ChatGPTs neue Deep Research Funktion: Ein Game Changer für die KI-Forschung?

Die Landschaft der generativen KI entwickelt sich rasant, und inmitten des wachsenden Wettbewerbs stellt OpenAI seinen Deep Research Agent vor. Was ist das und was bedeutet dieser Fortschritt für die Branche? Wir haben mit Volodymyr Getmanskyi, dem Leiter des Data Science Office bei ELEKS, gesprochen, um Ihnen die neuesten Erkenntnisse der Experten zu präsentieren.

Was ist Deep Research von OpenAI?

Deep Research ist eine neue Agenturfähigkeit in ChatGPT, die es ermöglicht, Recherchen durch das Durchsuchen des Internets durchzuführen. Das Konzept ähnelt der Deep Research-Funktion, die Google Ende letzten Jahres eingeführt hat. Man kann sich diese Funktion wie einen persönlichen Assistenten vorstellen, der einem das Leben erleichtert und schnell zum Experten für jedes Thema werden kann.

OpenAIs Deep Research läuft auf der o3-Version - ihrem neuesten und laut LiveBench, einem Benchmark für LLMs, bestplatzierten Modell - und ist für die Suche im Internet und die Verarbeitung von Daten konzipiert. In der Praxis bedeutet dies, dass Sie den KI-Agenten bitten können, etwas zu recherchieren, und er geht los und liest tonnenweise Websites, sammelt all diese Daten und gibt Ihnen einen Bericht mit den richtigen Quellen zurück, ähnlich wie Sie es von einem professionellen Forscher erhalten würden.

Wie sind die aktuellen Nutzungsparameter der Tiefenrecherche?

Derzeit steht die Tiefenrecherche nur Nutzern des Pro-Tarifs zur Verfügung, die bis zu 100 Recherchen pro Monat durchführen können. OpenAI gibt an, dass eine Suchanfrage zwischen 5 und 30 Minuten dauern kann, aber einige Nutzer berichten, dass es auch länger dauern kann. Außerdem ist die Tiefensuche sehr rechenintensiv, d.h. je mehr Zeit die Recherche einer Anfrage in Anspruch nimmt, desto mehr Rechenressourcen werden benötigt.

Derzeit kann die Tiefensuche öffentlich verfügbare Informationen durchsuchen und alle von Ihnen hochgeladenen Dateien analysieren. Das Unternehmen prüft jedoch die Möglichkeit, sich mit spezifischeren Datenquellen zu verbinden und den Zugriff auf abonnementbasierte oder interne Ressourcen zu erweitern.

Und wo liegen die Grenzen dieses Suchagenten?

Wie OpenAI erklärt, kann er immer noch einige Fakten in den Antworten verdrehen oder falsche Schlüsse ziehen. Es kann auch schwierig sein, zwischen faktischen Informationen und Internet-Gerüchten zu unterscheiden. Bei der ersten Verwendung des Recherche-Agenten kann es zu kleineren Formatierungsproblemen bei Berichten und Zitaten kommen, die eine Minute in Anspruch nehmen können.

Meiner Meinung nach besteht die größte Einschränkung bisher darin, dass der Agent nur mit Daten arbeiten kann, die im offenen Internet verfügbar sind, und keinen Zugriff auf Informationen hat, die sich hinter Bezahlschranken, in Lehrbüchern, staatlichen Datenbanken oder alten, noch nicht digitalisierten Dokumenten befinden.

Darüber hinaus kann die Datenqualität eine echte Herausforderung darstellen. Dieses Forschungsinstrument muss alle verfügbaren Informationen sinnvoll nutzen, was dazu führen kann, dass es auf Quellen von geringerer Qualität oder sogar auf KI-generierte Daten zurückgreift, die mit Fehlern behaftet sind.

Was ist der Unterschied zwischen den Deep Research Agents von OpenAI und Google, gibt es noch andere Konkurrenten?

Wenn man sich einen allgemeinen Überblick verschaffen will, ist die Suchversion von Google hervorragend. Wenn Sie jedoch möchten, dass ein Forscher mehrere Quellen durchsucht und mit einer fundierten Meinung ins Detail geht, dann ist der Agent von OpenAI die bessere Wahl. Es ist wichtig zu beachten, dass keine der beiden Plattformen Zugang zu kostenpflichtigen Recherchen und Publikationen hat, was die Möglichkeiten beider Agenten derzeit einschränkt.

Es kursiert auch die Nachricht, dass eine Gruppe von Entwicklern der KI-Entwicklungsplattform Hugging Face eine „offene“ Version des Deep-Search-Tools von OpenAI erstellt hat. Interessanterweise haben sie recht vielversprechende Ergebnisse bei der Umsetzung von Textanweisungen in Code erzielt. Dies kann man in den Beispielen der Prompting Chain auf GitHub sehen.

Es ist wichtig anzumerken, dass mehrere Nachbildungen der OpenAI-Tiefensuche online verfügbar sind, von denen einige offene Modelle und Werkzeuge verwenden. Diesen Nachbildungen fehlt jedoch eine entscheidende Komponente - o3, das Modell, das der Tiefensuche und ihrer Geschwindigkeit zugrunde liegt.