AI Use Cases finden, priorisieren und skalieren | #Künstliche Intelligenz 🤖

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

00:00:12: Mein Name ist Erik Pfannmüller, ehemaliger Kano-Wertmeister, dreifacher Familienvater und Gründer von SolveMate einer führenden Plattform zur Automatisierung von Kundenservice – im Kern unserer Plattform sind Chatbots.

00:00:22: jedoch unterstützt unsere Software Support Teams ganzheitlich ihre Serviceprozesse zu verbessern.

00:00:27: Wie immer bei AI & Pluck erklären wir Alltagsthemen rund um das Thema KI einfach und für jedermann verständlich besprechen gesellschaftliche Umwälzung durch die KI und neueste KI Trends.

00:00:36: Heute geht es bei AI an Plakt um das Thema KI Use Cases, finden und priorisieren.

00:00:41: Die typische Frage in Unternehmen ist ja öfter – kann ich mit KI eigentlich alles lösen?

00:00:45: Sicherlich nicht!

00:00:46: Aber wo sollte ich anfangen?

00:00:48: Wo sollte ich meine Ressourcen optimieren?

00:00:49: Welcher Geschäftsprozess eignet sich am besten, um ihn mit KI und Machine Learning zu

00:00:54: optimieren?!

00:00:55: Diese spannende Fragestellung werden wir in der nächsten halben Stunde beantworten.

00:00:58: Und dazu habe ich einen Experten bei mir, Philipp Gerbert, Director von Applied AI einer Initiative von Unternehmer TUM München.

00:01:05: Herzlich willkommen, Philipp!

00:01:06: Ich freue mich, dass du heute hier bist und vielleicht statt mal wie immer mit einer kurzen Vorstellung wer bist Du?

00:01:10: Was machst Du?

00:01:11: Und wie bist Du eigentlich zu AppliedAI gekommen?

00:01:13: Vielen Dank Eric und sehr gerne.

00:01:15: Ich fange mal an, ich bin tatsächlich in Lissabon geboren und München aufgewachsen.

00:01:20: Und hatte schon sehr früh Berührungspunkte zu künstlicher Intelligenz.

00:01:25: Vielleicht kann ich es mal sagen?

00:01:26: Ich habe ja meine Jugend Schach gespielt, war auch deutscher Jugendmeister, hab dann eine Jugendweltermeisterschaft leider gegen Garry Kasparov verloren aber hab damals mich damit beschäftigt mit Schachcomputern.

00:01:35: Schachkomputer waren die Drosophila von KI.

00:01:37: Du

00:01:37: hast mal gegen Garri Kasparoff gespielt!

00:01:39: Habe ich das richtig

00:01:39: gehört?!

00:01:40: Das ist korrekt ja!

00:01:41: Super!

00:01:42: Ist ja total spannend!

00:01:43: Ja, erzähl weiter... Genau,

00:01:45: und da habe ich erstmalig mich damit beschäftigt mit Schachkomputern damals.

00:01:49: Was kann eigentlich künstliche Intelligenz?

00:01:51: Und Schachcomputer waren deswegen interessant weil die ersten vierzig Jahre wurden in Künstlichen Intelligenzen alles an Schachkomputern gemessen.

00:01:57: Das war die Drosophila der KI.

00:01:59: Auf die Idee dass sie tatsächlich mal besser Schach spielen könnten dann sich kam ich nie.

00:02:02: Dann bin ich Physiker geworden hab am MIT promoviert Damals auch ein Hotspot Der KI mit Marvin Minsky noch Society of Mines und so was Aber alles noch sozusagen mal Symbol basiert basiert und eigentlich eine Nischenthematik, wenn man sieht was alles weiter gemacht wird.

00:02:19: Später bin ich Unternehmensberater geworden, habe lange im Silicon Valley gelebt.

00:02:23: Die ganze erste Internetwelle mitgemacht, später bin ich zurückgekommen hier und bei BCG ein Partner geworden und haben mich dann in den Jahr zwanzig fünfzehn darauf fokussiert auf KI in Business.

00:02:34: Hab damals festgestellt, hoppla-twanzigzwölf gab es die riesen Durchbrüche und bin da sozusagen mal voll eingestiegen Und dann Anfang des Jahres dort ausgestiegen um wirklich ein bisschen giving back to society das Thema KI in Deutschland voran zu bringen weil ich gesehen hab in welcher Art und Weise wir hinter USA und China zurückfallen.

00:02:51: Und bring mich daher hier bei Unternehmertummern der Baleit AI ein!

00:02:55: Das finde ich gut, da sind wir sozusagen beide Verfechter vom Thema KI.

00:02:59: Ich sozusagen mit dem Podcast versuche immer die Stange zu bräuchten für erklären was sind eigentlich Algorithmen wie funktioniert das?

00:03:04: Wie verändert es unsere Gesellschaft?

00:03:05: und du?

00:03:06: Mit viel mehr Erfahrung wie ich das gerade höre nicht nur im Schach- und Schachautomatisierung sondern auch in der Realwelt.

00:03:12: Was ist Applied AI?

00:03:14: Was macht ihr dort?

00:03:15: Und wir wollen ja heute unter anderem über eines eurer White Paper sprechen zum Thema KI Use Cases finden und priorisieren.

00:03:21: Ihr habt ein ganz tolles Framework gebaut aber vielleicht sozusagen zur Einführung.

00:03:25: Was ist Applied AI eigentlich?

00:03:27: Also, AppliedAI ist zunächst mal eine Initiative von Unternehmertum und Unternehmertum ist das größte Entrepreneurship- und Innovationszentrum in Europa.

00:03:37: Inzwischen eine gemeinnützige GmbH, die gründet von Susanne Klatten und sehr eng assoziiert noch ein Aninstitut der TU München, die wir auch sehr stark leveragieren.

00:03:46: Wir haben viele Startups durch unsere Programme geschläust und so als Kennzahl vielleicht im letzten Jahr haben die Startup, die durch unser Programm gegangen sind mal eine Milliarde Adventure Capital eingesammelt.

00:03:58: Und es geht tatsächlich los mit den großen Unicorns in Flixbus und Ceylonis dieser Welt her.

00:04:03: Apply Day Eye ist eine Initiative darin, die sich an Unternehmen aller Größenordnung wendet auch sehr stark mit DAX-Unternehmen Mittelständlern zusammenarbeitet und ganz konkretes Ziel hat, auch im gemeinnützigen Bereich KI in Deutschland voranzubringen.

00:04:16: Kern ist tatsächlich eine Partnerschaft mit dreißig Industrieunternehmen, für die den größten Unternehmen Deutschlands im Wesentlichen.

00:04:23: Die sich austauschen und sie zusammenarbeiten.

00:04:25: Für die wir Projekte machen Infrastrukturen, Roundtables zur Verfügung stellen und alles.

00:04:29: Und wir werden unterstützt von allen großen Tech-Unternehmen dieser Welt, die uns tatsächlich die Infrastruktur zur Verfügung stellt um das Thema voranzubringen.

00:04:39: Das heißt seid ihr eine Beratungsfirma?

00:04:41: Die unterstützt?

00:04:42: oder was ist Geschäft, was ihr bei Applyder A macht?

00:04:44: wie verdient ihr Geld?

00:04:46: Also wie gesagt, wir sind zunächst gemeinnützig glaube ich als wichtigstes und unser Kern.

00:04:50: Wir werden gestützt von unseren Partnern.

00:04:52: Das heißt diese Partnerschaft hat eine jährliche Mitgliedschaft.

00:04:55: das ist sozusagen mal unsere Basis.

00:04:57: daneben bieten wir digitales Training an und ähnliches.

00:05:01: Das ist teilweise für Unternehmen bezahlt.

00:05:03: Teilweise sind es öffentliche Programme also mit KI Campus zum Beispiel arbeiten wir zusammen.

00:05:08: Wir bekommen Unterstützungen von Europa deutschen und Bayerischen staatlichen Organisationen.

00:05:14: Und daneben haben tatsächlich ganz konkrete Projekte, wo wir Sachen bauen – also im Ingenierungenbereich und ähnliches.

00:05:20: Wo wir sagen mal kompensiert werden aber im Wesentlichen nur um unsere Kosten zu decken.

00:05:24: Wir schreiben immer an Leading Edge zu bauen und in Partnerkreis auch auszutauschen.

00:05:30: Finde ich gut!

00:05:31: Klingt total spannend und nach einer echt guten und nachhaltigen Initiative wird der Wirtschaftsstandort Deutschland.

00:05:36: das sozusagen hier einmal zusammengefasst.

00:05:38: Du hast ja gerade gesagt, ihr habt auch Partnerschaft mit großen DAX-Unternehmen.

00:05:42: eigentlich jede Firma die größer ist hat da die Frage man fängt mit Digitalisierung an und irgendwann kommt die Frage was kann ich eigentlich mit KI in meiner Firma optimieren?

00:05:51: Und deswegen isst die Frage eine ganz essentielle nämlich was wir ja schon gelernt haben mit diesem Podcast dass KI nicht die SuperKI es nicht die General Intelligence.

00:06:01: das gibt's noch nicht sondern wir suchen uns immer spezielle Fälle aus, die in einer gewissen Art und Weise narrow sind.

00:06:07: Und dort in repetitiven Prozessen können Algorithmen Entscheidungen treffen Menschen unterstützen und sozusagen auch mit Menschen zusammenarbeiten.

00:06:14: Das heißt es ist auch ein ganz essenzielles Thema zu verstehen wo kann ich eigentlich am besten ansetzen in einer Universation?

00:06:20: Um da vielleicht reinzustarten gibt's ja auch verschiedene Begriffsdifferenzierung was eine KI-Strategie, Was ist meine KI Vision und was ist ein Use Case?

00:06:28: wie würdest du das unterscheiden voneinander?

00:06:30: Naja, ich würde mal sagen KI-Vision und Strategie wird unterschiedlich verwendet.

00:06:35: Man muss sich zunächst einmal Gedanken machen was will ich mit KI eigentlich erreichen?

00:06:39: Und wie fundamental ist das Thema?

00:06:42: Das muss man deswegen machen weil es tatsächlich in vielen Industrien Unternehmen gibt die mit KI einfach mal die gesamte Industrie auf den Kopf stellen wollen.

00:06:53: Dieser Tage wird ja gerade einmal ein Financial an die Börse gegangen, ein ganz typisches Beispiel von dem inzwischen größten und breitesten Finanzdienstleister der Welt, der sehr stark KI basiert von Anfang an gegangen ist.

00:07:05: China hat mit Ping auch im Versicherungsbereich ganz große, aber auch wenn man so einen Netflix sieht das nicht nur ein Streaming Service ist sondern eine Produktion eingestiegen oder ein Nvidia das mal ein Chipunternehmen war Plattform für autonome Autos baut.

00:07:19: Es gibt schon ein paar Unternehmen, die sagen Hoppler da kann ich ganz fundamental die Industrie neu definieren ja und das muss man am Anfang so bisschen abklopfen einfach zu sagen auf welcher Ebene muss ich mich eigentlich jetzt damit beschäftigen um dann zu sagen okay was sind denn die konkreten Felder wo ich Prioritäten setze in KI?

00:07:35: Das kann einmal die Produkte sein.

00:07:37: Ich nehme mal das typische Beispiel Autonomis fahren was immer sehr beliebt ist auch wenn es eine doch schwierige Thematik ist.

00:07:43: Dann das Thema.

00:07:44: alle Prozesse und Prozisse können von Entwicklung, über Supply Chain.

00:07:48: Über viele kundenorientierte Prozesse sagen wir mal sehr breit sein aber auch alle Supportprozesse oder so Sachen die dazwischen liegen.

00:07:56: was dazwsichen liegt ist für mich immer ein bisschen Service was einerseits im Angebot ist andererseits ein Prozess und wo sehr sehr viel Innovationen sind.

00:08:03: Und da muss ich uns dann einfach mal festlegen in welchen Gebieten will ich meine Prioritäten setzen Um dann konkret darum zu gehen, Use Cases zu definieren.

00:08:11: Wir sagen in Use Case ist immer eine Aggregation von Handlungen die einen spezifischen Kunden oder Geschäftswert schafft also dass es einigermaßen abgeschlossen ist um wirklich eine Wertgenerierung zu machen und das wäre so die Corbel-Differenzierung

00:08:25: Verstanden!

00:08:26: Ein Use Case – ein in sich abgeschlossener definierter Prozess mit Kunden nutzen Das ist gut immer konzentriert zu denken Das habe ich verstanden.

00:08:33: Wenn man dann sozusagen, ihr habt in diesem White Paper das wenn man Applied AI googelt auch direkt findet und was eine sehr gute Ressource ist die ich sehr gerne auch empfehlen würde, habt ihr einen dreischrittigen Prozess beschrieben?

00:08:43: der von Ideation über Assessment bis hin zur Priorisierung geht, die ja sozusagen zusätzlich noch eine Vorbereitungsphase hat und eine Execution also Umsetzungsphase.

00:08:53: Ich würde mich im Folgenden gerne mal daran anhangeln und vielleicht mit der Vorbereitung Phase anfangen und dann über Phase eins zwei und drei Ideation Assessment und Priorisierung sprechen in der Vorbreitung wenn Firmen über das Thema KI US Cases finden.

00:09:06: was sollte man beachten?

00:09:07: Und legen wir mal los!

00:09:08: Genau, vielleicht bevor ich in diese Vorbereitungsphase damit man es auch versteht rein springe kann man fragen warum brauchen wir überhaupt so ein White Paper.

00:09:15: Die Kleine Frage ist ja naja es gibt natürlich man kann die inhaltlich die Use Case interessieren.

00:09:20: aber methodisch Denken ja viele Leute, wir haben Digitalisierung gemacht.

00:09:24: Wir haben Big Data gemacht und wissen wie man Use Cases priorisiert.

00:09:29: Am Ende der Sache muss ich immer schauen was für ein Kundenwert generiere?

00:09:32: Wie schwierig ist es zu machen?

00:09:33: Und dann als Berater denke ich mal in zweimal zwei.

00:09:36: Dann priorisiert man bei all Schatten.

00:09:38: Die interessante erste Frage ist also wir arbeiten sehr viel mit Unternehmen die tatsächlich schon viele dieser Use-Cases definiert haben und die frustriert sind.

00:09:46: Und entweder sind frustrierbar, sie nicht genau zusammengebracht haben oder sich verschätzt haben.

00:09:50: aber das Typischere ist... Die haben alle angefangen ein Proof of Concept zu bauen und dann sind sie nicht darüber hinaus gekommen.

00:09:58: Und die denken immer das kommt danach um wir sagen Hoppla!

00:10:00: Das ist ein großes Problem.

00:10:02: aber dieses Problem startet tatsächlich bei der Definition von Use Cases denn Es gibt viele Feinheiten, die eben ganz anders sind.

00:10:09: Methodisch anders als wenn ihr bei Digitalisierung etwas priorisiert oder wenn ihr beim Big Data etwas priorisiert.

00:10:16: Big Data ist für mich der Unterschied zu den Big Data und AI.

00:10:19: Ich sage immer Excel auch Steroiden das heißt man hat wahnsinnig viele Daten, Terabytes von Daten aber die Systeme lernen nichts.

00:10:27: es sind immer noch klassische Computersystemen.

00:10:29: ja Okay, und die Firmen, das ist eigentlich das Gerne, die immer wieder auf uns zukommen.

00:10:33: Und das Wesentlichste was schwierig ist zum einen der lernende Aspekt Und zum anderen, dass man Daten und Software nicht trennen kann.

00:10:42: Dadurch die Skalierung und wie man etwas im Unternehmen einführt unglaublich viele Herausforderungen hat, die man schon am Anfang verstehen muss wenn man es definieren will.

00:10:52: Da würde ich ganz kurz nochmal einhaken.

00:10:53: Philippe Du hattest gesagt sozusagen es gibt Digitalisierung.

00:10:56: was ja Analogeprozesse auf Computer bringen ist Es gibt Big Data das heißt große Datenmengen aber da verändert sich nichts.

00:11:02: geht's nur um Excel auf Steroiden sozusagen Auswertung zu machen.

00:11:06: du hast gerade einen Satz gesagt den ich gerne auch mal wiederhole würde nämlich Daten und der Use-Case gehören zusammen in der Skalierung.

00:11:12: Warum ist das ein großer Unterschied im Vergleich zu den anderen Themen?

00:11:15: Das ist eigentlich der Kern der Sache, dass man ganz anders drüber nachdenken muss.

00:11:18: Also

00:11:18: vor fünfzehnundzwanzig Jahren wie ich im Silicon Valley war damals hast du Plattnetapsel gesagt Philipp, ich erkläre dir mal wie ich Software produktisiert habe.

00:11:27: Software ursprünglich Kastermeistern wurde produktisiert.

00:11:29: Seitdem es allerwichtigste war die Software von den Daten zu trennen.

00:11:35: Das haben die Leute, wenn sie früher selbst gebaut und nie sauber gemacht.

00:11:37: Und das große Thema Datenbanken und Enterprise Software sind völlig unterschiedliche Themen.

00:11:42: Muss man fundamental trennen?

00:11:43: Dann kann man Software modularisieren und skalieren.

00:11:45: Wenn man sich das mal in Munde zergehen lässt... ...dann überlegt bei KI geht es nicht!

00:11:50: Bei KI schreiben Datensoftware.

00:11:51: Man hat ein Lernungerhythmus und lernt an Daten.

00:11:54: Und diese Vermengung ist tatsächlich einer der Ursachen warum das Thema Skalierung so schwer ist.

00:12:01: Es gibt etwas was man des KI-Paradox nennt.

00:12:03: Es ist unvorstellbar, einfach hoch erfolgreiche Proof of Concept und Piloten zu bauen.

00:12:08: Und es ist täufelisch schwer zu skalieren.

00:12:10: Google hat darauf vor fünf Jahren schon mal hingewiesen in einem merkwürdigen Paper das heißt Technical Dead also ganz technisch formuliert aber im Kern tatsächlich systematisch.

00:12:18: hoppla passt auf.

00:12:20: KI lässt sich nicht so leicht skalieren.

00:12:22: Super, das finde ich schon mal ganz wichtig.

00:12:23: die Motivation für die Hörer sozusagen.

00:12:25: Warum sie weiter hören sollen?

00:12:27: Und ich finde es gibt so zwei Sätze, die man sich manchmal merken muss um die Problemstellung zu verstehen.

00:12:31: und die Problemstellungen ist dieses Entenglement diese Verbindung von Daten und von Lernen und der Algorithmus, der ja an den Daten wiederum weiter trainiert.

00:12:38: wir hatten schon über Confusion Matrix diesen Podcast gesprochen und wie neuronale Netze funktionieren Testdaten, Trainingsdaten einfach zusammenhängen und dass man sie nicht trennen kann.

00:12:47: Und dieses Mantra wenn man das im Kern versteht heißt auch, dass man anders rangehen muss und es eine andere Verständnis ist.

00:12:55: aber das finde ich gut ein gutes Intro und die Motivation würde dann direkt an dich übergeben wenn man sozusagen das verstanden hat.

00:13:02: wie geht man los in der Vorbereitungsphase?

00:13:04: Also

00:13:05: typischerweise haben wir drei Sachen.

00:13:07: A, es gibt ein Einführungsworkshop der dazu dient den Leuten nahezubringen was für Fähigkeiten hat eigentlich KI heute?

00:13:15: Wir sagen manchmal das ist ein Leveling des Playing Fields weil wir müssen ja crossfunktionale Teams bilden um solche Use Cases sauber zu definieren und da muss jeder ein gewisses Grundverständnis haben Was diese Fähigkeiten sind.

00:13:27: dann würde ich nachher vielleicht nochmal kurz dazukommen.

00:13:29: Dann tatsächlich etwas, wo wir sagen das ist so eine Vision Strategie.

00:13:33: Wo man jetzt top down auch mal sagt was sind denn die großen Felder wie vorher erwähnt?

00:13:38: Was sind die Suchfelder auf die wir achten müssen?

00:13:41: Was besonders wichtig ist weil Durch diese Skalierungs-Schwierigkeit sollte man sich wirklich fokussieren zunächst mal auf da, wo wirklich enormer Wert ist und davon abstehen nehmen einfach zweihundert gleichzeitig anzugehen.

00:13:53: Und das Dritte was wir machen ist... Wir haben zwischen den in Europa führenden Majority Assessment rausgebracht, wo wir einfach mal relativ einfach Survey basiert bei Unternehmen sagen Wo steht er heute eigentlich?

00:14:05: Und zwar nicht nur in den strategischen Use Case Sachen sondern in dem was wir auf Neudeutsch Enabling Faktoren also die Infrastruktur nennen Das heißt Governance und Organisation bis hin zu Data Governance bei den ganzen People-Themen.

00:14:18: Das heißt, was für Skills habt ihr?

00:14:20: Wie ist eure Grundkultur?

00:14:22: Habt ihr schon mal digital gemacht oder nicht?

00:14:24: dann bei der IT?

00:14:25: Was habt ihr eigentlich für eine Infrastruktur?

00:14:27: die wird sich ändern müssen und was habt ihr für einen Datenmanagement?

00:14:31: Und last but not least, wie man so schön sagt.

00:14:33: Wie arbeit ihr eigentlich mit anderen Unternehmen zusammen?

00:14:36: Make or buy wird uns noch mal viel beschäftigen.

00:14:38: Das ist eine ganz andere Natur im KI-Bereich und das einfach mal zu assessen ist sehr wichtig.

00:14:44: weil später bei Newscase ich würde mir sagen okay vielleicht kann man sie implementieren sondern sagen wie reif seid ihr eigentlich heute was könnt ihr schon machen und bei welchen Sachen solltet ihr vielleicht erst einmal die Finger davon lassen oder erstmal andere Sachen vorbereiten um es weiterzubringen?

00:14:57: daher ist diese Vorbereitung relativ wichtig.

00:14:59: danach hat Wo will man was machen?

00:15:02: Jeder hat eine einigermaßen Vorstellung.

00:15:04: Was kann man eigentlich und wir wissen, wo steht es unternehmen heute?

00:15:07: Das finde ich schon mal gut.

00:15:08: das ist ein sehr strukturierter Prozesses.

00:15:10: wie oft bei solchen Themen muss man das Ziel kennen und muss auch wissen wie die Voraussetzungen der Organisation sind.

00:15:15: Ich kann mir vorstellen dass es auch in jeder Organisation unterschiedlich ist je nachdem, ob es vielleicht schon ein Data Science Team gibt.

00:15:20: Ob man schon Erfahrung hat und wie.

00:15:22: die AI Readiness ist auch ein Thema über wie AI Ready ist eine Firma.

00:15:27: da hatte ich letztens ne Folge drüber.

00:15:28: das sind ne wichtige Voraussetzungen Und wenn man die Vorbereitung gemacht hat und man in diesen Ideation Part geht auf Deutsch sozusagen Die Ideenfindung Wie würde man vorgehen?

00:15:37: Also man hat natürlich immer krossfunktionale Teams und dann unterscheiden wir typischerweise zwei Inputsachen.

00:15:42: Ich würde es mal ganz einfach sagen Demand und Supply, ja?

00:15:44: Demand das sind die Methoden eigentlich relativ klassisch wenn ich mal so sagen darf.

00:15:49: Das heißt man macht typischer Weise Customer Journeys Man hat die ganze Methodik des Design Thinking die ihr sicher schonmal diskutiert habt.

00:15:57: Wie findet man einfach Sachen oder auf der Prozess Seite Value Streams um zu sagen was hat man für Waste in diesen Prozessen und ähnliches drin?

00:16:04: Ja Und dass würde ich Mal grob sagen, unterscheidet sich von der Herangehensweise nicht so stark von anderen Ideation-Prozessen wenn man wirklich etwas Neues bringen will um die Probleme zu identifizieren.

00:16:15: Was ganz neu ist es zu sagen naja was muss man dann reinbringen?

00:16:19: zum einen das Verständnis was kann KI eigentlich und mal anzuregen?

00:16:24: Und das zweite ist was hat man eigentlich für Daten?

00:16:27: Beides hat interessante Aspekte.

00:16:29: Wenn ich einfach mal sage, was kann KI eigentlich?

00:16:32: Wir unterscheiden so acht KI-Fähigkeiten die wir aber gruppieren und zwar gruppieren wir sie in Interaktionsintelligenz, in analytische Intelligenz und dann das Thema Bewegung und kreative Intelligenze.

00:16:46: wenn ich mal ganz klassisch nehme, wenn man bei menschlicher Intelligenzen redet, dann denkt mir immer an analytische intelligenz Planen vorhersagen Mustererkennungen usw.

00:16:56: Und da gibt es natürlich sehr viele methodische KI, wo man sagt was kann der KI eigentlich alles schon.

00:17:01: Interessant ist aber auch die Interaktionsintelligenz weil da denkt man beim Menschen gar nicht so dran dass man sehen kann das es ein unglaublich intelligenter Akt ist.

00:17:10: aber wenn man mal jetzt auf KI schaut dann waren das die größten Durchbrüche.

00:17:15: ja also zwanzig zwölf ist das magische Jahr wo man plötzlich mit neuronalen Netzen die er schon diskutiert hat plötzlich Sprache und Sehen, ich sag mal erstmalig geknackt hat in dem Sinne dass es nützlich wurde nicht das ist perfekt wurde.

00:17:29: Und Sehen war halt wahnsinnig wichtig weil KI sich plötzlich mit der Realität ging und Sprache war unglaublich wichtig weil es mit den Menschen interagieren kann und auch menschliches Wissen zugreifen.

00:17:41: In der Tat wurden in diesen beiden Bereichen unglaubliche Fortschritte gemacht.

00:17:46: im Sehen fingen wir an mit einzelner Objekte erkennen.

00:17:48: jetzt ist man bei Videos dass Bewegung wahnsinnig wichtig ist, um Objekte viel einfacher zu erkennen.

00:17:55: Weil man ja natürlich ein sich bewegendes Projekt viel einfache identifiziert.

00:17:59: Und bei Sprache hat man auch in den letzten zwei Jahren unglaublich viele Fortschritte gemacht.

00:18:04: Jetzt als letztes mit diesem GPT-III, wie das so schön heißt im Leutdeutsch von OpenAI eines der mächtigsten Systeme die die Welt je gesehen hat und sich tatsächlich jetzt überlegen muss wo ist man da an der Grenze?

00:18:16: Aber man sieht also diese Interaktion ist wahnsinnig wichtig um KI einfach in die Prozesse einbinden zu können.

00:18:22: Das andere ist auch interessant.

00:18:24: Bewegung wurde auch beim Menschen nicht unbedingt als intelligent empfunden.

00:18:29: Das ist das taglassische Mora-Weg-Gesetz, was für den Menschen leicht ist und für den Computer schwer und umgekehrt.

00:18:35: Und da hat man in der Robotik tatsächlich viel.

00:18:39: Entschuldigung!

00:18:39: Ich muss mich gerade daran erinnern, dass wir die Folge über Robotik hatten und es darum geht, dass ein Roboter es nicht schafft eine Birne mit einem gefalteten Hemd in ein Paket zu legen.

00:18:47: und das sozusagen physische Interaktion mit der Realwelt, Einkommen dazu im Machine Learning Algorithmen, ein sehr schwieriges Feld.

00:18:54: Aber eins das kommt und wie du da sagst, diese Interaktion über Visionen und Sprache.

00:18:59: Und dann auch diese physische Interaktionen ist ein ganz spannendes Thema dass sehr viel Potenzial noch hat.

00:19:04: Absolut also wir arbeiten ja sehr eng mit der Munich School of Robotics zusammen.

00:19:09: Robotik hat sich lange gegen KI gewährt, weil es einfach nicht genügend kontrollierbar war und wird jetzt ein riesen Thema.

00:19:16: Und das andere ist tatsächlich kreative Intelligenz also dass man Sachen generiert.

00:19:20: Dass man Text generiert, dass man Bilder generiert und sowas.

00:19:23: Das wird zunehmend zugänglich.

00:19:25: Man mal auch mit Deepfakes oder so was auch ein Thema wo man die Risiken sehr gut kennen muss aber diese ganzen Fähigkeiten einfach zu kennen als Input zu haben und wir haben dann auch immer so einen tatsächlichen Use Case Canvas entwickelt zu sagen okay mit diesen Fähigkeit müssen typische Use-Cases, die man auf Basis dieser Fähigkeiten und in Kombination der Fähigkeit auftauchen.

00:19:44: Das ist das eine Element.

00:19:45: Das zweite Element ist Daten.

00:19:47: Die Leute denken meistens, naja Daten ok ich schau jetzt mal was für Daten ich habe!

00:19:51: Und natürlich gibt es immer Probleme mit Daten und sowas Integration usw.. Aber Das nächste ist natürlich immer, was für Daten kann ich eigentlich bekommen?

00:19:59: Was ist mir sonst noch zugänglich?

00:20:00: und dann muss man aber auch methodisch alles mögliche können.

00:20:03: Wie kann man synthetische Daten generieren?

00:20:05: wie kann man Daten vergrößern, Augmentation wie man so schön sagt?

00:20:09: Wie kann mit wenigen Daten lernen?

00:20:11: Was gibt es für Transfermöglichkeiten um irgendwie aus diesem bottleneck-Daten rauszukommen?

00:20:16: Und solche Sachen müssen wir einfach ein bisschen verstehen damit man sagen kann okay was für Use Cases sind realistisch?

00:20:21: und wie komme ich dann sozusagen mal auf Ideen für use cases?

00:20:24: Und dieser Supply-Side, also sowohl Fähigkeiten von KI als auch das Datenthematik gut zu verstehen ist in der Ideationssession völlig neu und von Leuten die früher mal eben nur digitale oder sonstige Ideationen gemacht haben sehr wichtig damit sie ihre Fantasie anregen für die neuen Möglichkeiten.

00:20:41: Man muss nämlich verstehen, was KI eigentlich gerade kann und wie der Stand der Welt ist um diesen Transfer dann auf die realen Geschäftsprozesse zu machen.

00:20:47: Zum Beispiel muss man wissen das intelligente Dokumenterkennung nicht nur Schrifterkennung mittlerweile ein großes Thema ist und ich hatte letztens Omnias bei mir im Podcast die Machen-Dokumentenerkennungen für die Versicherungsbranche wo du ja ganz viele Formulare kriegst und du nie weißt was drinnen ist und dass aktuell viele Menschen machen.

00:21:02: Und man muss erstmal verstehen, dass sowas überhaupt möglich ist in der Kombination von Computer Vision.

00:21:06: Man aber gleichzeitig auch im Vertrieb Echtzeit Sprachanalyser machen kann um Vertriebsmitarbeitern zu helfen.

00:21:12: Das heißt dieses Verständnis des Stands der Welt, aber auch diese Gruppierung – ich fand die Cluster gut, wie du gesagt hast – mal out of the box denken und nicht nur in Datenanalyse für KAE sondern auch in alltäglichen Prozessen.

00:21:23: Siehst du da in den Workshops, die ihr macht viel Erklärungsbedarf oder wie bringt dir das Wissen?

00:21:28: Da ist ja auch viel methodisches Wissen bei!

00:21:29: Ja, es ist so ein Endefieler im Erklärungsbedarf weil das sich ja auch dauernd moving target ist wie man so schön sagt.

00:21:34: Das heißt die Unternehmen können fast gar keine KI Experten haben die auf allen Gebieten sozusagen mal gleichzeitig up to date sind und es ist halt immer unglaublich wichtig zu finden.

00:21:46: was ist heute table steak?

00:21:48: Was ist möglich aber schwierig und was ist derzeit out of reach wird aber kommen.

00:21:53: Also ich hatte in den ersten Jahren viele, was ich mal sage Disaster Recovery Projekte wo ein Wender over Promised hat und sagt okay ich kann alles möglich machen.

00:22:01: Das ist sozusagen das eine Thema wo man sagt okay da muss man sicher sein.

00:22:05: Das andere ist aber dass wir tatsächlich immer mal wieder Unternehmen kriegen die versuchen ein Problem zu lösen was in zwei Jahren trivial sein wird.

00:22:12: Und dann sagen wir Hopla passt auf ihr müsst es zumindest schon voraus denken.

00:22:17: was kommt in den nächsten jahren eigentlich absehbar in diesem thema Sprache klassische Thema, wo man vor zwei Jahren sich überhaupt nicht hätte vorstellen können was man jetzt plötzlich alles kann.

00:22:27: Also so ein Summary eines Dokuments zu machen oder einen Rechtsdokument in normale Sprache zu übersetzen

00:22:32: usw.,

00:22:33: alle Sachen die inzwischen völlig selbstverständlich sind und wo man früher sagen wir sehr stark damit gekämpft hat.

00:22:39: also diese Zeitarspekt sozusagen mal zu verstehen ist aber unglaublich wichtig.

00:22:43: Nachdem wir über Supply und Demand-Zeit gesprochen haben, geht es irgendwann an einen Punkt wo man sich sagt okay wir haben jetzt kreativ uns überlegt das sind die zehn möglichen Kandidaten.

00:22:52: Und dann müssen ja in der Phase zwei die Kandidatinnen die man sich überlegt hat bewertet werden sozusagen die Assessmentphase.

00:22:58: Du hast vorhin das Thema AI Use Case Canvas beschrieben.

00:23:01: bei einem Canvas denke ich immer an ein großes Stück Papier wo man strukturiert wie den Business Model Canvas Dinge aufschreibt.

00:23:07: Wie funktioniert das?

00:23:08: Was gehört da rein?

00:23:09: Ja, bei der Bewertung gibt es ja im Wesentlichen zwei Elemente.

00:23:12: Das eine ist was ist der Business Wert?

00:23:15: und zum anderen wie schwer ist das eigentlich hinzureichen?

00:23:20: Das klingt immer so schön einfach!

00:23:22: Ich glaube beim Thema Was Ist Der Business Wert?

00:23:24: ist es immer, man hat ja mit der Use Case angefangen, typischerweise weil das ja eines der Kern der Invalidation, da geht's dann tatsächlich um die Bewertungen.

00:23:32: Das Schwierige war KI diese Unsicherheit.

00:23:35: Da man ja sagen, ein lernendes System baut weiß man manchmal nicht genau wie gut es wird.

00:23:40: Deswegen muss man sehr genau sein wenn ich den Wert erreichen will.

00:23:44: was brauche ich für eine Skala?

00:23:46: Also wie viel muss sich da haben?

00:23:47: Was für ne Zeitachse habe ich um den zu dümmernisieren?

00:23:50: Sowohl wie schnell muss ich's machen?

00:23:51: aber auch wie lange muss das sein?

00:23:53: Was füren dynamischen Wandel erwarte ich in der zeit?

00:23:56: wir kriegen immer wieder Sachen die sagen Mopla Das war klasse Aber jetzt hat sich die Regulierung geändert.

00:24:00: Was hab' ich für einen Pflegeaufwand und diesen Wert wirklich sehr sauber zu formulieren.

00:24:05: Das ist trotzdem die einfache Aktion, man muss nur wissen worauf man achten muss.

00:24:09: Das größere Thema okay was brauche ich eigentlich?

00:24:11: Wie schwierig ist es zu erreichen und wie schwierig ist das zu stemmen?

00:24:14: Und was kann das eigentlich?

00:24:15: Da geht's am Anfang immer mal wieder los!

00:24:16: Was für Daten habe ich?

00:24:17: Dann fragen die Leute mich auch immer wie viel Daten brauche.

00:24:19: Das ist immer die gute Frage, wie viel Daten brauche ich eigentlich?

00:24:22: Und das ist so diese That Depends-Anser.

00:24:24: Weil man hat zum Bauchgefühl.

00:24:25: aber es hängt komplett davon ab ob man jetzt vielleicht ein neuronales Netzwerk für Bilder kennen und trainieren will oder selbst fahren der Autos.

00:24:32: da braucht man Millionen wenn nicht sogar Milliarden von gefahrenen Kilometern und es gibt auch AI Use Cases.

00:24:37: da braucht mal ganz wenig Daten und sie funktionieren.

00:24:40: Die Frage habe ich auch schon öfter gehört und It Depends ist die Antwort Jaa!

00:24:43: Aber... Man kann schon paar Sachen sagen.

00:24:45: Also das erste ist als Rule of Thumb.

00:24:48: Nehmen wir mal ein Prozess.

00:24:49: Je mehr ich über den Prozess weiß, desto weniger Daten brauche ich.

00:24:53: Die Umkehrung gilt auch je mehr Daten nicht habe desto weniger brauche die Prozesse zu wissen.

00:24:58: Also wir hatten schon Themen wo man sagt okay Ich will gerne dass ich einen Kupferschmiede optimiere und Teams eingeschickt die noch nie was von Kup... die überhaupt nicht wissen das eine Kupferschmied ist.

00:25:07: Sie hat perfekte Datenlage überhaupt kein Problem.

00:25:11: Also man braucht überhaupt nicht zu verstehen was man macht umzuoptimieren Das meistens ist man eben dazwischen.

00:25:15: Und dann muss man halt sagen naja Wie viel Datum hat am Anfang, das ist einfach eine Vorgabe.

00:25:20: und da sagt man kann typischerweise schon mit tausendtausendfünfhundert Datenpunkten die ersten Systeme anfangen zu bauen.

00:25:26: Man muss halt relativ viel reinstecken über die Struktur des Prozesses und sowas.

00:25:30: Und da gibt es jetzt dann auch wirklich Erfahrungswerte gerade bei Standardprozessen Dokumenten oder Entscheidungen.

00:25:36: so was wieviel braucht man ungefähr um dazu starten?

00:25:39: Und wie kann man wenn man mehr hat was kann man dann mehr machen?

00:25:42: Dann ist aber die Kernfrage sozusagen, wie gut ist das Unternehmen vorbereitet?

00:25:47: Ich habe vorhin mal kurz gesagt, dass die Skalvierung schwierig ist und da nehmen wir immer dann das Majority Assessment zu machen.

00:25:53: Weil sagen wir mal Wie kann ich eigentlich so was wenn ich es baue?

00:25:58: Wie schnell bin ich da Und an welche Probleme komme ich damit bei einer IT Infrastruktur mit meinen Skills und so weiter und sofort.

00:26:05: Das ist sehr wichtig um einfach realistisch einzuschätzen, wie lang kann man das brauchen um sowas zu machen.

00:26:10: Da kommt dann meistens gleich ein zweites Thema, dass sie sagen naja wenn ich diese Zeitachse abschätze dann gibt es ja auch die Möglichkeit eine Make-up by Entscheidung zu treffen.

00:26:20: Ich muss die Sachen ja nicht selbst bauen!

00:26:22: Dann mach mal doch.

00:26:23: Bist du schon bereit für den Exkurs?

00:26:24: Ich hab das auf meiner Agenda, dass wir über Make-O by sprechen.

00:26:27: oder sollen wir erst einmal durchgehen und dann über Makeo dabei zum Schluss sprechen.

00:26:29: Genau!

00:26:30: Wir können über Make O By nachher sprechen.

00:26:31: ich will nur sagen... ...das ist sozusagen etwas ganz Spezifisches und es kommt halt typischerweise hier bei der Zeitachse erstmalig aus.

00:26:38: Und dann kann man aber sozusagen mal ganz klar sagen okay wie hart es ist zu implementieren Das ist glaube ich dann relativ einfach.

00:26:45: und dann kommt so die Schwierigkeit zu sagen naja Es gibt noch ein paar was wir Flags nennen, die man auch noch mal beachten muss.

00:26:54: Das sind so Sachen, die entspätern, was für Risikofaktoren hat man?

00:26:59: Cyberattacken zum Beispiel.

00:27:00: Cyberattacken sind immer ein Risikopfaktor, aber es ist ein ganz anderes Risikophaktor wenn man plötzlich den gesamten Prozess automatisiert hat.

00:27:07: Ich nehme immer das... Die Leute denken immer an Papierprozesse, aber lassen wir mal einen selbstfahrendes Auto rumfahren und jemand übernimmt es einfach mal.

00:27:15: Gab's mehrere Demonstrationen dieses Ding, das ist ein ziemlich unangenehmes Gefühl!

00:27:18: oder in der Schadenbearbeitung, in einer Versicherung die komplett automatisiert ist.

00:27:22: Die Dunkelverarbeitung und auf einmal verändert jemand den Prozess- oder einen Parameter und dann wird dabei mal anders entschieden

00:27:28: Genau!

00:27:29: Und vor allem man muss ja auch sicher sein dass man das merkt.

00:27:33: Also man kann tatsächlich Sachen so subtil verändern, dass man es nicht merkt.

00:27:37: Es gibt natürlich einfach unerwartete Ereignisse.

00:27:40: Ich sag mal Finanzkrise waren typisches Unerwartetes eigentlich und wir können jetzt noch sehen wie gut haben die ganzen Finanzalgorithmen da eigentlich performt.

00:27:48: So was haben wir noch?

00:27:48: Das Covid habe ich noch nie gesehen.

00:27:50: Es hat noch niemand gesehen kommt aus einer ganz anderen Ecke.

00:27:52: Einfach sagen wie gut ist man da gegen eigentlich gefasst?

00:27:56: bis hin zu was man adversarial attacks nennt wo jemand ganz bewusst versuchten kis die falsche Vorhersage zu machen.

00:28:04: Da gibt es ganz berühmte Beispiele, gerade neuronale Netzwerke sind in der nächsten Form sehr instabil gegen solche Attacke.

00:28:11: und dann kommt das ganze Thema Biasetik usw.

00:28:15: Insbesondere wenn man bei HR Themen KI einsetzt muss man unglaublich vorsichtig sein.

00:28:22: Das gute an KI ist alles messbar Es wird auch alles gemessen Man kann auch alles beeinflussen, man gebaut die Dinge ja schließlich, dass heißt man kann die Sachen managen.

00:28:30: aber da Da muss man von Anfang an wissen, es geht hier bereits ein und nicht nur bei der Execution.

00:28:36: Weil solche Dinge können tatsächlich die Zeitachse der Implementierung oder den Wert – weil Risiko und Wert sozusagen deutlich beeinflussen, sodass wir uns schon beim ersten Assessment zumindest als Flag machen müssen zu sagen, wenn ich so etwas wähle, dann muss ich das nochmal sehr vorsichtig

00:28:52: evaluieren.".

00:28:53: Also Assessment zusammengefasst, AI Use Case Canvas.

00:28:56: Welchen Wert bringt es mir eigentlich für die Organisation?

00:28:59: Wie einfach ist es sowohl zeitlich als auch von den Ressourcentechnisch zu implementieren?

00:29:04: und wenn ich dann sozusagen das in eine bestimmte Struktur gebracht habe und die Übersicht hab' und ich sehe dass vor mir gerade ihr habt da so ein schönes Querformat mit Beschreibung, Wert, Ease of implementation und dann gibt es sowohlen einen Zeit-Score also auch einen Overall Score.

00:29:18: Das heißt man versucht zu quantifizieren mit einer Metrik und jetzt im Detail darauf einzugehen, welcher Use Case wahrscheinlich die meisten Punkte kriegt auf irgendeiner Ordinal-Skala.

00:29:28: Und dann ist ja der nächste Frage wie priorisiere ich das?

00:29:31: Das ist sozusagen führt zu einer Entscheidung nämlich was möchte ich eigentlich tun oder was möchte Ich jetzt Organisation umsetzen?

00:29:37: und dann kommen wir zur letzten Frage soll ich selbst machen vielleicht jemanden beauftragen, oder wie schaue ich denn rein?

00:29:44: Das heißt Priorisierung.

00:29:45: Jetzt kommt die typische zweimal zwei im Atrix von Berater.

00:29:48: Genau!

00:29:48: Die meisten dann ja... Ja es ist ja gut Priorisierung.

00:29:51: Ich weiß, wie viel Wert das bringt und wieviel Zeit.

00:29:53: Und wenn ich's an Zweimalzeil wache, dann will ich immer rechts oben.

00:29:56: Das heißt, möglichst viel Wert und möglichst einfach zu implementieren.

00:30:01: Was ist überhaupt die Problematik?

00:30:03: Wie immer, wenn man solche Sachen verteilt ist zu sagen wir haben Use Cases sauber differenziert.

00:30:10: Wir haben gesagt, es sind Sachen die einen Kunden oder Business nutzen schaffen.

00:30:15: Jetzt können die Use Cases aber auf der Supply Seite zusammenhängen weil sie zum Beispiel ähnliche Technologien nutzen Und dadurch sind es jetzt keine Einzelentscheidungen, sondern das ist ein Cluster-Entscheidung.

00:30:26: Ich kann also typischerweise habe ich zum Beispiel einen Thema... Naja, ich hab im Service was sehr Interessantes, was mir meinen Remote Mitarbeiter unterstützt, was z.B.

00:30:36: visuelle Informationen verarbeitet und ich kann etwas ganz Ähnliches bei der Fehlererkennung nehmen und was ganz ähnliches beim Dokumententhematik und deswegen sagen wir okay ihr solltet auch mal n bisschen clustern nach den Sachen was gehört eigentlich technologisch zusammen, auch wenn es vom Use Case was ganz anderes ist.

00:30:52: Weil das natürlich bei der Isop Implementation bei der Plattform ein Riesenthema macht.

00:30:56: Das zweite was man typischerweise hat die schönsten Sachen sind schwer und dann muss man anfangen das aufzuteilen in eine Roadmap wo man sagt wir wollen so ganz klassische Minimal Viable Product immer weiter gehen immer einen Kunden nutzen haben, aber diesen Use Case statt zusammenzufassen, klastern nach Technologien diesmal auseinander zu nehmen und sagen okay wie kann ich denn nacheinander vorgehen um das zugänglich zu machen.

00:31:23: Und was man vorher so schön als ein Use Case gesehen hat plötzlich zu sagen hoppla!

00:31:28: Man muss ihn vielleicht auseinandersnehmen, man muss auch nochmal über die Klastung nachdenken... Das sind eigentlich die Probleme bei der Priorisierung dass diese Sachen eben nicht einfach unabhängig so gegeben sind, sondern man hat zu gut wie möglich gemacht.

00:31:38: Aber dann muss man es nochmal anschauen und das nochmal alles

00:31:41: revidieren.".

00:31:42: Hab ich verstanden?

00:31:43: Das was sich gerade noch mal für mich als Kernsatz herausgefunden habe war, man kann use cases nicht einzeln betrachten weil von der Supply-Seite her ist Cluster gibt!

00:31:51: Und mein mit verschiedenen Clustern hab' ich vielleicht auch gleichzeitig noch fünf andere Fälle gelöst.

00:31:55: und da ist dieses Transfer, dieses Expertenwiss auch nochmal wichtig um die richtige Priorisierungsentscheidung zu treffen.

00:32:01: Was zu der Frage kommt, wenn ich mich entschieden habe.

00:32:03: Ich will etwas tun?

00:32:04: Wann sollte ich ein eigenes Team aufbauen was ja irgendwie so das naheliegendste ist?

00:32:08: So nach dem Motto KI ist schwierig.

00:32:10: Schwierig muss sich selbst machen aber muss ich es immer selbst machen?

00:32:13: kann nicht vielleicht auch KI Services aushosen oder Spezialfirmen dafür benutzen?

00:32:17: Oder soll ich vielleicht sogar eine Firma akquirieren die sozusagen diese wissenschaften hat?

00:32:21: was Time to Market ist Wie seht ihr das bei Applied AI

00:32:24: Naja Die Akquise und so?

00:32:26: was ist nochmal ein anderes Thema.

00:32:27: Ich sage immer ganz grundsätzlich, muss ich es eigentlich selbst machen oder nicht?

00:32:31: Und kann ich selbst machen?

00:32:32: Das Erste ist natürlich wie strategisch das ist für mich.

00:32:35: Ja, eine Versehungsgesellschaft kann nicht Risikobeurteilung outsourcen.

00:32:39: Da hat sich keine Existenzberechtigung mehr.

00:32:41: Und da kann man sagen okay, was ist Kern meiner Business?

00:32:44: Was muss ich unbedingt selbst können?

00:32:48: Wie gut bin ich eigentlich in sowas?

00:32:50: Habe die Fähigkeiten habe ich die Daten sind typischerweise die ganz großen Themen.

00:32:53: ja wenn Wenn es tatsächlich sehr wichtig ist und ich die Fähigkeiten und Daten nicht habe, dann kommt man in der Tat sehr schnell zu dem Thema hoppla.

00:32:59: Ich muss unbedingt jemanden

00:32:59: akquirieren.".

00:33:02: Du sagst das so schön einfach ja?

00:33:04: Das gibt's!

00:33:04: Da hat man echtes Problem.

00:33:06: Die Autoindustrie hat sich, sagen wir mal darin gefunden mit autonomem Fahren.

00:33:10: Jetzt kann man alle ein Problem und da geht es schnellstens los.

00:33:12: wie schnell kann ich es aufbauen bzw.

00:33:14: was kann ich kaufen?

00:33:15: So, die andere Achse ist tatsächlich diese Anpfer-Advange sozusagen mal Panics eigentlich bauen.

00:33:20: Habe ich das Skills?

00:33:21: und wenn es unwichtig ist und ich habe das Skills nicht relativ einfach dann versuche hier einfach zu kaufen.

00:33:26: ja ich sag mal ich nehme mal Chatbots so ein Typisches Thema wo ich sage okay das brauche ich... Das hat einen gewissen Wert für mich ist aber wenn ich meine Chor-Business brauche... Brauche ich den Ding?

00:33:35: Wenn ich mich anwende da gibt's Leute die können das viel besser.

00:33:37: die haben jetzt in tausenden von ähnlichen Sachen gemacht und trotzdem muss man noch einiges wissen usw.

00:33:42: Das ist ja jetzt noch nicht so ungewöhnlich, dass Gemeine bei KI es kaufen.

00:33:47: Geht so nicht.

00:33:48: Und ich sag, kaufen geht so nicht weil KE ist nicht plug and play.

00:33:51: Meistens muss es noch an eigenen Daten mit trainiert werden.

00:33:55: ja das heißt man kann es nicht einfach fertig kaufen.

00:33:58: ein Lernalgorithmus ist trivial den kann man sich überall runterladen aber der muss ja trainiert werde.

00:34:02: jetzt gibt's vortrainierte Sachen.

00:34:03: das ist alles gut Aber in vielen Applikationen muss man eben noch weiter machen.

00:34:07: und Jetzt kommt das folgende Man muss zum ersten wenn man etwas Neues macht dann weiß man am Anfang nicht genau wie gut er performt.

00:34:15: Wie macht man überhaupt den Korn?

00:34:16: vertragt mit einem Vendor.

00:34:18: Was ist denn genau das Deliverable, wenn man nicht genau vorhersagen wird?

00:34:22: Zweitens der verwendet eigene Daten um was zu machen.

00:34:26: Wem gehört das IP an?

00:34:28: was darf er ran, darf er nicht ran?

00:34:29: und drittens die Sachen ändern sich über Zeit müssen vielleicht weiter lernen.

00:34:33: wie denkt man überhaupt über Maintenance in diesen Sachen nach?

00:34:36: und deswegen ist dieses ganze Thema was wir make or buy denn aber eigentlich ist es ein Kontinuum von Partnerschaften.

00:34:43: Wie arbeitet mit anderen Unternehmen zusammen?

00:34:46: zusammen, wir arbeiten mit Startups zusammen und so was.

00:34:49: Eines der größten Themen überhaupt!

00:34:50: Wir machen ja die KI-Startup Landscape und sowas und sind da sehr aktiv immer zu sagen wie könnt ihr eigentlich zusammenarbeiten auf?

00:34:56: Was müsst ihr

00:34:57: achten?!

00:34:57: Ein für viele Unternehmen ganz neues Feld und deswegen am Anfang bei solchen Use Case priorisieren sie unangenehm weil man nicht sagen kann okay wie schnell geht es ja und wie einfach kann ich kaufen?

00:35:07: das ist tatsächlich ein Evaluierungsprozess den Unternehmen erst lernen müssen.

00:35:12: Bei Majority ist es erst mitmachen, wenn sie mal könnte das schon.

00:35:15: Wenn die alle schon können dann ist alles sehr schnell.

00:35:17: Sehr häufig kommen wir in diese Situation, dass Unternehmen damit relativ wenig Erfahrung

00:35:21: haben.

00:35:22: Es ist also nicht so einfach, wenn wir das mal zusammenfassen.

00:35:26: KI hat zwar unglaublich viel Potenzial.

00:35:28: Ich sage immer selbst auch manchmal einfach machine learning, weil das spät erst ein bisschen runter, nämlich wir nehmen Daten, wir nehmen Algorithmus und wir machen irgendwelche Vorhersagen vom Wetterbericht der mir sagt wie das Fenster ist bis hin zu Siri die mir die Vorhnersage gibt wenn ich sie frage den Unterschied zwischen dem Zebra und einem Maultier und Siri mir einfach einen Suchergebnis gibt dazu.

00:35:46: KI hat ein Riesenpotenzial, es ist aber gerade für Firmen und das habe ich jetzt in den letzten dreiviertel Stunden unseres Gesprächs rausgehört.

00:35:52: Es ist gar kein einfacher Prozess.

00:35:53: nicht umsonst habt ihr einen sehr sehr wohl illustriertes und hoch strukturiertes, achtundzwanzigseitiges White Paper dazu geschrieben.

00:35:59: Um überhaupt das Thema KI Use Cases zu finden und zu priorisieren an einer Firma weil es ist noch schwieriger als Software Development wo man sagt mein entwickelten Feature muss vorher ganz genau wissen wohin's geht.

00:36:10: Man muss noch mehr sozusagen diese algorithmische Datenlage mit der Software verweben.

00:36:15: Having that said, das letzte Wort in diesem Podcast gehört dir Philipp.

00:36:19: Was möchtest du unseren Hörer noch mitgeben?

00:36:21: Ich glaube das wichtigste ist zu sagen man kann das Potenzial von KI schwer unterschätzen.

00:36:27: es ist ein Moving-Tages und deswegen entwickelt sich stetig weiter Und man muss sehen dass nur weil da ein Riesen halb kreiert wird heißt nicht dass anderlei nicht wirklich unglaublich viel sich bewegt.

00:36:39: die Leute müssen sich damit beschäftigen und man muss, das ist das schwierigste immer ein paar Sachen anlernen.

00:36:47: Was man in anderen Gebieten gelernt hat methodisch und darauf hinzuweisen und sich damit zu beschäftigen was hier ist eigentlich anders?

00:36:54: Was mache ich für Fehler wenn nicht einfach die traditionellen Methodenanwände ist eines der größten Themen und dann gibt es wirklich einen Universum von Sachen die man neu entdecken kann und enormes Businesswert kreieren können.

00:37:07: Das war Philipp Gerbert, Director Leid AI, eine Initiative von Unternehmertum.

00:37:12: Vielen Dank für das spannende

00:37:14: Gespräch!