Elisabth L'Orange - Kann KI Bias-frei sein? #74

00:00:01: Ich denke auch, dass Deutschland sehr viel Daten hat, die natürlich momentan nicht

00:00:05: genutzt werden aus datenschutzrechtlichen Gründen.

00:00:08: Aber die ganze Industrie, die ganze Fertigung, der ganze Mittelstand, da sind

00:00:13: riesen Data Lakes, die letztlich super interessant werden zum Trainieren für die

00:00:16: KI.

00:00:19: Irgendwann werden sich sicherlich alle bewusst sein, auf welchen Schätzen sie

00:00:22: sitzen.

00:00:29: Herzlich willkommen zu Business Unplugged, dem Treffpunkt für Tradition und Zukunft.

00:00:34: Mein Name ist Johannes Pohl und ich spreche mit Unternehmerinnen, Gründerinnen

00:00:38: und stillen Heldinnen des Business Alltags, die unsere digitale Zukunft

00:00:42: formen.

00:00:43: Business Unplugged ist die Bühne für Visionäre der Digitalisierung und soll

00:00:47: Brücken zwischen Start -ups und etablierten Unternehmen bauen.

00:00:50: Hier erhältst du wertvolle Impulse und Inspiration.

00:00:55: Hallo oder besser gesagt Moin, denn in dieser Folge spreche ich mit Elisabeth L

00:01:00: 'Orange, Co -Founderin und Chief Commercial Officer von Oxolo, einem

00:01:05: Hamburger Startup, das mit Hilfe von generativer KI -Videos für E -Commerce und

00:01:11: Trainingszwecke erstellt.

00:01:13: Nachdem Elisabeth laut Manager Magazine zu den Top 15 Frauen im Bereich AI gehört,

00:01:20: habe ich die Chance genutzt und wir sind tief in Herausforderungen.

00:01:25: und Probleme im Zusammenhang mit generativer KI eingestiegen.

00:01:30: Das Training der Modelle, der Bias durch die Datenquellen und die möglichen

00:01:35: Auswirkungen durch synthetisch generierte Daten sind nur ein paar Aspekte des

00:01:41: hochspannenden Gesprächs.

00:01:44: Natürlich haben wir auch über den EU -AI -Act sowie die Bestrebungen hin zur

00:01:49: allgemeinen künstlichen Intelligenz diskutiert.

00:01:53: Aber hört es euch am besten selber an,

00:01:55: Ich wünsche euch auf jeden Fall jetzt viel Spaß dabei.

00:02:00: Liebe Elisabeth, herzlich willkommen zu Business Unplugged.

00:02:02: Ich freue mich, mit dir eine der führenden Köpfe zum Thema EI heute begrüßen zu

00:02:08: dürfen.

00:02:09: Hallihallo nach Hamburg.

00:02:11: Hallo Johannes, vielen Dank, dass ich dabei sein darf.

00:02:14: Sehr gerne.

00:02:15: Elisabeth, du hast, wie ich finde, eine sehr spannende Vita von der Ausbildung als

00:02:21: Juristin mit Finance -Background bis zu deinem aktuellen Job als Co -Founderin und

00:02:28: Chief Commercial Officer.

00:02:30: von Oxolo, einem Hamburger Startup, das generative KI -Lösungen nutzt für die

00:02:36: Erstellung von Text -zu -Video -Anwendungen.

00:02:39: Weil du hast nach deiner Ausbildung eigentlich mal mit einem Möbelbusiness,

00:02:44: ich drücke es jetzt mal so aus, ganz flapsig, ich hoffe ich sage da nichts

00:02:50: Falsches begonnen, du warst danach CFO im Aviation -Bereich bei einem Startup,

00:02:56: nämlich Flyo.

00:02:58: Ich hoffe, das ist auch richtig ausgesprochen und danach aber wiederum in

00:03:02: einem VC -Unternehmen auch als Partnerin tätig und hast dann 2021 gemeinsam mit

00:03:11: Heiko Hubberts, der oder dem ein oder anderen wahrscheinlich durch Bigpoint

00:03:15: vielleicht bekannt, Oxolo gegründet, mit dem ihr auch super erfolgreich seid.

00:03:20: Ihr habt viele Kunden, ihr habt eine Series A gerast von 13 Millionen, ihr habt

00:03:23: diverseste Awards ab.

00:03:25: geräumt, wenn man sich das jetzt mal durchklickt, auch durchs Internet und die

00:03:30: ganzen News -Artikel und und und.

00:03:34: Und in der Zeit hast du auch, ja, bist du eine der führenden Persönlichkeiten zum

00:03:41: Thema AI geworden in Deutschland.

00:03:44: Hast auch etliche Auszeichnungen erhalten, die liest dich jetzt gar nicht auf.

00:03:46: Die findet jeder, der dich sucht im Internet.

00:03:50: Probst du gleich auf mit diesen Themen.

00:03:54: Was ich sehr spannend fand, ist diese Transformation, die du da zumindest laut

00:04:01: WITA irgendwie durchgemacht hast.

00:04:04: Wie kam es denn zu dieser Transformation oder war das eigentlich gar keine

00:04:07: Transformation, weil das Thema AI war immer schon in deinen Genen drinnen?

00:04:14: Ja, ich glaube, es war tatsächlich keine so krasse Transformation.

00:04:17: Ich war schon als Kind sehr technisch.

00:04:20: interessiert.

00:04:21: Ich habe als kleines Mädchen angefangen zu coden.

00:04:25: Ich weiß noch, wie ich stundenlang vor dem Rechner saß und Buttons designt habe.

00:04:30: Also ich hatte immer eine sehr künstlerische Ader und eben diese

00:04:34: technische Ader.

00:04:35: Und ich habe in meinen Barbie -Häusern das Licht verkabelt oder das Wasser verlegt.

00:04:43: Und daher war Tech für mich eigentlich immer der Fokus.

00:04:47: Ich habe auch meine Masterarbeit in Finance über algorithmisches Trading

00:04:51: geschrieben.

00:04:52: Das heißt, ich war eher interessiert an den Algorithmen als tatsächlich an der

00:04:57: Juristerei, die da mit zusammenhing.

00:05:00: Und so zog sich das durch.

00:05:01: Also auch bei meinem Möbelbusiness, das ist so ähnlich gewesen wie Westwing in

00:05:05: ganz, ganz klein, war ich eher interessiert am Onlineshop und am E

00:05:10: -Commerce und wie ich das optimieren kann.

00:05:12: Das heißt, ich habe die ganzen Seiten immer selbst gepflegt und so weiter.

00:05:16: Und der nächste Schritt war bei Flyo.

00:05:19: Auch bei Flyo war ich eher interessiert an der Techdor.

00:05:23: Da haben wir auch schon Machine Learning gemacht.

00:05:25: Da haben wir predictive Modelle gehabt für Flughafenwartezeiten.

00:05:30: Also wir hatten sehr, sehr viele Kunden.

00:05:33: Wir hatten also Millionen an Sign -ups.

00:05:36: Wir also ein ganz cooles Produkt.

00:05:38: Haben ein ganz cooles Produkt gebaut rund den Flughafen, was man alles so digital

00:05:41: lösen kann.

00:05:42: Und da war auch ...

00:05:44: Mein klares Interesse für Tech und ebenfalls als VC haben wir natürlich in

00:05:49: überwiegend B2B -SARS investiert.

00:05:51: Das heißt, es war immer eigentlich der gleiche Fokus.

00:05:53: Es war immer Hank zu Tech und AI und eben das Unternehmertum.

00:05:58: Ja, ja.

00:05:59: Okay, also von oben betrachtet wirkt es zu einer Transformation, aber innen drinnen

00:06:04: war doch schon immer irgendwo das Thema Tech und AI bei dir vorhanden.

00:06:09: Bevor wir jetzt dann auch auf Oxolo näher eingehen,

00:06:13: würde ich gerne kurz mit dir die AB -Fragen durchgehen, die ich mit jedem

00:06:18: meiner InterviewpartnerInnen durchgehe.

00:06:22: Hintergrund dessen, es soll den ZuhörerInnen helfen, an der einen oder

00:06:26: anderen Stelle vielleicht dich als Person und auch deine Fragen oder deine Antworten

00:06:30: auch ein bisschen besser einordnen zu können.

00:06:33: Du kennst das Spiel, bist bereit dafür oder kurze Erklärung?

00:06:38: Ganz kurze Erklärung bitte noch einmal.

00:06:39: Kurze Erklärung, ich stelle wirklich, das sind nur fünf Fragen.

00:06:42: wo du im Prinzip Option A oder B nachher entscheiden kannst.

00:06:47: Also wenn ich sage Hunde oder Katz, dann sagst du okay, Hund oder Katz, je nachdem.

00:06:53: Eines von den beiden.

00:06:56: Hat alles mit dem Thema Digitalisierung zu tun.

00:07:01: okay.

00:07:01: Aber es wäre bei mir sonst Katzen nicht.

00:07:04: Okay, dann wissen wir das auch schon, das ist gut.

00:07:09: Dann starten wir.

00:07:10: Frage 1 Bildung.

00:07:12: Online oder offline?

00:07:15: Online.

00:07:16: Automatisierte oder menschliche Entscheidungsfindung?

00:07:19: Automatisierte.

00:07:20: Stärkere Regulierung oder mehr Freiheiten für Unternehmen?

00:07:25: Mehr Freiheiten.

00:07:26: Vollkommener Schutz persönlicher Daten oder weniger Datenschutz zur Wahrung der

00:07:30: Sicherheit und des Wohls der Allgemeinheit?

00:07:34: Weniger Datenschutz.

00:07:36: Webmeetings oder persönliche Treffen?

00:07:40: Persönliche Treffen.

00:07:41: okay.

00:07:42: Sehr schön.

00:07:44: Ich kann mir vorstellen, du bist jetzt schon sehr, hier kommt auch die Techie

00:07:48: -Schiene stark durch.

00:07:51: Du hast eine gewisse Techie -Liebe, alles ist sehr online, auch geprägt.

00:07:58: Erörtern wir die Fragen jetzt auch?

00:08:00: Jetzt müssen wir das eigentlich auch begründen.

00:08:02: Wir können das gerne machen.

00:08:04: Bildung online oder offline?

00:08:05: Du hast dich für online entschieden.

00:08:08: Ja, weil Online -Bildung ...

00:08:11: krass demokratisiert.

00:08:12: Also eins unserer größten Probleme weltweit ist mangelnde Bildung in vielen

00:08:15: Hinsichten und online kann man Bildung in selbst das kleinste Dorf in Afrika

00:08:19: bringen.

00:08:20: Also ich denke auch, dass das einst der Bereiche ist, die KI am krassesten

00:08:24: disruptieren wird, weil letztlich die ganzen sich zu entwickelnden Länder sind

00:08:30: mobile first, das heißt, die haben, selbst wenn sie einer Hütte irgendwo leben, haben

00:08:33: sie trotzdem ein Android -Endgerät, auf dem die im Zweifel ...

00:08:39: Unterricht streamen können.

00:08:42: Das heißt, warum sollte man das nicht fördern?

00:08:46: Ich finde, dass es die Barriers of Entry für Bildung zu verringern, das sollte

00:08:53: eines der größten Ziele sein in den nächsten Jahren.

00:08:55: Insbesondere für Mädchen, die ohnehin in vielen Ländern schon einen extrem

00:09:00: erschwerten Zugang zu Bildung haben, die dann tatsächlich es irgendwie schaffen

00:09:04: können, neben dem, was sie sonst auch alles tun müssen.

00:09:08: sich schulisch zu bilden, lesen, schreiben zu lernen und so weiter.

00:09:12: Daher bin ich ganz klar für Onlinebildung.

00:09:14: Okay.

00:09:15: Da stößt du genau ins Horn von der IU, an der ich auch unterrichte.

00:09:20: Da sind wir auch in diese Richtung unterwegs, ganz stark.

00:09:22: Zum Thema automatisierte menschliche Entscheidungsfindung warst du bei

00:09:25: automatisiert?

00:09:26: Ja, weil es gibt immer diese grundsätzliche Ansicht, dass menschliche

00:09:30: Entscheidungen ethisch besser sind als maschinenbasierte Entscheidungen, aber ...

00:09:36: Wenn man da mal einmal drüber nachdenkt, dann ist das fraglich, weil diese Biases,

00:09:41: die jeder Mensch hat, sind viel stärker als die, die letztlich in den Maschinen

00:09:46: sind.

00:09:46: Das heißt, wenn du diese typische ethische Frage des autonomen Fahrens, wer als

00:09:52: erstes überfahren wird, die Omi oder das Kind, wird ein Mensch im Zweifel für die

00:09:58: Omi entscheiden oder für jemanden, der dem Menschen unbekannt vorkommt.

00:10:04: Oder er wird sich...

00:10:05: zugunsten eines Menschen entscheiden, der ihm eher ähnlich ist.

00:10:08: Ja, da gibt es so viele Biases, die tief im menschlichen Gehirn sind letztlich, die

00:10:14: man aus Algorithmen relativ leicht rausbekommen kann.

00:10:18: Das heißt, man kann viel fairere Entscheidungen treffen mit Maschinen, wenn

00:10:21: man diese Systeme darauf programmiert, fair zu sein, das heißt fair, aber gleich

00:10:26: zu Menschen, gleich zu behandeln, als die in Menschen sind.

00:10:29: Ich meine, wir Menschen haben in den letzten 100 Jahren und mehreren

00:10:33: Weltkriegen gezeigt, dass wir nicht die

00:10:35: größten ethischen Wesen sind, die es gibt.

00:10:41: Wenn man eine wirklich hohe Ethik, ein hohes Level an Fairness in Maschinen

00:10:47: reinprogrammiert, dann würde man tendenziell bessere Ergebnisse zählen, als

00:10:53: wenn sie nur von Menschenhand getroffen werden.

00:10:57: Das ist ein spannender Punkt, den hatte ich auch Philipp Gerbert vom TUM Venture

00:11:02: Lab besprochen.

00:11:03: Da ging es das Thema

00:11:06: Ja, diese Killer -Roboter, würdest du...

00:11:10: Also diese Entscheidung...

00:11:13: Also die Maschine trifft halt vielleicht eher...

00:11:16: Ist ja auch fähig, sag ich mal, eher richtig zu entscheiden.

00:11:19: Wenn du jetzt auch in die Medizin denkst und sagst, ist das ein Knochenbruch?

00:11:23: Ja oder nein, macht vielleicht weniger Fehler.

00:11:25: Und im Endeffekt sterben auch Leute, aber möglicherweise weniger und auch weniger

00:11:29: die Falschen.

00:11:31: Weißt du, es gibt Studien und Zahlen dazu.

00:11:34: Jedes Jahr können...

00:11:36: werden sterben in den USA allein 250 .000 Menschen an Behandlungsfehlern, die durch

00:11:41: KI verhindert werden können.

00:11:43: Das heißt, nur wenn du Applikationen benutzt, die schauen, ob hinterher das

00:11:47: Besteck einer Operation wieder da liegt, wo es am Anfang lag.

00:11:52: Also du musst einfach mit Computer Vision Foto machen und sehen, guck mal, der

00:11:55: Tupfer ist wieder da, die Pinzette ist auch wieder da.

00:11:58: Nur wenn du das machen würdest, würdest du schon einen gewaltigen Unterschied machen.

00:12:01: Und die Ärzte würden nicht irgendwie den...

00:12:05: weiß ich nicht, die Schraube in der Lunge, jetzt übertrieben gesagt vergessen.

00:12:09: Aber weltweit geht man davon aus, dass zwischen 12 und 13 Millionen Menschen

00:12:13: Leben gerettet werden können durch den Einsatz von KI.

00:12:16: Also sei es im ganzen MedTech -Bereich, als auch in anderen Bereichen.

00:12:20: Auch noch mal zum autonomen Fahren.

00:12:23: Die meisten Autounfälle werden durch menschliches Fehlverhalten verursacht,

00:12:28: durch Alkohol am Steuer, Drogen am Steuer, wie auch immer.

00:12:31: Und das könnte alles eliminiert werden, wenn man an der Stelle Maschinen

00:12:36: entscheiden lassen würde.

00:12:38: Ja, bin ich absolut bei dir.

00:12:41: Auch in dem Matico -Unternehmen, das ich mitgegründet habe, geht es auch genau

00:12:44: dieses Thema auch nochmal zu unterstützen und das maschinell Fehler zu minimieren

00:12:53: und die medizinische Versorgung auch in Teile der Welt zu bringen.

00:12:59: Ich muss vielleicht nicht so ...

00:13:01: gut ausgeprägt ist.

00:13:03: Frage drei war stärkere Regulierung oder mehr Freiheiten?

00:13:05: Du hast dich für mehr Freiheiten entschieden.

00:13:09: Ja, weil diese zu starke Regulierung ist definitiv kein Wettbewerbsvorteil für

00:13:15: Deutschland.

00:13:15: Also wir verlieren gerade zunehmend den, ich will nicht sagen den Wettbewerb, aber

00:13:22: den Kampf die stärkste AI sowieso.

00:13:25: Aber die gesamten großen Large Language Models werden aus

00:13:29: den USA und China kommen.

00:13:31: China beweist aber zumindest aus den USA.

00:13:33: Wir verlieren Talente jedes Jahr.

00:13:35: Also jeden zweiten Tag wandert ein deutsches Talent in die USA ab, also ein

00:13:39: deutsches Top -KI -Talent.

00:13:42: Frankreich ist es noch ein bisschen mehr.

00:13:44: In den USA wandern irgendwie 3500 super gut ausgebildete KI -Talente ein jedes

00:13:51: Jahr.

00:13:52: Das heißt, wir brauchen weniger Regulatorik, den Standort Deutschland

00:13:57: einfach ...

00:13:58: konkurrenzfähig zu machen.

00:14:00: Also der KI -Act, der AI -Act, der jetzt in wenigen Wochen Realität für uns wird,

00:14:07: bringt noch ein neues Level an Compliance -Bestrebungen, die wir leisten müssen, an

00:14:13: Schwierigkeiten im Alltag, nebst der GDPR, die es für Unternehmen einfach unendlich

00:14:19: schwierig machen, in Deutschland zu bestehen.

00:14:22: Also, daher bin ich für weniger...

00:14:25: Daten, also weniger regulatorisch und die nächste Frage war ja auch Daten, für Daten

00:14:29: gilt das das gleiche.

00:14:30: Wir haben als Deutsche einen riesen Datenschatz eigentlich, insbesondere aus

00:14:35: der Industrie und aus der Forschung auch und wir können die Daten kaum nutzen.

00:14:41: Also wenn du im MedTech Bereich unterwegs bist, dann weißt du ja auch bestimmt, dass

00:14:45: zum Beispiel diese ganzen, es gibt ja ganz viele LLMs für Mediziner.

00:14:48: Das heißt, du kannst die Symptome rein, wie Google, das heißt, du kannst die

00:14:53: Symptome reinbringen und...

00:14:54: Du bekommst halt Antworten, was diese Symptome, worauf die hindeuten könnten.

00:15:00: Und diese LLMs oder diese Modelle sind trainiert auf der Basis von amerikanischen

00:15:08: Krankheitsbildern.

00:15:10: Natürlich sind Amerikaner das auch als Menschen, aber die haben halt ganz andere

00:15:19: überwiegende Krankheiten.

00:15:20: Die haben viel mehr Herz -Kreislauf, die haben halt andere Krankheitsbilder.

00:15:24: sehen die Patienten zu einem anderen Zeitpunkt.

00:15:26: Das heißt, es passt nicht so ganz auf die Deutschen oder auf die Europäer, aber wir

00:15:32: haben halt keine europäischen Daten, die wir zum Training nutzen dürfen für diese

00:15:36: medizinischen Modelle.

00:15:38: Aber die Amerikaner sind halt besser am anonymisieren von Daten und so weiter und

00:15:42: deswegen werden dort munter die Modelle darauf trainiert.

00:15:45: Das Gleiche gilt im Übrigen für China.

00:15:47: China hat viel bessere Krebsdiagnostikmodelle und so weiter,

00:15:51: weil...

00:15:51: Natürlich ist es nicht erstrebenswert, diesen Überwachungsstart zu haben, aber

00:15:55: die haben halt trotzdem, dadurch dass die gesamten Patientenakten online sind, haben

00:16:01: die halt Zugang zu den Gesundheitsdaten im Sinne von Krebschnitten, Diagnosen und so

00:16:07: weiter, die dann umgehend für die Modelle genutzt werden können, worauf die

00:16:11: trainiert werden.

00:16:12: Das heißt, dort werden dann im Zweifel auf der anderen Seite halt schneller mehr

00:16:16: Menschen...

00:16:16: Leben gerettet.

00:16:17: Das gleiche gilt für die USA als bei uns, weil wir eben die Daten nicht haben, weil

00:16:20: wir sie nicht rausgeben wollen.

00:16:22: Also wir haben sie, aber wir möchten sie natürlich nicht zur Verfügung stellen.

00:16:24: Spannend, die Themen, die du gerade erwähnst, die würde ich gerne im

00:16:29: Hinterkopf behalten.

00:16:29: Ich habe mir ein paar Fragen überlegt, die da genau auch auf das sich mal zutreffen

00:16:36: oder die diese Themen auch noch einmal behandeln.

00:16:38: Ich bin mal gespannt, wo wir da dann hinkommen in unserem Gespräch.

00:16:43: Bevor wir dort aber weitermachen.

00:16:45: Hast du dich dann nochmal für letzte Frage persönliche Treffen entschieden anstatt

00:16:49: Web -Meetings?

00:16:52: Ja, ich habe vor allem, insbesondere habe ich den Hintergrund des Sales.

00:16:57: Das heißt, in Deutschland ist es tatsächlich noch so, dass Sales und Deals

00:17:01: auf dem Bierdecke gemacht werden.

00:17:03: Das ist Nummer eins.

00:17:04: Das heißt, Sales ist viel effizienter in Person, im Vergleich zu über Online

00:17:11: -Meetings.

00:17:12: Das ist eine.

00:17:12: Und das Zweite, ich persönlich, ich bin diese Online -Meetings so light, ich bin

00:17:16: es so seit dieser Corona -Zeit, ich bin es so satt.

00:17:19: Und wir haben darüber hinaus eine Remote -Only -Company.

00:17:22: Das heißt, mein ganzer Tag ist dominiert und geprägt von Zoom und Google Meet.

00:17:26: Und ich bin einfach drüber irgendwie.

00:17:29: Ich brauche einfach, ich brauche wieder in -person -Meetings.

00:17:33: Das ist zu viel gewesen.

00:17:35: Okay, ja, kann ich nachvollziehen.

00:17:37: Kann ich nachvollziehen.

00:17:38: Cool, spannend.

00:17:39: Da bin ich mal gespannt.

00:17:40: Ich glaube, das hilft tatsächlich die eine oder andere Frage oder die Antwort, die du

00:17:44: dann gibst, auch nochmal einzuordnen.

00:17:47: Bevor wir dann zu den Themen, die ich schon erwähnt habe, kommen, lass uns doch

00:17:52: ganz kurz noch auf Oxlola schauen.

00:17:54: Du hast das gegründet, habe ich schon gesagt, mit Heiko Huberts und ihr bietet

00:17:59: so KI -generierte Videos für E -Commerce an oder auch für Schulungs - und

00:18:03: Trainingszwecke.

00:18:05: Gestartet?

00:18:06: Seid ihr aber mit einer anderen Idee?

00:18:07: Mit welcher Idee hat sie damals gestartet und warum habt ihr dann pivotiert?

00:18:12: Also ganz ganz am Anfang, initial, war die Idee, Celebrities zu digitalisieren.

00:18:17: Also das heißt, eine virtuelle Kopie von meinetwegen, können wir auch Obama, wir

00:18:21: hatten immer Obama in unserer Testumgebung, der ist jetzt halt nicht

00:18:24: wirklich Celebrity im eigentlichen Sinne, aber halt eine Person des öffentlichen

00:18:29: Interesses.

00:18:30: Und unser Ziel war, dass du eine Two Way Communication hast, das heißt, eine Art

00:18:34: Chatbot mit Gesicht, also mit Obama Gesicht.

00:18:37: mit dem du dich unterhalten kannst und die Person ist trainiert, also NLP, das ganze

00:18:42: Modell ist trainiert auf die sozialen Daten des jeweiligen Celebrities.

00:18:46: Das heißt, Obama hat dann in unserer Testumgebung immer in character

00:18:49: geantwortet.

00:18:50: Ich hab ihn immer Fragen gestellt, wie er zum Beispiel Afghanistan findet oder den

00:18:54: Krieg in Afghanistan.

00:18:56: Und er hat dann halt die Antworten gegeben, die er in real life auch geben

00:18:59: würde.

00:18:59: Aber das Problem war zum einen, dass die Zeit, wir waren ein bisschen vor unserer

00:19:04: Zeit, das heißt, dass die...

00:19:06: Celebrities viel zu viel Respekt vor diesen Art Deepfakes hatten.

00:19:10: Real -time Deepfakes.

00:19:11: Das fanden die eher beängstigend.

00:19:14: Und wir fanden oder letztlich konnte man das daher eher schwierig monetarisieren.

00:19:21: Und das nächste war, dass die Latenz in der Antwortgebung, also die Latenz in dem

00:19:26: Rendern des Videos, war noch zu lang, als dass es eine gute User Experience wäre.

00:19:32: Das heißt, wir hatten immer noch zwei, drei Sekunden bis der jeweilige

00:19:37: virtuelle Charakter geantwortet hat.

00:19:39: Und das lag überwiegend an der Chipleistung, an den CPUs, TPUs und so

00:19:44: weiter, was da gerade bei Nvidia halt so passiert.

00:19:48: Und daher haben wir diese Idee relativ schnell dann aufgegeben.

00:19:51: Die nächste Idee war, da hatten wir ein Kinderprodukt, da hatten wir auch sehr

00:19:54: viele, also 70 .000 User, da konnten dann Kinder wiederum mit einem Chatbot

00:19:59: interagieren.

00:20:00: Also es war auch wieder, also das waren Charaktere.

00:20:03: trainiert auf den auf den Infos der Charaktere.

00:20:06: Also es war wirklich in character sozusagen.

00:20:09: Das heißt, wenn ein Kind mit einem Schlumpf gesprochen hat, kamen andere an

00:20:11: Worten, als wenn ein Kind mit einer Barbie gesprochen hat.

00:20:13: Und ja, wir konnten halt lernen und spielen und singen und tanzen und keine

00:20:17: Ahnung.

00:20:18: Hatten auch super Spaß, aber da hatten wir das gleiche Problem, das einmal die Latenz

00:20:21: war ein Problem.

00:20:22: Das zweite Problem waren die Speech -to -Text -Mulette.

00:20:25: Das heißt, die KI hat die Kinder schwer nur verstanden.

00:20:31: Vor allen Dingen, weil Kinder halt...

00:20:33: Die haben einfach eine andere Sprache und vor allen Dingen international hat ein

00:20:37: indisches Kind wirklich eine andere Kindheitssprache oder Kindessprache als

00:20:40: ein amerikanisches Kind.

00:20:41: Das war wirklich ein Problem.

00:20:43: Und das Dritte ist, es ist schwer zu monetarisieren, wenn dein Nutzer nicht

00:20:46: dein Kunde ist.

00:20:46: Das heißt, du kannst einem Kind schwer irgendwie eine Subscription verkaufen.

00:20:54: Okay, und ihr habt es dann aber pivotiert und seid am Ende jetzt dort gelandet, wo

00:21:01: ihr seid.

00:21:02: Also mit diesen ganzen E -Commerce -Videos.

00:21:06: Was macht sie genau?

00:21:08: Was dürfen sich die Zuhörer drunter vorstellen, wenn sie jetzt auf eure

00:21:14: Website gehen oder wenn sie bei euch Kunde werden?

00:21:17: Was könnt ihr?

00:21:18: Was macht ihr?

00:21:19: Was tut ihr?

00:21:23: Am einfachsten ist es so vorzustellen, dass man aus einem PDF zum Beispiel ein

00:21:30: Video macht.

00:21:31: Das heißt, man hat ein langweiliges

00:21:32: sehr diskriptives Trainings -PDF, wo drin steht, was man als Mitarbeiter so alles zu

00:21:37: tun und zu lassen hat.

00:21:38: Und das Ganze kann man bei uns reinpasten und dann bekommt man daraus ein Video, wo

00:21:42: ein Avatar vorne steht.

00:21:43: Also der Avatar ist ein ganz normaler Mensch, aber es ist halt die digitale

00:21:45: Version eines Menschen, der das dann beschreibt.

00:21:48: Und das Ganze ist möglich auf jeder Sprache der Welt, die man haben möchte.

00:21:51: Man kann im Hintergrund alle anderen Fotos hochladen, Videos hochladen.

00:21:56: Man kann irgendwie andere Musik im Hintergrund laufen lassen.

00:21:59: Und...

00:22:00: Diese Videos sind im E -Commerce Bereich halt sehr steigend die Conversion.

00:22:05: Das im SEO Bereich wirst du 56 mal eher gefunden als Verkäufer, wenn du ein Video

00:22:09: online hast.

00:22:10: Versus wenn du kein Video online hast.

00:22:12: Und im ganzen, ich will sagen, HAA Bereich, aber im Trainingsbereich, dass du

00:22:16: auch manchmal Sicherheitsvideos machst und so weiter, ist es sehr wichtig, weil viele

00:22:21: Leute, also überwiegend Menschen lesen einfach nicht mehr.

00:22:24: Das heißt,

00:22:25: 95 Prozent des Inhaltes eines Videos wird im menschlichen Gehirn gespeichert versus

00:22:29: 10 Prozent des Inhaltes eines Textes.

00:22:32: Das heißt, Text ist sehr irrelevant geworden und gerade im Zeitdate von TikTok

00:22:36: wird es noch schlimmer.

00:22:37: Die Aufmerksamkeitsspanne eines normalen Menschen ist, glaube ich, acht Sekunden

00:22:40: und ein Goldfisch hat neun oder so.

00:22:43: Das heißt, man muss, das als visueller Inhalt ist unabdingbar.

00:22:49: Und das machen wir letztlich.

00:22:51: Wir erleichtern das extrem.

00:22:53: Schritt zurück in der Evolution.

00:22:55: Wir sind hinter dem Goldfisch mittlerweile.

00:22:58: Ich glaube auch, echt.

00:22:59: Ich glaube eigentlich.

00:23:00: Aber so ist es.

00:23:01: Okay, aber das bedeutet, kann man sich das so vorstellen, dass ein bisschen so die

00:23:05: Leute kennen Sora jetzt von OpenAI.

00:23:07: Ich tippe halt irgendeinen Prompt ein.

00:23:09: In dem Fall ist der Prompt ein ganzes PDF und dann schwuppdiwupp kommt ein cooles

00:23:15: Video von einem...

00:23:18: Ja, Sneaker, der durch die Gegend hüpft oder wie auch immer.

00:23:22: Nein, nicht ganz so.

00:23:23: Also nicht mit der Komplexität von Sora.

00:23:25: Also Sora hat, glaube ich, brauchte acht H100s und ein paar Stunden, so zu rendern,

00:23:30: wie sie jetzt sehen, aussehen, die Videos.

00:23:32: Also ich glaube, das ist nicht, das ist noch nicht commercially available und es

00:23:37: wird auch noch ein bisschen dauern, glaube ich, bis es für die Mehrzahl der Leute

00:23:41: anwendbar ist.

00:23:43: Aber...

00:23:45: Also wir sind halt nicht, wir sind generativ auf der menschlichen Ebene.

00:23:49: Das heißt, wir sind, der Mensch kann halt alles sagen.

00:23:53: Der Schauspieler, wenn du willst.

00:23:55: Wir können noch nicht im Hintergrund irgendwelche Schuhe generieren.

00:23:59: Das wird passieren, sobald Sora und so weiter so weit sind.

00:24:02: Und dann haben wir mit denen einfach eine Schnittstelle.

00:24:04: Und wir integrieren die dann.

00:24:07: Aber momentan bei uns ist der generative Teil der Mensch, der das bespricht und

00:24:11: eben der Text, der von uns generiert wird, aus dem jeweiligen entweder Link,

00:24:15: oder Dokument oder was auch immer du dann zur Verfügung stellst als Kunde.

00:24:20: Okay.

00:24:21: Und wie lange dauert das im Normalfall?

00:24:23: Das Video?

00:24:24: Fünf Minuten kostet fünf Euro.

00:24:26: Ja.

00:24:27: Dann.

00:24:28: Schön.

00:24:30: Wir haben vorhin schon gesagt generative KI und du hast jetzt gerade auch noch den

00:24:33: Sora und da wird es eine Schnittstelle geben, hast du gerade gesagt, ihr habt am

00:24:37: Anfang mit einem eigenen Modell gestartet, seid aber dann nachher auf Open

00:24:43: AI gegangen, bzw.

00:24:44: habt euch da angeflanscht, wenn ich das jetzt so technisch...

00:24:48: Genau, wir haben immer noch unsere eigenen Modelle, die draufliegen auf den

00:24:51: existieren, auf den Open Source Modell.

00:24:52: Wir haben, glaube ich, 51 Modelle insgesamt, die wir verwenden, weil wir

00:24:55: sind ja, wir haben ja verschiedenste Abteilungen, wenn du so möchtest, oder

00:25:00: Säulen in der KI.

00:25:01: Das heißt, wir haben Computer Vision, das ist der ganze visuelle Teil.

00:25:04: Dann haben wir NLP, das ist der inhaltliche Teil.

00:25:07: Dann haben wir Sprache, ja, das ist der visuelle, der Audio -Teil.

00:25:11: Das heißt...

00:25:12: Alle diese verschiedenen Komponenten müssen ja miteinander verheiratet werden.

00:25:16: Bei allen gibt es Open Source Modelle.

00:25:19: Bei allen haben wir eigene kleine Modelle drauflagen.

00:25:22: Wir hatten ganz am Anfang unser eigenes LLM mit 17 Milliarden Parameter.

00:25:26: Das war halt wesentlich kleiner als die, die jetzt sind.

00:25:29: Also es lief ganz gut, aber halt nicht mit der Qualität von OpenAI, das dann rauskam

00:25:34: im November letzten Jahres.

00:25:36: So, das heißt...

00:25:37: Es ist ein Konglomerat sozusagen aus eigenen Modellen, aus lizenzierten

00:25:43: Modellen, Open Source Modellen.

00:25:45: Man kann sich das, man schätzt das so einfach vor, aber letztlich so einfach ist

00:25:48: es halt nicht, weil man muss auch drunter noch die Infrastruktur bauen, diese ganzen

00:25:52: Modelle miteinander sprechen lässt, wenn man so möchte.

00:25:55: Also das ist im Prinzip auch USP, obwohl es sagt, wir haben die unterschiedlichen

00:25:58: Modelle, die jetzt diese Feinheiten hinkriegen, diese Videos entsprechend zu

00:26:02: gestalten.

00:26:03: Und Open AI ist so ein bisschen, ja.

00:26:07: ganze Basis?

00:26:08: Das ist nur Textgenerierung.

00:26:09: Das ist OpenAI.

00:26:11: Das ist auch beliebig ersetzbar durch Mistral, durch das neue Google -Modell,

00:26:17: durch das Metamol.

00:26:19: Also, Textgenerierung ist ehrlich gesagt das einfachste an dem Ganzen.

00:26:23: Die Sequenz ist das Schwierigste.

00:26:24: Das heißt, dass der Avatar zur richtigen Zeit das Richtige sagt und das Richtige

00:26:29: referenziert.

00:26:30: Okay, und da sind eure Modelle dran?

00:26:34: Genau.

00:26:36: Jetzt würde es mich interessieren, damit diese Modelle funktionieren, müssen die

00:26:39: auch trainiert werden.

00:26:41: Wir wissen ja auch von JetGPT, du hast es jetzt auch schon ein bisschen

00:26:43: angesprochen.

00:26:45: Am Anfang hat es super funktioniert, vor allem mit Englisch.

00:26:48: Deutsch hat ein bisschen noch gehingt, weil die Trainingsdaten eher im Englischen

00:26:52: waren und so weiter und so fort.

00:26:55: Wie seid ihr da dran gegangen oder wie macht ihr das, dass ihr sagt, okay, ja,

00:27:02: das Thema, was nutzt ihr zum Training?

00:27:05: AWS, also meinst jetzt als Cloud Solution?

00:27:07: Also als Cloud Solution haben wir AWS.

00:27:12: Die Modelle werden ganz normal wie bei allen anderen auch trainiert.

00:27:18: Oder was meinst du mit was nutzen?

00:27:19: Naja, von den Datenquellen muss ich irgendwo speisen.

00:27:23: Also es gibt ja auch diese Diskussion, genau, auf welche Daten die zugegriffen

00:27:27: haben und so weiter und so fort.

00:27:29: Ja, ja, okay, alles klar.

00:27:31: Also je nachdem, ob du R &D machst, also...

00:27:35: Research and Development können die, und du wissenschaftler heißt als Unternehmer,

00:27:40: das heißt, wir haben einige Mitarbeiter, die direkt von den Universitäten gekommen

00:27:45: sind und die keine Ahnung, promovierte Mathematiker sind, die haben zum Teil ihre

00:27:52: Trainingssätze mitgebracht.

00:27:54: Das heißt, die hatten da lizenzierte Trainingssätze, die sie verwenden durften.

00:27:59: Das war das eine.

00:28:00: Das andere war, du kannst natürlich diese Trainingssätze kaufen, ganz normal.

00:28:04: dann kannst du die, kannst auch nur kurzfristig Lizenzen kaufen.

00:28:10: Also es gibt da alle möglichen Varianten, letztlich die KI zu trainieren.

00:28:16: Aber ich muss sagen, was wir am meisten gemacht haben, waren tatsächlich die

00:28:19: Mitarbeiter, die mitgebracht haben von den Unis und wir darauf trainiert haben.

00:28:23: Okay.

00:28:24: Und wenn man jetzt nochmal diese Brücke spannt auch zu, ja sag ich jetzt mal

00:28:28: OpenAI.

00:28:29: und dass das vor allem auf Englisch ist.

00:28:31: Und mit deiner Antwort, die du auch bei den AB Fragen gegeben hast, dieser gewisse

00:28:36: Bias, der dann ja auch drinnen ist.

00:28:38: Du hast es ja mit der Medizin ausgedrückt.

00:28:40: Wir haben ja eben diese Krankheitsbilder eher aus Amerika, die ähnlich sind, aber

00:28:48: anders verteilt sind, die Distributionsrechtweite oder

00:28:51: möglicherweise.

00:28:52: Wie geht es ihr damit Wie geht es ihr als Unternehmen mit solchen Sachen Weil das

00:28:57: bedeutet ja auch für euch, dass

00:28:59: eure Modelle in eine gewisse Richtung gehen?

00:29:04: Ja, ich glaube, das ist ein vielschichtiges Problem.

00:29:09: Also, im Kleinen ist es bei uns innerhalb der Company so gewesen, dass die LipSync

00:29:14: -Modelle am Anfang nicht gut auf Deutsch funktioniert haben.

00:29:18: Und ich habe mich immer gefragt, warum das so ist.

00:29:20: Also, das heißt, dass B nicht gut dargestellt werden konnte und ...

00:29:24: Wenn ich es mir angucke, ist es relativ gut geworden.

00:29:26: Aber auf Japanisch habe ich die gleichen Probleme, dass die Lippen sich nicht

00:29:30: schließen und die Bewegungen nicht so richtig zu dem Ton oder dem Wort passen.

00:29:37: Ich habe mich gefragt, was das Problem dahinter ist und festgestellt, dass es

00:29:41: daran liegt, dass meine Entwickler kein Deutsch sprechen.

00:29:43: Das heißt, die haben es nicht gesehen.

00:29:45: Auf Englisch haben sie es gesehen.

00:29:46: Ich habe einige Entwickler, die muttersprachlich Arabisch sprechen.

00:29:50: In Arabisch haben sie es gesehen.

00:29:52: aber eben nicht in Deutsch, nicht in Spanisch, nicht in Japanisch.

00:29:55: Und das ist eigentlich symptomatisch für ein größeres Problem.

00:29:58: Und das größere Problem ist, dass KI wird ultimativ zu kritischer Infrastruktur, so

00:30:04: wie Gas und Öl halt in der Welt kritische Infrastruktur ist.

00:30:09: Nur ist das alles inhaltlich basiert auf dem liberalen, amerikanischen Gedankengut.

00:30:19: Also alles in Ordnung, weil ich glaube, das ist unserem sehr nahe letztlich.

00:30:25: Aber es mangelt dann natürlich an Vielfalt.

00:30:27: Und das Zweite ist, es fußt alles auf Englisch.

00:30:31: Das heißt, am Ende sind die Ergebnisse immer nur sehr, sehr gute Übersetzungen

00:30:37: aus dem Englischen.

00:30:40: Und deshalb funktionieren einige Sprachen auch nicht richtig.

00:30:44: Im Internet ist die Hälfte des Inhaltes des Internets auf Englisch, 51%, glaube

00:30:50: ich.

00:30:51: Aber in der real world sind es nur 25 % der Bevölkerung, die global Englisch Der

00:30:59: Rest ist viel fragmentierter.

00:31:01: Das ist ganz viel Urdu, ganz viel Hindi, Chinesisch und so weiter.

00:31:05: Und diese gesellschaftliche oder menschliche Vielfalt, die es auf dem

00:31:09: Planeten gibt, wird halt nicht in diesen Modellen abgebildet.

00:31:14: Das heißt, wir haben einen relativ krassen Bias.

00:31:18: Und der Bias geht halt hin zu diesem, wie ich sagte, amerikanischen liberalen

00:31:21: Gedankengut.

00:31:23: Das heißt, kein Moslem, der etwas generiert und Google wird ja ultimativ

00:31:30: oder der Open AI Search wird irgendwann Google ersetzen meines Erachtens.

00:31:35: Oder zumindest AI Search wird Google, wie es jetzt ist, ersetzen.

00:31:39: Also jede generierte Antwort.

00:31:42: Oder die generierten Antworten werden auf jeden Fall für Menschen, die nicht dieses

00:31:45: amerikanische liberale Gedankengut leben, nicht zufriedenstellend sein, ultimativ.

00:31:49: Und das heißt, das ist das im Großen, was ich jetzt im Lip -Sync im Kleinen hatte,

00:31:53: wo man überlegen muss, was dafür die Antwort ist, auf lange Sicht.

00:31:58: Ja, ich meine, ich verstehe das absolut.

00:32:00: Es ist ja nicht jetzt nur bei KI so.

00:32:02: Ich meine, ich jetzt tatsächlich auch in ...

00:32:06: Mein Thema Lean reingehe, wenn du dir anschaust, es kommt ja auch aus dem

00:32:09: Japanischen und es wurde ins Englische übersetzt und dann ins Deutsche und da

00:32:13: geht so viel verloren bei den Schritten.

00:32:17: Und die Begriffe, die da genutzt werden, passen eigentlich gar nicht mehr mit der

00:32:20: Bedeutung aus dem Japanischen so richtig zusammen.

00:32:23: Und es geht sehr viel inhaltlich verloren.

00:32:26: So kann ich mir das sehr gut, also da kann ich mir so die Brücke, das kann ich mir

00:32:29: gut vorstellen.

00:32:31: Vor allem japanisch, wo die Schriftzeichen sich untereinander...

00:32:36: untereinander referenzieren.

00:32:37: Also Kenji, das fehlt komplett.

00:32:40: Das heißt, dass das eine Schriftzeichen hat in der Verbindung mit dem Nächsten

00:32:44: eine völlig andere Bedeutung, wenn du einfach das nächste durch ein anderes

00:32:48: ersetzt.

00:32:49: Das ist super problematisch.

00:32:51: Deswegen funktionieren die aktuellen Modelle eigentlich nur mit den romanisch

00:32:59: basierten Sprachen, in die von Englisch leicht übersetzt werden kann.

00:33:03: Aber eben nicht auf ...

00:33:04: schriftzeichenbasierte sprachen wie koreanisch japanisch und chinesisch die

00:33:09: von der logik her eben völlig anders funktioniert.

00:33:14: Aber wird daran gearbeitet?

00:33:18: Ich meine es ist ja auch ein thema.

00:33:20: Ich meine wenn die KI nur einen Bios kennt dann sagst du okay ist zwar nett aber ist

00:33:26: halt dann auch irgendwo begrenzt dann.

00:33:28: Klar also ich meine alle arbeiten mit hochdruck daran.

00:33:31: Wenn du guckst was google gemacht hat die haben

00:33:34: Deswegen hatte Google ja diesen Fauxpas mit den wirklich unerwünschten Ergebnissen

00:33:38: des letzten Bildmodells Gemini, die, wenn du gefragt hast, wie ein Wehrmachtsoldat

00:33:45: aus 1943 aussieht, Bilder mit People of Color oder, ich glaube, waren halt völlig

00:33:51: abstruze, für die Zeit abstruze Bilder produziert.

00:33:57: Was dafür spricht, dass Google eben auf den normalen Foundation -Models

00:34:03: ihr Feintuning draufgelegt hat, mit dem Ziel, möglichst diverse Ergebnisse zu

00:34:09: produzieren.

00:34:10: Eben als Spiegel von erstens deren Corporate Culture, also deren

00:34:16: Firmenkultur, als auch als ein Spiegel von einer Gesellschaft, die sie sich wünschen.

00:34:22: Und dann ist natürlich immer eine Gradwanderung, an welcher Stelle...

00:34:29: oder...

00:34:30: Was wünscht du dir, wie eine Welt auszusehen soll?

00:34:34: Natürlich ist das, was Google anstrebt, dass alle Menschen gleich sind.

00:34:39: Egal welche Hautfarbe, welche Orientierung.

00:34:42: Eigentlich sind wir Menschen alle gleich.

00:34:45: Das ist deren Anspruch.

00:34:47: Nur ist das nicht die Wahrheit und die Wirklichkeit gewesen in 1943.

00:34:53: Das heißt, wir werden niemanden...

00:34:55: Es gab wahrscheinlich sehr wenige bis zero.

00:34:57: People of Color, die Wehrmachtshalte hatten, waren.

00:35:01: Deswegen ist eben die Frage, was man in der Schale macht.

00:35:04: Bei denen wird es eine Mensch -Mensch -Entscheidung gewesen sein.

00:35:08: Und die sind damit auf den Bauch gefallen.

00:35:10: Das heißt, wir sehen das selbst auf höchster Ebene, und ich meine, Google ist

00:35:14: eins der floriensten Tech -Unternehmen weltweit, dass selbst die damit da in der

00:35:22: Findung sind letztlich.

00:35:24: und noch nicht final eine Antwort haben, wie man das Problem lösen kann.

00:35:28: Aber glaubst du, dass das gelöst werden kann, dieses Thema?

00:35:33: Ja, also ich glaube, man kann sich auf jeden Fall eine besseren Ergebnis

00:35:38: approximieren, indem man schon mal die Datensätze so divers wie es geht

00:35:42: gestaltet.

00:35:44: Letztlich ist es ja auch immer so ein Spiegel der Datensätze.

00:35:49: Zum Beispiel wurden Computer Vision...

00:35:52: Videos oder Trainingsvideos, zum Beispiel den menschlichen Gang darzustellen mit

00:35:58: einer KI.

00:35:59: Diese Trainingsvideos wurden zum Großteil an Flughäfen aufgenommen, weil es dort

00:36:05: relativ einfach ist, nicht in Deutschland wahrscheinlich, aber relativ einfach ist,

00:36:11: an Videodaten zu kommen.

00:36:13: Und wen siehst du am Flughafen gehen?

00:36:16: Das sind Männer auf Geschäftsreisen.

00:36:19: Das heißt...

00:36:19: Der Gang eines Menschen wurde für die KI geprägt zu 80 % von weißen Männern, die

00:36:25: von A nach B schreiten, weil sie gerade von London nach Miami fliegen oder so.

00:36:32: Oder London nach Istanbul, keine Ahnung.

00:36:34: Und der Gang wird dann übertragen, wenn du dann der KI irgendwann sagst, generiere

00:36:39: mir eine Frau, die von A nach vom Auto zum Baum geht, das wird trotzdem dann

00:36:45: eigentlich der Gang eines Mannes sein.

00:36:47: Weil die Trainingsdaten sind halt von den Männern, die an den Plughäfen rumgelaufen

00:36:51: sind.

00:36:52: Und diese Diversität in die Trainingsdaten zu bringen, ist extrem schwer, aber halt

00:36:58: notwendig.

00:37:00: Letztlich sind die Trainingsdaten und Trainingssätze das wirkliche Gold.

00:37:04: Weil es gibt, we're running out of data irgendwie.

00:37:07: Das Internet wird in zwei Jahren ausgelesen sein.

00:37:09: Das heißt, es wird dann keine neuen Daten mehr geben.

00:37:13: Google sitzt auf einem riesen ...

00:37:15: Riesenschatz, die haben alle oder haben irgendwie 28 Millionen Bücher zum Beispiel

00:37:19: digitalisiert.

00:37:20: Aber das Problem ist wirklich, wo gibt es also, dass es halt Daten geben muss und

00:37:26: auch die ganzen großen Verlage und so weiter, die verhindern, dass deren Daten

00:37:31: gescraped werden.

00:37:32: Also die verhindern, dass deren Webseiten jetzt gescraped werden zum Großteil.

00:37:35: Das heißt, wir haben, es gibt ein Datenproblem und dieses Problem wiederum

00:37:40: wird reflektiert in den Modellen letztlich.

00:37:43: Wenn wir jetzt das Datenproblem haben, dann werden wir das in ein paar Jahren

00:37:52: sehen.

00:37:53: Google hat versucht, mit Finetuning, mit einer Layer Solution draufzuarbeiten.

00:37:58: Du kannst ja auch synthetische Daten haben.

00:38:00: Nur so, wenn sich ein Problem praktisch schon in den Ursprungsdaten auffindet,

00:38:05: wird sich das weiterfressen in die nächsten.

00:38:09: Das wird ja irgendwann immer schlechter letztlich.

00:38:12: Der Schaden ist dann so eine Art Weiterfresserschaden.

00:38:14: Genau, du hast gerade zwei Punkte, finde ich super spannend.

00:38:17: Das eine ist synthetische Daten.

00:38:19: Dann werden synthetische Daten generiert, die ich dann auch wieder zum

00:38:22: Trainingszwecken nutze und so weiter und so fort.

00:38:24: Wenn in diesen synthetischen Daten, also diesen Ergebnissen ja eigentlich auch

00:38:28: schon, ich sage jetzt mal Schwachsinn drinnen ist, oder ein gewisser Bios drin

00:38:34: ist, wie auch immer, kann ja beides sein, dann wird ja irgendwann das

00:38:42: Mehrheit übernehmen, oder?

00:38:43: Dann wird das ja noch stärker in die Richtung gehen, oder?

00:38:49: Siehst du dieses Problem auch auf uns zukommen?

00:38:53: Mit Sicherheit.

00:38:55: Pip Klöckner hat auf seiner OMR Keynote eine extrem gute Folie dazu an die Wand

00:39:01: geworfen.

00:39:02: Übrigens diese Keynote kann ich sehr empfehlen.

00:39:03: Jedenfalls sagt er ja, dass es wie bei den Habsburgern ist damals.

00:39:07: Das heißt, dass die Genetik wird halt...

00:39:10: Genau, es ist Inzucht.

00:39:11: Genau das ist das Grundproblem der synthetischen Daten.

00:39:15: Das heißt, dass irgendwann wird es halt immer dünner und dünner und dünner, was da

00:39:19: an neuen Daten zukommt, an neuen Impulsen.

00:39:22: Das heißt, wenn du einer KI sagst, du versuchst meinetwegen ein Computer Vision

00:39:26: Modell zum autonomen Fahren zu trainieren und sagst, versuchst dem beizubringen, wie

00:39:31: ein rotes Auto aussieht.

00:39:33: Du selber hast aber nur meinetwegen 100 Fotos von roten Autos.

00:39:37: Dann sagst du der KI, ich möchte aus diesen 100 Fotos aber einen Trainingssatz

00:39:41: von 1000 Fotos für eine KI, für 1000 Fotos von roten Autos für dieses Modell

00:39:46: generieren, damit ich das Modell auf roten Autos trainieren kann.

00:39:49: Dann wird der KI, jedes Bildgebungstool wird in der Lage sein, dir in einer Minute

00:39:55: irgendwie 1000 Fotos von roten Autos zu generieren.

00:39:58: Nur, wenn das basiert ist auf diesen 100 ursprünglichen, wird dann irgendwann

00:40:03: nichts mehr Neues hinzukommen.

00:40:04: Und das heißt, die Qualität wird dann definitiv einfach schlechter werden.

00:40:08: Und so wie bei den Habsvogeln, irgendwann wird es auch sterben.

00:40:13: Irgendwann wird das Innene unter Kind zu groß sein und dann hast du keine Chance

00:40:17: mehr.

00:40:18: Davon müssen wir aufpassen.

00:40:20: Glaubst du, dass die bestehenden Modellen bei den großen Modellen, dass es in die

00:40:24: Richtung gehen kann, dass die sich selber, sag ich mal, den Hahn abdrehen?

00:40:28: Überholen.

00:40:29: Noch nicht.

00:40:30: Also, wie gesagt, das Internet ist noch nicht ausgelesen.

00:40:33: Ich denke, es gibt noch große Datenschätze.

00:40:36: Also, wie gesagt, Google hat einen immensen Schatz an Daten.

00:40:41: Ich denke auch, dass Deutschland sehr viel Daten hat, die natürlich momentan nicht

00:40:46: genutzt werden, aus datenschutzrechtlichen Gründen.

00:40:48: Aber die ganze Industrie, die ganze Fertigung, der ganze Mittelstand, da sind

00:40:53: riesen Data Lakes, die letztlich super interessant wären zum Trainieren für die

00:40:57: KI.

00:40:57: Aber weil die eben zum Teil auch noch sehr unsortiert sind, würde ich mal sagen,

00:41:03: können die natürlich nicht als Trainingsdaten fungieren.

00:41:07: Aber irgendwann werden sie sicherlich alle bewusst sein, auf welchen Schätzen sie

00:41:12: sitzen und daraus auch Geschäft machen.

00:41:16: Also das wird sicherlich sehr interessant werden für viele.

00:41:19: Jetzt haben wir darauf gesagt, dass die Ergebnisse schlechter werden können durch

00:41:23: synthetische Daten.

00:41:25: Wenn ich das jetzt mal ein bisschen weiterschwöre und sage,

00:41:28: hypothetisch, wir haben die besten Daten, es gibt keinen Bias, wir sind komplett

00:41:32: neutrale Modelle und so weiter und so fort.

00:41:36: Wenn ich das jetzt einmal an Google denke, dass du jetzt schon das Öfteren erwähnt

00:41:40: hast, wenn ich da was suche, poppt auch relativ schnell oben die ganzen sponsored

00:41:46: Links auf.

00:41:48: Glaubst du, dass sich die Geschäftsmodelle, ich meine Open AI ist ja

00:41:52: eigentlich gestartet, damit das für alle zur Verfügung stehen soll und so weiter

00:41:56: und so fort?

00:41:58: dieser Anbieter auch in die Richtung wandelt.

00:42:02: Wir wollen ja auch irgendwann einmal ordentlich Geld damit verdienen, dass sie

00:42:06: sagen, wenn irgendwie diese klassischen Fürsuchanfragen genutzt werden, dass auch

00:42:13: Unternehmen quasi ein bisschen sponsoren können, dass ihre Ergebnisse eher

00:42:18: bevorzugt werden.

00:42:20: Ja klar, also gerüchteweise macht das

00:42:25: Also ist OpenAI in Gesprächen mit Verlagen, dass deren Content letztlich

00:42:30: preferential, also vorteilhafter gefeaturet wird.

00:42:36: Bevorzugt wird.

00:42:37: Also, ich meine, bei Google wird es immerhin gekennzeichnet, dass es Sponsored

00:42:42: -Links sind.

00:42:43: Das wird schwierig, wenn das allgemeine Verständnis sich da hingegen verändert,

00:42:47: dass die großen Modelle an Content generieren, dass das die Wahrheit ist.

00:42:52: Und wenn dann die Wahrheit eben dominiert ist von ...

00:42:55: kommerziellen Interessen, ist das eine schwierige Entwicklung.

00:42:59: Zumal wir ja alle in den letzten Jahren so gelebt haben, dass was Google dir als

00:43:06: Ergebnis zeigt, neutral ist.

00:43:08: Wir gehen ja abgesehen von den 4, 5, 6 Sponsored Links, die oben drüber liegen,

00:43:12: aber wir gehen ja davon aus, dass im Prinzip, dass das, was Google uns zeigt,

00:43:16: so ist es dann auch.

00:43:17: Der Wahrhaftigkeitsgehalt ist relativ hoch.

00:43:20: Nur bei den Modellen wird es anders sein.

00:43:23: Das heißt, die nächste Entwicklung wird dann sein, dass man dann das werbefrei

00:43:28: kaufen wird, wenn sie es zeigen oder wenn sie es markieren.

00:43:33: Also ich persönlich denke, dass diese ganzen Modelle letztlich eigentlich ein

00:43:37: großes, einfach nur ein Enablement sind für die Unternehmen, ihre Cloud zu

00:43:41: verkaufen.

00:43:41: Weil das ist eines der profitabelsten Geschäfts, also Zweige für die meisten,

00:43:48: vor allem für Amazon, die verdienen, haben ...

00:43:50: wesentlich höhere Margen in der Cloud -Lösung als im Versandhandelgeschäft.

00:43:55: Daher denke ich, da wird es irgendwann dahingehen.

00:43:59: Weil irgendwann werden wir alle auch verstehen, dass die Ergebnisse, die von

00:44:04: diesen LLMs generiert werden, eben immer mit so ein bisschen Vorsicht zu genießen

00:44:11: sind.

00:44:11: Weil man eben nicht weiß, wie dabei es ist, welche Interessen dahinter stecken

00:44:15: und so weiter.

00:44:16: Was würdest du dann unternehmen und auch Kunden raten in der Hinsicht?

00:44:20: Also ich glaube, dass Transparenz ist immer ein Key, also sich und Wissen und

00:44:27: Bildung, also sich zu informieren, zu verstehen, welches LLM hat welchen Bias

00:44:32: sozusagen, welchen LLM hat welche Gesinnung, welches Geisteskind sozusagen.

00:44:41: Also wenn man sich das bewusst ist, glaube ich, kann man dann ganz gute

00:44:45: Entscheidungen treffen.

00:44:46: Ich finde auch wichtig, dass es extrem viel Vielfalt innerhalb der LLMs gibt.

00:44:50: Weil dann, sobald man das miteinander benchmarkt, kann man ja sehr gut sehen, in

00:44:55: welche Richtung das jeweils geht.

00:44:57: Nehmen wir an, wir hatten einen BRD -GPT.

00:45:00: Dann könnte man sehen, wenn man dort eine Antwort generiert, kann man sehr klar

00:45:05: sehen, wie das im Verhältnis wäre zu einem aus den USA, wo die Antwort wahrscheinlich

00:45:10: wesentlich anders ausfallen würde.

00:45:12: Glaubst du, wäre das auch so eine Lösung, dass es mehr so spezialisierte...

00:45:16: Modelle geben wird in Zukunft oder ich sage jetzt mal rein auf Medizin oder rein

00:45:21: auf wie du schon sagst irgendwie Geschichte oder was auch immer Ja es gibt

00:45:27: dazu tatsächlich also die letzten Studienlage besagt dass die

00:45:34: Spezialisierten Modelle nicht nicht performanter sind als die generalistischen

00:45:38: Modelle das heißt die großen

00:45:40: Modelle von OpenAI und von Google sind immer noch besser, auch im medizinischen

00:45:45: Bereich, als die kleineren.

00:45:47: Das heißt, was ich annehme, ist, dass es einfach ein Fine -Tuning gibt,

00:45:50: beziehungsweise Layer Solutions on top, die dann auf die großen Basismodelle

00:45:56: ansetzen.

00:45:58: Und die werden ja ohnehin schneller.

00:46:00: Die Grundkritik war immer, dass die großen Modelle halt nicht so langsam sind, wie

00:46:04: diese kleinen Speedbooth -haften Modelle von Mistral zum Beispiel.

00:46:08: Aber grundsätzlich wird es so sein, dass es dann Spezialisierungen geben, die dann

00:46:13: draufliegen auf den großen Foundation of Models.

00:46:17: Dann lassen wir uns jetzt noch mal in eine Richtung gehen.

00:46:19: Thema EU AI Act.

00:46:23: Du hast den Punkt Transparenz auch schon erwähnt.

00:46:25: Ist ja auch einer, der sehr stark diskutiert wird, auch welche Datenquellen

00:46:32: wurden genutzt oder werden genutzt und spätestens auch nach dem Interview mit

00:46:36: Mira Murati, der CTO von OpenAI, die dann zum Thema Zora gesagt hat, ja, okay, wir

00:46:42: sind herumgedruckst hat, welche Daten sie genutzt haben, war aber auch allen

00:46:46: irgendwo klar, denen es noch nicht klar war bis dahin, dass es nicht nur legal

00:46:51: erworbene Daten sind, mit denen trainiert wurden.

00:46:56: Und jetzt gibt es ja immer wieder unterschiedlichste Spekulationen, was denn

00:46:59: der AI -Act denn im Detail dann bedeuten kann, vor allem angesichts der Tatsache,

00:47:04: dass ja...

00:47:05: man ja auch den Statusquo von bereits trainierten Modellen irgendwie nicht

00:47:11: zurückdrehen kann, das Training.

00:47:12: Also wo ich sagen kann, okay, die Quellen darfst du jetzt nicht nutzen, jetzt musst

00:47:15: du die rausnehmen aus deinem Modell.

00:47:17: Das irgendwie zurücknehmen ist ja auch etwas schwieriger.

00:47:21: Welche Szenarien sind denn da deiner Meinung nach denkbar, die eintreten können

00:47:25: für die Hersteller dieser Modelle?

00:47:28: Also jetzt so ex ex...

00:47:31: Post sozusagen.

00:47:32: Also ich glaube nicht, dass es irgendwie möglich sein wird, die Zeit

00:47:35: zurückzudrehen.

00:47:36: Und das heißt, dass OpenAI hat fünf Jahre lang jetzt trainiert.

00:47:40: Das heißt, die haben unfairerweise einen so krassen Wettbewerbsvorteil, weil die

00:47:46: tatsächlich, also das Transkribieren, die haben es ja mit Whisper gemacht, das ist

00:47:49: dieses eine Transcription Modell von OpenAI, das Transkribieren von den ganzen

00:47:55: YouTube -Daten.

00:47:56: finde ich halt schon ein bisschen dreist, wenn ich ganz ehrlich bin.

00:47:59: Und deswegen, Mira Moratti wusste das auch und deswegen hat sie auch so komisch

00:48:01: reagiert, glaube ich.

00:48:04: Also, könnte man meinen.

00:48:06: Und letztlich wusste das, glaube ich, wusste das Google auch und hat halt die

00:48:14: Augen verschlossen.

00:48:14: Also es gibt Gerüchteweise, hat Meta, saß Meta immer daneben und hat zugeguckt und

00:48:21: war quasi sauer, dass die es nicht einfach so können.

00:48:23: Google hat selber auch...

00:48:25: anscheinend auf den YouTube -Daten trainiert.

00:48:29: Und das ist dahingegen schwierig, weil YouTube das eigentlich in deren AGB

00:48:37: ausschließt, dass deren Videos zum Scrapen und zum Training von anderen und so weiter

00:48:42: von Dritten halt genutzt werden darf.

00:48:45: Daher werden die ganzen Nutzer, die das dort hochgeladen haben, ihre Videos

00:48:49: hochgeladen haben, garantiert es nicht.

00:48:51: gewusst haben und auch nicht mit in der Absicht, dass es dann später von irgendwem

00:48:54: genutzt wird.

00:48:56: Das heißt, man kann die Zeit nicht zurückdrehen.

00:48:58: Was jetzt der AI Act hat, klassifiziert jetzt verschiedene Use Cases und vor allen

00:49:04: Dingen Gefahrenklassen.

00:49:05: Da geht es vor allen Dingen manipulative KI, also gerade Dinge mit

00:49:10: Gesichtserkennungssoftware und so weiter.

00:49:12: Na klar, sollte man die regulieren.

00:49:14: Meines Erachtens ist ein bisschen unglücklich jetzt, dass es alles

00:49:18: einmal so reguliert wird, anstatt dass einzelne Industrien reguliert werden und

00:49:21: dann vielleicht auch ein bisschen mehr im Detail.

00:49:24: Und auch, also Industrien wie zum Beispiel, ja, also nur

00:49:29: Gesichtserkennungssoftware.

00:49:30: In Amerika zum Beispiel gab es von Amazon oder RWS gab es so eine

00:49:34: Gesichtserkennungssoftware, die die amerikanische und vor allem New Yorker

00:49:37: Polizei genutzt hat, die nicht in der Lage war, schwarze Frauen als solche zu

00:49:43: identifizieren.

00:49:44: Weil die halt so einen harten Bias in deren Trainingsdaten haben.

00:49:47: Sowas geht natürlich auf keinen Fall.

00:49:48: Dafür ist der AI -Act bestimmt sehr sinnvoll.

00:49:52: Nur die Ausgestaltung fehlt halt momentan noch völlig.

00:49:55: Keiner weiß so richtig genau, worauf man sich einlässt.

00:49:58: Und wie ich eingangs sagte, wenn wir ein komplettes Compliance -Team oder wie auch

00:50:03: immer brauchen, wieder Anwälte brauchen, die sich damit im Detail

00:50:05: auseinandersetzen.

00:50:06: Also schwierig.

00:50:07: Ich habe gerade gestern mit dem vom TÜV gesprochen.

00:50:12: Also TÜV hat jetzt eine ganze AI -Unit und die müssen ...

00:50:17: in Zukunft halt Maschinen und so weiter auf deren AI -Compliance TÜV

00:50:23: zertifizieren.

00:50:24: Und dafür haben sie, glaube ich, zwei Jahre Zeit oder so.

00:50:26: Das heißt, es ist so mit der heißen Nadel geschickt, ich weiß auch nicht, wie sich

00:50:30: das jetzt in den nächsten Jahren ausgestalten wird.

00:50:34: Also es ist TBD, muss ich sagen.

00:50:36: Und jetzt auf die, ja, sag ich mal, Hersteller oder Anbieter der großen LLMs.

00:50:44: Glaubst du, dass da irgendwie noch was kommen wird?

00:50:46: Ich meine,

00:50:48: Nee, ach, die haben ja am Ende keine Chance.

00:50:51: Also, der Day I Exit, das ist...

00:50:54: Also, ich glaube nicht, dass die da so hart in den Anwendungsbereich sozusagen

00:51:01: fallen.

00:51:02: Aber die LLMs, wie sie jetzt sind, so sind sie.

00:51:07: Da wird man am Nachhinein nicht die Datenlage transparenter machen, man wird

00:51:12: nicht irgendwie die Datenquellen transparenter machen, das ist

00:51:15: ausgeschlossen alles.

00:51:16: Also...

00:51:17: Keine Chance.

00:51:18: Auch die Gefahr, das habe ich in einem oder anderen Podcast mal gehört, dass

00:51:25: möglicherweise diese Modelle sich generell aus dem Markt zurückziehen müssen?

00:51:31: Ja, das glaube ich auch nicht, weil letztlich ist Europa schon ein relevanter

00:51:34: Markt nach USA und Asien.

00:51:37: Also das denke ich nicht, dass das passieren wird.

00:51:40: Die werden irgendeine Regelung bekommen, irgendeine Regelung finden oder die werden

00:51:43: so wie Big Tech halt ab und zu, das macht dann irgendwann die Strafenzahlen und es

00:51:49: zehn Jahre lang sich irgendwelche juristischen Kämpfe geben und

00:51:53: schlussendlich das Strafezahlen, die aber schon lange einbudetiert ist.

00:51:56: Also wie gesagt, ich glaube, das ist alles ein bisschen chancenlos.

00:51:59: Hätte ich gesagt.

00:52:01: Bevor wir jetzt in die Zielgerade kommen oder einwiegen, lass uns noch mal einen

00:52:07: Punkt ansprechen, und da würde ich gerne ansprechen, und zwar das Thema allgemeine

00:52:11: künstliche Intelligenz, also AGI.

00:52:14: Bei dem ja Hauptmerkmal ist, eine breitere Fähigkeit, über mehrere Dominien hinweg

00:52:19: geht, auch das Thema Selbstlernen oder auch eine Art Bewusstsein.

00:52:24: Als Partner von OpenAI, der ihr ja seid,

00:52:29: Wie steht es denn das Thema?

00:52:31: Weißt du da mehr?

00:52:33: Kannst du da aus dem Nähkästchen plaudern?

00:52:37: Nee, kann ich nicht.

00:52:39: Aber ich kann dazu zwei Sachen sagen.

00:52:41: Also erstens, ich finde es ein bisschen schwierig, wenn gesagt wird, dass selbst

00:52:47: wenn es 80 Milliarden kosten würde, ATI zu entwickeln, sei es halt so.

00:52:52: Also man muss sich auch bewusst sein, dass es externe Kosten des Trainierens der

00:53:01: Modelle gibt.

00:53:01: Also das heißt...

00:53:03: Der Energieverbrauch ist immens und darüber wird kaum gesprochen, was es für

00:53:08: unseren Planeten bedeutet, wenn wir 80 Milliarden in das Training von KI -Modelle

00:53:14: einbauen.

00:53:14: Das heißt, man müsste eigentlich permanent Atommailer bauen.

00:53:19: Ich glaube, der wirkliche Energieverbrauch ist wenigen bewusst.

00:53:23: Deswegen bin ich mir nicht sicher, ob das der richtige Ansatz ist, dass man sagt, no

00:53:30: matter what.

00:53:30: So ist mir völlig egal, wie der Preis auf die Umwelt ist.

00:53:34: Das heißt, oder was ist Umwelt, aber dann planierten die Menschheit grundsätzlich.

00:53:38: Das heißt, das Bepreisen von Externalitäten fehlt schon wieder in

00:53:41: diesem Kontext.

00:53:42: So wie eine Carbon Tax, wenn man fliegt oder was auch immer.

00:53:47: Oder wenn man Dinge verschickt, fehlt die eigentlich auch.

00:53:49: Also wenn man aus China irgendwelche Dinge verschickt, sollte es eigentlich mit einer

00:53:52: CO2 -Steuer bepreist werden, weil das einfach ein Kosten für alle bedeutet

00:53:59: letztlich so.

00:54:00: Aber das finde ich schwierig, dass AGI, also mit der Einstellung reinzugehen, no

00:54:06: matter what, egal was passiert, wir machen es trotzdem so.

00:54:09: Dann, zweitens, was ich irgendwie dabei auch schwierig finde, ist die Annahme oder

00:54:17: die Kommunikation, was AGI überhaupt sein soll.

00:54:19: Wenn wir uns angucken, was die menschliche Evolution geleistet hat, die letzten 100

00:54:24: .000 und plus Jahre, wir haben angefangen mit einer Zelle, die zwischen hell und

00:54:28: dunkel unterscheiden konnte.

00:54:30: Das heißt, es hat 100 .000 Jahre gedauert, bis wir als Menschen jetzt so sind, wie

00:54:38: wir sind.

00:54:41: Und das alles in Lichtgeschwindigkeit zu replizieren zu wollen mit ein paar

00:54:48: Sprachen und Videomobilen, finde ich irgendwie nicht anmaßend, aber auch

00:54:55: schwierig.

00:54:56: Also das heißt, meines Erachtens wird es noch wesentlich länger dauern.

00:55:00: bis weil auch diese, gerade wenn man diese Sprachmodelle sieht, sind die ja

00:55:06: letztlich, also die Sprachmodelle, wie man sie jetzt sieht, die gab es schon lange.

00:55:11: Und auch die Diffusionsmodelle, das heißt die Bildgenerierungsmodelle, die

00:55:17: Pixelvoraussagen, gibt es auch schon lange.

00:55:19: Was sich geändert hat, sind die Prozessorleistungen, die hat die

00:55:22: Performance der Modelle deutlich beschleunigt.

00:55:25: Das heißt,

00:55:27: Es sei denn, wir sehen in den nächsten 24 Monaten wirklich disruptive Technologie,

00:55:31: das heißt wirklich disruptive Modelle oder was auch immer, AGI wirklich zu schaffen.

00:55:41: Sehe ich persönlich das noch nicht, dass daraus eine allgemeine Intelligenz, die

00:55:45: mit einem Bewusstsein, die vergleichbar ist mit der menschlichen Intelligenz

00:55:49: geschaffen wird.

00:55:50: Tatsächlich kam mir jetzt noch eine Frage.

00:55:53: weil du jetzt auch noch mal das Thema CO2 -Steuer gebracht hast und so weiter und so

00:55:59: fort.

00:55:59: Was ich ja ganz spannend finde, dass das mit eingepreist werden muss.

00:56:04: Wir haben auch über das Thema Ethik gesprochen und du hast auch gesagt, ja,

00:56:09: faire Mittel, YouTube -Videos und so weiter und so fort, die transkribiert und

00:56:13: das zu nutzen.

00:56:14: Also es waren ja auch sehr kritische Stimmen oder Meinungen oder, sag ich mal,

00:56:19: Richtungen von dir heraus zu hören zu dem Thema.

00:56:23: Wie geht ihr da eigentlich bei Oxolo damit Weil ich meine, am Ende nutzt ihr ja das

00:56:28: auch auf volle Breitseite, das komplette System von Opmei oder anderen Ampietern

00:56:33: und so weiter und so fort.

00:56:35: Wie geht ihr mit diesen Themen, die du jetzt auch angesprochen hast, du sagst,

00:56:41: siehe ich kritisch, bei Oxolo selber Wir versuchen natürlich, was wir können, dass

00:56:47: wir im Kleinen quasi Fairness bringen, dass wir im Kleinen Ethik bringen.

00:56:53: Das heißt, ich habe wenig Impact auf OpenAI.

00:56:57: Also ich brauche deren Modelle.

00:56:59: Es gibt kein Alternativ los für mich.

00:57:01: Das heißt, ich kann nichts anderes machen.

00:57:05: Aber ich kann dafür versuchen, wenn ich es schon nicht in den Modellen so sehe, dass

00:57:10: ich auf meinen eigenen, vor meiner eigenen Tür sozusagen kehre, dass ich ein

00:57:14: Unternehmen baue, was zum Beispiel, wir haben doppelt so viele Frauen in Tech,

00:57:20: oder auch in einem ganzen Team.

00:57:21: wie andere Deep Tech -Unternehmen.

00:57:23: Das das eine.

00:57:24: Dann das zweite ist, wir haben, ich glaube, mehr Diversität, als man sich

00:57:28: vorstellen kann.

00:57:28: Wir sprechen 22 verschiedene Sprachen, haben 15 verschiedene Nationalitäten.

00:57:34: Das ist das zweite, worauf ich achte.

00:57:35: Dann haben wir uns auch tatsächlich für dieses Remote Only sehr bewusst

00:57:40: entschieden, weil wir gesagt haben, dass wir es völlig verrückt finden, dass eine

00:57:45: Fläche oder eine Immobilie immer halbe, dass der tagsüber leer steht.

00:57:50: Entweder ist es das Büro,

00:57:51: wenn keine Leute im Büro sind oder ist es eben das Zuhause?

00:57:54: Das heißt, wir empfinden das als hochgradig ineffizient und haben uns

00:57:57: deswegen auch dagegen entschieden, weil wir gesagt haben, es macht einfach, also

00:58:01: nicht nur wirtschaftlich, aber es macht auch einfach aus CO2, aus tausend

00:58:08: verschiedenen Gründen, diese hin und her.

00:58:10: Ich meine, allein, Leute kommen mit dem Auto zum Büro, das steht dann den ganzen

00:58:14: Tag, es macht einfach keinen Sinn.

00:58:15: Deswegen haben wir uns dagegen entschieden.

00:58:18: Ach, es gibt tausend verschiedene kleine...

00:58:21: Teile, wo man selber für sich praktisch, wo man versuchen kann Vorbild zu sein.

00:58:26: Aber wie du schon sagst, auf die großen Modelle, auf Amazon habe ich keinen

00:58:31: Impact, auf OpenAI habe ich keinen Impact und es ist halt alternativlos letztlich.

00:58:37: Das nächste ist tatsächlich, das ist ein Fun Fact, aber es ist völlig nicht

00:58:41: relevant, aber wenn man so kleine Videos von uns nimmt, ist es ein Bruchteil von

00:58:45: der, wir haben das mal ausgerechnet, ich habe es jetzt leider nicht im Kopf, aber

00:58:48: die CO2 Produktion oder die...

00:58:51: die CO2 -Kosten eines normal produzierten Videos sind, ist ein hundertfaches im

00:58:56: Vergleich zu uns.

00:58:57: Natürlich sind es Rechenleistungen, die da durchgehen, aber wenn du es vergleichst

00:59:02: mit einer normalen Produktion, wo Leute die Welt geflogen werden, wo du Kameras

00:59:06: hast, wo du Team von zehn Leuten hast, wo du immens viel Energie für verbrauchst und

00:59:10: so weiter, das ist kein Vergleich zu Klein - Solo -Videos.

00:59:14: Also, wie gesagt, ich glaube, man kann immer nur vor der eigenen Tür kehren und

00:59:18: versuchen...

00:59:19: als Vorbild voranzugehen, aber mehr dann halt leider auch nicht.

00:59:24: Okay, super.

00:59:25: So bevor wir zu den drei Learnings kommen, von dir die letzte Frage davor.

00:59:31: Hast du eine bestimmte Technologie, KI -Anwendung, Lieblingstechnologie, wie auch

00:59:35: immer, die du super faszinierend findest und die auch dein Leben besonders

00:59:39: verbessert hat?

00:59:41: Ja, das ist die Transcribe - und Summarizer -Funktion bei, nicht Funktion,

00:59:45: sondern so ein Chatbot bei WhatsApp.

00:59:48: weil ich hasse Sprachnachrichten.

00:59:50: Es raubt mir echt meinen Tag, wenn ich irgendwie am Abend dann 20 ungehörte

00:59:54: Sprachnachrichten habe.

00:59:55: Und ich kann die einfach super zu so einem kleinen Bot forwarden, der transkribiert

01:00:00: es mir und wenn es zu lang ist, dann lasse ich es nochmal summarisen und dann ist aus

01:00:04: die Maus.

01:00:05: Und die zweite, meine zweite Lieblingsanwendung ist tatsächlich eine

01:00:09: Vogel -App, eine Bird -App, die heißt Merlin, -E -R -L -I -N.

01:00:15: Das ist von Cornell, von der Uni Cornell.

01:00:18: Das ist wie der Shazam für Vögel.

01:00:20: Das heißt, wenn ich mich langweilig laufe, ich gehe damit durch die Gegend und sehe

01:00:22: so, auf Englisch heißt es da eines, das ist Chiff -Chaff, da heißt auf Deutsch der

01:00:26: Zilzalp oder in Leipzig habe ich eine Nachtiger gehört.

01:00:30: Also totales Highlight.

01:00:32: Da kannst du noch die Nabu -App dazu herunterladen und kannst dann sagen, ich

01:00:36: habe den Vogel da und da gesehen.

01:00:38: Da kannst du nämlich eintragen, wo, welche Vögel es sind.

01:00:41: Die machen dann, glaube ich, so ein Tracking auch ein bisschen damit.

01:00:45: cool.

01:00:46: Nerds unter Sicherheit.

01:00:48: Wie ich damals in Hamburg war, haben wir auch immer Frühstücksdische, wo so ein

01:00:52: Vogelhäuschen hatten.

01:00:53: Dann kamen echt unterschiedlichste Vögel und dann habe ich irgendwann begonnen, mal

01:00:57: zu suchen und zu schauen und dann einfach mal Protokoll geführt, welche Vögel wann

01:01:02: da waren.

01:01:04: siehst du?

01:01:04: Okay, krass.

01:01:07: Ja, Ja, Merlin is cool.

01:01:09: Sorry, was war die nächste Frage?

01:01:10: Ne, ne, alles gut.

01:01:12: Diese WhatsApp -Funktion, ist die von WhatsApp selber oder ist das eine App

01:01:16: noch?

01:01:16: Nee, ist ein externer Bot, aber ich kann gern die Nummer dir im Nachhinein geben,

01:01:20: dann kannst du sie sehen.

01:01:21: Find ich gut.

01:01:23: Ja, ja, es hilft einem, es ist sehr viel Pain, was da genommen wird.

01:01:28: Vor allem die Summarizer Funktion ist wirklich, wenn jemand so irgendwie am Auto

01:01:32: sitzt und in einer Viertelstunde irgendwie redet und sagt sorry, ich kann grad nicht

01:01:36: schreiben und so.

01:01:37: Und dann ist so die Essenz ist dann Satz, hast du morgen Zeit.

01:01:41: Ist gut.

01:01:43: Ja, sehr schön.

01:01:44: So, aber jetzt.

01:01:47: Tatsächlich die letzte Frage.

01:01:49: Und zwar drei Learnings von dir, die du den Zuhörerinnen mitgeben möchtest.

01:01:54: Diese Learnings können an privater oder beruflicher Natur sein.

01:01:57: It's up to you.

01:01:59: Okay.

01:02:00: Also Learning Nummer eins, wir sind ja hier im beruflichen Kontext, ist immer

01:02:05: flexibel zu bleiben.

01:02:07: Also das heißt, dass man grundsätzlich sich versuchen oder ich versuche immer in

01:02:13: der Lage zu sein, mich möglichst schnell auf neue Sachverhalte oder neue

01:02:17: Umgebung auch neue Menschen einzustellen.

01:02:20: Ich glaube, nichts ist schlimmer als eingefahren in seiner Routine, in seinem

01:02:25: System zu sein, ohne die Fähigkeit zu haben, schnell davon abzuweichen und sich

01:02:30: anderen Dingen anzupassen.

01:02:31: Das Zweite ist, was extrem wichtig ist, was auch mein Learning war, Resilienz ist

01:02:38: Prior 1.

01:02:38: Das heißt, dass man, wenn man sich schafft, resilient zu sein, irgendwas

01:02:43: dringend ändern muss.

01:02:44: Also, dass man möglichst viel, ich würde sagen, ertragen.

01:02:47: tragen können muss, aber dass man halt widerstandsfähig bleibt, eben mit der Welt

01:02:53: klarzukommen.

01:02:54: Und dann glaube ich, ist auch ein Learnings einfach den Humor nicht zu

01:02:58: verlieren und Dinge nicht zu ernst zu nehmen.

01:03:00: Also ich glaube manchmal passieren einfach so Mishaps oder total eigentlich

01:03:05: unmögliche Sachen.

01:03:06: Und wenn man da nicht die Comic drin sieht, ist man relativ schnell verloren.

01:03:11: Manche nehmen das dann zu ernst.

01:03:14: Sie nehmen das Leben auch meiner Meinung nach zu ernst.

01:03:16: Und die sind aber manchmal dann auch verstört, wenn der andere dann über

01:03:18: gewisse Dinge lacht.

01:03:20: Aber da muss man dann drüber stehen.

01:03:22: Im Thema Resilience.

01:03:23: Das glaube ich auch.

01:03:24: Don't take life too serious, glaube ich.

01:03:27: Das Leben ist zu kurz.

01:03:29: So ist es.

01:03:31: Ja, Elisabeth, danke für deine Zeit, danke für deine Einblicke.

01:03:36: Ich persönlich habe auch einiges mitgenommen und ich finde auch ganz

01:03:38: spannend, so deine Ansichten zum Thema.

01:03:41: Wir müssen mehr offen sein auch, mehr Offenheit haben, damit wir da auch den

01:03:44: Anschluss nicht verlieren gegenüber USA und auch unsere, sag ich mal, Experten,

01:03:52: Fachkräfte, Spezialisten, IT -Nerds, wen auch immer halten, die in dem Bereich KI

01:03:57: unterwegs sind.

01:03:59: auch dass du der Meinung bist, AG AI, wenn es da jetzt nicht wirklich zu einer

01:04:03: Disruption kommt, dann technologisch, dann wird es schon noch dauern.

01:04:08: Und das ist auch genauso wie der AI Act der EU noch nicht ganz zu Ende gedacht,

01:04:16: sage ich jetzt einmal.

01:04:17: Ich versuche das jetzt mal zusammenfassen.

01:04:18: Bitte korrigiere mich, falls ich es falsch zusammenfasse.

01:04:22: Nein, alles gut.

01:04:23: Und ja, auch deine, deine, deine

01:04:26: Deine Einblicke in diese ganzen Beispiele, die du gebracht hast, habe ich super

01:04:29: spannend gefunden.

01:04:30: Wo du sagst, das gibt es schon und jenes und jenes und so.

01:04:34: Man hört immer relativ viel.

01:04:36: Aber wenn man das dann noch mal von einer Expertin hört, die dann intensiv damit

01:04:40: arbeitet, was alles möglich ist, dann öffnet das auch noch mal ein bisschen den

01:04:45: Horizont für einen.

01:04:46: Das finde ich super.

01:04:47: Herzlichen Dank.

01:04:49: Ja, danke dir.

01:04:51: Danke dir.

01:04:54: Ich hoffe, dass wir den letzten Punkt irgendwann auch schaffen, dass es ein

01:04:58: persönliches Treffen ist, nicht nur virtuell, da auch, dass du aus der

01:05:05: virtuellen Welt rauskommst, vor allem auch dieses Remote.

01:05:09: Vielleicht sieht man sich auf der einen oder anderen Veranstaltung.

01:05:13: Ich wünsche dir jetzt auf jeden Fall einen schönen Tag, genieße das Wetter und liebe

01:05:19: Grüße von München noch nach Hamburg.

01:05:22: Vielen Dank, dass ich da sein durfte.

01:05:24: Hat mich sehr gefreut.

01:05:25: Vielen Dank, Johannes.

01:05:27: Das war das Interview mit Elisabeth Lorange.

01:05:30: Infos zu Elisabeth und Oxolo findet ihr wie immer in den Show Notes.

01:05:34: Am Ende jetzt noch eine kurze Bitte in eigener Sache.

01:05:38: Wenn euch der Podcast gefällt und ihr ihn informativ findet oder was auch immer,

01:05:43: dann abonniert den Podcast doch gerne auf eurer Lieblingsplattform und hinterlasst

01:05:48: dabei auch gleichzeitig einen kommen.

01:05:51: bzw.

01:05:51: eine Bewertung.

01:05:54: Wer dies bereits getan hat, der darf auch gerne den Podcast an Freunde, Bekannte,

01:06:03: Familie, Mitglieder, wen auch immer, weiterempfehlen.

01:06:06: Ich würde mich sehr freuen und es würde auch helfen, die Sichtbarkeit ein wenig zu

01:06:12: erhöhen.

01:06:14: Herzlichen Dank euch schon mal im Voraus dafür und bis in zwei Wochen.