Künstliche Intelligenz, verständlich erklärt | #Künstliche Intelligenz 🤖

00:00:00: Hallo und herzlich willkommen zu einem neuen AI Unplugged Podcast von Digital Compact.

00:00:12: Mein Name ist Stelka Schmarweg, jetzt hört der ein oder andere vielleicht hin und denkt so hoch?

00:00:16: Was ist denn das für ein komischer Format, aber den kenne ich ja noch gar nicht richtig, denn das ist neu!

00:00:20: Der gute Herr, der neben mir sitzt.

00:00:21: Er dürfte sehr aufmerksam digital kompakt hören aber nicht neu sein weil du warst schon mindestens in zwei Folgen.

00:00:27: Einmal im KI-Format das wir bisher hatten mit dem Fabian Westerheide.

00:00:31: Der sei an dieser Stelle mal, by the way, wärmstens gegrüßt.

00:00:34: Manchmal werden wir auch Opfer des Erfolgs unserer Co-Moderatoren.

00:00:37: Der macht ja diese schöne Konferenz Rise of AI und parallel mit Asgard ein Kryptofon oder ich weiß gar nicht ob man das so sagen kann haben wir ihn auch mal zu interviewt also im Prinzip Blockchain angewendet auf VC Investments Und das fordert so viel Aufmerksamkeit von ihm, dass wir das Hardware- und KI-Format teilweise einfach nicht mehr hinkriegen.

00:00:54: Weshalb jetzt der gute Erik hier sitzt?

00:00:55: So ein Eric war halt auch schon in dem Podcast Format mit dem Fabian dabei.

00:00:59: Ich glaube ihr kennt euch und mögt euch ja auch, ne?

00:01:00: Das schickst ihm auch noch einen Gruß raus!

00:01:02: Ja mach ich.

00:01:03: Solve Maids... Erst mal danke, dass ich heute hier sein kann, Joel.

00:01:06: Auch viele grüße an Fabian.

00:01:07: Gerne nämlich die Verantwortung für den Podcast.

00:01:09: der Ehrenplagt auf mich.

00:01:10: Der Staffelstab wird weitergelegt.

00:01:12: Genau.

00:01:12: Und das zweite Mal wo du dich gehört haben, war als du mal über Chatbots geredet hast.

00:01:16: Nämlich in unserem deep dive Wissen.

00:01:18: also da merkt man schon dein Spektrum ist sehr, sehr weit.

00:01:20: und bevor wir jetzt eintauchen was genau unser Format leisten soll.

00:01:24: Was es hier zu hören gibt würde ich gerne mal anfangen, dass wir dich vorstellen.

00:01:27: Und ich kann vielleicht schon mal den Geneigen höherer, weil am Anfang muss man die ja catchen, was ihr eigentlich heute mitnehmen werdet wenn du uns zuhört ist das ihr glaube ich die wichtigsten Themen im Bereich künstlicher Intelligenz.

00:01:36: grob versteht also dass Ihr Stammtisch tauglich seid über solche Sachen wie neuronale Netze Maschinelles Lernen Reinforcement Learning.

00:01:43: Also alle solche Geschichten werdet ihr heute glaube ich ganz gut verstehen und Wir werden einfach mal betrachten was eigentlich KI im Kern ist nämlich im Prinzip Datenverarbeitung mit Algorithmen so das Mal als kleinen Appetizer worum es heute gehen soll.

00:01:54: aber jetzt zu dir.

00:01:55: SolveMate, hast du schon erwähnt?

00:01:56: Fangen wir mal an mit deiner aktuellen Gründung und dann hangeln wir uns mal durch was du sonst bisher noch so gemacht hast.

00:02:00: Erstmal danke dass ich hier sein kann!

00:02:02: Mein Name ist Erik Pfannmüller, aktueller bin ich CEO und Gründer von Solvemade.

00:02:06: Solvemate isst eine Plattform zur Kundensupport-Automation.

00:02:10: das heißt wir haben eine KI basierte Plattform mit der man virtuelle Assistenten, manche sagen auch Chatbots trainieren kann womit Endkonsumenten ihre Anfragen in Sekundenschnelle selbst lösen können ohne eben im Kundensuppord anzurufen.

00:02:25: über achtzig Prozent Erfolgswahrscheinlichkeit in wenigen Sekunden.

00:02:28: Das macht Soulmate und wir sind eine BtoB Software Firma sozusagen

00:02:32: sehr gut.

00:02:33: Also wir werden glaube ich ganz viele Themen in diesem Format streifen, man darf dazu sagen du wirst es auch komplett eigenverantwortlich machen.

00:02:39: also ich werde wahrscheinlich nur ausnahmsweise mal im folgen dabei sein wenn mich mal Themen richtig catchen weil du bist ja auch viel unterwegs du siehst ja auch ganz viel bis auf Konferenzen triffst dich mit anderen KI-Unternehmern und Chatbots.

00:02:51: Ja spannendes Thema!

00:02:52: Vielleicht sagen wir da ein zwei Sätze noch einmal dazu weil wir wollen natürlich nicht nur Chatbottes machen im Sinne von KI aber das ist trotzdem ein Thema was uns sicherlich auch intensiv beschäftigen wird.

00:03:00: da du da große Expertie wie bist du denn dazu gekommen?

00:03:03: Ich fang mal ganz vorne an.

00:03:04: Ich sag ja, in meinem ersten Leben war ich mal Leistungssportler im Kanu.

00:03:07: Wenn der Hörer das kennt ist eine olympische Sportart mit grün und roten Torstangen wo man im wilden Wasser fährt, der schnellste Gewinn.

00:03:13: und hab dann aber aktiv meiner Karriere beendet und bin auf ne Business gegangen, habe da abgeschlossen, habe meine erste Firma gegründet, ne e-Commercefirma.

00:03:20: wir haben von Sportschuhen bis Outdoor Jack'n alles verkauft sind sehr schnell gewachsen, sehr viel venture capital erased und hatten nach vier Jahren siebzig Mitarbeiter um knapp zwanzig mehr Euro Umsatz.

00:03:29: Ich habe dann Mitte of the Year, die Firma Ammer Management übergeben und da war für mich die Frage was next?

00:03:35: Und ich hab gesagt Erik du bist Unternehmer.

00:03:37: Ich bin ein sehr technisch tickender Mensch und ich habe meinen ersten Computer mit zwölf Jahren zusammengebaut damals auch so einen großen Tower mit einer Drehendenfestplatte nicht diese coolen wie es heute gibt.

00:03:46: Und ich bin sehr, sehr gut in Mathe und habe immer die besten Noten geschrieben in der Uni.

00:03:49: Und hab mir dann gedacht das Thema Mathe, das Thema Programmieren und Computer- und Business – das ist doch eigentlich Machine Learning!

00:03:55: Ich habe zu meiner Frau gesagt, ich gehe auf Arbeit aber eigentlich habe ich mir ein kleines Souterrainbüro gemietet im Prenzlauer Berg und habe knappes Jahr lang mich komplett mit Machine Learning auseinandergesetzt.

00:04:05: Das heißt, ich wollte die Algorithmen verstehen.

00:04:08: Ich wollte verstehen was ist das überhaupt?

00:04:10: Wie funktioniert das?

00:04:11: Welche Daten brauche ich für welchen Algorithmus von den Autos bis hin zu Natural Language oder auch Chatbots, oder Wettervorhersagen.

00:04:20: Ich wollte verstehen wie funktioniert dieses Machine Learning eigentlich um mit diesem Wissen dann knapp ein Jahr später Soulmate zu gründen.

00:04:27: und ja so heute steht Soulmate sehr gut da.

00:04:31: wir haben zufriedene Kunden und über hunderttausende Endkonsumenten die mithilfe unserer Software ihre Kundensupportanfragen automatisch beantworten.

00:04:40: Okay darf man trotzdem sagen dass ihr noch am Anfang eurer Reise steht?

00:04:43: Oder wie würdest du euch einordnen?

00:04:45: Wir stehen am Anfang, wir sind gerade dreißig Leute.

00:04:47: Standort Berlin ist gerade in ein schönes neues Büro gezogen und hat eine große Finanzierungsunde gemacht weil unsere Kunden sehr zufrieden mit dem Produktzünder natürlich auch wachsen wollen.

00:04:56: Wie würdest du so deinen Background einordnen?

00:04:58: Also du bist ganz klar wirtschaftlich gebildet worden in der Uni also hast ja gesagt Business School.

00:05:04: Bist du trotzdem auch jemand mit tiefem technologischen Verständnis durch deine Recherche, durch die Behandlung jetzt des Themas oder wo verortest du dich da?

00:05:11: Ich sag immer, mein Lebenslauf ist ein ganz klarer Business-Lebenslauf.

00:05:15: Aber wenn man hinter die Kulissen schaut, dann bin ich unglaublich technisch affin.

00:05:19: Ich wäre gerne Programmierer, wenn ich nicht normalerweise ein bisschen schwer bin.

00:05:23: Und ich habe damals unser Data Warehouse designed und ich kann so SQL abfragen schreiben aber ich bin jetzt kein Fullstackteweller.

00:05:29: Aber programmieren ist eine Art Denkweise dass man objektorientiert logisch strukturierten Prozessen denkt und das hat auch mit ganz viel Mathematik zu tun und da passe ich schon sehr gut rein.

00:05:39: Das heißt, ich hab immer die Fragen gestellt bei meinen Kollegen warum macht ihr das so?

00:05:43: Warum muss die API mir dieser Schnittstelle so kommunizieren?

00:05:46: Das heißt ich kann das schon recht technisch drüber sprechen.

00:05:49: Das ist ja so mein Beweggrund gewesen, dass ich dich kennengelernt habe als jemandem.

00:05:52: Wir haben uns jetzt schon öfters mal gesehen der sehr strukturiert denkt und der trotzdem komplexe Zusammenhänge halt einfach übersetzen kann.

00:05:59: Und ich glaube da bist du eine spannende Schnittstelle für unsere Hörer.

00:06:02: das was technisches genommen wird in den Business Kontext gerückt und trotzdem technisch verstanden also dass man diese beiden Seiten so miteinander verheiratet ein Stück weit.

00:06:10: Das ist auch ne gute Überleitung zu unserem Thema AI Anplagt.

00:06:14: Bei AI an Plakt geht es nämlich genau darum, schwierige Themen rund um das Thema KI oder AI Artificial Intelligence einfach zu erklären.

00:06:22: Und heute sozusagen geht's um die Intro-Episode wo wir über KI und der AI im Generellen sprechen und ich kann schon vorher sagen dass eine Folge geben wird KI im Auto mit einem großen Autohersteller als Gast da freue ich mich schon drauf.

00:06:35: Und es wird Themen für KI im e-Commerce geben.

00:06:37: Es wird Themen geben, wo man einfach alltägliche Dinge von Image Recognition auf meinem Smartphone oder wie kriegt das Apple eigentlich hin?

00:06:45: Das ist mir meine Autokorrektur macht auf meinem Telefon bis hin zu anderen Themen wie Personalisierung im Internet.

00:06:51: Wir werden schwierige Dinge einfacher klären und zwar in jeder Folge Themen basiert ein Schwerpunkt.

00:06:56: Sehr gut, sehr gut.

00:06:57: Was war so deine Motivation das machen zu wollen?

00:06:59: Also jetzt mal abgesehen davon, dass man als Unternehmer da vielleicht ganz gut darstellt, dass es einem der Firma hilft, so... ...als Thort wieder wahrgenommen zu werden.

00:07:06: Was reizt dich daran, das Leuten einfach zu erklären?

00:07:08: Ich glaube, ganz viel in der Welt ist ja Bildung und Wissen weitergeben.

00:07:12: Und um ehrlich zu sein, einen Podcast zu machen den hoffentlich Tausende, Zehntausende, vielleicht auch mal Millionen Leute hören!

00:07:19: Das ist auch macht Spaß.

00:07:21: Und die Podcast, die ich mit dir aufgenommen habe.

00:07:23: Die waren immer Spaß und mich reizt es auch das selbst mal zu machen was Neues dazu zu lernen und auch das Wissen dass ich habe weiterzugeben aber auch die Experten die Gäste die zu uns kommen deren Wissen rauszusaugen und an die Welt rauszugeben

00:07:35: sehr gut.

00:07:36: dann lass uns voll einsteigen.

00:07:37: Was ist KI?

00:07:37: Mal ganz simpel begonnen

00:07:39: KI ist eigentlich nur künstliche Intelligenz und es gibt keine richtige Definition von künstlichen Intelligenzen.

00:07:46: Und der Begriff KI wird sehr inflationär benutzt, das heißt manchmal sage ich so Salopp KI ist alles das was die Menschen aktuell nicht verstehen was irgendwas mit Software zu tun hat.

00:07:55: eine bessere Definition meiner Meinung nach ist Was ist eigentlich Maschinelles Lernen?

00:08:00: Und Maschinelle Lernen ist ein Oberbegriff für die künstlich Generierung von Wissen aus Erfahrung.

00:08:06: Ein künstliches System lernt aus Beispielen, aus Daten und kann diese nach der Beendigung der Lernphase verallgemeinern.

00:08:13: Das heißt es kann zum Beispiel Dinge nicht auswendig lernen sondern es kann Muster erkennen und dann Dinge vorhersagen.

00:08:20: Faktisch geht's darum um Machine Learning.

00:08:22: Und ein ganz kleines Beispiel wenn jeder kennt im Excel, wenn er so einen Chart hat mit so Punkten und da gibt die Funktion Trendlinie hinzufügen Also so eine Art Linie, die das approximiert wie es weitergehen würde.

00:08:33: Eine lineare Regression nennt man das als Fachbegriff und das ist per Definition maschinelles Lernen denn die Maschine dreht die gerade in die Punkte so rein dass sie die am besten schneidet.

00:08:44: oder die Formel wäre man minimiert die Summe der Quadrate des Abstands.

00:08:47: aber die Formeln sind egal.

00:08:49: Die Maschine lernt etwas nämlich den Anstieg einer geraden Und man kann die Art Vorhersage machen wo Punkte liegen würden, wenn die Datenpunkte existieren.

00:08:58: Wenn

00:08:58: ich als Laie auch noch mal für mich übersetze, meinst du eigentlich das KI im Sinne von Maschinenlernen bedeutet?

00:09:04: Dass eine Maschine Inhalte entwickelt, die sie nicht per Algorithmus vorgegeben hat oder vorgegenbekommen hat sondern dass sie quasi Reize-Inputs nimmt und daraus sozusagen Ableitungen selbstständig erzeugt Klingt ganz verkauft.

00:09:19: Ja, aber ich mache mal drei Beispiele dann wird es irgendwie klar und wir gehen nachher noch im Detail tiefer rein.

00:09:24: Selbstfahrene Autos sind ein Thema das über alle sprechen.

00:09:27: Faktisch trainiert man mit ganz viel Daten Video Laser Radar ein System Und die Vorhersage beim selbstfahrenden Auto ist Gasbremse rechts oder links.

00:09:36: weiteres Beispiel is Bildvorhersagen.

00:09:38: wenn Apple auf dem Telefon erkennt Wer auf einem Bild drauf ist, dann hat es vorher eine Katze oder ein Hund drauf.

00:09:44: Dann hat das vorher von vielen Daten gelernt wie er eine Katz und Hund aussieht Und die Vorhersage ist Auf diesem Bild ist ein Hund, auf diesen Bild ist eine Katzer.

00:09:53: Genauso ist die Vor- her sage Wenn man die Autokorrektur hat beim Tippen auf dem Smartphone, dann sagt Apple vorher ob's richtig oder falsch ist.

00:10:00: Ist genau ein Algorithmus der was gelernt hat und eine Vorhersage macht.

00:10:04: Ein weiteres Beispiel sind die Google Suchergebnisse.

00:10:06: Das heißt Google lernt an dem Begriff, den man eingebt wo man hinklickt und anhand von den Daten verbessert ist die Vorhersage, die es eigentlich macht.

00:10:15: Und darum geht's um Anhand von Daten eine gute Vorhnersage für etwas zu tun.

00:10:20: Also vorhersagen würden ja viele Leute jetzt wahrscheinlich gar nicht als künstliche Intelligenz einordern sondern da denkt man ganz schnell an.

00:10:25: so ich hielt mich noch mal in diesem Film mit Haley Joel Ostman damals der hieß sogar AI wenn ich mich nicht täusche.

00:10:30: also du hast ja auch noch die Roboter Komponente gehabt.

00:10:32: Da denken eher Leute so an, wie Hell aus dem Jahr zwei Tausend Eins.

00:10:36: Also eine Maschine die denken und reden kann das ist ja was man bei KI eigentlich sich vorstellt Und nicht jemand der Inputs abgleicht und dann sozusagen Vorhersagen macht.

00:10:44: wir die Input in Zukunft aussehen werden

00:10:45: Den zahlen möchte ich unseren Hörer heute ziehen dass KI oder AI Eigentlich nur Die vorher sage von Dingen Ist wo die maschine gesetzmäßigkeiten erkannt hat.

00:10:55: Ich würde gerne ein Beispiel machen mit Wetterbericht.

00:10:57: Jeder kennt den Wetter Bericht.

00:10:59: Man nennt also historische Wetterdaten über die letzten hundert Jahre von Hunderten Wetterstation Tutti in großen Datentopf.

00:11:05: Und dann lässt man einen Algorithmus über diesen Datentop laufen, der erkennt Gesetzmäßigkeiten.

00:11:10: Zum Beispiel wenn es gestern warm war ist es morgen vielleicht auch wieder warm und im Sommer ist es eher warm als im Winter.

00:11:15: das sind Gesetzmäßigkeit des Wetters, die eine Maschine anhand der Daten über Saisonalitäten über verschiedenste Algorithmen lernen kann.

00:11:21: Also großer Datentopp Darüber stecken wir ein Algorithmus.

00:11:25: Der ist erst mal eine Blackbox, wir sprechen später noch über Algorithmen und daraus kommt ein Wettermodell Und das Wetter-Modell macht faktisch dann die Vorhersage.

00:11:33: Das ist so eine Art Abstraktion!

00:11:37: einen Profi-Wetterexperten, der sagt wenn gestern das Wetter warm war wird es morgen wahrscheinlich auch warm sein.

00:11:44: und dass ist die Vorhersage.

00:11:46: Das heißt das Wettermodell nimmt die historischen vierzehn Tage des Wetters und macht eine Vorhnersage wie das Wetta in den nächsten sieben Tagen sein wird zum Beispiel Temperatur, Bewölkung oder Niederschlag.

00:11:57: Das heisst nochmal zusammengefasst jeder Algorithmus funktioniert nach dem Prinzip nämlich man hat ein Datentopf darauf tut man ein Algorithmos der produziert ein Modell In dem Fall das Wettermodell.

00:12:07: Und dann nimmt man echt Zeit Daten und macht eine Vorhersage über die Zukunft.

00:12:12: Beim Wetterbericht ist es klar, jeder versteht Temperatur Luftfeuchtigkeit Druck oder Regenwahrscheinlichkeit.

00:12:17: Jetzt mache ich noch mal für die selbst von den Autos.

00:12:20: Da hat man halt nicht diese einfachen Wetterdaten von historischen Wetterstationen sondern hochkomplexe Datenstrukturen mit Millionen gefahrenen Kilometern, mit allen möglichen Sensordaten.

00:12:30: Tut darauf ein ganz schwieriges recurring convolutional neural network oder was auch immer einen ganz schwierigen Algorithmus.

00:12:36: und das Modell entscheidet fünfzig mal pro Sekunde gebe ich Gas oder bremse ich oder lenke ich rechts oder links und zwar in Hand der aktuellen Sensorendaten.

00:12:46: Und bei selbstfahrenden Autos ist es so schwierig, weil das so schnell geht und eine ganz komplexe Entscheidung ist.

00:12:50: Aber so funktioniert faktisch jeder KI-Algorithmus oder Machine Learning Algorithmus.

00:12:55: Die einzige Frage ist nur welche Daten habe ich im Datentopf?

00:12:58: Welchen Algorithmos habe ich?

00:13:00: Welches Modell wird erstellt?

00:13:02: Welche Echtzeitdaten nehme ich, die das Modell benutzen um eine Vorhersage zu machen?

00:13:07: Gut also haben wir schon mal ein erstes und vermutlich auch das zentrale Learning unseres Podcasts heute dass eigentlich KI sich sehr oft um diesen Ja, ich sag mal um diesen Aufbaudreht dass man Daten nimmt mit einem Algorithmus verarbeitet und dann im Prinzip ein Modell der Welt um uns herum erzeugt das in irgendeiner Art sozusagen strukturiert ist.

00:13:24: Muss das immer so sein oder ich glaube das vielleicht auch mein ganz interessanter Edge Case?

00:13:27: Es gab ja diese Geschichte von den Google Server Farmen wo du irgendwie eine KI hast drüber laufen lassen oder es hat Google gemacht die Server Farm optimieren Und man wusste hinterher teilweise gar nicht ganz genau, warum man was tut.

00:13:39: Also warum manche Sachen jetzt zu X-Prozent Einsparungen führen an Energie.

00:13:43: Das heißt es gab irgendwie so, weiß ich nicht, dreißigvierzig Punkte oder sowas, was an den Dingern geändert werden musste also wie die war die Schaltung?

00:13:50: Wie viel hat man an einen Knoten gebunden?

00:13:52: I don't know... Ganz viele unterschiedliche Dinge und de facto hat's zu einem signifikanten Reduzierung des Stromverbrauchs geführt.

00:13:57: Der Mensch wusste aber eigentlich gar nicht genau, was da sozusagen welchen Ausschlag gegeben hat.

00:14:01: Das heißt es kann sogar so weit gehen dass uns sozusagen ein Computer einen Algorithmus auf Daten anwendet und ein Modell erzeugt das wir hinterher ja gar nicht mehr verstehen.

00:14:08: Richtig!

00:14:09: Und ja das ist so... Nicht alle Algorithmen sind hundertprozentig verständlich, was sie tun darüber ist auch gerade eine große ethische Debatte über das Thema Algorithmos Blackbox und wie das Modell entsteht und was das Model eigentlich als Entscheidungsgrundlagen hat.

00:14:23: Aber wir wollen heute glaube ich nicht über Ethik von AI sprechen oder KI, sondern mehr über die Anwendung davon.

00:14:28: Und das ist eine große wichtige Frage ob man die Blackbox zulässt oder wie viel Transparenz eigentlich wichtig ist.

00:14:35: am Ende glaube ich dass Ergebnisse wichtig sind.

00:14:37: und wenn die KI besser als der Mensch wie du gerade gesagt hast und anhand von vielen vielen Daten von einer Server-Farm den Stromverbrauch reduziert es ist eigentlich egal wie es es tut.

00:14:46: Der Punkt ist der Strom Verbrauch der Server- Farm ist einem dreißig Prozent niedriger.

00:14:49: Was für Arten gibt's denn eigentlich von KI?

00:14:51: Also was du ja gerade schon so ein bisschen hast anklingen lassen, wenn es um Moral geht und irgendwie die Ängste der Menschen.

00:14:57: Das ist ja immer so, wenn ich mich nicht täusche, sonst sind das diese Superintelligenzen teilweise.

00:15:02: Terminator lässt grüßen mit Ingenies, die Firma damals, die Maschinen erzeugt, die besser als der Mensch sind.

00:15:10: Und dann stellt sich immer die Frage, wie wir Ameisen wahrnehmen, nehmt ein Computer uns da, was passiert denn dann?

00:15:15: Also, was für Typen gibt's in Richtung KI?

00:15:18: Man unterscheidet drei große Typen.

00:15:21: Die haben die englischen Begriffe Artificial Narrow Intelligence, ANI, Artificial General Intelligence AGI und Artificial Super Intelligence ASI auch genannt.

00:15:32: wenn man die Abkürzung mal sieht ich fange mal bei der ersten meide narrow intelligence sowie das wird narrow auch schon sagt eine enge Intelligenz.

00:15:38: Das sind ganz spezielle Prozesse wie zum Beispiel die Optimierung einer Serverfarm oder ein Chatbot, der vielleicht irgendwas besonders gut kann.

00:15:45: Also was ganz Spezielles war die Maschine einfach besser als der Mensch.

00:15:48: das ist um uns herum bereits heute schon total oft.

00:15:51: jeder dein Smartphone in der Hand hat eine Artificial Narrow Intelligence in der hand weil Apple die Fotos erkennt weil man Nachrichten diktieren kann das heißt ein Algorithmus.

00:16:00: machen wir mal das Thema Nachrichten Diktieren.

00:16:02: Jeder diktiert WhatsApp Nachrichten und die werden dann Speech to Text transkribuert.

00:16:06: dass diese Maschine kann das besser und schneller als Menschen weil es ein Computer macht.

00:16:10: Und das ist eine Artificial Narrow Intelligence, ein ganz spezieller Prozess.

00:16:14: Artificial General Intelligence definiert man als Bereichsübergreifend.

00:16:19: Dinge tun Ich würde sagen... Ein selbstfahrendes Auto, wo wir noch weit weg sind ist schon eher so eine General Intelligence.

00:16:26: Das ist schon etwas sehr schwierigst.

00:16:28: Da braucht man... das ist nicht nur eine einfache Sache.

00:16:30: Es ist ein sehr komplexer Teil, wo man auch zwischen verschiedenen Bereichen Transfer Learning machen muss.

00:16:36: Weil es um selbstfahlendes Auto zu machen, muss man ganz viel verstanden haben.

00:16:39: Nicht nur einen kleinen Prozess.

00:16:42: und dann kommen sozusagen zu der Superintelligenz.

00:16:44: Man sagt auch die General Intelligence ist sozusagen die Qualität eines Menschen, der verschiedene Bereiche kennt und die Superintelligence davor gefroren.

00:16:51: alle Angst haben, der Terminator oder die Matrix.

00:16:53: Das ist das.

00:16:54: wenn auf einmal die Computer so gut werden besser als wir aber eine Million mal schneller rechnen können dann ist ein Computer ein so gut wie eine Millionen Menschen zusammen.

00:17:02: und keiner kann sich vorstellen was passiert wenn man anstatt einer Millionen Forscher für einen Jahr arbeiten lässt eine Superintelligenz ein Jahr wie eine Million Forscher arbeiten lässt aber sich davon hundert Computer hinstellt.

00:17:14: was dann passiert mit dem Wissen der Welt?

00:17:16: deswegen haben viele Leute davor Angst.

00:17:18: Ich selbst weiß auch gar nicht was passiert, ich weiß nur dass es sehr weit weg ist.

00:17:21: Man nennt diesen Begriff die Singularity oder den Moment wo die Computer klüger werden als die Menschen.

00:17:27: Dass es gibt verschiedene Arten um das nochmal zusammenzufassen eine Narrow Intelligence, eine General Intelligence und Super Intelligence.

00:17:33: heutzutage spricht man in achtundneinzig Prozent der Fälle über einen Narrow intelligence weil es einfach nur ein Algorithmus ist mit Maschinen einem Lernen einen bestimmten Geschäftsprozess verbessert.

00:17:43: Gut.

00:17:44: Ani, Aghi, Asi... Also Asi wurde ich auch schon mal genannt.

00:17:46: oder hat man glaube nicht meine Superintelligenz gemeint?

00:17:50: Kannst du wenn du eben in so einem Beisatz gesagt hast du weißt dass das ganz weit weg ist mal vielleicht ein bisschen Einschätzung geben?

00:17:56: weil man hat ja all die Zitate schonmal gelesen Elon Musk Bill Gates, Stephen Hawking.

00:18:02: Alles große Warmer vor dem Thema Superintelligenz

00:18:06: K.I.,

00:18:06: was dann irgendwie passiert?

00:18:08: Wie realistisch ist denn das?

00:18:09: Zumal ich auch so aufgeschnappt habe dass das menschliche Gehirn schon eigentlich sehr performant, sehr viel Rechenpower hat sozusagen und man das auch mal ein bisschen gerne schnell kleinredet wenn man diese ganzen Science-Fiction Filme im Kopf hat.

00:18:20: also was verleitet dich zu der Aussage, dass du sagst Du weißt es noch ganz weit weg ist?

00:18:23: Ich sehe am Tag wirklich einen Umgang mit Algorithmen und Mathematik Wie schwierig das ist, so ein maschinelles Lernen eine KI zu bauen.

00:18:30: Das ist wirklich schwierig.

00:18:31: nicht umsonst schaffen es die größten Autohersteller nach Jahren noch nicht dasselbs war eine Auto zu bauen.

00:18:36: Es ist einfach sehr sehr sehr schwierig.

00:18:38: Ich bin ebenso wie wie du gerade sagst Elon Musk oder Steve Mawking der Auffassung Dass die Superintelligenz kommen wird!

00:18:45: Es ist nur eine Frage wann?

00:18:46: Da gibt es andere Profis, die sagen, es wird kommen.

00:18:51: Und wenn sie kommt ist die Frage wie schaffen wir das?

00:18:53: Dass sie uns nicht ausrottet sondern dass sie mit uns lebt so wie wir.

00:18:58: Wenn wir jetzt über Menschen zu Ameisen sind wir auch Ameissen einfach mal umsiedeln.

00:19:03: und diese frage ist eine ganz existenzielle und man muss sich der frage stellen und wenn man in die zukunft schaut und weiß etwas wird passieren warum sollte ich warten damit mir Gedanken darüber zu machen?

00:19:11: aber es werden ja Milliarden investiert in die forschung nach.

00:19:14: Wie kann man Algorithmen kontrollieren?

00:19:17: und was ist eigentlich die Moral von AI?

00:19:19: Und das ist wichtig.

00:19:20: Nichtsdestoweniger ist es noch weit weg, und man braucht davor vor allem keine Angst haben, weil das bringt nichts.

00:19:24: Ja, das wird spannend.

00:19:25: Wenn du deine Autobauer triffst, kannst du ja mal die Moralfrage machen.

00:19:27: Da gibt's ja auch oft... Sollte ich bremsen, sollte ich einen Fahrer umbringen oder eher den des anderen Fahrzeugs?

00:19:33: Also solche Fragen sind da... Kleiner

00:19:35: Exkurs dazu!

00:19:36: Da gab's mein Experiment von der Stanford University vor zwei Jahren.

00:19:39: Da hab' ich selbst mitgemacht.

00:19:40: Das war ein Online- Spiel und da musste man sich entscheiden, wer sterben soll in verschiedenen Szenarien.

00:19:45: Zum Beispiel das Auto hat Bremsversagen und soll jetzt das Auto vor den Baum fahren und der Fahrer sterben oder der Passant über die Straße geht.

00:19:53: Und dann haben Sie zum Beispiel gesagt was passiert wenn der Passante bei Rot über die Strasse geht und das Auto grün hat?

00:19:58: Das heißt, dann haben sie über diese Kombination von Jetzt gehen zwei Passanten bei Grüne über die Straße, zwei passanten bei Rot eine Familie bei Grünen, eine Familie war rot fünf Hunde bei Grüne Und dann sitzt ein Auto auf einmal in der Familie und zwei Alte gehen über die Straße.

00:20:12: Wer soll sterben?

00:20:13: Diese Fragen kann keiner so richtig beantworten, aber eine Maschine muss die Entscheidung treffen.

00:20:18: Es gibt ja auch diesen Klassiker von diesem Harwart-Spiel, dass jemand auf der Brücke steht.

00:20:22: Sieht unten eine Gruppe von fünf Menschen auf einem Bahngleis stehen ... Kennst du die Geschichte?

00:20:26: Nee, erzähl mal!

00:20:26: Fünf Menschen stehen auf einem Bahngleis und werkeln da, haben Kopfhörer auf – das ist sehr laut.

00:20:31: Das heißt, du kannst nicht hinschreien und sie hören dich.

00:20:33: Und es gibt ein zweites Gleis, da ist eine Person irgendwie und arbeitet an den Gleisen Und du siehst einen Zug kommen.

00:20:38: Das heißt, du hast ein Wissensvorsprung vor dieser Gruppe und stehst jetzt vor der Entscheidung... Es gibt eine Weiche an der Brücke die du stellen könntest.

00:20:44: Momentan fährt der Zug auf die fünf Menschen zu.

00:20:47: was tust du?

00:20:48: Stellst du die Weiche um das nur die eine Person stirbt oder machst du nix mit der Weiche und nimmst den Kauf dass fünf Leute sterben?

00:20:54: Und das ist genau die Frage, die dir auch bei dem Universität an der Stanford University herausfinden wollten.

00:20:58: Weil Menschen treffen diese Entscheidung nicht!

00:21:01: Denn sie haben die kognitiven Fähigkeiten, nicht diese Entscheidung aktiv zu treffen beim Selbst von einem Auto.

00:21:05: Aber Maschinen können Sie treffen denn die berechnen fünfzigmal pro Sekunde die Entscheidungen, die Sie treffen und deswegen müssen wir die Frage stellen.

00:21:12: Menschen haben sich der Frage noch nie gestellt weil wir stellen ihn nicht.

00:21:15: Wir treffen intuitiv in Krisensituation im Auto die Frage.

00:21:17: Es gab da sozusagen die Antwort man solle nicht handeln.

00:21:20: also du wärst tendenziell durch den Eingreifen hast du einen Menschen getötet?

00:21:24: de facto durch deinen Nicht-Eingreifen hast aber nicht fünf Menschen getötet, sondern es war sozusagen du hast keinen aktiven Einfluss auf den Tod dieser fünf gehabt.

00:21:31: Sondern nur aktiv auf dem des einen.

00:21:33: das ist sozusagen so dieses Spiel dort gewesen wird

00:21:35: die jetzt argumentieren wenn man hundert Mal für der Entscheidung steht Es ist eigentlich schon besser lieber weniger Menschen zu töten ist ja weniger Leid auf der Welt.

00:21:42: Aber wie wir schon gesprochen haben Das Thema Moral und Algorithmen Ist was dass wir vielleicht später noch mal aufgreifen können.

00:21:47: Ja,

00:21:48: da stecken ja ganz viele Sachen, die man gar nicht abwägen kann.

00:21:50: Wenn das irgendwie viel Antropis und die fünf sind irgendwelche potenziellen Neonazis... ...und gründen fünf Jahre später eine Sektel, die ganz viele Menschen tötet so... Anyway!

00:21:58: Wir schweifen ab.

00:21:59: Kommen wir zurück zum Thema.

00:22:00: Wir haben jetzt diese Arten besprochen von KI also Nero, General & Super.

00:22:05: Um es mal so grob nochmal zusammenzufassen du hast gesagt Maschine des Lernen ist eigentlich Daten mit dem Algorithmus zu einem Modell verarbeiten.

00:22:12: Jetzt können wir über Algorithmen auch noch mal ein Stück weit reden.

00:22:14: Das heißt, es gibt ja auch von Algorithm quasi nochmal Typen und bestimmte Arten die man gruppieren kann.

00:22:19: Es gibt grundsätzlich erstmal drei Typen von Algoritmen.

00:22:22: Die einen sind superweiß Learning-Algorithmen Man sagt doch Überwachtes lernen.

00:22:27: Dabei geht es darum dass man weiß was das Ergebnis ist.

00:22:31: zum Beispiel Ich bleibe mal beim Thema Bilderkennung.

00:22:34: ich weiß dieses Bild ist eine Katze.

00:22:35: wenn ich die Reale Antwortkenne ist das Superweiß-Learning.

00:22:39: Das heißt, ich weiß was die Antwort für die Maschine ist.

00:22:41: Wenn ich also tausend Bilder habe und sage, fünfhundert Katzen, fünfundhunderte Hunde, dann hab' ich Daten für einen Superweiss Learning Algorithmus.

00:22:49: Es gibt Anzuperweis learning.

00:22:50: da gibt's sozusagen zum Beispiel clustering Algorithmen.

00:22:53: Ich würde sagen, ich gebe dir einfach fünfhundert katzenfünfhundere Bilder aber die Maschine weiß nicht was eine Katze was ein Hund ist.

00:22:59: sie muss rausfinden Sie müssen cluster bilden dass es fünfhundred Arten eines Typus gibt, nämlich die Katze weiß aber die Maschine nicht.

00:23:06: Es ist kein Mensch und fünf oder andere Typen.

00:23:09: es ist eine Art an Superweiß Learning.

00:23:11: das benutzt man oft vor Superweiss Learning Algorithmen um Muster zu erkennen.

00:23:16: Und dann gibt es noch einer anderen dritte Kategorie Reinforcement Learning auf Deutsch bestärkendes Lernen.

00:23:22: hier baut man so eine Art Miniaturumwelten nach.

00:23:26: Man kann sich das wie ein Computerspiel vorspielen, dass der Algorithmus spielt.

00:23:30: Zum Beispiel kann man Super Mario mit einem Reinforcement Learning-Algorithmus machen.

00:23:34: Das heißt, der Computer spielt Super Mario virtuell durch hunderte Male und lernt nach jeder Iteration was dazu und fängt wieder neu an.

00:23:42: Das heisst er spielt in einer Art Simulation durch und lernte, dass es gut ist bei Super Mario nach rechts zu laufen und sich die Münzen zu holen.

00:23:50: Und das lernt er aber auch, aber er lernt es, indem man sich selbst simuliert.

00:23:54: Reinforcement Learning ist da der Begriff!

00:23:56: Das eigentlich Interessante ist jetzt... Es gibt da drei Begriffe superweist, ansuperweist und reinforcement learning.

00:24:02: Dann gibt's ja noch das Thema deep learning oder neuronale Netzwerke.

00:24:06: Man muss verstehen dass neuronale netzwerke Ein Typus von Supervised Learning Algorithmen sind.

00:24:13: Und zwar gibt es bei Supervised learning verschiedene Algorithmentypen, da gibt es Support Vector Maschinen, die sind jetzt nicht superkant... Da gibt es Bayesian Netze oder Bayesian Networks, da gibts Decision Tree Algorithmien und da gibt das auch zum Beispiel neuronale Netzwerke.

00:24:29: Das heißt, neuronelle Netzwerken sind eine Gruppe von Algorithmen die man im Superweiß-Learning benutzt und das ist jetzt ein Riesenhype.

00:24:36: Warum ist es so toll diese neuronale Netzwerke?

00:24:38: Weil man durch die Rechenkraft der Computer riesengroße Datenmengen mit neuronellen Netzen verarbeiten kann und deswegen ist es ein großer Hype seit ein paar Jahren das Thema aufgekommen ist weil man neue Probleme lösen kann, die man vor zehn Jahren auch nicht lösen konnte, weil die Computers schneller geworden sind.

00:24:57: Bevor wir das vertiefen, können wir vielleicht nochmal weiter auseinanderflücken.

00:25:01: Also ich habe lustigerweise in Israel mal ein Beispiel für Anzubeweis-Learning kennengelernt.

00:25:05: Da waren wir an so einer Uni die natürlich mal ganz viel fürs Militär machen und die haben Prinzip Roboter gebaut – für Transport von militär Gepäck!

00:25:14: Weil wenn die in Israel dadurch durch die Pampa marschieren, haben sie sozusagen nicht die Lust oder auch nicht einmal die Kraft?

00:25:19: Oder es verschleißt einfach, wenn die ihre Rucksäcke tragen.

00:25:22: Die vierbeinige und zweibeinige Roboter, ganz interessant.

00:25:25: Vierbeinig waren Solamas nachempfunden und zweibeiniger den Menschen.

00:25:28: Dann haben die im Prinzip diesen menschlichen Roboter genommen und ihm gesagt er soll so ein Berg runterlaufen.

00:25:33: Und dann haben wir aber nicht gesagt wie das tun soll sondern die Ziele zuvor gegebenen.

00:25:36: er soll hinterher stehen und möglichst sozusagen sturzfrei darunter kommen.

00:25:40: Was der immer gemacht hat war der ist seitlich gegangen Also der Rückwärtsausbruder, Vorwärtausbruder und seitlich war dann glaub ich so der Weg.

00:25:45: Vielleicht was auch Rückwärtes?

00:25:46: Ich glaube es war seitlich, was für ihn der beste Weg war dort runterzukommen.

00:25:48: Und ihr habt eigentlich keine Ahnung wie er darauf gekommen ist oder warum und das fand ihr aber super spannend aus dem Hintergrund sozusagen.

00:25:53: Und vielleicht können wir nochmal ein bisschen etwas über Reinforcement Learning sagen... Das war doch glaube ich diese Go-Geschichte auch.

00:25:58: Ich glaube dass was du gerade beschrieben hast war auch Reinforcement learning.

00:26:01: wenn man das Ziel vorgibt und so eine Art Wertfunktion hat nämlich Du musst runter kommen soweit wir möglich.

00:26:07: Man kann manche Probleme auch mit verschiedenen Algorithmen Typen lösen.

00:26:10: Ich mache mal ein Beispiel für Anzuperweis-Learning.

00:26:12: Man hat eine Stadt und gibt ja sozusagen die Immobilienpreise, die Häuser und man muss jetzt verschiedene Cluster finden von einer Art Kieze rausfinden – die Zusammenclustern.

00:26:23: Das heißt dann muss der Algorithmus Zusammenhänge erkennen von ähnliche Leute wohnen in ähnlichen Gebieten und sie sind nicht eben durch Straßen getrennt, sondern was ist das beste Cluster innerhalb einer Stadt?

00:26:32: Oder man versucht innerhalb von Daten aus dem Weltraum besondere Anomalien zu finden!

00:26:37: Das heißt, irgendwas rauszufinden wo man gar nicht weiß was es ist.

00:26:40: Man will nur erstmal eine Anomalie finden etwas Besonderes finden das is an Super-Weiß-Learning.

00:26:44: Okay, siehst du?

00:26:45: Dann habe ich mich vielleicht sogar doch gehört.

00:26:46: Ich hätte mir gedacht, dass bei diesem Reinforcement-Learning hab' ich gleich so an dieses Go gedacht... Da haben Sie doch mal eine Maschine und ich glaube Farbein Westseider hatte man ein unserer Podcast von Tetris erzählt, das wir eine Maschine Tetris haben spielen lassen und die hat dann unfassbar viele Punkte gemacht weil es einen Glitch gefunden hat in der Programmierung, den ausgenutze hatte ich geschummelt.

00:27:01: also das sind sozusagen paar Beispiele.

00:27:03: Das eigentlich Interessante ist das aber eigentlich an Supervised Learning mehr in der Forschung und Grundlagenforschung benutzt wird Und des Thema Supervised learning fast immer, wenn man über KI spricht benutzt wird.

00:27:15: Denn superweiß noch mal zum Mitschreiben heißt ich kenne die Realwelt beispielsweise e-mail spam ist ja E-Mail Spam Filter es auch ein Algorithmus und man weiß diese E-mail ist entweder spam oder sie ist ham.

00:27:27: also sie ist gut spam oder Ham.

00:27:29: Und Wenn Ich das Weiß Oder auf einem Bild Katze oder Mensch oder beim Selbstverhandeln Auto gibt Unvergibt Kein Otfall Es Ist Richtig oder falsch.

00:27:36: Dann habe ich einen grundsätzlichen Superweis Learning Ansatz.

00:27:40: und dann ist nur die Frage Mein Datenschatz, welcher Algorithmus kann diesen Datenschutz zum besten Modell machen?

00:27:46: Und was man macht ist, man nimmt verschiedene Algorithmen Typen und es ist nicht immer klar das neuronale Netzwerke die beste Vorhersage tun.

00:27:53: Sondern wenn man wissenschaftliche Paper dazu liest da gibt's verschiedene Datensätze, die für die Wissenschaft aufbearbeitet sind zb einen ganz bekannten zur Image Recognition also wo man erkennt was auf Bildern ist.

00:28:05: Und es ist so, dass verschiedene Algorithmen Typen zum Beispiel eine Support Vector Maschine manchmal besser als ein Neuronales Netzwerk.

00:28:11: Oder ein Bayerisches Netz besser ist als eine Support vector Maschine oder ein Neuronales Netz.

00:28:17: und auch unter Neuronalnetzten gibt's wiederum Subtypen.

00:28:20: aber so tief sollten wir jetzt nicht reingehen.

00:28:22: Aber wir können mal ein paar Beispiele durchdehnen und versuchen die selber einzuholen.

00:28:25: also Wir hätten gesagt wie haben die Narrow die General und Artificial Superintelligence?

00:28:28: Also super können ja schonmal aussortieren.

00:28:30: Eigentlich wird wahrscheinlich ganz viel narrow sein.

00:28:32: Dann haben wir diese drei Ebenen, anzubeweis zu beweisen und Reinforcement Learning.

00:28:36: Wenn ich jetzt zum Beispiel irgendwie ein Tumblr bin hab mich gerade entschlossen.

00:28:39: Ich will jetzt Pawn von meiner Seite vertreiben.

00:28:42: Also haben die ja gesagt Wir wollen uns auf wertigen Content konzentrieren.

00:28:46: Wir wollen sowas nicht mehr.

00:28:47: Und jetzt hast du eine Maschine Die quasi den Auftrag hat.

00:28:49: Guck dir alle Bilder an, die in unseren Tumblr-Blocks sind Und wenn das irgendwie mit Nackedice zu tun hat dann macht da irgendwie SenseHot rüber oder Sachhalt.

00:28:56: Es ist Adult Content.

00:28:57: Das wollen wir hier nicht und verlink dich nach Erklärung Wäre das jetzt so klassischerweise eine Narrow AI und superweiß Learning oder ist es schon wieder Reinforcement-Learning, welchen Ziel vorgebe?

00:29:06: Auf jeden Fall ist es ein Narrow Intelligence.

00:29:08: Und man kann das jetzt in zwei Arten strukturieren.

00:29:11: Wenn du Menschen hast, Editoren die sich hunderttausend Bilder anschauen und sagen Adult Content normaler Content dann hast du ja faktisch die gelabelten Daten.

00:29:20: Du weißt es!

00:29:20: Dann gibst du der Maschine die Hunderttause Fotos wo du sagst adult not adult und das ist dann superweiss learning und sagst Nimm ein Algorithmus und sag mir für die nächsten hunderttausend Bilder.

00:29:29: Das eine sind die Trainingsdaten, das andere sind die Testdaten – die Real-Daten.

00:29:34: Sag mir ob das Adalt oder nicht ist?

00:29:35: Das ist der Vorhersage!

00:29:37: Und du hast auf Daten mit einem Algorithmos trainiert in einem superweißen Learningprozess.

00:29:42: Eine andere Fragestellung Du nimmst alle deine Bilder von Tumblr und sagst, sag mir was es für verschiedene Cluster gibt.

00:29:48: Und vielleicht findet der ja heraus das ein Cluster-Gibb, dass eben Eddard Content ist weil die anders aussehen?

00:29:53: Das wäre dann ein Anzuberweisleuning Ansatz.

00:29:55: Meistens machten wir uns aber anders, weil es viel schwieriger ist.

00:29:57: man sagt einfach setzen paar Menschen hin, die sollen das taggen, sie sollen sagen was ist das Bild?

00:30:02: und dann muss der Algorithmus von den Trainingsdaten nur noch in die Zukunft projizieren also die neuen Bilder erkennen.

00:30:08: Wie muss man sich das vorstellen?

00:30:09: Mir nennt es jetzt der geneigte Zuhörer, zuhört und sagt okay lustig ich hab ein ähnliches Problem gerade oder will auch vom Chatbots was machen.

00:30:15: Gibt es mittlerweile solche Dinge eigentlich von der Stange?

00:30:17: also man muss ja sicherlich einem Computer nicht mehr beibringen was Adalt-Content ist oder Gesichtserkennung oder oder oder kann ich mir mittlerweile so eine Art Bibliothek einkaufen wenn ich sowas machen möchte?

00:30:26: Ja!

00:30:27: Man muss es nicht mehr selbst machen.

00:30:28: einerseits kann man sich Rechenkraft und Algorithmen einkauen.

00:30:31: da gibt's so Sachen wie Google Tensore Flow Das ist so ne Art grafisches Interface mit dem man ohne programmieren Daten, wo hinschieben kann.

00:30:39: Da kommt ein Algorithmus und der kommt mit einem Modell zurück.

00:30:42: Das heißt es gibt Algorithme mittlerweile out of the box und es gibt auch vortrainierte zum Beispiel natürlich sprachliche Modelle.

00:30:50: Da gibt's Firmen WeWid.

00:30:52: Dialogflow heißen die ist auch im Google Prototypen Falle.

00:30:55: da kann man sozusagen auf vor trainierten natürlich sprachen Modellen auch vorher sagen machen das heißt ja sowas gibts Und man muss konkret sich überlegen, für meinen Anwendungsfall gibt es in dem Fall meistens ein Software as a Service Modell das ich benutzen kann.

00:31:09: Mir fällt gerade noch eins an für Bilderkennung.

00:31:11: Bilderkennungen ganz klar!

00:31:12: Du schiebst einen Bild über eine Schnittstelle zu einem Server.

00:31:15: Das ist ein Dienst, du musst mal pro Bild einen Cent bezahlen oder null.

00:31:18: Komma einen Cent und du kriegst zurück was es ist und mit welcher Wahrscheinlichkeit es im Wald oder nen See oder nen Berg oder nen Tier oder ner Katze ist.

00:31:26: So etwas gibt's schon Und das wird auch saasifiziert, wenn man das Wort so benutzen darf.

00:31:31: Okay nicht schlecht!

00:31:31: Nicht schlecht.

00:31:32: und jetzt sollten wir aber nochmal zwei drei Sätze sagen über neuronale Netze.

00:31:35: also du hast gesagt es ist ein Unterfaktor von Super Weiß Learning und ich hätte das Gefühl, wenn ihr den genannten Höhren hinterher fragen würde eine kleine Abfrage machen was ist eigentlich ein neuronales Netzwerk?

00:31:45: weiss ich nicht ob ihr das schon sofort weiß?

00:31:46: Was zeigt ein neuronales Netzwerk aus?

00:31:48: Ich versuche es mal zu sagen, ein Neuroanalyse-Setzwerk ist dem Gehirn nachempfunden.

00:31:53: Den menschlichen Gehirnen und zwar haben wir in unserem Gehirnt diese kleinen Sinneszellen.

00:31:57: Und ich mache jetzt nicht die ganze medizinische Sache sondern Wir lernen über Erfahrungen.

00:32:02: das heißt wenn ich meinem Kind einen Ball zuwerfe dann muss er es lernen dass der ball eine Flugkurve macht und es im richtigen Moment zugreift und immer Wenn Es den Ball trifft.

00:32:11: Das heißt gelernt hat ich habe den Ball gefangen Denn Landtas gehen aha Jetzt hab ich was richtig gemacht.

00:32:15: Und wenn es daneben greift und der Ball hinfällt, dann hat das Gehirn gesagt okay jetzt hat was nicht funktioniert.

00:32:20: Das heißt wir haben immer einen Input, der Ball wird geworfen, der Output ich habe gefangen.

00:32:25: Es gibt ein Prozess der heisst Backpropagation oder Rückwärtsrechnen.

00:32:28: Das Gehirnen verändert die Stärke der Verbindung zwischen den Gehirnszellen.

00:32:34: Über diese Veränderung lernt das Geirn langsam dazu.

00:32:38: Dieses langsame Lernen, immer weiter lernen mit mehr und mehr Übungen machen faktisch nur Ronaldo Netzwerke Und das ist einfach nur eine Art von Algorithmus, wie er sich verändert.

00:32:49: Und das Besondere ist dass man halt mit diesen Algorithmen, dass man die größer machen kann und viele dieser Sinneszellen so nenne ich sie mal einbauen kann in verschiedenen Ebenen.

00:32:58: Man kann mehrere neuronale Netzwerke miteinander kombinieren – wie unser Gehirn das auch hat, hat verschiedene Hirnlappen Und in vielen Fällen, das war das Neue kann man komplexe Zusammenhänge mit dieser neuen Art von Algorithmus schaffen.

00:33:11: Ohne neuronale Netzwerke würde es keine Image Recognition geben, würde es keiner selbst von den Autos geben und auch nicht dahin kommen weil die besser komplexen Zusammenhängen erkennen können wenn man viele Inputfaktoren hat.

00:33:23: Also diese Schichtung ist ja so ein Element, was ganz oft kommt wenn es um neuronale Netze geht.

00:33:27: Dass man hintereinander gestaffelt quasi... Deswegen sagt sie auch netze.

00:33:31: Der Plural Faktor ist anscheinend zentral wie ich's verstanden habe.

00:33:34: Jetzt können wir abschließend auch uns mal der Frage widmen und wahrscheinlich steckt einen Teil der Antwort da drin Warum eigentlich künstliche Intelligenz so'n Hype-Cycle durchläuft?

00:33:43: Also warum ist das seit gefühlt paar Jahren so gehyped, dass wenn man das auf seine Folie mit draufgeschrieben hat Wenn man irgendwie mit größerer Wahrscheinlichkeit ein VC Investment kriegt als wenn man's weglässt?

00:33:51: Und ich würde behaupten, ganz viele Leute sagen sie machen KI und machen es gar nicht.

00:33:55: Lagt das daran was du auch gerade beschrieben hast dass man mittlerweile die Rechenpower hat solche neuronalen Netze zu programmieren?

00:34:00: Dass man einfach mehr Daten erfasst kriegt und verarbeitet?

00:34:03: vor allem oder woran lag das?

00:34:04: Zuerst muss ich schmunzeln weil zum Thema VC Investments und AI in den Domain oder aufs Pitch Deck schreiben ist gibt ganz viel.

00:34:11: also ich habe letztens ein Blockartikel darüber geschrieben.

00:34:15: KI ist ein bisschen wie Teenage-Sex.

00:34:17: Jeder spricht drüber, keiner macht's richtig, keiner weiß, wie es eigentlich funktioniert und wir sind davon weggegangen uns KI zu nennen.

00:34:23: Wir sagen nur noch Maschinelles Lernen denn keiner versteht so richtig was es ist und alle sagen das.

00:34:28: Und man muss unter die Haube schauen und sagen, was ist eure Vorhersage?

00:34:31: Welche Daten macht ihr und welchen Geschäftsprozess optimiert ihr eigentlich mit eurer Software?

00:34:34: Und nun mal auf deine Frage zu kommen ich vergleiche manchmal KI mit dem Internet.

00:34:40: Dann gab es eine riesenrose Blase, weil die Leute erkannt haben damit kann ich etwas tun was vorher noch nicht ging.

00:34:48: Und jetzt ist das Internet ubiquitär verfügbar und ohne Internet würde nichts mehr passieren.

00:34:53: man hört den Podcast gerade über das Internet.

00:34:55: Wir sind im Machine Learning auch in dem Hypecycle.

00:34:58: Ich weiß nicht ob die Blase schon geplatzt ist aber es gibt viele Leute die sagen Wie du sagst, man schreibt es aufs Pitch Deck.

00:35:03: Viele reden drüber aber steckt nicht viel dahinter.

00:35:05: und es gibt da diesen Gardner Hype Cycle wo man sozusagen diesen Innovation Trigger hat den Peak of Inflated Expectations.

00:35:12: also alle erwarten was und keiner liefert ist.

00:35:14: danach kommen diese Through Of Delusionment wo die Erwartungen nicht erfüllt werden Hab ich auch schon zum Thema Chatbots gesehen.

00:35:21: chatbots, ... ... Marc Sacherberg sagt you wanna message a business away... ...you want to message your friend?

00:35:27: Es gibt zig tausende Bots, keiner performt so richtig!

00:35:29: Wo sind die ganzen

00:35:30: Chatbottes?!

00:35:31: Ja es geht nicht um Chatbotts, es geht um Geschäftsprozessautomatisierung,... ...die die Produktivität erhöhen.

00:35:36: und dann zum Schluss kommt nach der Ernüchterung des... Die Produktivitätsphase.

00:35:41: Und beim Thema Chatbots glaube ich, dass wir schon durch sind und es schon Firmen gibt wie SolveMate die eben schon echte Ergebnisse zeigen können.

00:35:49: Das Thema KI generell ist aber ein Halbthema.

00:35:52: Aber das ist ja auch ein schönes Modell.

00:35:53: also wenn man das auf deiner Logik runterbericht zu sagen Es gibt Daten, die verarbeite ich mit einem Algorithmus zu meinem Modell.

00:36:00: Dann ist es auch ein total fairer Bewertungsfaktor weil du dann einfach sagst welche Daten verarbeitest, zu welchem Modell wie machst du das und welches Problem löst du damit?

00:36:06: Und welches Geschäftsmodell ist quasi das was am Ende des Tages steht?

00:36:10: Ja und je nachdem in welcher Qualität du das tust rechtfertig dass ja auch eine unterschiedliche Form von Bewertung deines Unternehmens.

00:36:16: genau so würde ich das zusammen fassen.

00:36:18: jeder Algorithmos jede KI muss einen bestehenden Geschäftsprozess besser oder schneller oder effizienter machen.

00:36:24: Und da Computer nun mal weniger im Kosten als Menschen, wird irgendwas irgendwie günstiger oder automatisiert.

00:36:28: Es geht immer um Automatisierung und eigentlich ist Künstliche Intelligenz nichts weiter als was effizienter zu machen so wie das Internet Dinge miteinander verbunden hat und dadurch wir digitale E-Mails oder WhatsApp Nachrichten schreiben können und keine physischen Briefe mehr.

00:36:43: Und genau diesen Impact, deswegen ist auch wichtig unseren Podcast weiterzuhören.

00:36:48: Denn das Thema KI wird einen großen Einfluss auf jeden Geschäftsprozess in der ganzen Welt haben und dem kann man sich nicht verschließen.

00:36:56: Man muss aktiv versuchen es zu verstehen und so schließt sich ein bisschen der Kreis dass ihr auch das Ziel von AI anplagt.

00:37:01: Alltägliche Dinge die mit KI zu tun haben verständlich für jedermann zu erklären.

00:37:06: Ich freue mich schon sehr auf die weiteren Folgen.

00:37:08: Magst du uns noch eine kleine Sneak Preview geben, worum es in der nächsten Folge geht?

00:37:12: Denn so viel sei verraten, das ist schon im Kasten!

00:37:14: Was kommt als

00:37:15: nächstes?!

00:37:16: Die nächste Folge dreht sich um KI und Autos.

00:37:19: Wir werden auch über selbstvolle Autos sprechen aber auch über viele andere Algorithmen, die alltäglich im Auto drin sind, die man als selbstverständlich sieht heutzutage

00:37:27: hervorragend, da habe ich mich mal gespannt hier auf die Moral-Diskussionen beim Auto dann.

00:37:31: Wie die ihre Standford Rätsel gelöst haben.

00:37:34: Da freue ich mich ganz doll drauf und auch dass du sehr viel jetzt produzierst weil ich deinen Zugang zu dem Thema sehr erfrischend finde und sehr spannend.

00:37:40: und ja schonmal vielen Dank an dieser

00:37:42: Stelle!