Der Weg zum hier und jetzt: So steht es heute um die KI und so sieht die Zukunft aus

Transkript

Ja. Guten Morgen. Es freut mich, alle hier begrüßen zu dürfen. Schön. Sind Sie da. Ich schaue noch, ob allen, die schon reingekommen sind oder es einige sind, noch am Verbinden sind. Schau auch noch gleich im ZDF. Ähm, vielleicht können Sie noch eine Rückmeldung geben, ob Sie mich hören können. Ob Sie mich sehen können. Bin ich immer froh, wenn das alles funktioniert. Äh. Genau. Danke Frank, für den Rückmeldung. Ich gebe noch einen guten Morgen aus Thüringen und zeigt Bild und Ton. Wie immer. Top. Freut mich. Genau. Ja, Ich hoffe, bei Ihnen gibt es jetzt etwas mehr Sonne. Ich glaube, ich habe in die letzten 24 Stunden so alle vier Saisonen vorbeikommen sehen. Wir hatten mega Hagel, Regen, Gewitter, dann wieder Sonne. So alles war war wirklich ziemlich Sturm hier. Genau. Meister hat es auch erlebt. Einen stürmischen Schweiz sagt er auch. Genau. Ja, ähm. Wir sprechen heute über das Thema KI. Heute werden sie nicht nur mich sehen, aber kommt auch noch Chemie dabei? Aber ich werde heute. Das werden wir anfangen. Dann kommt später noch Termin dabei, um über einige Themen zu sprechen. Ähm. Und dann schließen wir zusammen ab. Und, äh. Ich möchte eigentlich. Bevor wir gleich in Webinar Thema einsteigen, möchte ich zuerst noch unsere Planung mit Ihnen teilen. Äh, genau. Das zeige ich dann anhand von dieser Folie. Ähm. Auch. Wow. Ja. Ich möchte Sie herzlich willkommen sagen in unserer Emailakademie. Diese Woche war das Thema ziemlich viel Kaffee, aber in der Akademie haben es ja bekanntlich auch viel mehr Themen war. Wir haben eigentlich so ja Hauptkurse zu jedem großen Thema im Bereich Marketing und ich möchte das eigentlich hier noch so auf die Folie zeigen, wie unser Jahresplan ist. Und Sie sehen ja, wir haben so in Juli haben wir eigentlich jetzt viel über KI gemacht, aber im August, wir machen nächste Woche ab nächste Woche eine kleine Sommerpause. Aber in August geben wir weiter und dann haben wir in der Akademie sprechen wir über das Thema SEO oder SEO, sprechen über Keywords, was sie alles machen sollen, wenn sie möchte, dass die Leute ihre Website finden, auf zum Beispiel Google sprechen auch noch darüber. Ja. Sollten sie eine Präsenz haben, auf Google oder auf YouTube oder auf Social Media Kanäle. Also dann sprechen wir weiter über das Thema und im September geht es dann weiter mit im Marketing Aufbau Ihrer Liste, welche TO Sie nutzen sollen, wie Sie Ihre Newsletter vorbereiten und schreiben, woran Sie dann denken sollen. Und im November Dezember geht es dann ja. Fangen wir eigentlich wieder an, ganz beim Anfang, beim Fundament von Ihrer Firma, beim Strategy. Und so gehen wir dann das Jahr eigentlich rund, damit Sie dann so die wichtigsten Thema in unserer Akademie Kurse haben zum bezahlte Werbung, zu kostenfrei freien Traffic. Was Sie wissen sollen über Landing Pages, immer Marketing usw So, das wollte ich Ihnen noch zeigen. Dann was wir auch noch ganz spannendes vorbereiten ist wir hatten schon letzte Woche ein Webinar über LinkedIn, waren viele, viele Leute dabei, haben auch die Möglichkeit gehabt, ihr Fragen zu stellen an der Kkowitz, eine Links in Experte und wir sind wirklich auch froh, dass wir noch einen Link, den Experte haben, die gerne ein Gastredner sein will in unserer Economy. Also wir werden in August, also ein August. Anfang September haben wir noch zwei Webinare geplant. Zu LinkedIn machen wir mit eine andere Gäste werden noch nicht so viel darüber sagen, aber das sind wir jetzt auch am Vorbereiten und da wollen wir dann auch schauen, wie wir mehr auch noch in die Praxis gehen, in die Umsetzung gehen können und ihnen Tipps geben, wie Sie selbst auch mithilfe von Copycockpit Apps dann Ihre LinkedIn Beiträge richtig schreiben können. Also das ist alles noch, was wir geplant haben. Aber jetzt gehen wir zum Thema von heute. Ja, also jetzt sprechen wir über die künstlichen Intelligenz und ja, wir haben so eine Serie, um eigentlich etwas so so breiter, grober zu schauen. Okay, was ist eigentlich künstlichen Intelligenz? Was sollte ich darüber wissen? Wie funktioniert das? Welche Frage, welche Bedingungen soll ich haben, damit ja sie eigentlich so auch wirklich auf der Stand der Dinge wissen und sie dann auch im Gespräch, im Alltag vielleicht mal auf einem Geburtstagsparty oder so auch darüber mitreden können, auch ihre Meinung geben können und auch soll ja eigentlich etwas mehr wissen nur als dass wir zum Beispiel im Cockpit so haben. Heute sprechen wir über Der Weg zum Hier und Jetzt. Wie ist es heute mit der KI und wie sieht die Zukunft aus? Ein spannendes Thema und ich werde so ein bisschen anschauen, noch mit auf die Vergangenheit zu schauen und dann wird James übernehmen, um auch über die Stand der Dinge von heute zu sprechen und die Zukunft anzuschauen. Es ist davon eine sehr wie Sie finden das auch in der Akademie. Also jetzt haben wir auch hier bei die Kategorien so ein Thema künstlichen Intelligenz hinzugefügt. Und wenn Sie dann darauf klicken, dann kommen Sie auch auf vergangene Webinare. Und hier finden Sie die 01. zwei Zeile diese Serie. Wir versuchen so jeden Monat ja so ein grobes KI Thema, ein eher philosophieren das KI Webinar auch zu machen. Und hier finden Sie dann die 01. zwei Zeile AG. Werde ich auch noch kurz in Chats teilen, aber jetzt gehen wir los mit die Folien für heute. Genau es. Ja. Das haben wir besprochen. Ja. Wir finden uns jetzt mitten in der vierten industriellen Revolution. Wir haben hier so eine Übersicht. Ende 18. Jahrhunderts hatten wir die erste industrielle Revolution mit Wasser und Dampfkraft, die gekommen war. Das hatte dann die Möglichkeit gemacht für die mechanisierte Produktion. Zu Anfang des 20. Jahrhunderts haben wir dann Elektrizität erfunden und das hat dann wieder neue Möglichkeiten eröffnet für Massenproduktion. Und so Mitte 20. Jahrhunderts, also so 506070 Jahren. Dann sind die IT und Elektronik gekommen und das hat dann viele Möglichkeiten eröffnet für die Automatisierung. Und heute? Ja. Es ist immer schwierig, wenn man noch so mittendrin einen. Einen? Ja. All diese Erfindungen, die Innovationen ist so wahrscheinlich. Wenn wir 20 Jahren weiter sind, können wir hier das auch etwas kürzer umschreiben. Aber heute sind wir wirklich in einem vierten industriellen Revolution, wo die künstlichen Intelligenzen. Mega wichtig ist. Aber es geht da auch noch um viel mehr Sachen wie zum Beispiel Robotik, 3D, 3D Druck, Big Data, Internet der Dinge, Genome, Editierung, Augmented Reality. Und das ist eigentlich so eine Verschmelzung unserer physischen, digitalen und biologischen Welten. Was so zusammenkommt. Und deshalb denkt ihr ja, es ist wirklich auch wichtig, dass wir verstehen. Okay, Was? Was ist jetzt da los? Was kann die KI dann jetzt? Was sind die Möglichkeiten? Wie sind wir so weit gekommen? Und ja, wie wird die Zukunft aussehen? Ist das nur positiv? Gibt es auch Gefahren? Gibt es auch Risiken? Und Und was sollen wir eigentlich darüber wissen? Mit welche Gedanken sollen wir uns beschäftigen? Genau deshalb diese Serie. Und wie gesagt, wir haben schon zwei Teile dafür gehabt und jetzt sprechen wir dann über Was ist der Stand jetzt? Ein Monat her. Also im letzten Teil haben wir uns angeschaut. Ja, wie? Wie war die Geschichte von der KI? Wie hat sie sich entwickelt? Ben war zum Beispiel die erste künstliche Intelligenz, die erste Maschine, die wirklich intelligent war. Wie funktionieren diese Algorithmen? Wie hat sich das mit der Zeit entwickelt? Und da haben wir hier drüber gesprochen und das sind eigentlich so mit einem Cliffhanger aufgehört, haben über verschiedene Sachen gesprochen, aber haben wir eigentlich immer noch nicht darüber gesprochen? Wie geht die künstliche Intelligenz dann in die reale Welt? Und das ist, wo wir jetzt am weitergehen. Also ich mache noch ein klein bisschen Geschichte, kann ich sagen. Und dann, wie gesagt, wird James übernehmen. Und schauen wir uns auch wie Stand jetzt und in Zukunft an? Genau, Jim Knopf. Dann war diese Zeile zehn. Aber zuerst möchte ich noch etwas mehr sagen über künstlichen Intelligenz, wie die Algorithmen funktionieren und wie sie sich entwickelt haben. Vieles davon ist inspiriert auf diesem Buch. Das ist ein Buch, was ich empfehlen kann. Es ist, muss ich sagen, ziemlich schwierig zu lesen, aber hat wirklich viel, viel Themen rein. Und ja, sie haben diesem Buch schon öfter gesehen in die Werbung, aber ich konnte da auch wirklich viel rausnehmen, um hier mit ihnen zu teilen. Ich habe noch keine deutsche Übersetzung davon gefunden, außer hier ist auf Englisch, dass das auf Englisch zwei verschiedene Covers mit zwei bisschen Titel, aber das sollte das ähnliche Inhalte sein. Und ja, was ist künstlichen Intelligenz? Das werde ich jetzt nicht zu lange besprechen, weil Sie wissen schon Bescheid? Wahrscheinlich. Aber ich möchte hier nochmals betonen Die künstliche Intelligenz ist wirklich, dass wir Inputs haben. Also sind Eindrücke, Informationen oder Sprach oder Probleme, die geben wir eine Maschine und da kommen wir zu Outputs. Das sollten dann Lösungen sein oder Wissen erzeugen, Erreichen von Ziele. Aber das Wichtigste ist es ist, ohne dass wir es programmiert haben. Also bei die traditionellen Software ist es immer so, dass wir sagen okay, Maschine aus A passiert, macht am B aus, K passiert, macht dann B aus. Das und das zusammen passiert, macht dann E Und so persönlich ist das A jetzt etwas simpel gesagt, also vereinfacht gesagt. Aber grundsätzlich ahmen die Leute dann wirklich immer vor programmiert, was die Maschine machen muss. Und bei der künstlichen Intelligenz ist das radikal anders. Wir haben einen Impuls, wir haben ja einen Intelligenz, die das verarbeitet und dann kommt es zu einem Output. Und wie funktioniert das dann? Ja, das funktioniert mit Nora. Neuronale Netze. Das ist wirklich auch inspiriert. Die Maschinen und wie sie zusammen zusammen entwickelt sind, das inspiriert auf die Gehirnforschung, die Gehirnforschung, die wir schon in der 40er Jahren hatten, vom letzten Jahrhunderts, also 1940 usw. Und das hat dann ja Neuronen. Und in diesem Fall hier haben wir in 1957 oder 58 war eigentlich die erste Künstliche Intelligenz Maschine. Das war der Strom. Das konnte dann von Katzen die gezeigt werden und sagen okay, ist dann ein Bild am linken oder am rechten Seite auf diese Katze. Und das war aufgebaut mit diese neuronalen Netzwerke, das hat ein Neuron. Es hat sie dann Eingaben und das Neuron hatte damit Gewichtungsfaktoren einen Output gegeben und das werde da trainiert und noch eine Menge an Trainingsdaten. Kommt das dann von neuer Katze sagen okay, der Figur ist auf der linker oder auf dem rechte Seite. Und das Zusammenleben ist dann gemacht mit einen Optimierungsalgorithmus. Und wie das dann funktioniert, sehen wir auch noch auf die nächste Folie. Und das ist wirklich so eine 50er Jahren. Das war die Grundlage für das maschinelles Lernen. Also es ist auch wirklich die Grundlage für alle KI Systeme, die wir jetzt heutzutage haben. Und sie? Funktioniert das dann? Ja, das war dann trainiert mit. Das heißt dann so schön einen stockastischen Gradienten Abstieg. Und was bedeutet das dann eigentlich diesem Auge? Auge, Rhythmus Und diese Art und Weise, dass sogar schießt, bedeutet eigentlich so viel wie zufällig. Also ein zufälliges Trainingsdatum Punkt wird ausgewählt. Das wird in diesem Neuronen, in diesem Modell eingegeben. Das Modell gibt dann eine Ausgabe und wenn das korrekt ist, super. Aber wenn es nicht korrekt ist, dann muss eine Gewichtung ungsfaktor ja ein bisschen angepasst werden in die richtige Richtung. Und das ist dann diesen Gradienten Abstieg von diesem Name. Und dann werden wir das Ganze wiederholen, bis dann das Modell gut funktioniert und dann können wir es auch auf neuen Daten versuchen, was dann zu Output kommt. Genau. Dann habe ich hier noch kurz einen Überblick, wo. Wenn wir Maschinen etwas lernen wollen, können wir das eigentlich auf drei Arten und Weise machen. Zuerst haben wir diesen Anzug auf Eis Learning oder in überwachtes Lernen. Und eigentlich geben wir dann eine Maschine. Diese neuronalen Netze geben über einen Megahäufer an Daten und sagen mir okay, mach Sinn aus diesen Daten, erkennen Muster. Was siehst du daraus? Und dann kann man denken an Texte, Text, Modelle. Und da hatten wir schon in so zehn Jahren her eine Modell, was dann zum Beispiel Zusammenhänge sehen konnte in Texte und Zahlen. Okay, Peking in China, das hat so einen Zusammenhang, einem Muster. Und wenn ich dann Paris eingeben würde, dann würde es mir sagen okay, das gehört dann zu Frankreich. Aber das ist dann eigentlich so einen ähnlichen Muster, einen ähnlichen Zusammenhang wie Peking und China. Also das war dann schon so zehn Jahren her, die Stand der Dinge etwas moderner. Dann haben wir noch eine zweite Art und Weise, wie wir die Maschinen etwas lernen können und das ist das Super Learning oder das überwachtes Lernen. Und da haben wir eigentlich so Beispiele in unsere Trainingsdaten, die wir unsere Maschine füttern oder womit wir unsere Maschinen etwas lernen. Und die Maschine wird dann einen Output geben. Und da können wir zum Beispiel auch denken an die Bilderkennung, außer wir geben die Maschine 110.000 Bilder von Katze und vom Hunde. Und dann haben wir vorher das schon selbst von Hand oder auf eine andere Art und Weise sagen müssen okay, was ist eine Katze, was ist ein Hund? Also das sind dann diese kategorisiert den Beispielen, diese diktierten Beispielen und nach so viele Menge Training Starts, dann kann die Maschine es dann selbst sagen. Wenn ich ein neues Bild zeige vom eine Katze, dann weiß ich okay, das ist eine Katze. Wenn ich dann einen Hund zeige, ist ein Hund. Aber das können wir auch mit anderen Sachen machen. Und ein Beispiel, was im Buch besprochen wird, worüber wir später noch zu sprechen kommen, ist zum Beispiel, wie man rechtliche Risiken bewerten kann. Und das hat man dann gemacht anhand von ja vorheriger Fälle, wo Leute etwas gemacht hatten. Sie hatten dann einen Straf gehabt und anhand von dieser rechtlichen Aussagen wird dann geschaut, okay, wie können wir dann die Risiken einschätzen für neue Fällen? Wenn die Polizei neue Leute von der Straße geholt hat? Genau. Eine dritte Kategorie ist dann das wie im Volksmund Learning oder das Bestärken, alles Lernen. Und da haben wir eigentlich nicht diese mega Menge an Daten, wie wir hier bei diesem Learning haben. Wir haben auch nicht diese gezielten Beispiele, wie wir zum Beispiel bei dieser Bilderkennung haben. Nein, dann sagen wir okay, künstlichen Intelligenz. Ich werde dir belohnen, wenn du die Sachen richtig machst. Und dann werden wir selbst ja nicht die künstlichen Intelligenz erklären, was dann die Belohnungen sind. Und wir werden dir bestrafen, wenn du etwas falsch macht. Und die künstliche Intelligenz wird dann herausfinden okay, was muss ich eigentlich machen, damit ich so viel möglichst Belohnungen haben können und so wenig wie möglich Bestrafungen. Und da haben wir dann Beispiele, wie die künstliche Intelligenz selbst Computerspiele spielen kann. Sie haben das dann zum Beispiel gemacht, dass ein Computer oder eine Maschine die Atari Games spielen konnte, wie zum Beispiel in Bau, also Flipper bauen und das dann auch viel besser Geschäft hat geschafft hat als Menschen. Genau. Und das ist dann eigentlich auch so diesem starken es lernen, einem Weg, den man gehen kann, um zu versuchen zu einen Ausweg KI oder eine allgemeine Intelligenz zu kommen. Und das funktioniert auch so wie diese Belohnungen und Bestrafungen. Und man kann dann zum Beispiel sagen okay, beste KI, ich belohne dir schon, wenn du in die richtige Richtung geht. Also schon ein kleines bisschen Belohnung und dann eine große Belohnung, wenn du wirklich das machst, was ich wollte, dass du machst. Und das kann man ein bisschen so vergleichen, wie man zum Beispiel Tiere auch trainieren würde. Also wenn man sagt, ich habe hier eine Taube und ich möchte gerne haben, dass eine Taube durch eine Reifen hüpfen wird. Ja, das wird diese Taube nicht vom Nichts ausmachen. Da müssen wir, das hab ich schon ermutigen, sondern können wir zum Beispiel sagen, wenn diese Taube schon einen ersten Schritt in die richtige Richtung macht, dann werde ich das belohnen mit etwas Leckeres. Und wenn er dann noch einen Schritt macht und dann können wir so daran arbeiten, dass es durch diesen Reifen kommt. Und so können wir das eigentlich auch machen mit der künstlichen Intelligenz, dass wenn es schon die richtige Richtung geht, haben wir eine Belohnung und die künstliche Intelligenz wird also versuchen, die Belohnung zu maximieren. Ich habe schon gesagt, sie haben das dann auch ausprobiert mit Spiele außer Computerspiele. Und da hatte das eigentlich diese Idee mit Belohnungen auch gut funktioniert. Außer bei einem Spiel und davon habe ich hier ein Bild. Das Spiel ist Montezumas Revanche. Wir sehen hier, das ist wirklich auch ein altes Spiel von der 80 er Jahre und das Coda ist von diesem Spiel, das man so verschiedenen Aztekentempel erkundigen muss. Da hat's viele Hürden, die muss man überwinden und dann findet man einen Schatz. Da hat diesem System mit Belohnungen auch nicht gut funktioniert. Aber man hat versucht, die KI wie im Spiel zu spielen lassen. Aber das hatte gar nicht gut geklappt. Hier in diesem Spiel hat es eigentlich nicht so viele Belohnungen und wenn man etwas versucht, dann, ja dann macht man etwas falsch und man muss mal wieder von null auf anfangen und dann hat man auch geschaut Ja, aber wie lernen Menschen eigentlich wie? Wie machen Menschen eigentlich, wenn sie etwas lernen wollen, wenn sie etwas lernen müssen? Und haben sie so in diesem sozialen Wissenschaft dann auch herausgefunden? Ja, eigentlich ist Neugier auch ein wichtiges Ingredienz und sie haben dann Neugierde in diese KI reingebracht durch eigentlich zu sagen okay, wir werden die belohnen, wenn du etwas Neues machst, was du noch nie vorher gemacht hat. Und so hat die KI dann anhand von diesem Neugier die oder es geschafft, diesem Spiel zu spielen. So Zufälligkeit, dass wir gesehen haben mit diesem stochastischen gravierend Abstieg. Das war nicht genug. Diese Belohnungen waren auch noch nicht genug. Da brauchen wir auch Neugierde, um eigentlich die KI dazu zu bringen, neugierig zu sein und etwas zu versuchen, ausprobieren zu gewinnen. Dann. Ist eigentlich die Frage okay. Was, wenn wir dann das in die reale Welt bringen werden? Außer die Beispiele, die wir jetzt gesehen haben, ist alles ganz schön. Wir können dann eine KI belohnen. Wir können dann eine KI diese Computer Spiel spielen lassen. Aber schlussendlich wollen wir ja, dass die KI auch in die reale Welt kommt. Und einem Beispiel davon sind die selbstfahrenden Autos. Und da ist die Frage ja, wie können wir dann die KI so machen, dass es ein Auto fahren kann für uns und dass es auch sicher ist? Und da ist dann die Frage ja, können wir die KI dann eigentlich Sorgen Muster erkennen lassen, genau wie wir es bei diesem Sprachmodell machen? Können wir die KI etwas zu Fuß abschauen und machen lassen, wie bei diesem Gradient stochastischen Gradient Abstieg? Aber eigentlich wollen wir nicht, dass das ein Auto zufällig etwas macht und dass es dann schaut. Okay, war das richtig oder nicht? Ja, beim Auto haben wir dann eine zu große Chance auf Unfälle und das möchten wir ja nicht. Habe möchte mir dann das eine Auto. Neugierde hat ja wäre vielleicht doch auch nicht so gut weil wenn es dann denkt oh mal schauen was passiert wenn ich nach links gehe ja komm doch auch nicht so eine gute Entscheidung sein. So, da war dann die Frage ja, wenn wir, wenn wir Auto selbst fahren lassen wollen, welchen Art von KI brauchen wir dann und wie können wir die Autos dann wirklich intelligent machen? Und da war eigentlich schon von Anfang an die Idee okay, das machen wir mit Vorzeigen und Nachahmen. Also wir zeigen ein Auto wie wir selbst fahren und sagen die Autobahn, okay, mach's genau so, wie ich es gemacht habe. Und die Vorteile davon sind, dass sie ein System wirklich auf Ihre Wünsche abstimmen können, ohne dass Sie das dann bis zum im kleinsten Detail formulieren müssen. Also wenn wir ein Auto oder eine Maschine erklären müssen, wie man Autofahren muss, wirklich alle Details, alle Schritte erzählen muss das ist ziemlich kompliziert. Braucht man viele Inputs, braucht man auch eine Menge Arbeit vom Menschen, um das zu erklären. Aber wenn man sagt Nein, ich fahr einfach eine Strecke und die Autos sieht dann, wie ich es mache, die Maschine sieht, wie ich das mache und kann es dann nachahmen. Ja, das ist eigentlich einfacher zu machen. Und einen zweiten großen Vorteil ist auch es ist mehr sicher, als wenn wir das Auto sagen würde okay, mach etwas mit Versuch und Irrtum und besonders in Bereichen, wo man keine kritische Fehler machen darf. Also ist diese Weise von Vorzeigen und Nachahmen eine gute Art und Weise. Und da kann man dann mit dieser Nachahmung auch dran denken, zum Beispiel im medizinischen Bereich, außer wenn man einen Roboter lernen will, wie zu operieren. Auch da würden wir nicht so gerne in diesem Versuch und Irrtum haben, werden wir auch nicht so gerne die Neugierde haben. Nein und möchten wir eigentlich gerne, dass wir einen Chirurg haben, der es gut macht und dass die künstlichen Intelligenz das dann nachahmen wird, damit wir das Risiko auf Fehler so viel wie möglich minimieren können. Das Nachahmen haben sie dann auch gemacht bei diesem Spiel, diesem zu Revanche. Und da hatte es auch Sinn. Schon jetzt haben Sie eigentlich die künstlichen Intelligenz Videos anschauen lassen von Leute, die das Spiel gespielt haben auf YouTube? Und wenn die Intelligenz und diese Videos sich angeschaut habe, dann hat es schon besser funktioniert als bei diesem starken Es Lernen Algorithmus. Aber in diesem Fall war noch immer die Neugierde besser. Und das bedeutet auch, man muss wirklich bei der künstlichen Intelligenz auch schauen, okay, was, wofür nützen wir diese künstlichen Intelligenz und wie können wir diese künstliche Intelligenz am besten trainieren? Welche Algorithmen brauchen wir da wohl? Je nach Situation ist das auch eine anderer Ansatz. Also wenn wir einen künstlichen Intelligenz brauchen, in diesem Spiel zu spielen, brauchen wir diesen Ansatz mit Neugierde. Aber wenn wir ein Auto sie aufs Fahren lassen, dann brauchen wir diesen Ansatz nicht nachahmen. Und es ist dann wirklich auch unterschiedlich, je nach Einsatz. Diese Nachahmung hat jedoch auch Risiken und Nachteile und eine davon ist zum Beispiel eine über Nachahmung aus. Aber wenn die KI dann jeden Schritt macht, die wir zeigen, dann wird es auch die Schritte machen, die nicht relevant sind. Und das kann man vergleichen. Wenn ich zum Beispiel hier zeige, okay, wie machen wir hier ein Webinar in unserem Raum und ich fange immer an mit mal zu räuspern, dann wieder jemand, den wir nachahmt, das auch machen, obwohl das ein Schritt ist, die wir gar nicht benötigen. Einem großen Problem ist das Lernen, sich zu retten. Wenn wir lernen von einem Experte und wenn die KI lernt von einem Experte, wird es auch nie Fehler sehen. Und wenn man nie Fehler sieht. Das ist eigentlich auch so genau wie wenn wir Menschen etwas lernen möchten, wenn wir nie Fehler sehen. Ja, wir. Wir sind nicht perfekt. Wir sind noch keine Experte. Wir werden unbedingt Fehler machen. Und dann ist die Frage ja wie, wie die retten wir uns dann? Dazu kommen wir noch einen dritten Problem oder einen dritten Nachteil von diesem Ansatz mit Nachahmen ist, dass es dann auch schwierig ist zu übertreffen, wenn wir nur nachahmen, wenn wir auch nicht besser werden. Also ein Schüler wird dann auch nie einfach besser werden als der Experte. Und wir wollen, dass die KI Problemen für uns löst, die wir selbst jetzt noch nicht lösen können. Also wie können wir die KI dann dazu bewegen, uns einen vierten Nachteil oder einem Fehler? Das Risiko ist. Ja, es kann auch sein, dass es überhaupt keinen Sinn macht, ein Experte zu imitieren. Also wenn ich zum Beispiel. Ähm. Ich kann Autofahren, Aber wenn ich zum Beispiel denke, okay, ich möchte gerne auch so gut Autofahren wie Max Verstappen in diesen Formel1, dann kann ich ihm anschauen, was ich will. Aber wahrscheinlich ist die beste Lösung für mich, das überhaupt nicht zu probieren und nur zufrieden zu sein mit ihm anzuschauen. Und da ist dann eher die Frage ja, soll man das machen, was man denkt, was man erreichen kann, außer vielleicht gar nicht mal so gut? Ähm einen Formel1 Wettbewerb oder einem Race fahren wie in. Aber die Realität ist wahrscheinlich, dass ich das gar nicht schaffen werde, dass es viel zu viele Unfälle geben wird und dass ich das am besten nicht versuchen. Und das heißt dann so in diesem IT Bereich, also in diesem Bereich der künstlichen Intelligenz, wollen wir, dass eine KI etwas und sie macht, wie es lauter Realität ist. Oder wollen wir, dass er es oft macht, dass er denkt okay, aber welche beste Ergebnis kann ich erreichen? Aber das ist eigentlich nicht so, ja eher mehr mit Hoffnungen zu tun als mit Realität. Und wieder zurück zum Beispiel von ich selbst, von Autos. Dann kann es sein, dass wir sagen okay, Auto, wir wollen, dass du immer die kurze Strecke macht, aber wenn die kurze Strecke dann auch über eine Strecke geht, die ziemlich gefährlich ist, zum Beispiel in die Berge und es ist wirklich am Rand von die Berge und und da hat es auch Absturzgefahr. Ja, vielleicht ist es dann doch, dass wir sagen okay, hier machen wir nicht diese Nachahmung hier beste Auto. Ist es eigentlich besser, wenn du einen anderen Weg nimmst, obwohl diesem Weg etwas länger ist? Dann komme ich doch zurück auf diesem Lernen, sich zu retten und ähm ja, da. Was war dann die Frage? Okay, denn wenn wir einen selbstfahrenden Auto haben möchten und die KI sieht nur einem Beispiel wie wir gut fahren, wie kann die KI dann lernen, sich zu retten, wenn es einen Fehler macht? Außer wenn es nur gut aussieht, wenn ich richtig fahre? Ja was? Wie kann die KI dann lernen, wenn es etwas zu viel nach rechts geht? Oder es geht etwas zu viel nach links oder es gibt zu viel Gas oder es bremst zu spät. Wie? Wie lernt sich dann zu retten? Vor dem Gefahr ist auch, wenn jemand etwas nachahmt. Das ist so eine Kaskade von Fehlern. War er diese Person oder diese KI, die nachahmt? Sie kommt damit in eine Situation, die man noch nie erfahren hat. Weiß man eigentlich nicht. Gut, wenn man etwas falsch macht. Die das wieder zu korrigieren wird dann wieder etwas machen, damit es noch immer schlimmer war, es noch schlechter wird, das zu erkennen. Und so wird es wirklich schlimmer und schlimmer und schlimmer. Und wir werden nicht bei unseren selbstfahrenden Autos diesen Kaskaden von Fehler haben. Und dann haben sie zuerst wieder versucht in einem Spiel. Ja, wie können wir die KI lernen, Auto zu fahren? Und sie haben das dann gemacht mit diesem Spiel. Super Zug Scratch. Und sie haben dann gesagt okay, können wir etwas machen mit Interaktion und können wir dann das testen? Samsung getestet und gesagt okay, die KI muss selbst diesen Spiel lernen. Also es ist eine kurze Strecke, muss eine Runde fahren und das war wirklich schwierig für die KI das zu lernen Und sie haben es dann so gemacht und gesagt okay, einem Mensch wird das Spiel auch spielen an diesem Joystick im Hans macht genauso ob wie er es spielen würde und dann auf wirklich zufällige Momente wird entweder an diesem diesem Code gespielt von der KI oder von diese Person, die gleichzeitig mit dem Joystick auch am Fahren ist. Und so auf diese Art und Weise kommt sie die KI dann eigentlich wirklich gut lernen. Okay, in diese Situation soll ich das machen, in diese Situation? Soll ich das machen? Und so hat ein Mensch eigentlich ja eine Interaktion gehabt mit der KI haben sie zusammen diesem Fahrzeug gesteuert und um sie die KI da vom Lernen. Und so braucht es eigentlich nur drei von diesen Runden, drei von diesen Strecken, bevor die KI dann verstande hatte, wie es zu machen und das es selbst spielen konnte. Eine andere Art und Weise. Das war ein Experiment, das Sie hier in der Schweiz gemacht haben, ist, dass Sie gesagt hatten Ja, wir wollen eigentlich, dass eine Drohne selbst einen Wanderweg in den Bergen fahren kann, zum Beispiel zur Überwachung oder zur Kontrolle. Und da war dann auch die Frage Ja, wie können wir denn Drohne dann dazu bewegen, dass er sicher die Wanderwege hervorgekramt? Haben Sie zuerst versucht zu erklären KI, Wie sieht ein Wanderweg aus? KI Wenn man in einem Wald ist, wie sieht dann einem Wanderweg aus? Wie sind die Bäume aus? Aber das war ziemlich schwierig und aufwendig und hat auch nicht so gut funktioniert. Und dann sind Sie auf die Idee gekommen Okay, wir lassen einem Mensch einem Wanderweg laufen und er hat dann eine Helme mit darauf verschiedene Kameras. Also eine Kamera schaut nach vorne und dann können wir die KI sagen Wenn du das siehst, dann sieht es gut aus. Mach so weiter. Die Person hat eine Kamera nach links und kommt zu sagen okay, wenn du das sieht, dann musst du zu ihr nach links, Kranke, dann nach rechts, um wieder zu zu diesem Bild von vorne zu kommen. Und genau das gleiche für eine Kamera, die nach rechts geschaut hatte. Wenn du das sieht, gehe da nach links, um dich wieder zu korrigieren. Und das hat sehr gut funktioniert Und so kommt sie diesen dran dann auch erwähnen, um selbst Wanderwege zu fahren. Aber auch das war eigentlich noch ziemlich aufwendig, um diese Bilder zu generieren. Und auch wenn wir dann wieder sprechen über die selbstfahrenden Autos, dann ist doch eigentlich auch nur noch schwierig, um das alles zu erstellen, damit man genügend Inputs hat. Komme ich noch zu diesem Punkt. Also wenn man nur imitiert, dann ist wirklich auch schwierig zu übertreffen. Und da habe ich dann die Beispiele von Schach und Go Spiele und wie die KI dann die Weltmeister eigentlich übertroffen hat. Also in 97 hat einen Computer der derzeit weltweit beste Schachspieler übertroffen. Aber eigentlich war das nicht ganz fair, um zu sagen das war wirklich gegen einen künstlichen Intelligenz Maschine war. Eigentlich hatte Kasparow dann gespielt gegen einen riesigen Datenbank von Großmeister mit blendender Geschwindigkeit war die Blue hatte eigentlich einfach einen Datenbank von viele, viele, viele Schachspieler und konnte dann so schnell in diesen Datenbank schauen. Okay, wenn jemand das macht oder wenn wir dieses jetzt schon habe, soll ich das machen, damit ich besser oder einem einem besseren Schach gespielt habe? Und es war eigentlich nicht so, dass die Blue, diese Computer, wirklich das Schachspiel verstanden hatte. Es war wirklich Statistik, basierend auf einen Datenbank vom Spielen vom Menschen. Und genau das gleiche war dann eigentlich so bei Google. Wenn man das Go Spiel von einem Computer machen wollte. Auch das war wieder das Erkennung von Mustern in einer riesigen Datenbank mit menschlichem Beispiel. Oder nur erst in 2017? Also auch nur noch einige Jahren her, Nur fünf Jahren her. Dann hatte man diesen Auftrag auch gesagt. Nein, wir brauchen da einen anderen Ansatz. Wir machen einen Auftrag aus Zero. Und das bedeutet, wir machen wirklich ohne menschlichen Daten da rein, wirklich mit null Daten. Die künstlichen Intelligenz muss wirklich das Spiel lernen von diesen Regeln und so, so das Spiel lernen. Und dann haben sie eigentlich so auch mit Belohnungen diesen Algorithmus gemacht. Und hier haben sie dann auch so einen System von schnelles und langsames Denken reingebracht. Und da haben Sie zum Beispiel so es so gemacht, dass ja eigentlich auch genau wenn Sie, wenn Sie Schachspielen überhaupt oder Go, dann haben Sie auch wahrscheinlich so bei bestimmte Positionen auf auf dem Spiel, dass Sie denken okay, ja, hier muss ich unbedingt das machen, das macht wirklich, wirklich Sinn. Das ist eigentlich unsere schnelle Denken. Aber wir haben dann auch momentan, dass wir langsam denken, dass sie wirklich schauen, okay, wenn ich das mache, was wird dann mein Gegenüber machen? Was wird dann passieren, wenn ich das mache? Was wird mein Gegenüber machen? Was wird dann passieren? Und dann müssen wir wirklich komplexer Analyse machen. Und hier in diesem Go Zero haben sie dann ja ein Algorithmus gebaut, was dann eigentlich so schnell Denken gemacht hatte und diesen langsamen Denken. Aber mit diesem schnellen Denken wurde es dann eigentlich schnell sagen okay, ich werde das machen. Und in diesem langsamen Denken würde dann überprüft Hat das Sinn gemacht oder nicht? Und so mit diesem schnellen und langsamen Denken würde dann eigentlich auch die Vorhersagen vom schnellen Denken immer verbessert. Aber was hat sie an diesem Feedback, ob es gut war oder nicht? Und so kommt es dann eigentlich Go spielen lernen und. So konnte es eigentlich in nur drei Tage zu trainieren und zu spielen gegen sich selbst konnte es diesem Go Spiel meistern und dann auch den Weltmeister verschlagen. Genau. Und das ist eigentlich auch so, was wir selbst im Alltag machen können. Wir haben in unserem schnellen Denken und unserer langsamen Denken und mit unseren langsamen Denken können wir auch diesen schnellen Denken immer verbessern, dass wir da auch zu bessere Entscheidungen kommen. Also wir haben jetzt noch nochmal darüber gesprochen, dass wir die KI Belohnungen eingeben, dass wir die KI Beispiele geben, dass wir das nicht füttern müssen. Aber jetzt ist auch die Frage ja, können wir die KI eigentlich auch so machen? Können wir eine Maschine so machen, dass dies auf unsere Ziele schließen lässt? Und ich werde das erklären mit einem Beispiel. Also wenn ich zum Beispiel diesen Aufruf habe, möchte ich hier auf diesem Bild und ich reiche, Aber ich bin nicht groß genug, ich komme nicht dazu. Ja, wenn wir dann eine Maschine haben, die nachahmen, wird das steht die Maschine einfach neben mir und steht dann auch so, Aber eigentlich möchten wir haben, dass diese Maschine versteht. Hey, dieser Mensch möchte dieses Auto haben. Ich werde es für diesen Mensch pflücken und es dann dieser Mensch geben. Und das ist etwas, was für uns Menschen ziemlich einfach ist. Also wenn Sie im Supermarkt sind und Sie sehen, jemand reicht zu etwas ziemlich hoch, dann werden Sie fragen Kann ich Ihnen helfen, das rausnehmen und diese Person geben? Aber für eine Maschine ist das noch ziemlich kompliziert. Aber eigentlich ist es mega etwas mega spezielles, was wir aus Menschen können, dass wir so observieren können, dass wir dann nicht nur sehen, was passiert, aber dass wir auch wirklich so uns überlegen können und denken okay, das ist eigentlich das Ziel, das diese Person erreichen möchte. Was ist an den Hürde auf dem Weg und was kann ich machen, um diese Hürde wegzunehmen? Und die Frage ist ja, wie können wir das dann auch machen bei unserer KIs, dass die Maschine ja wirklich die Absichten kann erkennen und dass die Maschine uns hilft, die Hindernisse auf dem Weg zu erkennen und wegzunehmen und uns zu helfen. Und dazu, ja, wird dann gedacht an Algorithmen. Die heißen dann wie es im Real oder im Fernsehen im Volksmund Learning and Learning war. Das bestärken, es lernen und jetzt machen wir das eigentlich umgekehrt, also im Volksmund Learning Learning sagen wir okay, KI, wenn du bestimmte Falten hat, werden wir dir belohnen. Aber jetzt werden wir noch sagen Okay, KI, du musst eigentlich selbst herausfinden, welche Belohnung wir oder welchem Verhalten wir belohnen werden. Uns äh, ja, ich muss dann eigentlich so schauen okay, welche, welche Verhalten wird von mir erwartet? Das Wann werde ich dann belohnt, um das herauszufinden und dann die Belohnungen zu optimieren? Und in Theorie wird gesagt ja, äh, wenn wenn dann die erste Wissenschaftler mit dieser Idee kommen waren, haben andere Leute gesagt Ja, nein, aber das ist wirklich unmöglich war, wenn eine Maschine schauen muss okay, welche Belohnung wird von mir erwartet? Wie kann ich das dann optimieren? Dazu gibt es eigentlich nicht eine richtige Antwort. Also da die KI wird das nie schaffen, weil es nicht nur einen richtig oder falsch gibt. Und es kann auch sein, dass die KI uns Menschen anschaut, eine Bedeutung. Das sieht aber, dass wir eigentlich gar etwas gemacht haben und keine Bedeutung dabei haben. Aber sie haben es dann doch auch in der Praxis getestet und das hat eigentlich erstaunlich gut funktioniert. Und das haben sie zum Beispiel auch mit selbstfahrende Autos gemacht. Und die Maschine hat so eigentlich ja Ziele erkennst, die wir Mensch haben, wenn wir selbst Auto fahren zum Beispiel. Wir wollen andere Autos nicht rahmen, Wir wollen nicht von der Straße abgekommen, wir wollen rechts bleiben, wenn wir fahren. Und so wie selbstfahrende Autos das eigentlich viel einfacher und viel schneller erkennen, als wenn wir das mit all diese Mengen an Trainingsdaten füttern müssen. Und hier gibt es dann auch noch einem Beispiel von Hubschrauberflips. Da hatte man das dann probiert mit. Ich werde den Link auch noch in Jets teilen. Das ist ein Interview mit Die Leute, die das gemacht haben, sieht man auch noch. Schöne Bilder. Also man wollte das einen Hubschrauber Philipps machen würde, die selbst einen guten Piloten nicht scheuen konnte und ein Pilot hat es dann versucht. Hat es nie geschafft diesen Flip zu machen. Aber doch hatte die KI dann auf auf mit diesem Auge Rhythmus erkennt. Hey, das ist zwar diese Person versucht was er erreichen will und die KI konnte das dann perfektionieren. Ein anderes Beispiel. Vielleicht, wenn Sie das sehen, denken Sie aus dem Bild Was ist das denn? Ich werde auch diesen Link in Chat teilen. Ähm, ich werde vielleicht, äh. Ja, ich werde es ihm jetzt sagen. Können Sie es später noch ansehen? Aber was Sie hier sehen, ist einfach ein Bein. Ein viertes Bein. Und Sie haben dann gesagt Ja, wir haben jetzt oft mit ihm in Belohnungen das gemacht, in Computerspiele. Aber bei Computerspiele kann man wirklich eine Belohnung in Zahlen haben. Also wenn man Pin Maus Spiel zum Beispiel, kann man einfach sagen ja, okay, wie viele Punkte hat man? Aber jetzt hat man gesagt ja, wir wollen das dann auch mit die KI versuchen auszuprobieren, um wie funktioniert das denn, wenn wir etwas machen, wo wir eigentlich keine Punkte habe, wo die Belohnung gar nicht so klar ist? Und auch da haben sie gesagt Ja, wir. Wir möchten mal schauen, ob wir die KI dazu bringen können, ein Rückwärtsauto zu machen. Und dazu haben sie dann diesem Bein programmiert. Und die KI musste dann mit diesem viel zu einem Bein Ein und Rückwärtsauto machen. Und sie haben die KI dann trainiert durch einfach zu sagen okay, mach etwas so, dass es wieder diesem stochastischen Riesen Zufälligkeit. Und sie haben dann Menschen immer zwei Bilder gezeigt und gesagt okay, welches Bild ist besser, wenn man einen Rückwärtssalto machen möchte? Ist das das linke Bild oder das rechten Bild? Und eine Mensch hat dann immer gesagt okay, links, besser, rechts besser. Und das hat man dann zum Beispiel eine Stunde lang auf diese Bilder geklickt und am Anfang hat es dann ausgesehen, als ob das gar nichts bringen würde. Aber es war noch eine Stunde waren um wirklich einen schönen Rückwärtssalto von diesem Bild, diesem Bein gekommen. Und Sie haben dann auch herausgefunden, wenn Sie verschiedene Menschen gefragt hatten, in diesem Feedback zu geben, dann war es schlussendlich diesen Rückwärtssalto auch eigentlich je nach Mensch, die diesem Feedback gegeben hat, einen einen ganz kleinen anderen Stil einer kleinen anderen Persönlichkeit hat es dann darin gegeben. Aber unabhängig welchen Mensch sie gefragt hat, denn immer hat die KI es geschafft und dann hier einen schönen Rückwärtssalto zu machen. Und da ist dann eigentlich auch die Frage Ja, wenn wenn wir zum Beispiel so mit Feedback geben, mit Interaktionen die KI dazu bringen können, einen rückwärts Auto zu machen, können wir dann auch andere Sachen bewegen. Bei unserer KI, die wir auch nicht so einfach in Punkte oder in einem Belohnungs scoring geben sagen können, können wir dann einen Tag auch die KI lernen? Was ist eigentlich Freundlichkeit oder was ist Hilfsbereitschaft? Uns können wir ja dann auch die Menschen dazu oder die KI dazu bringen, wirklich gut zusammenzuarbeiten. Intim mit Menschen also. Ich habe hier einem Bild genommen von unserem Team mit unseren Copy Cockpit Roboter, die wir auch in unserer Werbung haben. Aber jetzt ist eigentlich noch so, dass wir ziemlich. Verschiedene Aufgaben haben Wir aus Mensch machen Aufgaben. Wir geben dann die KI Aufgaben und die Frage ist ja, kann das in Zukunft weiter verschmelzen, dass wir wirklich ein Team zusammen sein und das die Maschinen eigentlich dann auch wissen, okay, wir müssen sie imitieren, wo wir müssen, sie helfen und dass das eigentlich genauso geht, als wenn man einen Arbeitskollegen hat und gut aus den funktioniert. Dafür bedeutet das nicht, dass wir nur die KI anpassen müssen, dass wir nur sagen okay, was muss die KI machen? Nein, Dann ist es wirklich auch wichtig, dass wir als Menschen so handeln oder dass wir aus Menschen lernen, wie wir handeln müssen, dass die Maschine uns auch versteht und darauf reagieren kann, außer dass die Maschine uns lesen kann und dass wir die Maschinen lesen können. Und auch da sind dann wieder Einblicke gekommen von in andere wissenschaftliche Bereiche. Und da hat man zum Beispiel herausgefunden, dass wenn man Teamarbeit fördern möchte, funktioniert am besten, wenn man Cross Training macht. Also wenn man einen vorübergehenden Rollentausch macht. So, wenn ich mal ein paar Stunden mehr arbeite im Arbeitsplatz von meinen Arbeitskollegen und sie so einen Tausch machen, dann nachher verstehen wir besser, was wir eigentlich erreichen möchten, wie wir vorgehen, wieso wir bestimmte Sachen auf eine Art und Weise haben möchten und dann funktionieren Teams auch besser. Und genau das gleiche haben sie dann auch gemacht. Experimente gemacht mit mit Maschinen Und auch da hat diese Begeisterung gut funktioniert. Und haben Menschen danach auch gesagt, dass sie die Maschinen mehr vertrauen und dass es dann auch bessere Leistungen gegeben hatte. Und da ist dann die Frage ja, können wir wirklich in Zukunft das so verschmelzen, dass die Maschinen genau mit uns zusammenarbeiten, wie jetzt die Arbeitskollegen machen? Ja, uns. Jetzt möchte ich ich frage fragen auch dabei zu kommen. Er ist schon online auch dabei. Aber vielleicht kommst du auch noch gerne mal im Ideoraum rein. Ja, er ist schon da war. Jetzt möchten wir dann auch gerne darüber sprechen. Was ist der Stand jetzt? Hallo zusammen. Also, von meiner Seite. Ja, weil es eine Frage ist. Wir haben viel über KI gesprochen, wie man die KI. Ähm, ja, programmieren muss ich sagen. Aber es ist eigentlich, wenn man einen Algorithmus programmieren kann, wie man die KI trainieren kann. Aber ist die KI künstliche Intelligenz dann auch wirklich Intelligenz? Und ja, ich habe hier noch eine Folie. Aber bisher haben wir eigentlich immer über speziell entwickelte Systeme gesprochen. Und man kann sagen ja, diese Systeme sind eigentlich gar nie wirklich intelligent. Bau Die fehlt da noch einen Schlüssel Komponente, die für den Menschen von zentraler Bedeutung ist. Und das ist einen Ausweg, Verhalten oder einen Ausweg lernen. Und dabei ist eigentlich dann auch eine Aussage von diesem Buch, was ich am Anfang gezeigt habe. Ja, wir sollten Intelligenz nicht daran messen. Ähm, an eine Belohnung. Also hat eine Maschine einen einen super belohnen gemacht. Aber wie ist das Verhalten von einer Maschine? Und ja, vielleicht kannst du uns etwas mehr darüber erzählen. Gerne. Ja, Dann lass ich jetzt an dich. Super. Das gefiel ihm an mir für die wunderbare Geschichte der KI. Wie du das aufgerollt hast beim Tom Perception zum Anfang. Jetzt. Zu selbstfahrenden Autos habe ich selber viel gelernt. Danke. Gern. Ja, und dann kann ich ja am Ende. Noch Peter zurückkommen. Super. Ja. Eben. Die Mirai hat es gerade gesagt. Die künstliche Intelligenz wäre dann wirklich intelligent, wenn sie eben. Ein. Noch mal zurück. Ein Allzwecklernsystem ist und ein Allzweck lernverhalten Verhalten zeigt. Was bedeutet das? Vielleicht habt ihr schon von verschiedenen Arten von Unterscheidungen von künstlichen Intelligenzen gehört. Man kann einfach sagen Bis vor zwei Jahren gab es vor allem enge Kreis, also enge Kreis auf Englisch. Navarro Artificial Intelligence bedeutet einfach Sie sind eng in ihrem Anwendungsbereich und können eigentlich eine oder vielleicht zwei, drei Dinge tun. Und wenn wir die Geschichte zurückdenken, die uns gezeigt hat von der KI Entwicklung, zum Beispiel dieses Perzeptron, das die erste KI war, das eigentlich nur erkannt hat, basierend auf der Karte, wo befindet sich die Figur? Das war noch so eine ultra enge KI, die ja so einen ganz, ganz, ganz super spezifische Aufgabe einfach lösen konnte. Und schon in den letzten Jahrzehnten gab es dann viel mehr enge und auch sehr hilfreiche KIs, Sprach übersetzungstools, Gesichtserkennung und und zweite Das sind schon viele KIs im Einsatz gewesen, wie man auch hier Beispiele sieht, eben auch mit dem Schach um. Auch diesem AlphaGo Spiel sind auch enge KIs noch. Und jetzt. Was wir jetzt sehen ist Kreis, die langsam multimodal werden. Und die so richtig weise in Richtung allgemeine Kasse gehen. Also multimodal bedeutet im Prinzip Sie können mehrere Modalitäten bedienen. Hier steht es mehrere Auftragsarten. Zum Beispiel eine Website erstellen und ein Videospiel programmieren und Fehler am Computer Gott beheben. Aber auch da ist es nicht so klar definiert. Denn je nachdem, wo man wo man liest, hat man unterschiedliche Definitionen. Was bedeutet jetzt eine multimodale ein. Ich persönlich verstehe es so Multimodal bedeutet Modalität. Wenn es zum Beispiel Text und Bild könnte und nicht nur textbasiert. Und allgemeine KI wäre dann eben eine KI, die wie wir komplett flexibel Dinge tun kann, auch aus Eigeninitiative heraus und ganz spontanes Lernverhalten zeigt und. Das sind wir definitiv noch nicht. Also wir sind irgendwo so in einem. In einem Zwischending, wo die Keys langsam nicht mehr so eng sind, wo wir eben auch. Generative ist ein anderer Begriff, der immer auch mal von hört Lebst du multimodal? Er ist so generativ ist, dass es nicht mehr als eine Aufgabe kann. Und da sind wir irgendwo in einem Zwischending und wir haben diverse Anbieter mittlerweile auf dem Markt. Die bekannteste Firma ist, denke ich, zweifelsfrei Open Air, also nicht. Natürlich ist Facebook, Meta und Google generell die bekannteren Firmen, aber beim Thema Künstliche Intelligenz hat OpenAI die letzten Jahre und vor allem die letzten Monate natürlich am meisten Schlagzeilen gehabt mit ihrer Art von künstlicher Intelligenz. Und wie wir gleich sehen werden, haben sie auch mehr als nur eine Art von künstlicher Intelligenz. Es gibt aber diverse andere Anbieter und wir können. Die sein Wissen einteilen in. Es gibt im Moment vor allem sehr bekannte textbasierte KPIs. Und da ist eben OpenAI. Sehr führend und hat eigentlich mit der textbasierten Anwendung Chat Gebiete, also Taxi iti, am meisten Schlagzeilen gemacht. Wir nutzten für Cockpit Cockpit auch mittlerweile schon seit zweieinhalb Jahren OpenAI, die textbasierte KI von Open Air. Auch da gibt es verschiedene Modelle usw, aber es benutzt sich ja vor allem im Text basiert. Ihr schreibt Texte McKay und da sind wir immer noch bei OpenAI, obwohl gerade jetzt eine weitere Firmen gerade ein Tropic mit Cloud. Vielleicht habt ihr auch schon was. Ein Vorbild ist eine andere Firma, die hat auch ähnlich wie OpenAI. Eine textbasierte künstliche Intelligenz, die eben mehr ist als eine enge KI, die schon generativ verschiedene Dinge tun kann. Werbetexte schreiben, aber gleichzeitig auch Inhaltsanalysen machen, eine Tabelle erstellen, Programmiercode schreiben usw und so fort. Aber schon noch in erster Linie textbasiert und in Tropic ist da wirklich total am aufholen. Ich hatte gerade diese Woche einige Tests gemacht und war begeistert, wie sehr jetzt an Tropic da eigentlich die Lücke schon am aufschließen. Ich kann noch nicht sagen, dass sie die Lücke aufgeschlossen hat, aber ob. Na ja, er hat sicherlich da Konkurrenz bekommen. Es gibt noch weitere textbasierte Keys entwickelt werden wie hier und jetzt ist es so, dass das sehr open AI bei der Veröffentlichung von Gebäude vier der neuesten Modelle von Ihnen vor ein paar Monaten haben Sie dann angekündigt. Open Air ist jetzt eben multimodal, nicht nur textbasiert, sondern dann kann man auch Bilder verarbeiten. Diese Funktion wurde aber noch nicht freigegeben. Also im Moment ist ist bitte ihr auch und auch geht bitte. 3.5 sind eigentlich textbasierte Keys und es gibt da noch Bild Keys spezifische Bildkeys und da hat auch eine eigene, nämlich Dolly. Und da gibt es auch Konkurrenz Keys, die gespannt sind mit Ernie und Stable die Diffusion und für alle vielleicht kurz wer hat schon unseren Copy Cockpit Artist verwendet? Gerne kurz ja oder nein in den Chat? Er hat schon mal ein Bild erstellt mit Copy Cockpit Artist. Eigentlich fast alle als alle, die geschrieben haben. Ja, da kam kein Nein rein. Sehr, sehr schön. Da war es so Wir haben den Copy Cockpit Artist. Erstmal. Ich glaube, das war im Oktober 22 veröffentlicht und damals war Dolly noch nicht zugänglich und da hatten wir gestartet mit Stable Fusion, was auch eine Open Source Bildquelle ist, die auch schon sehr cool war. Und dann hatten wir upgedatet auf Dolly, was die Qualität schon noch mal verbessert hat. Und mit Johnny ist auch ein ein mit mit dem Import das ist. Die haben im Moment noch keinen öffentlichen Zugang. Auch wir für ihr Produkt. Aber auch da geht viel einfach zu zeigen wir. Wir versuchen auch immer die verschiedenen Keys anzuschauen und da wird Bei der Bild Kida werden auch weitere Anbieter dazukommen und es gibt auch schon bestimmt weitere Bild Keys, die sehr gut sind oder ihm gut kommen werden, die vielleicht noch unter Verschluss gehalten werden und dann später veröffentlichen werden. Und dann gibt es noch andere Dinge wie zum Beispiel OpenAI hat auch ein Open Whisper eine sehr intelligente Textverarbeitungsei. Das ist so eigentlich ein Beispiel von einer engen KI, die es schon länger gibt. Oder man kann schon länger auch ins Handy rein sprechen und dann wird eigentlich aus Speed Text, dann wird die Rede in Text umgewandelt. Das gibt es schon länger. Da haben Sie aber auch einige Bestrebungen, das noch noch intelligenter zu machen. Vielseitiger also bei Whisper kann man dann auch direkt dann nicht nur sozusagen Text in Sprache machen lassen, sondern man kann direkt sagen, in welchem Stil dann die Sprache umgesetzt werden soll. Man kann dann sogar direkt auch die Sprache übersetzen lassen während dem Sprechen und man kann dann auch da ganz tolle Dinge tun. Und was es auch noch gibt und das wird, das ist alles noch ein bisschen den Kinderschuhen. Aber Runaway ist eine Firma, die sind schon einige Jahre aktiv und die haben jetzt tatsächlich schon eine erste Video KI auf dem Markt. Die ist aber von meiner Sicht aus noch. Es ist schon schon lustig und cool zum Ausprobieren. Aber es ist doch nicht so, dass sie mega nützlich ist im Arbeitsalltag. Aber es ist auch da. Ist es wirklich möglich, aus einem Prompt, aus einem Text Befehl ein Video zu erstellen? Vor allem wenn man dann ein Referenzvideo hochlädt und dann kann man den Stil ändern usw. Da kann man schon ganz ganz tolle Dinge tun. Und da werden wir natürlich noch ein ein riesen Zuwachs. Und da sieht es ein bisschen, oder? Im Moment ist vor allem das textbasierte KISA im Fokus, die bildbasierte Keys. Je nach dem. Auch wenn man gerade für vielleicht visuell arbeitende Menschen, die die auch in der Grafik tätig sind, hatten sie vielleicht mehr mit dem Bildkreis beschäftigt. Aber es gibt auch andere Dinge und das wird zunehmen bei all diesen Kategorien. Es wird extrem zunehmen und was eben vor allem dann die Idee ist in Zukunft, dann ist das natürlich eben eine KI gleich möglichst mehrere Dinge tun kann. Und außer dass man eigentlich direkt eine KI direkt all diese verschiedenen Modalitäten ab allem abdeckt. Und das ist die Frage wie sehr gelingt das in den nächsten Jahren? Wir werden unsere Tour so bauen, dass wir einfach an den verschiedenen Stellen. Ich glaube, da kam auch gar keine Frage dazu. Wir möglichst an den idealen Stellen, die ideale KI dann immer verknüpft haben, die wirklich Sinn macht in diesem Punkt. Und eben, ich kann mir gut vorstellen, dass wenn ihr in ein, zwei Jahren, dass wir dann zehn verschiedene Cases angebunden haben und an jeder Stelle einfach die KI, die an dieser Stelle am meisten Sinn macht, weil ich noch nicht überzeugt bin, dass es jetzt dann. Es wird jetzt extrem zunehmend ganz viele verschiedene Modelle, aber das ist so diese eine KI gibt, die dann alles kann. Ich denke, es geht eher in die Richtung. Es ist zwar nicht mehr Engel Kirstin Johnson Generative AIS, aber die eine ist besser in dem die eines besser in dem und dann doch. Die. Textbasierten können dann vielleicht auch mit Bilder umgehen. Aber es gibt dann doch rein bilderbasierte Keys, die dann besser sind als die anderen. Also ich denke, das wird noch so ein bisschen ein ein Flickenteppich bleiben. In den nächsten Jahren bestimmt und ein Anlass also eher Mattes, das mich auch. Äh. Was ich sehr interessant fand, war, dass der CEO von Oprah er selbst gesagt hat. Das Zeitalter der riesigen Keimmodelle ist eigentlich bereits vorbei. Also was meint er mit vorbei? Er meint damit nicht, dass das jetzt alles schlecht ist. Und wir? Wir stellen das wieder ab. Überhaupt nicht. Er meint mehr damit den Ansatz Der, den Sie gewählt haben in der Entwicklung bis jetzt. Und ihr habt in dieser Zeit, wenn ihr diese verfolgt hat. Demirel hat euch einiges beigebracht, wie man eine KI trainieren kann und. Es ist so, dass eben die Prinzipien, die auch Opener verwendet hat, die gehen wirklich auf die 60er Jahre zurück, die gehen wirklich auf dieses Perceptron zurück, das euch Demirel vorgestellt hat und natürlich intelligenter und und viel komplexer, aber vor allem eben viel, viel mehr Rechenleistung. Also man hat einfach das Ganze hoch skaliert in eine Komplexität, vor allem auch technisch und auch was Rechen rechenleistung anbelangt. Also da wurde. Monatelang Supercomputer haben Dinge. Monatelang haben die Supercomputer eben diese Wahrscheinlichkeiten ausgerechnet von Wörtern, die miteinander verknüpft sind usw. Und am Schluss entsteht ein eine unglaubliche KI schon die Wir haben schon mitgebettet 3:05 aber auch mit Gebete, vier Gebete, vier ist eben noch mal ein Sprung, aber nicht unbedingt für jeden Anwendungsfall. Aber sie sagen und das war auch schon sehr spannend zu sehen für viele Anwendungsfälle ist schon Gebete vier das zwei Jahre neuer ist, dass Gebete drei nicht unbedingt viel besser. Und da haben Sie selber gesagt Ja, wir sind von Die Art und Weise, wie wir künstliche Intelligenz bauen, Sind wir eigentlich schon eine Grenze, wo jetzt es wert ist? Nicht noch besser, wenn wir es einfach noch mal hoch skalieren und noch mal mehr Rechenleistung und Rechenleistung reinpumpen, wird es eigentlich nicht mehr besser. Also. Rein durch quantitative Maßnahmen, Bekomme eigentlich keine Qualitätssteigerung mehr. Mit was? Was? Was die Intelligenz anbelangt. Natürlich können wir es jetzt verfeinern. Wir können das Ganze schneller machen, wir können das den Kontext verbessern. Das ist ja im Moment noch ein Problem, dass die KI nicht fit, noch nicht so noch nicht viel Kontext verarbeiten kann. Das kann man sicherlich verbesserten, auch rein mit. Das ist auch ein reines Problem, das gelöst werden muss. Mal soweit solche Dinge. Aber für das die Kai wirklich noch mal intelligenter wird, da braucht es nicht unbedingt quantitative Maßnahmen, sondern qualitative. Das bedeutet also wir müssen eigentlich noch mal. Mehr verstehen, was eigentlich Intelligenz ist. Wir müssten eigentlich noch mal tiefer verstehen. Wie funktioniert eigentlich der Mensch? Und und einen neuen Ansatz finden, wie wir das eigentlich versuchen nachzubauen? Dass unter Umständen auch weniger Rechenleistung braucht. Also da sind wir an einem ganz spannenden Punkt, wo eigentlich jetzt dieser Hype gerade entstanden ist und viele jetzt erst gerade realisieren, was die KI ist ja schon mega krass und die führenden Entwickler sagen eigentlich schon, aber eigentlich sind wir schon fast wieder so ein bisschen an einem, an einem Peak und wir wissen eigentlich nicht, wie es jetzt weitergeht. Und das bringt uns in den letzten Teil von heute, der sehr kurz ist, weil wir haben ja dann noch ein extra Webinar nur zum zu weil welche Tools gibt es Also zu dem, was ich jetzt euch ein bisschen kurz gezeigt habe, die verschiedenen Tools, machen wir ein extra Webinar auch dazu dann in einigen Monaten und auch über Zukunftsprognosen. Und ich meine, wenn wir eben über Zukunftsprognosen reden, ist ganz klar ich habe keine Ahnung, wie die Zukunft aussieht. Und niemand von uns und auch niemand auch. Dieser Liebe Sam Oldman nicht Dean. Vielleicht noch am ehesten aber auch, weil er tief drin ist in Entwicklung. Aber wir. Wir wissen nicht, wie sich die Zukunft entwickelt. Und was wir einfach sagen können, ist. Wir müssen vorsichtig sein. Wir müssen vorsichtig sein. Und ich bin da auch sehr dankbar. OpenAI. Die führende Firma. Die steht auch in der Kritik, weil. Ursprünglich hat OpenAI. Man hört es schon im Namen Open für offen gestartet als Firma, die eigentlich voll transparent sein wollte, die gesagt hat wir entwickeln jetzt AI und wir werden immer mega transparent sein, wie und wie wir unsere AIS entwickeln und Karzinom Profit. Und auf einmal haben sie dann eine Unter Firma gegründet, die dann Profit passiert ist und die jetzt auch eigentlich recht verschlossen agiert. Also gar nicht so open wie es der Name sagen würde. Weil sie mussten dann halt. Oder sie haben sich so begründet und der Öffentlichkeit so begründet. Wir mussten halt schauen, dass wir kompetitiv sind und dass wir auch entsprechend genügend Finanzierung haben, weil wir eben so viel Rechenleistung brauchen, um überhaupt eine solche Call generieren zu können. Ist auf eine Art und Weise verständlich, aber sie werden auch dafür sehr kritisiert hat, weil sie ein bisschen am Punkt vorbeigeschossen ist, den sie sich eigentlich mal gesagt haben. Immerhin haben sie immer noch eine Non Profit Dachorganisation, die Sie kontrolliert, ob. Und sie haben auch einen Deckel. Und wie viel man überhaupt an einer Aktien verdienen darf. Bei Open Air. Deswegen ist es auch, na ja, auch nicht Ultra auf dem Aktienkurs explodiert, weil weil es da einen Deckel gibt. Ähm, das denke ich, sind schon mal so ein bisschen Maßnahmen, die so ein bisschen das Ganze ein bisschen mehr eingedämmt haben, weil eben ist. Sie sind sich auch bewusst, eben Open Air selbst. Es ist sehr kritisch, was sie gerade entwickeln und. Es ist der unglaublich mächtige Technologie, die auch schiefgehen kann Und. Sie haben es wirklich auch gesagt, eben selbst. Und auch andere, nicht nur Entwickler, sondern auch andere Entwickler haben wirklich gewarnt, ich könnte so tödlich sein wie Pandemien und wie auch nukleare Angriffe. Also wenn, wenn wir zu starke Maschinen haben, die aus irgendeinem Grund nicht mehr das tun, was sie tun sollten und anfangen, schädliche Dinge zu tun, dann könnte das dann sehr gefährlich werden. Und das sind sie wirklich auch. Und. Und. Und da können wir froh sein, dass im Moment Die von eigentlich allen führenden Firmen, die ich euch von gezeigt habe, ist sicherlich. Teils ist man so in diesen sehr kompetitiven Druck und will einfach entwickeln. Das wird auch kritisiert, aber gleichzeitig sind es doch Leute, die ein Bewusstsein haben dafür. Wir wollen, wir wollen es gut machen. Wir wollen es wirklich so machen, dass es der Menschheit hilft und nicht schadet. Und da können wir schon mal froh sein darüber, dass ich bin, dass das die Ausgangslage ist. Es könnte auch anders sein und. Oder man kennt es aus dem aus dem Kino und auf Netflix. Ich meine, Dystopien gibt es genug. Matrix. Wer hat Matrix gesehen? Wer hat es nicht gesehen? Ja Nein. In den Chat. Matrix finde ich so ein. Hat wahrscheinlich sehr die die. Auch die Popkultur geprägt. Die meisten schon. Also Matrix ist. Ist ein sehr, sehr spannender Film. Ähm. Ich will. Ich will. Ich will ihn nicht verraten. Spoilern? Eben. Aber was man sagen kann eben der Punkt ist die Matrix ist eine Computersimulation. Also die Menschen leben dann in einer Computersimulation, weil sie von den Maschinen gefangen gehalten werden. Soviel sage ich, Das ist so eine Dystopie, wie es enden könnte. Oder dass die Geister zu menschenähnlichen Monstern werden. Gibt es andere Filme? Oder machtgieriger Superroboter in ihr Robot gerne gesehen haben? Und was hier klar ist, oder? Es ist Hollywood. Es ist Science Fiction. Und was man macht, ist man. Die Menschen tun so, als werden dann die Maschinen auf einmal eigentlich Menschen, als hätten sie auf einmal Emotionen und Gefühle. Und da sind sich viele einig Die KI wird nicht auf einmal böse und im Sinne von einen menschlichen Böse. Was wirklich diese Wut hat und diese Zerstörungswut und einfach der Mensch Böses tun will und fast schon sadistisch eigentlich uns quälen will. Das ist da. Projizieren wir halt unsere eigene Menschlichkeit und Emotionalität und Ängste auf die Maschine, weil die Maschine, auch wenn sie sehr stark wird, sie wird mit höchster Wahrscheinlichkeit eine Maschine bleiben. Sie wird mit höchster Wahrscheinlichkeit kein Bewusstsein erlangen und dann nicht auch auf einmal böse werden. Also diese Art von Dystopien. Sind nicht unbedingt die, von denen wir uns so fürchten müssen. Die andere Seite, auch in Filmen, ist Utopie. Alles wird besser. Also hat es dann auch wiederum sehr emotional. Also Wally kann vielleicht auch einige. Dann ist dieser süße kleine Roboter, der dann aufräumt und wahrscheinlich. Alleskönner. Fehlerfrei usw und auch genauso wie die dystopischen. Wo man sieht, da emotionalisieren wir die Maschine extrem und zwar ins Negative. Emotional emotionalisieren wir hier die Maschine ins Positive und auch das ist wahrscheinlich nicht so realistisch, wie es dann sein wird. Die Hoffnung ist in der Realität so, oder das. Die KI unser Tutor und Assistent sein könnte uns einfacher Zugang zu Informationen uns mehr Zeit gewinnt. Das passiert ja heute schon, dass es um Wissenschaftler unterstützt, Künstler, Aachener Ärzte, Pflegekräfte, dass es uns produktiver macht zu Wirtschaftswachstum auch Landwirtschaft führt, vielleicht auch den Welthunger hilft, den Welthunger zu reduzieren, vielleicht auch hilft bei Klimawandel mit wissenschaftlichen Durchbrüchen Technologien. Das sind so die die Hoffnungen, die man hat, so ein bisschen die realistischeren Hoffnungen als die, die wir, die, die in den utopischen Filmen gezeigt werden. Und da könnte ich gerne die Folien herunterladen, auch aktuelle Beispiele sind da verlinkt. Was schon, was es schon gibt in der Bildung, in der Forschung, in der Kunst, im Arbeitsalltag usw Also da passieren schon richtig, richtig tolle Dinge, die wirklich auch Mut machen für die Zukunft und und einen hoffen lassen, dass die AI wirklich uns, also wie Maschinen da zu so tollen Helfern wird und uns freisetzt, zu noch tolleren Dingen zu werden, zu mehr Mensch sein können. Eben, dass es nicht uns Menschen irgendwie auslöscht wie gewisse Ängste, sondern im Gegenteil, dass es uns Menschen eigentlich bestärkt, noch ein tolles Leben zu führen, eine tolle Welt zu bauen usw. Also da gibt es doch schon einige. Dinge, die passieren, die einem doch auch Mut machen. Für die Zukunft. Und eben in der Realität. Die Gefahr ist eben nicht so sehr, dass jetzt die Kay auf einmal mega böse wird. Eben. Der Punkt ist mehr der, wenn wir nochmals in den Iran zurückgehen. Es ist weniger die Gefahr, dass die Türkei auf einmal böse wird und emotional uns Böses will, sondern eher ein Ja, dass sie vielleicht einfach auf einmal so intelligent ist und dann erkennt, eigentlich sind die Menschen nicht effizient. Für die Aufgaben, die ich erledigen will, sind wir die eigentlichen Weg dann. Dann lösche ich sie halt aus. Aber das wäre dann nicht so in diesem bösen Vergleich. Ich lösche jetzt die Menschheit aus. Wäre dann eher so. A. Maschine. Menschen sind nicht effizient. Okay, ich lösche die Menschheit mal aus. So, das ist. Schon. Sehr realistisch. Das realistischere Szenario, was diese Filme hier. Und wenn man die Filme hier kennt, dann ist Matrix auch da noch in einem realistischen, weil es weil es da eher in diese Richtung geht. Aber das, was ich jetzt gesagt habe, das geht davon aus, dass mir wirklich so irgendwann so eine super äh ich haben würde. Eben so eine ultra super allgemeine, intelligente Ehe, was eben sehr zu bezweifeln ist. Und es ist eben so der Fokus darauf, auf diese Superei und auf diese super Riesen Riesen riesen Gefahr. Ähm. Soll nicht davon ablenken, dass es auch. Auch wenn wir nie eine Super AI haben und es kann auch sein, dass wir nie so eine super allgemeine AI haben werden. Einige werden vielleicht auf Rot um sein. Sondern dass wir einfach verschiedene Eis haben werden, die schon immer stärker werden. Aber die, die nie die