Prof. Dr. Patrick Glauner: Zwischen Prognose, Prompt und Politik

00:00:05: Herzlich Willkommen zum Frankfurter Regulierungs Podcast.

00:00:08: Mein Gast heute ist Prof.

00:00:10: Dr.

00:00:10: Patrick Glauner, er ist Professor für Künstliche Intelligenz an der Technischen Hochschule Deggendorf und berät die Politik wie etwa den Bundestag und das EU-Parlament sowie Unternehmen in der Praxis zu strategischen und technischen KI Fragen.

00:00:25: Mit ihm spreche ich darüber, wo KI in Unternehmen tatsächlich Wertschaft, warum KI-Projekte scheitern können und wie Regulierung ausgestaltet sein sollte.

00:00:33: Wenn sie reale Risiken adressieren soll ohne wirtschaftliche Anwendung unnötig zu erschweren.

00:00:38: Patrick herzlich willkommen im Frankfurter Regelungs Podcast.

00:00:42: Hallo herzlichen Dank für die Einladung.

00:00:47: Ich würde gleich mal einsteigen Gleich in die Praxis wenn wir den Begriff KI nicht nur als reines Modewort oder Sammelbegriff verwenden wollen.

00:00:56: Wie unterscheidest du ganz pragmatisch zwischen klassischen Maschinellen lernen und der neueren generativen KI?

00:01:03: Ja, da sprichst du was ganz Spannendes an gefühltes Jahr als alles KI, KI als großes Basswerk.

00:01:09: Maschinelles Lernen geht auf vieler Jahrzehnte zurück mindestens den Neunzehnhundertfünfziger gegebenenfalls eher noch weiter zurück.

00:01:18: und Maschinelless Lernen heißt das wir eine Problemlösung nicht durch Regeln geschrieben, sondern dieses Regelwerk, dieses Muster aus Daten gelernt wird oder in Daten gefunden wird.

00:01:33: In der Regel werden dafür statistische Verfahren verwendet.

00:01:36: das gibt aber auch ein paar andere Ansätze und mit Maschinelem lernen kann ich ganz viel tun.

00:01:41: Ich kann Dinge in Bildern erkennen in Sprache usw.

00:01:45: Und dann kommen wir auch zu generativer KI.

00:01:48: Generativer KI heißt eben nicht nur Klassifikationen, Regressionen und Cluster sondern etwas generieren.

00:01:56: Und was ich generiere?

00:01:57: Das können Texte, Bilder und Audio aber auch Schaltpläne, Quellcode und vieles weiter sein.

00:02:06: Generative KI geht eigentlich bis auf die Siebziger oder sogar noch weiter zurück.

00:02:13: Wie ich die Generierung baue Das ist eine andere Frage.

00:02:16: Ich kann das durch Regeln bauen oder durch Maschinelles Lernen, man macht es eigentlich auch mit maschinellem Lernen seit vielen Jahrzehnten und jetzt in den letzten zehn, fünfzehn Jahren sind die neuronalen Netze dafür besser geeignet und das hat halt zu einem großen Buben geführt.

00:02:34: Neuronale Netze sind selbst auch wieder aus dem Bereich des Maschinellen Lernens eine von vielen Richtungen.

00:02:40: Jetzt gerade mit den Transformermodellen haben wir da Fortschritte gesehen oder es gab auch davor natürlich Fortsschritte und jetzt immer mehr spannende Anwendungen.

00:02:50: Spannend, spannend!

00:02:52: Vorliegt deiner Meinung nach der eigentliche ökonomische Kerl des Maschinen-Lerns?

00:02:57: Ist es vor allem die Prognose, die Klassifikationen, die Mustererkennung oder bereits die vollautomatisierte Entscheidung?

00:03:04: Ja das gehört alles ein bisschen natürlich zusammen.

00:03:06: Maschine hat das Lernen zielt auf Mustererkenntnungen ab dass ich eben Muster nicht beschreibe sondern Aus Daten lerne.

00:03:14: wie gesagt Statistik ist der überwiegende Ansatz im Hintergrund, es gibt auch andere Ansätze.

00:03:20: Damit kann ich verschiedene Dinge tun sei es eine Klassifikation, eine Regression aber natürlich eine Prognose in die Zukunft schauen sozusagen und mit Klassifikationen, Prognosen aber vielen anderen Dingen die ich durch die Mustererkennung tun kann.

00:03:37: Entscheidungen, Entscheidungsverhalten automatisieren oder gegebenenfalls auch nur in Anführungszeichen unterstützen.

00:03:45: Also es sind alles Begriffe die bisschen zusammen miteinander hängen aber alle auch ein bisschen was anderes tun.

00:03:51: Mustererkennung ist Kern des Ganzen und davon gibt's dann halt viele Anwendungen um Entscheidungen zu automatisierend oder Teilautomatisieren.

00:04:02: Also ich habe versucht den Begriff KI ein bisschen näher zu erklären, indem man Maschinenis lernen und neuere generative KI.

00:04:10: Gibt es noch irgendwas anderes jetzt was hier noch einfällt um einfach ein bisschen besseres Verständnis zu haben?

00:04:17: Was ist erstmal KI?

00:04:19: für mich heißt KI wir wollen menschliches Entscheidungsverhalten automatisieren.

00:04:23: wenn man jetzt mit jemand anderem spricht mag er oder sie etwas anderes dazu sagen.

00:04:28: der begriff KI is ja nicht in der Literatur sauber definiert als einfach große Schnittmengen mit anderen Gebieten gibt.

00:04:36: Wie gesagt, es gibt maschinelles Lernen.

00:04:37: davon gibt's viele Richtungen.

00:04:39: ich kann damit generieren oder auch nicht.

00:04:42: Es gibt aber methodisch auch andere Ideen wie zum Beispiel Expertensysteme wo ich das Wissen von Experten formalisiere durch Regeln beschreibe es gibt Planungsalgorithmen also es gibt eine ganze Reihe von unterschiedlichen Richtungen in dem KI-Umfeld, was heute aber sicher am meisten genutzt wird.

00:05:00: Ist das maschinelle Lernen?

00:05:01: Weil ich da eben nicht Regeln beschreiben muss sondern ich kann das Ganze aus Daten lernen und ich kann es unter Umständen natürlich auch nutzen zu generieren anschließen.

00:05:13: Spannend!

00:05:14: Lieber Patrick.

00:05:14: nun erleben wir seit geraumer Zeit den Hype um generative Systeme wie ChatGPT und Co.

00:05:21: Woran besteht der qualitativ Unterschied zwischen Generativer KI, wenn sie Texte-, Bilder-, Code- und Entwürfe erzeugt statt wie bisher primär Datenbasierte Vorhersage zu treffen.

00:05:32: Ja die Generierung ist am Ende auch eine Art von Datenbasierter Vorhorsage.

00:05:36: es geht dann halt eben nicht nur um ja oder nein Entscheidungen sondern zum Beispiel eine Vorhiersage von einzelnen Pixelwerten.

00:05:43: Bildgeneriere mit Millionen von Pixeln mache sozusagen ja ne Vorhairsage vom Pixel.

00:05:49: also das gehört weiter alles eng miteinander zusammen.

00:05:52: Generative KI ist halt einer von vielen Ansätzen, den es da gibt und generative KI is auch sehr sinnvoll für bestimmte Probleme.

00:06:00: Was mir aber eben auffällt ist die Leute nutzen dann Systeme wie ChatGPT für die verrücktesten Dinge um zum Beispiel ein Text zu klassifizieren?

00:06:08: Ist der jetzt Deutsch oder Englisch?

00:06:11: dafür bräuchte kein generatives KI-System?

00:06:13: Da reichen viele einfache Verfahren des Maschinelem Lernens wo da?

00:06:16: manche nutzen dann ChatGPD um Zeit rein vorherzusagen also irgendwelche... Vorhersagen auf Zeit rein, das funktioniert methodisch nicht sonderlich gut und es ist natürlich auch viel zu teuer.

00:06:28: Wenn ihr die Rechenzeit anschaut dafür gibt's andere Verfahren aus Maschinen lernen.

00:06:33: aber generative KI verändert jetzt auch gerade das Unternehmensumfeld enorm weil ich kann damit nicht nur schöne Bilder im Marketing generieren sondern natürlich auch Quellcode oder Schaltpläne oder CADs.

00:06:46: also damit kann ich ganz viel generieren.

00:06:48: Spannend!

00:06:49: Du hast schon ein bisschen angesprochen, wenn wir auf die Chefetagen schauen.

00:06:53: Wo liegt für Unternehmen derzeit der größere Hebel?

00:06:57: In besseren Entscheidungen durch prädiktive Systeme oder in der schnelleren effizienteren Erzeugung von Inhalten?

00:07:03: Ich glaube in Beidem und wie gesagt auch die Erstellung von Inhalten ist am Ende wieder nur ein Teil bei den ganzen Prädiktivsystemen.

00:07:12: Generative KI, das ist so ein Hype-Word und es gibt auch irgendwie dann mal Investoren die nicht mehr in KI investieren wollen.

00:07:19: Auch in generative KI.

00:07:21: Das für mich immer ein bisschen schwer nachvollziehen weil eben die generativeKI Teil dieses ganzen Blumenstraußes ist und ich habe unterschiedliche Hebel vorhersagen machen, Dinge generieren.

00:07:35: wie gesagt generative KAI ist halt Teil des Ganzen.

00:07:39: Spannend!

00:07:41: Ich würde noch mal ein bisschen auf die Realität schauen.

00:07:43: Also schauen wir in den Betrieben, welche KI-Anwendungen schaffen der Praxis heute den klarsten messbaren wirtschaftlichen Mehrwert?

00:07:51: Was sind da vielleicht Beispiele?

00:07:54: In den Betrieben sind ja seit vielen Jahrzehnten KI Anwendungen.

00:07:57: Man hat es dann vielleicht nicht immer als KI bezeichnet oder das lief im Hintergrund.

00:08:02: ein Thema, wo wir's seit Jahrzehn namens in Spamfield beispielsweise beißen, damit auch wichtigen E-Mails ankommen.

00:08:08: Das läuft halt im Hintergrund und was wir jetzt natürlich sehen sind viele neue Anwendungsfälle, wie man dann auch als KI überzeichnet.

00:08:16: Was spannend ist sind natürlich jetzt generative Systeme wie ChatGPC und andere und damit kann ich natürlich viel schneller als früher Texteschreiben Dinge beantworten.

00:08:28: oder wenn dann das Abo zwanzig Dollar wo User im Monat kostet, ist es natürlich sehr schnell extrem wirtschaftlich tragfähig.

00:08:37: Wenn ich mir anschaue wie das in Proportion zu den Gehältern steht und dann gibt's natürlich viele Individualanwendungen, wo vielleicht der Invest erst mal höher ist, sei es jetzt bei einem Maschinenbauer für eine Qualitätsinspektion, sei als bei einer Medizintechnikunternehmen dass KI vielleicht Teil eines medizinenden Produkts ist oder eines Systems Das sind natürlich, das ist ein höherer Investrenner als nur dieses Chatchi-PT-Achro für zwanzig Euro im Monat.

00:09:07: Inwieweit sowas wirtschaftlich tragfähig ist da, dipsen natürlich eine Riesendivergenz.

00:09:14: man muss immer auch sagen bei KI.

00:09:18: KI allein ist nicht die Lösung für jedes Problem.

00:09:22: ich komme ja auch oft zu Unternehmen und der heißt Wir wollen jetzt KI machen.

00:09:27: Das finde ich als KI-Prof teuer, als Unternehmensberater immer ein bisschen schwierig weil die Gefahr ist wir kommen mit einer Lösung und lösen keine Probleme.

00:09:35: Wir schaffen Probleme!

00:09:37: Wir müssen Probleme möglichst einfach lösen und wenn man das mit zwei oder drei Regeln tun können ist es wunderbar.

00:09:43: dafür muss sich kein Riesen invest in eine komplexe KI machen.

00:09:46: Das wird aber oft natürlich ein Unternehmen dann falsch angegangen.

00:09:49: in einen stehen große Kosten wenig Return und dann sei die KI schuld.

00:09:54: Nein, es war das ganze Projektmanagement oder Erwartungs-Management was daran schuld ist.

00:09:59: Spannend.

00:10:01: Ich hatte mir so ein paar Gedanken darüber gemacht inwiefern zum Beispiel Betrugserkennung, Beisoptimierung oder Kundenservice, Softwareentwicklung und Nachfrageprognosen.

00:10:12: Das wären glaube ich auch so Beispiele um einfach mal so ein bisschen greifbar zu sein aus der Perspektive Ähm, der Realität in den Betrieben.

00:10:21: Das ist das was ich mal Chatchi Pity gefragt habe, was er denn da so überhaupt als Antwort geben kann?

00:10:27: Ja, das sind typische Anwendungsfälle die du machst oder wie gesagt Qualitätskontrollen, Inspektionen.

00:10:35: Äh ja, Anomalieerkennung, Bedruckserkennungen.

00:10:39: Alles was du jetzt auch gezählt hast sind Anwendunsfälle, die man regelmäßig trifft.

00:10:44: Aber wie du gesagt hast, garbage in, garbage out.

00:10:46: Also das ist eigentlich die wichtigste Punkt.

00:10:48: für was brauchen wir denn das Problem?

00:10:50: Oder was ist das Problem mit der Lösung?

00:10:53: Das ist glaube ich ein wichtiger Aspekt wenn nicht so.

00:10:56: Exakt und natürlich muss sich auch Daten dafür haben weil die Daten im Verfahren funktionieren.

00:11:02: natürlich nur wenn ich Daten habe und es ist garbage-in-gabbageout.

00:11:05: wenn ich schlechte Daten hab wird auch hinten was schlechtes rauskommen.

00:11:09: Und eine Herausforderung sind natürlich auch die Legacy-Systeme, dass die Daten irgendwo liegen.

00:11:16: Vielleicht über Lecillos verteilt, das die Daten nicht harmonisiert sind.

00:11:21: Das fängt bei so Trivialitäten an oder jetzt nicht Trivialität, aber weil so vergleichsweise einfachen Sachen Datumsformate, die unterschiedlich sind und es geht natürlich noch viel komplexer.

00:11:32: Und das muss ich irgendwie versuchen mal zu kontrollieren zu einem gewissen Grad Andernfalls ist es wirklich in Garbage out.

00:11:41: Ja, spannend!

00:11:42: Ich würde mal gerne auch in die Thematik Regulierung Wettbewerbsfähigkeit.

00:11:49: Wir sind ja auch damit eigentlich im mitten Spannungsfeld unseres Titels.

00:11:54: zwischen Prognose, Prompt und Politik nenne ich das jetzt mal.

00:11:57: Du berätst politische Gremien auf nationaler und europäischer Ebene insbesondere auch im Kontext EU.

00:12:06: Ich höre viele Unternehmen beklagen, dass starke Vorgaben die Innovationen ersticken.

00:12:10: Meine Frage ist wo siehst du die größten regulatorischen Hürden für reale KI-Entwendungen in der Wirtschaft?

00:12:17: und gerne auch wie groß ist die Gefahr das wir die europäische Wettbewerbsfähigkeit durch Überregulierung gegen den USA oder Kinder einbüßen?

00:12:25: Ja die Gefahre ist Realität, wir sehen das an jeder Stelle.

00:12:30: Ich persönlich habe das immer sehr kritisch gesehen, dass man diesen AI-Akt einführt und sagt wir wollen jetzt KI regulieren.

00:12:38: Sonst sind wir da in der Gesetzeslosigkeit.

00:12:41: ich glaube die Grundannahme ist einfach falsch weil wenn ich KI ein Produkt einbaue es heißt ein Medizinprodukt, ein Flugzeug, einen Kraftwerk oder auch in Finanzprodukte dann ist das ja alles zu recht vertikal reguliert also sektoriell für diese Anwendung und dass wir sichere Produkte wollen, sichere Finanzprodukte, sicheren Medizinprodukte.

00:13:03: Ich glaube das kann man ja nicht abstreiben.

00:13:05: aber wenn ich KI in solch einem System, in solcher einen Prozess integriere ist natürlich KI die immer diesen vertikalen Anforderungen unterworfen.

00:13:14: also die Prämisse KI das sei alles unreguliert ist halt einfach falsch.

00:13:19: Wenn man dann nochmal entgegengesetzt horizontal den AI, die KI regelt was der AI tut dazu KI für Alles Dann schaffe ich Doppelregulierung, ich schaff widersprüchliche Regulierungen.

00:13:30: Ich schaff Anforderungen die vielleicht im Allgemeinen schlecht erfüllbar sind.

00:13:35: und genau das sehen wir alles beim AI Act.

00:13:38: Der AI Act mag vielleicht eine gute Intention haben also Sicherheit schaffen aber er ist viel zu kompliziert, er führt so viele Doppellegulierung, widerspruchslicher Regulierung und er verhindert Innovationen oder Innovationen die dann abwandern in andere Teile der Welt.

00:13:55: Und das halte ich gerade mit Hinblick auf die europäische Wettbewerbsfähigkeit für absoluten Unsenden so zu arbeiten.

00:14:04: Gibt es irgendwie jetzt schon Tendenzen?

00:14:07: Es gibt ja die Omnibus-Verfahren, kannst du da irgendwas berichten?

00:14:11: Ja bei dem OmnIBus oder den verschiedenen Omniblussen geht man eigentlich nicht weit genug sondern man macht dann ein paar Details hier und da Veränderungen... weil eigentlich müsste man ja viel früher sich fragen, was will ich eigentlich regulieren?

00:14:25: Es gibt nicht nur den AI Act.

00:14:27: Es gibt die Datenschutzgrundverordnung, der Data Act.

00:14:31: Dann gibt es Digital Services Act, Digital Markets Act und all das ist auch völlig widersprüchlich am Ende.

00:14:38: Das ist nicht harmonisiert.

00:14:41: Hier braucht man eigentlich den großen Wurf, dass man vielleicht eine große Digitalregulierung macht und dann natürlich auch diese ganzen Dupletten- und Widersprüche rausstreicht.

00:14:51: Und was jetzt den Omnibus rund um den AI Act betroffen hat, da war man sich ja in den letzten Tagen wieder in Brüssel nicht einig.

00:14:59: Hier ist wenig vorangekommen muss man sagen.

00:15:04: Auch wesentliche Fragen hatten wir uns nie gestellt.

00:15:08: zum Beispiel Was ist eigentlich KI?

00:15:10: Die Legaldefinition von KI die schafft im AI Act sehr viel Unsicherheit durch diese breite Definition.

00:15:18: Und das müsste man eigentlich auch auf das wirklich Notwendige einengen und dann würden, denke ich, viele Unsicherheiten verschwinden.

00:15:26: aber dass es alles bisher nicht passiert ist glaube ich dieser Omnibus in der jetzigen Form überbewertet was ich halt auch sehe.

00:15:34: jetzt ohne natürlich Namen zu nennen kann sich ja jeder ausmalen wenig da meines die Politiker die den LJI gefeiert haben, dass der so toll sei.

00:15:43: Die feiern jetzt das die Überarbeitung zu toll sein und dass man die bräuchte.

00:15:47: also das ist wirklich am vielen Stellen nie mehr ein Problem, was da auch für einen Theater gefahren wird.

00:15:56: Neben den Gesetzen braucht es ja vor allem Menschen, die diese Technologie verstehen.

00:16:02: Was müssen Studierende und bestehende Fachkräfte heute primär lernen um in der Wirtschaft echten KI-Mert zu schaffen?

00:16:09: geht es um tiefes Coding oder Rücken, Domains beziehungsweise Fachswischen und kritisches Denken in den Vordergrund.

00:16:18: Ja also die Studenten die bei mir studieren das sind ja KI-Studenten gibt ja keine Studierenden.

00:16:24: Bachelor und Master das ist in unserer Informatikfakultät eingepattet.

00:16:30: da unterrichte ich Vorlesungen wie zum Beispiel Computerwishern also wie Bauchsystem Dinge in Bildern und Videos erkennen.

00:16:39: Und was wir uns anschauen, ist die Methodik.

00:16:42: also wie funktionieren solche Systeme?

00:16:44: Wie programmiere ich die aber auch?

00:16:46: Und wie funktionierend die in der Realität?

00:16:49: Und da arbeiten wir auch durch Projekte mit Firmen zusammen.

00:16:52: Wir haben zum Beispiel dieses Jahr eine große Challenge mit dem Unternehmen Cronus.

00:16:57: Die Cronis AG ist ja der Weltmarktführer für Abfüllanlagen.

00:17:00: Da war ich auch mal vor vielen Jahren für die KI Konzernenweit verantwortlich Und die haben KI in Inspektionsmaschinen und hatte ich damals auch mit vorangetrieben während meiner Kroniszeit.

00:17:12: Die wollen jetzt eben ein neues KI-Verfahren, um noch besser in Insektionsmachinen zu erkennen ob Flaschen verwendet werden können oder nicht.

00:17:21: Da arbeiten mein Computer Visionkurs.

00:17:23: vierzig Teams A drei Studenten haben alle den gleichen Datensatz und versuchen, ein besseres KI-Verfahren zu bauen.

00:17:32: Und das Coronasystem zu schlagen und die besten Systeme, die jetzt gebaut werden, gehen dann vielleicht auch mal ... in die echten Kronos Maschinen mit rein.

00:17:41: Und das ist einfach super, dass wir jetzt nicht nur einen akademischen Datensatz haben sondern reale Probleme, reale Anforderungen.

00:17:48: und die realen Anforderung sind halt nicht nur welches System klassifiziert am besten, sondern auch Rechenzeit weil ich habe ein Echtzeitproblem.

00:17:56: Weil durch so eine Abfüllanlage sechzig-siebzig da aus dem Flaschen pro Stunde gehen.

00:18:00: Das heißt vielleicht der System des am allerbesten klassifiziert aber zu langsam ist würde es nie in die Praxis schaffen.

00:18:08: Das sind Dinge, die wir uns anschauen in dem Kurs neben der Theorie und wie man es programmiert mit Firmen arbeiten.

00:18:14: Und ich glaube das ist eine ganz wichtige Kompetenz, dass man halt reale Probleme am Ende löst und dazu braucht man auch sektorielle Kompetenzen.

00:18:22: Man muss aber auch ein Verständnis vielleicht von Regulierung haben.

00:18:24: Das ist auch in einem meiner KI-Kurse mit dabei.

00:18:28: und solche Dinge.

00:18:31: Pots des Hypes schaffen es viele Pilotprojekte in den Unternehmen nie in die produktive Anwendung.

00:18:38: Was sind aus deiner Erfahrung als Berater die häufigsten Gründe für das Scheiternfonds KI Problem?

00:18:43: Ja, dieser Prozentsatz von Scheittern, also der mal berichtet wurde vor so zehn Jahren Initial war man bei achtzig Prozent da neunzig jetzt man bei fünfundneinzig Prozent.

00:18:54: Also der Prozensatz wurde auch immer schlimmer.

00:18:56: was in den Ursachen davon einmal natürlich Die Popularität für KI ist massiv gestiegen.

00:19:03: In den letzten zehn Jahren.

00:19:05: die Anzahl der Experten ist natürlich gestiegen, aber nicht in dem Ausmaß.

00:19:09: Es gibt also viele Leute, die im Umfeld jetzt tätig sind und sich nicht so sonderlich gut auskennen.

00:19:15: Also es gibt technische Gründe dass solche Projekte vielleicht scheitern, aber es hat halt auch mit dieser Frage zu tun.

00:19:21: das Unternehmen sagen ich will jetzt KI tun oder ich will so unsere Millionen im Jahr durch KI einsparen, sage ich als KI-Professor Genial.

00:19:31: Als Unternehmensbewohner sage ich aber, hm, ich komme mit einer Lösung und schaffe mir vielleicht Probleme und löse keine Probleme

00:19:38: damit.".

00:19:38: Und deshalb diese Erwartung schon zu sagen, wir wollen jetzt KI machen?

00:19:42: Ich glaube das ist die Ursache für ganz viele geschaltete Projekte, dass man ein Problem vielleicht gar kein konkretes Problem gelöst hat oder vielleicht ein Problem... viel zu kompliziert gelöst hat.

00:19:54: Ich sag immer, wenn ich einen schlechten Geschäftsprozess habe der nicht funktioniert und ich baue da KI in den ein wird es mir auch.

00:20:01: die KI wird mit dem Geschäfts-Prozess nicht retten.

00:20:04: Ich brauche zuerst die menschliche Intelligenz dann die künstliche und muss vielleicht diesen Geschäfts Prozess erst mal neu denken und dann KI vielleicht obendrauf setzen aber nicht umgekehrt Und das wird halt oft vergessen.

00:20:19: natürlich gibt's jetzt auch viele windige KI Experten.

00:20:22: jeder, der KI schreiten kann als Begriff ist jetzt auf Link den KI-Experte.

00:20:27: Und da müssen natürlich auch die Unternehmen mit den wirklichen Experten an diese Projekte gehen noch nicht mehr den Leuten, die jetzt halt kein wirklicher Expert ist.

00:20:37: Du hast auch schon erfolgreiche KI-Strategien erwähnt, die über das reine Experimentieren hinausgeht.

00:20:45: Ich würde auch mal ein bisschen weiterfragen wollen Hast du denn ein Beispiel konkretes, wo du sagst das war ein super gutes KI-Projekt.

00:20:55: Du hast am Anfang erzählt mit dem Projekt mit den Studenten hättest du noch irgendwas?

00:21:00: Wo du sagest eins zwei und sagst dass es super!

00:21:05: Ja ohne jetzt Namen zu nennen ich fall ja da natürlich auch NDA ist.

00:21:10: aber zum Beispiel ein Beispiel für Unternehmen die... hatten dann Probleme aus dem Bereich Materialwissenschaften.

00:21:17: Die wollten wissen, ob eine Flüssigkeit sprüber ist für einen speziellen industriellen Prozess und die hatten so tausend mögliche Flüssigkeiten.

00:21:26: aber dieses Experiment war viel zu teuer für Proflüssigkeit und auch nicht wirklich machbar zeitlich für Tausend Flüssigkeiten.

00:21:34: Aber man konnte bei allen diesen Flüssigten bestimmte andere Eigenschaften leicht messen.

00:21:40: zum Beispiel Welche Koalition hat die Flüssigkeit?

00:21:46: Leiderziehe, Elektrizität gut.

00:21:48: Also so zehn Kriterien oder Dichte, die man leicht messen konnte.

00:21:54: Dann hat man halt dieses Sprühexperiment mal für hundert Flüssigkeiten gemacht was teuer war.

00:21:59: Hat gemessen, Gutsprüfer mittel- oder schlecht Und dann hat man für alle tausend Flüssigkeiten diese leicht messbar Eigenschaften gesammelt und dann hat die KI ihn zusammen gefunden, bis sich aus dem Leicht Messbaren ergeben kann ob die Flüssigkeit gut sprüber ist oder nicht.

00:22:15: Dann hat man diese Vorhersage für die restlichen neunhundert Flüssigkeiten gemacht und hat das Ganze auf ein paar Kandidaten noch eingeengt, die wirklich interessant waren aus Sicht der Sprühbarkeit und hat da das Experiment durchgeführt.

00:22:27: So massiv Geld gekämpft.

00:22:29: spart, aber auch man konnte am Ende das tun was zeitlich gar nicht möglich gewesen ist.

00:22:34: Der Schmarreinspieler, dass wir sich bei Kronos in den Abfüllanlagen gemacht haben, da durfte ich auch ein bisschen dazu schreiben während meiner Zeit dort.

00:22:43: also heute wird KI auch genutzt, dass man den Streckblasmaschinen weniger PET benötigt Weil auch diese Regelkreise, die wir haben einfach ausgereizt was die Menschen beschreiben konnten.

00:22:54: Und heute ist KI in solche Regelkreisen integriert das man eben noch weniger PET braucht wenn man eine Flasche streckt ist beispielsweise.

00:23:02: Wenn wir fünf Jahre in die Zukunft schauen welche KI Trend der heute vielleicht noch in den Kinderschuhen steckt wird die Wirtschaft am stärksten transformieren?

00:23:11: und woran sollten die Politik diesen Fortschriften messen um Innovation zu fördern statt zu verhindern?

00:23:18: Ja In den letzten Jahren gab es immer diesen Trend, immer größere Modelle mit immer mehr Daten und Rechenpower.

00:23:25: Das hat natürlich auch die NVIDIA-Aktie nach oben getrieben.

00:23:29: Das war schön und gut aber irgendwann gehen uns halt die Daten aber auch die Ressourcen dafür aus.

00:23:35: Deshalb ist eine Miniaturisierung absolut notwendig.

00:23:38: das haben wir ja auch historisch immer wieder gesehen in der Technik oder auch in der Informatik.

00:23:45: Da sind wir jetzt eigentlich in dieser Reise gerade dabei, dass die Sprachmodelle kleiner werden aber immer noch gut laufen.

00:23:51: Ich kann sie auf einem modernen Laptop gut laufen lassen.

00:23:56: Da gab es jetzt gute Fortschritte allein in den letzten Monaten und ich erwarte, dass das auch weitergeht.

00:24:01: Und dass wir halt nicht nur größere Chips haben sondern einfach kleinere Ressourcen schonendere Ansätze.

00:24:08: embedded AI ist Ich glaube, ein Thema das auch immer mehr an Relevanz gewinnt.

00:24:15: Nicht nur große GPUs, die in irgendeinem Rechenzentrum liegen sondern KI sozusagen on the edge.

00:24:21: also beim end use heißt eine Waschmaschine in einem Herd einer Lampe und da gibt es auch in Deutschland phänomenale Unternehmen, die sich mit sowas beschäftigen.

00:24:30: Das sind wir gar nicht so sehr abhängig wie jetzt bei den großen Rechenchips, wie wir abhängige sind von NVIDIA.

00:24:36: gerade im Bereich embedded AI gibt's da tolle Unternehmen.

00:24:40: Und es wäre schön, wenn sich die Politik das natürlich auch mal genauer anschaut und nicht nur jeden Trend aus den USA hinterherrennt.

00:24:49: Wie sollte die Politik dass messen?

00:24:51: Ja wo wir halt vor Ort die Produktivität steigern?

00:24:54: ich glaube das ist zwingend notwendig.

00:24:56: allein durch den demografischen Wandel aber halt auch wo entstehen die Innovationen weil immer nur für unser Rechenzentrum Chips aus den US ein kaufen ist der Mehrwert begrenzt, wenn wir vielleicht andere Chip-Ansätze haben.

00:25:12: und wie gesagt im Bereich Embedded AI oder effiziente Chips gibt es tolle Unternehmen in Deutschland.

00:25:18: Und wenn man sowas auch fördern können, ist besser als wenn man das ganze Geld in Rechenzentren stecken und dann Chips von NVIDIA kauken

00:25:27: kann.

00:25:27: zum Embedged AI mal ein bisschen kurz definieren ich höre das zum ersten Mal was ist das genau?

00:25:32: Also dass sich einfach sehr kleine Chips haben, die sind sehr günstig und da kann ich halt eine einfache Aufgabe mit tun.

00:25:41: Zum Beispiel Spracherkennung in der Lampe oder Spracherkennung einer Waschmaschine.

00:25:47: Sowas soll ja nicht gleich mit der Cloud verbunden sein das muss in Echtzeit laufen.

00:25:51: Das muss vor Ort ausgewertet werden auf so einem embedded AI Chip.

00:25:56: und dann gibt es zum Beispiel Tolle Unternehmen in Deutschland, unter anderem in Offenburg.

00:26:01: Die AI-Tat GmbH von Slava Kromov.

00:26:05: Die entwickeln nicht nur Chips in Ofenburg die produzieren vor Ort.

00:26:08: also das führt auch zu viel resilienteren Lieferketten und ich glaube sowas sollten wir noch viel mehr fördern.

00:26:15: Ganz herzlichen Dank lieber Patrick für diesen tiefen Einblick in die Praxis und die pointierte Analyse.

00:26:22: Schön dass du mein Gast warst!

00:26:23: Herzlichen Dank für die Einladung und ich wünsche allen Zuhörer an Viel Erfolg bei Ihrer eigenen KI-Reise.