellen unterscheidet, liegt darin, dass Bernini drei Hauptmerkmale bei der Erzeugung von 3D-Bildern aufweist:
1. Die Struktur des generierten 3D-Bildes ist eine funktionale 3D-Struktur. So werden beispielsweise Wasserflaschen erzeugt, die hohl sind und tatsächlich die Funktion erfüllen, Wasser zu halten, anstatt nur Modelle zu erzeugen, die ähnlich aussehen;
2. Formen und Texturen separat erzeugen. Die Möglichkeit, Formen und Texturen separat zu generieren, gibt dem Benutzer die Freiheit, die Variablen anzupassen, sie miteinander zu vermischen oder andere Designs zu erstellen, wodurch das Problem der Verwechslung von Texturen und Konturen von 3D-Objekten vermieden wird;
3. bietet eine breite Palette an Varianten. Optimiert für professionelle Geometrie-Workflows, ermöglicht die Möglichkeit, aus einer einzigen Eingabe mehrere funktionale 3D-Formvarianten zu generieren, Designern mehr Auswahl und beschleunigt ihren kreativen Workflow.
Screenshot der Autodesk-Benutzeroberfläche
Hierbei muss das Basismodell eine natürliche Hürde im Design- und Fertigungsprozess überwinden, um diese Eigenschaften zu erreichen: Die KI muss vollständig auf die komplexe Logik der Ein- und Ausgabeprozesse des Designprozesses abgestimmt sein. „Durch die Verarbeitung multimodaler Eingaben wie Text, Skizzen, Voxel und Punktwolken wird der Designprozess des Erstellers nachgebildet“, erklärt Raji Arasu.
Da die Erzeugung von Geometrien wie bei 3D-CAD ein Denken auf der Grundlage der Gesetze der Physik in Bezug auf Raum und Struktur erfordert, ist zudem ein hohes Maß an Präzision und Genauigkeit notwendig.
Berninis Markteinführung verlief also nicht gerade schnell. Seit Mai 2024, als die Fortschritte von Bernini bekannt gegeben wurden, ist fast ein ganzes Jahr vergangen. Damals veröffentlichte Bernini lediglich einen Teil des Konzeptvideos. Und erst auf der Autodesk-Anwenderkonferenz in San Diego im Oktober präsentierte CEO Andrew Anagnost eine Bernini-Vorschau.
Andrew Anagnost erklärte jedoch, dass Bernini mit öffentlichen Daten trainiert werde und noch nicht kommerziell verfügbar sei. Es stehe der KI-Community offen. Er enthüllte aber einen möglichen Geschäftsplan für Bernini: „Die Trainingsmethode von Bernini ist datenunabhängig, sodass Kunden bei Bedarf ihre eigenen Daten verwenden können, um Bernini zu optimieren und das Modell kontinuierlich zu verbessern.“
Wie Bernini „gemacht“ wurde
Berninis Trainingsprozess nutzt ebenfalls NVIDIA-GPUs, doch Raji Arasu ist der Ansicht, dass neben den GPUs die Verarbeitung und Nutzung der Daten für das Training eines Modells entscheidender ist. In ihrem Vortrag erläuterte sie diesen Prozess genauer. Sie unterteilte den Entwicklungsprozess in Datenhandhabung, Datenaufbereitung, kosteneffizientes und effizientes Modelltraining sowie Komplexitätsmanagement für die Modellinferenz.
„Milliarden von Objekten und Petabytes an Daten unterschiedlicher Größe, Form und Arbeitslast müssen verarbeitet werden“, sagte Raji Arasu.
Autodesk benötigte eine Datenplattform in der Cloud, die auf der enormen Menge an großen Designdateien basierte. Dafür wählte das Unternehmen Amazon DynamoDB als primäre Datenbank und entwickelte ein kanonisches Datenmodell, das Schreibvorgänge über Hunderte von Partitionen mit hohem Durchsatz und nahezu latenzfreier Verarbeitung ermöglicht.
Zusätzlich zur Lösung des Problems der Datenleistung konnte Autodesk den Datenaufbereitungsprozess für das grundlegende Modelltraining problemlos abschließen, indem Cloud-Dienste wie Amazon EMR, Amazon EKS, Amazon Glue und Amazon SageMaker kombiniert wurden, die große Mengen komplexer historischer Daten erfassten, taggten und segmentierten.
In der Modelltrainingsphase stand Autodesk ebenfalls vor vielen Problemen, wie beispielsweise der GPU-Auswahl, und nutzte schließlich Amazon SageMaker, um die Lösung für Instanztests, Infrastrukturmanagement usw. zu vereinheitlichen. Das Team konzentrierte sich stärker auf die Datenaufbereitung, die Modellentwicklung und die Entwicklung kundenorientierter KI-Funktionen.
Latenz, Kosten und Leistung müssen bei der Verwaltung von Modellinferenz im großen Maßstab angemessen berücksichtigt werden. „Die automatische Skalierung und die Multi-Modell-Endpunkte von Amazon SageMaker unterstützen nahtlos Echtzeit- und Batch-Inferenz für hohen Durchsatz, minimale Latenz und maximale Kosteneffizienz“, sagte Raji Arasu.
Wie Sie sehen, nutzt Autodesks Bernini-Version intensiv Amazon SageMaker, den bekanntesten KI- und Machine-Learning-Service von Amazon Cloud Technologies. Zahlreiche namhafte Unternehmen, darunter auch Autodesk, setzen Amazon SageMaker HyperPod für das Modelltraining ein. Amazon SageMaker HyperPod hat in letzter Zeit mehrere wichtige Updates erhalten, beispielsweise flexible Trainingspläne. Diese ermöglichen die Erstellung automatisierter Trainingsprozesse und optimieren die Kosten durch die effiziente Nutzung kostengünstigerer Rechenressourcen. Die Aufgabensteuerung priorisiert verschiedene Trainingsaufgaben, um Modelltraining, Feinabstimmung und logisches Denken während der Ressourcennutzung zu maximieren.
Dank dieser Innovationen konnte Autodesk die Bereitstellungszeit des Basismodells halbieren. Dies steigerte die KI-Produktivität um 30 Prozent bei gleichbleibenden Betriebskosten. Raji Arasu gab außerdem bekannt, dass Autodesk begonnen hat, die auf diesen Basismodellen basierenden KI-Funktionen für Kunden bereitzustellen.
„Wir agieren als Designpartner unserer Kunden und helfen ihnen, Parameter wie Materialfestigkeit und Kosten abzuwägen, damit sie das optimale Design ermitteln können. All dies dient dazu, mühsame Aufgaben zu minimieren und die Kreativität zu maximieren“, sagte Raji Arasu.
Korrekte Daten sind die Voraussetzung für das Training großer Modelle.
Nach ChatGPT sind NVIDIA-GPUs zu einem begehrten Ziel für große KI-Unternehmen geworden, und die Anzahl der jährlich bestellten NVIDIA-GPUs kann sogar Schlagzeilen in den Medien machen. Um den Entstehungsprozess von Bernini zusammenzufassen: GPUs sind zwar wichtig, aber die Daten bestimmen die Qualität des Trainings großer Modelle.
Und die Entwicklung eines großen Modells, das tatsächlich im Geschäftsalltag funktioniert, ist ein umfassendes Systemproblem, das viele Aspekte beinhaltet.
„Große Modelle sind nur ein Teil der Innovation bei generativen KI-Anwendungen. Es gibt weitere Fähigkeiten, die erweitert werden müssen, damit generative KI-Anwendungen erfolgreich sind. Zunächst muss sichergestellt werden, dass generative KI die Fähigkeiten großer Modelle in generativen KI-Anwendungen mit den eigenen Daten eines Unternehmens erweitern kann.“ Ruisong Chu, Global Vice President und Präsident von Amazon Cloud Technology Greater China, äußerte in einer Rede ähnliche Ansichten.
Das Illusionsproblem, das derzeit bei großen Modellen eine große Herausforderung darstellt, lässt sich auch aus der Perspektive von Metadaten lösen. Dabei geht es darum, die Datenqualität in der Wissensbasis vor dem Training großer Modelle sicherzustellen. „Metadaten in der Datenbank, also qualitativ hochwertige, geprüfte und freigegebene Daten, tragen dazu bei, die Latenz zu reduzieren und die Reaktionsfähigkeit des großen Modells zu verbessern“, so Mai-Lan Tomsen Bukovec, Vizepräsident für Technologie bei Amazon Cloud Technologies. Er mahnte Organisationen, die große Modelle trainieren, sorgfältig, zwischen von Menschen erstellten und von KI generierten Daten zu unterscheiden.
Aufgrund der Bedeutung von Daten beschleunigen Big-Data-Modelle die Art und Weise, wie Unternehmen ihre Datenbestände erschließen. Vor zwei Monaten stellte Qunar Technology, die Muttergesellschaft von Cool Spaces, einer chinesischen 3D-Plattform für räumliches Design, einen neuen Geschäftsplan vor: die Einführung einer Datentrainingsplattform für verkörperte Intelligenz und weitere Bereiche. Ziel ist es, den weltweit größten Datensatz für Deep Learning zur Innenraumanalyse zugänglich zu machen. Das Unternehmen gab bekannt, dass die Plattform bereits über 320 Millionen 3D-Modelle mit durchschnittlich 77,8 Millionen aktiven Besuchern pro Monat umfasst. Qunar Technology wird physikalisch korrekte 3D-Raumdaten, Lösungen für räumliche Kognition und Trainingsdienstleistungen für KIGC, verkörperte Intelligenz, AR/VR und andere Branchen anbieten.
Die Daten zeigen, dass etwa 77 % der Unternehmen ihre Investitionen in KI und neue Technologien innerhalb von 3 Jahren erhöhen oder deutlich erhöhen werden und dass die 3 Bereiche, in denen KI als erstes Effizienzgewinne erzielen wird, Automatisierung, Analyse und Erweiterung (Automatisierung, Datenanalyse und unterstützte Erweiterung) sind.
„KI verändert alle Branchen“ ist längst kein bloßer Slogan mehr. „Immer mehr Branchen engagieren sich verstärkt im Bereich der generativen KI.“ Uwem Ukpon, Vizepräsident für globale Dienstleistungen bei Amazon Cloud Technologies, erklärte, dass sich das Anwendungsgebiet generativer KI von der anfänglichen Finanzbranche schrittweise auf ein breites Spektrum an Branchen ausgeweitet habe, darunter der öffentliche Sektor, traditionelle Industrien, Regierungsorganisationen sowie Branchen wie die Biowissenschaften und das Gesundheitswesen. Gleichzeitig eröffnet generative KI Unternehmen neue Geschäftsmöglichkeiten. Autodesk setzt auf datenbasiertes generatives CAD im großen Maßstab – ein vielversprechender Zukunftsmarkt.