Ich habe für euch das neue Bildgenerierungs- und Bearbeitungsmodell von Google ausprobiert und es ist wirklich gut geworden. Die Konsistenz, eine der größten Schwächen der Modelle bisher, ist hervorragend. An einem praktischen Beispiel zeige ich euch, wie ihr Google AI Studio für kreative Bildideen und KI-gestützte Bildbearbeitung nutzen könnt.

Zum Google AI Studio gelangt ihr hier: https://aistudio.google.com/

Probiert es aus und lasst mich wissen, wie ihr das findet! Lasst gerne auch einen Kommentar da, wie ihr solche ungeplanten Spezialfolgen zwischendurch findet und was ihr von dem Videoformat haltet.

In dieser ersten Folge einer Mini-Reihe zu generativer KI schauen wir uns an, was generative Modelle eigentlich sind, wie sie funktionieren und was sie von anderen Modellen unterscheidet.

Speziell in dieser Folge sprechen wir über die riesigen Datenmengen, die GPT-3 fürs Training verwendet hat. Sie soll ein bisschen als kleine Einführung dienen - 5 Min. sind eben leider nicht so lange. Darauf aufbauend besprechen wir Themen zur Nachhaltigkeit, Datenschutz und Urheberrecht, und vieles mehr.

Bleibt gespannt und neugierig!

Wie funktioniert Netflix, Amazon & Co.? Was hat ein MRT mit KI zu tun? Wie funktionieren Spam-Filter?

Solche und weitere Fragen klären wir in der heutigen Folge, in der wir uns einige spannende Beispiele aus der Praxis anschauen, die ihr alle kennt oder schonmal gesehen habt. All das sind interessante Lösungen für Probleme, in denen Machine Learning dabei hilft, Dinge schneller, besser und manchmal auch fairer zu machen.

Lernen ohne Anleitung?

In dieser Folge schauen wir uns zwei Lernmethoden an, bei denen Modelle ohne explizite Anleitung lernen: Reinforcement Learning – bei dem Feedback wie in einem Belohnungssystem wirkt – und Unsupervised Learning, wo Muster in Daten erkannt werden, ohne dass jemand vorgibt, was zu sehen ist. Wir erklären die Konzepte anschaulich und mit Beispielen aus dem Alltag – von Saugrobotern bis zum Online-Shopping.

Auch wenn wir im Titel von Künstlicher Intelligenz reden, wisst ihr, wenn wir ihr die anderen Folgen gesehen habt, dass wir eigentlich Machine Learning meinen.

Wie lernen Maschinen eigentlich?
In dieser Folge schauen wir uns an, wie ein Machine-Learning-Modell im sogenannten überwachten Lernen (Supervised Learning) trainiert wird – anschaulich erklärt am Beispiel von Katzen- und Hundebildern. Wir klären, was gelabelte Daten sind, wie der Trainingsprozess funktioniert und warum ein Modell auch mit neuen, unbekannten Daten umgehen können muss.

Denkt daran: Künstliche Intelligenz ist der Oberbegriff. Wir beschäftigen uns mit Daten, deshalb: Machine Learning.

In dieser Folge räumen wir den KI-Buzzword-Dschungel auf: Was ist eigentlich der Unterschied zwischen Künstlicher Intelligenz, Machine Learning und Deep Learning? Wir erklären die Begriffe klar, zeigen, wie sie zusammenhängen, und geben einen Überblick über wichtige Anwendungsfelder wie Computer Vision, Natural Language Processing und Robotik.

Was ist eigentlich der Unterschied zwischen Google und ChatGPT?In dieser Folge von „KI – kurz und informativ“ klären wir eine der häufigsten Fragen aus meinen Schulungen: Worin unterscheiden sich Sprachmodelle von klassischen Suchsystemen wie Google und warum ist ChatGPT keine Suchmaschine?

Wir sprechen unter anderem über den sogenannten Knowledge Cutoff der Modelle und warum Suchmaschinen tagesaktuell sind - im Gegensatz zu Sprachmodellen. Oder etwa nicht?

Was genau ist eigentlich ein Modell im Kontext von Künstlicher Intelligenz und Machine Learning? In dieser Folge von "KI – kurz und informativ" gehen wir etwas mehr ins Detail und schauen uns die mathematischen und intuitiven Grundlagen an.

Anhand dessen können wir besser erklären, welche Unterschiede es zwischen den Modellfamilien gibt. Außerdem werden wir dank dieses Wissens in der Lage sein, neuronale Netze zu beschreiben und zu verstehen.

Wie funktioniert eigentlich ein neuronales Netz? In dieser Folge von „KI – kurz und informativ“ schauen wir uns die Grundlagen des Deep Learning an, einem Teilgebiet des Machine Learning und der Künstlichen Intelligenz.
Wir sehen, warum künstliche neuronale Netze von unserem Gehirn inspiriert sind, wie sie aufgebaut sind und wie sie lernen – Schritt für Schritt. Das Thema ist nicht einfach und daher brechen wir es in mehrere kleinere Teile auf. Hier findet ihr den ersten Teil.

Viel Spaß bei dieser Folge!

Künstliche Intelligenz bietet scheinbar grenzenlose Möglichkeiten. Doch auch solche Systeme haben Schwächen. Genau darüber sprechen wir in dieser Folge. Einige Herausforderungen moderner KI- und Machine-Learning-Systeme sind bspw.:

• Bias & Fairness

• Distribution Shift

• Overfitting & Underfitting

• Halluzinationen von Sprachmodellen

Anhand praktischer Beispiele und reallen Fällen, erfahrt ihr was diese Schwächen sind und was für Folgen sie haben können.

Link zum ProPublica-Artikel:

https://www.propublica.org/article/how-we-analyzed-the-compas-recidivism-algorithm

Link zum Artikel mit dem Rechtsanwalt: https://www.tagesschau.de/wissen/technologie/ki-rechtsanwalt-100.html

Wofür nutzen Menschen ChatGPT eigentlich wirklich? Im Alltag und im Job?
Eine neue Studie des National Bureau of Economic Research (September 2025) liefert erstmals detaillierte Zahlen zur weltweiten Nutzung von ChatGPT. Die Ergebnisse sind überraschend.

In dieser Folge von „KI – kurz und informativ“ erfährst du, warum ChatGPT längst nicht nur ein Produktivitätstool ist, sondern sich immer mehr zum Alltagshelfer entwickelt. Und was das für Unternehmen, Verwaltungen und unseren persönlichen Umgang mit KI bedeutet.

Artikel von OpenAI: https://openai.com/index/how-people-are-using-chatgpt/

Full PDF zur Studie: https://www.nber.org/papers/w34255

Generative KI (GenAI) ist ein Hype-Thema - keine Frage. Aber wann ist es wirklich sinnvoll, diese Technologie einzusetzen? Und bei welchen Anwendungsszenarien eignet sie sich eher weniger?

Das erfahrt ihr in dieser Folge von "KI - kurz und informativ". Leider sehe ich viele Unternehmen den Fehler machen, schnell irgendetwas mit GenAI zu realisieren, damit sie mit dem Trend gehen können. Aber das funktioniert nur in seltenen Fällen. Macht euch lieber gründlich Gedanken, welches Problem ihr lösen wollt und betrachtet alle möglichen Methoden. Wenn (generative) KI dann passt: super! Wenn nicht: auch gut, dann gibt es eine bessere Alternative.

Viel Spaß beim Zuhören!

Europa, KI und ein anderer Weg?

Ausgangspunkt ist Apertus, ein neues, vollständig Open-Source-Sprachmodell – made in Switzerland. Ein Gegenentwurf zu den großen, geschlossenen Systemen. Aber was kann Open Source leisten? Liegt hier eine Chance für Europa?

Auch diese Fragen lassen sich nicht leicht beantworten. Und ähnlich wie die letzte Folge, sollen sie in erster Linie zum Nachdenken anregen.

Wir sprechen über den Unterschied zwischen Open Source und proprietären Modellen, einer möglichen europäischen Perspektive auf KI und warum es mehr als nur Forschung braucht, um mithalten zu können.

Viel Spaß beim Hören und schreibt gerne eure Meinung in die Kommentare!

Über Apertus: ⁠https://www.swiss-ai.org/apertus⁠ und ⁠https://ethz.ch/en/news-and-events/eth-news/news/2025/09/press-release-apertus-a-fully-open-transparent-multilingual-language-model.html⁠

Die nächste Folge wird wieder etwas technischer und informativer. :) Bleibt neugierig und kritisch!

Deepfakes, die mit Hilfe von KI generiert werden, sind längst mehr als ein Tech-Gimmick. Sie bedrohen Vertrauen, Demokratie und unsere Vorstellung von Wahrheit. In dieser Folge von „KI – kurz und informativ“ spreche ich über die Macht künstlich erzeugter Inhalte, ihre Risiken für Gesellschaft, Medien und Rechtssysteme und darüber, welche Chancen und Schutzmechanismen es trotzdem gibt.

Wir schauen uns an:

• Positive Einsatzfelder: von Barrierefreiheit bis Filmproduktion.

• Strategien gegen Missbrauch: Medienkompetenz, technische Erkennungstools, Regulierung.

Wenn ihr wissen wollt, wie ihr Desinformation erkennt, welche Rolle KI-Tools in Zukunft spielen und warum kritisches Denken wichtiger ist denn je, dann ist diese Folge für euch.

Bleibt neugierig und kritisch!

Artikel zum Berliner Wahldebakel: https://www.tagesschau.de/inland/berlin-wahl-wiederholung-106.html

Quelle Video Greta Thunberg: https://www.youtube.com/watch?v=uRkxYrW5q4c

Wow - was für eine erste Staffel. Wir haben so viele Themen angeschnitten. Umso sinnvoller fand ich es, zum Abschluss ein kleines Quiz für euch vorzubereiten. So könnt ihr euer Grundlagenwissen rund um Künstliche Intelligenz, Machine Learning und Deep Learning einmal testen.

Das Quiz findet ihr hier: https://forms.gle/SybnpVx8ZwGeUof76

Löst es gerne selbstständig und hört ggfs. nochmal in die einzelnen Folgen.

Von mir ein fettes Dankeschön bis hierher. Es war eine spannende Reise und ich bin extrem motiviert weiterzumachen. In der nächsten Staffel erwarten euch neue und interessante Themen. Bleibt wie immer neugierig und kritisch.

Bis zur nächsten Staffel! :) Euer Marc.

KI gibt es doch erst seit ChatGPT - oder? Nein! Wie lange beschäftigt uns das Thema Künstliche Intelligenz eigentlich schon? Was waren die Anfänge und was gilt als die Geburtsstunde der KI?

Mit diesem Thema befassen wir uns in dieser Folge. Schreibt gerne, welche Meilensteine ihr als nächstes erwartet und ob es vielleicht bald einen dritten KI-Winter geben könnte.

Viel Spaß beim Hören! :)

Heute geht es zum einen um Nachhaltigkeitsaspekte bei der Nutzung und dem Training von ChatGPT und zum anderen darum, warum das eigentlich so ist. Woher kommen diese zum Teil sehr hohen Hardware-Anforderungen zum Betreiben von Sprachmodellen?

Am Ende der Folge kennt ihr den Unterschied zwischen einer CPU und einer GPU, wisst, warum GPU energieintensiver sind und welche Einheiten wir zum Messen verwenden.

Außerdem nenne ich ein paar Zahlen zum Energie- und Wasserverbrauch aus dieser Studie:

https://www.lbbw-am.de/fileadmin/Studien/2024-06-14_Blickpunkt_KI_und_Nachhaltigkeit.pdf

Viel Spaß beim Zuhören! :)

Buzzword-Dschungel entzaubert: Tokens, Fine-Tuning, Parameter, Context Window - was bedeuten all diese Begriffe im Kontext von Large Language Models (LLM)?

Darum geht es in dieser Folge. In Vorbereitung auf die nächste Folge, in der es um die sogenannte Transformer-Architektur gehen soll, möchte ich diese Grundbegriffe erklären.

Tokenizer von OpenAI: https://platform.openai.com/tokenizer

Kreativität: ein menschliches Privileg?

In dieser besonderen Episode von „KI – kurz und informativ“ verlasse ich das gewohnte Format und lade euch zu einem kleinen Gedankenexperiment ein.
Die letzten Folgen waren informationsreich und dicht – heute wird es persönlicher, entschleunigt und ein Stück philosophisch.

Wir sprechen über die Frage, ob Menschen wirklich so grundlegend verschieden sind von künstlicher Intelligenz.
Was macht uns kreativ?
Sind wir mehr als die Summe unserer Erfahrungen – oder sind auch wir letztlich ein lebenslang trainiertes Modell aus Datenpunkten?

Wie seht ihr das? Kann KI echte Kreativität besitzen – oder simuliert sie sie nur? Lasst es mich in den Kommentaren wissen.

Viel Spaß beim Zuhören! :)

Wie verändert Künstliche Intelligenz die Cybersecurity und wie können Unternehmen sicher damit umgehen?
In dieser Folge von „KI – kurz und informativ“ spreche ich mit Sascha Maier, einem der renommiertesten CISOs der Schweiz, über die aktuellen Herausforderungen, Risiken und Chancen rund um AI Security.

Gemeinsam beleuchten wir u.a.:

🔹Welche neuen Angriffsszenarien sind durch KI entstanden?

🔹Wie können Unternehmen beim Thema AI Security starten?

🔹Welche Rolle spielen Governance und Transparenz in dem Zusammenhang?

🔹Wie können Unternehmen sich schützen?

Sascha Maier gibt praxisnahe Einblicke aus dem Unternehmensalltag, spricht offen über typische Fehlannahmen und erklärt, wie Organisationen eine sichere KI-Strategie aufbauen können.

Diese Episode ist ideal für alle, die sich mit KI, Cybersecurity, Unternehmenssicherheit, Data Governance oder digitalen Risiken beschäftigen.

Viel Spaß beim Zuhören!

Saschas Bücher:

"Cyberresilienz in der Praxis": 978-3-658-49237-3 (eBook ISBN)

"Geschäftsrisiko Cyber-Security": 978-3-658-32046-1 (eBook ISBN)

zum Financial Times Video ("The AI rollout is here - and it's messy"): https://www.youtube.com/watch?v=GY_Ywqd3mzA

Heute schauen wir uns die revolutionäre Transformer-Architektur und die sogenannte Self-Attention an, auf der die meisten modernen Sprachmodelle basieren. Wir lernen also wie GPT & Co. im Detail funktionieren und warum sie so gute Antworten generieren können.

Das Paper dazu aus dem Jahr 2017 findet ihr hier: https://doi.org/10.48550/arXiv.1706.03762

Viel Spaß beim Zuhören! :)

Heute feiern wir Geburtstag - am Sonntag wurde ChatGPT 3 Jahre alt und wir nutzen den besonderen Anlass, um zurückzuschauen: Was ist denn eigentlich alles so passiert bei OpenAI und ChatGPT?

Und vor allem beantworten wir die Frage, was es mit Werbung bei ChatGPT auf sich hat. KI und Werbung sei laut Sam Altman "zutiefst verstörend". Das hat er zumindest 2024 gesagt.

Ohnehin hat der enorme Wettbewerb mit Google, Anthropic und Co ihn dazu gezwungen, den "Code Red" auszurufen. Was das bedeutet und noch viel mehr erfahrt ihr in dieser Folge.

Viel Spaß beim Zuhören. Bleibt wie immer neugierig und kritisch!

Heute sprechen wir über KI-generierte Musik. Ist das heutzutage wirklich möglich? Ja! In der Folge zeige ich euch diesen Song aus den USA:

https://youtu.be/UwKmDH83qo0?si=Rf7hfjsnr5rHRLap

(„Walk my Walk“ von Breaking Rust)

Dies soll der erste Teil einer weiteren Mini-Serie sein, in der wir uns damit beschäftigen, wie diese Technologie funktioniert. In dieser Folge geht es um die Grundlagen und die Frage: Wollen wir das überhaupt?

Außerdem wartet am Ende der Folge ein eigener KI-Song auf euch. Bleibt also bis zum Ende dran und schreibt gerne in die Kommentare, wie ihr zu dem Thema steht!

-

Die in dieser Episode abgespielte Musik wurde mithilfe des KI-Dienstes Suno (suno.com) generiert.

Gemäß den geltenden Nutzungsbedingungen des Anbieters liegen sämtliche Urheber- und Verwertungsrechte an diesem Musikstück bei Suno, Inc. bzw. den jeweiligen Rechteinhabern.

Diese Podcast-Episode ist nicht werbefinanziert und verfolgt keine kommerziellen Zwecke.

Die Verwendung der Musik erfolgt ausschließlich zu Informations- und Präsentationszwecken.

Heute geht es um ein Phänomen, das 2025 sehr populär geworden ist: Vibe Coding. Ich erkläre euch, was man unter diesem Begriff versteht, wie man mit KI Code schreiben kann und was die Gefahren dabei sein können.

Am Ende gebe ich euch vier nützliche Tipps mit auf den Weg, wie ihr erfolgreicher KI nutzt, um kleinere Projekte und Prototypen umsetzen zu können.

Viel Spaß beim Zuhören!

Daten in die KI und automatisch Wertschöpfung erzeugen. Diese Illusion haben viele und zugegebenermaßen klingt es schön, aber so einfach ist es leider nicht.

Um mit Hilfe von Machine Learning und Künslticher Intelligenz Wertschöpfung betreiben zu können gibt es mindestens neun essentielle Schritte, die sorgfältig durchdacht und durchgeführt werden müssen. Von der Auswahl der Daten bis zur Business Adoption vergeht eine Menge Zeit.

Worauf genau ihr bei der Einführung von KI achten müsst, erfahrt ihr in dieser Folge.

Viel Spaß beim Zuhören und einen guten Start ins neue Jahr wünsche ich euch! :) Bleibt neugierig und kritisch.

Was haben Albanien, Nepal und Donald Trump gemeinsam? Sie haben mich auf die Idee eines internationalen KI-Streitrichters gebracht.

Heute wage ich mich etwas aus dem üblichen Themenbereich hinaus und stelle mit einem kleinen Gedankenexperiment die Frage: Ist ein internationaler KI-Streitrichter möglich?

Was wäre das überhaupt? Können wir uns Menschen überhaupt von einer KI "richten lassen"? Und welche Voraussetzungen müssten theoretisch dafür erfüllt sein?

Zur Abwechslung etwas anderes. In der nächsten Folge gibt es wieder technisches Wissen zu Künstlicher Intelligenz, Machine Learning und Co.

Viel Spaß beim Zuhören!

Im Anschluss an die letzte Folge über die KI-Wertschöpfungskette, schauen wir uns heute typische KI-Rollen an: Was ist eigentlich der Unterschied zwischen Data Scientist, Data Analyst, Data Engineer, Business Analyst und Machine Learning Engineer?

Oft werden diese Rollen verwechselt und Stellenausschreibungen suchen ein andere Profil als der Titel eigentlich vermuten lässt. Um hier etwas Licht ins Dunkle zu bringen, habe ich diese Folge aufgenommen.

Wir schauen uns an, was der Hauptfokus bzw. die Hauptverantwortung jeder Rolle in der Theorie ist und welchen Platz das entsprechend in der Wertschöpfungskette einnimmt.

Viel Spaß beim Zuhören! :)

Heute geht es um AI Agents, also KI-Agenten. Keine Geheimagenten, sondern Software-Einheiten, die selbstständig Aktionen ausführen können. Wir klären, was eigentlich der Unterschied zwischen Large Language Models (LLMs) und AI Agents ist und warum das in der Praxis doch eine große Rolle spielen kann.

Ein sehr interessantes Paper zur Abgrenzung von LLMs, AI Agents und Agentic AI (worum es in der nächsten Folge gehen wird) findet ihr hier: https://doi.org/10.48550/arXiv.2505.10468

AI Agents bringen Küsntliche Intelligenz nochmal auf ein neues Level und bringen Sprachverarbeitung wirklich in die Praxis.

Habt ihr bereits Agents bei euch im Einsatz? Schreibt es gerne in die Kommentare!

Vielen Dank fürs Zuhören. Bleibt neugierig und kritisch! :)

Heute gehen wir einen Schritt weiter und bauen auf die letzte Folge über AI Agents auf. Was bedeutet Agentic AI im Vergleich dazu? Wo kann man es Einsetzen und was sind die Risiken?

Diesen Fragen widmen wir uns heute. Wie immer anhand von praktischen Beispielen.

Basierend auf dieser Folge wird es eine Folge über das Model Context Protocol (MCP) geben.

Link zum angesprochenen Agent-to-Agent-Protokoll (A2A): https://a2a-protocol.org/latest/

Vielen Dank fürs Einschalten! :)

ChatGPT versteht keine Wörter, denn Maschinen verstehen nur Zahlen. Diese Zahlen nennen wir Embeddings und in dieser Folge erfahrt ihr, was genau sie bedeuten und wie sie funktionieren. Ich erkläre es wie immer verständlich anhand einfacher und eingänglicher Beispiele.

Embeddings sind die Grundlage dafür, dass Sprachmodelle uns überhaupt verstehen können. Aber darüber hinaus können wir mit Hilfe von Embeddings auch die Relevanz von Dokumenten bewerten. Kurz gesagt: Ohne Embeddings gäbe es keine moderne Künstliche Intelligenz, wie wir sie heute kennen.

Schreibt gerne in die Kommentare, ob ihr nach der Folge eine Idee hättet, wie man die Ähnlichkeiten zwischen Wörtern berechnen könnte. Ich bin gespannt auf eure Ideen!

Heute sprechen wir im Anschluss an die Folge über Embeddings, wie ich die Ähnlichkeit zwischen Vektorembeddings berechnen kann (ganz einfach) und wie ich das nutze, um die Relevanz von Dokumenten zu bewerten.

Denn genau diese Methode nutzt eine Technik namens RAG (Retrieval Augmented Generation), die es uns erlaubt, mit unseren Dokumenten zu "chatten". D. h. Fragen zu eigenen Dokumenten zu stellen, ohne dass ein Sprachmodell darauf trainiert wurde.

Viele Unternehmen nutzen das bereits sehr ausgiebig in ihren Workflows und in dieser Folge lernt ihr, wie genau das Prinzip dahinter funktioniert.

Enterprise AI könnte die nächste große Phase der Künstlichen Intelligenz sein: KI, die nicht nur punktuell eingesetzt wird, sondern tief in die Prozesse eines Unternehmens integriert ist.

Wie das konkret aussehen kann und welche Chancen sich daraus für Unternehmen ergeben, darüber spreche ich mit Axel Schultze und Christian Weh von der BlueCallom AG.

Axel Schultze ist einer der erfolgreichsten Startup Accelerators und hat mehrere Unternehmen aufgebaut. Christian Weh, ursprünglich Chemiker und heute CEO eines Unternehmens im Bereich Krebsforschung, arbeitet gemeinsam mit Axel an neuen Lösungen im Enterprise-AI-Bereich.

Doch Enterprise AI ist mehr als nur ein weiteres Software-Tool. Es geht um eine neue Form der Zusammenarbeit zwischen Menschen und intelligenten Systemen.

Was bedeutet das für Unternehmen?
Welche Rolle spielt der Mensch, wenn Produktivität immer stärker von KI geprägt wird?
Und welche Fähigkeiten werden in Zukunft wirklich wichtig?

Über diese und viele weitere Fragen sprechen wir in dieser Folge.

In dieser Folge sprechen wir unter anderem über:

• was Enterprise AI eigentlich bedeutet

• warum KI im Unternehmen mehr ist als Chatbots

• welche Herausforderungen Unternehmen aktuell haben

• welche Rolle der Mensch in einer KI-geprägten Arbeitswelt spielt

In dieser Folge sprechen wir über Bildgenerierung mit sog. Diffusion Models. Mit Hilfe der statistischen Diffusion können wir Bilder künstlich "verrauschen" und ein Model diesen Prozess umkehren lassen.

Nach diesem Prinzip funktionieren heutzutage viele KI-Bildgeneratoren. Man muss dazu sagen, dass es mehrere Arten gibt, Bilder mit KI zu erzeugen. Diffusion Models ist eine Möglichkeit.

Erfahre in der Folge, wie man das nun nutzten kann, um Text-zu-Bild-Modelle (Text-to-Image Models) zu erstellen.

Wer mit ChatGPT & Co. gute Ergebnisse erzielt, scheitert oft an Bildgeneratoren wie Midjourney oder Stable Diffusion ... und umgekehrt. Warum? Weil Text- und Bildmodelle grundlegend anders mit Prompts umgehen.

In dieser Folge erfahrt ihr die fünf wichtigsten Unterschiede zwischen Prompts für Sprachmodelle (LLMs) und Prompts für Bildgeneratoren. Ihr lernt, warum Bildmodelle auf Fachbegriffe aus Fotografie und Kunst reagieren, warum „ohne Menschen" oft das Gegenteil bewirkt und was es mit sogenannten Negativen Prompts auf sich hat.

Diese Folge ist besonders relevant für euch, wenn ihr KI-Tools im Arbeitsalltag einsetzt und verstehen wollt, warum dieselbe Eingabe je nach Modellfamilie völlig unterschiedliche Ergebnisse liefert.

Übung/Gewinnspiel:

Ich teile ein KI-generiertes Bild auf Instagram und eure Aufgabe ist es, mit dem Wissen aus dieser Folge, so nah wie möglich an den ursprünglichen Prompt zu kommen.

Den Original-Prompt werde ich anschliessend veröffentlichen und den Gewinner damit bekanntgeben.

Folgt mir dazu auf Instagram: marc.pyucation

Themen in dieser Folge: Prompt Engineering, Bildgenerierung, Diffusion Models, Negative Prompts, ChatGPT, Midjourney, Stable Diffusion, DALL-E, Künstliche Intelligenz im Alltag

Heute, zum Abschluss der zweiten Staffel, gibt es wieder ein Quiz zu den Themen der letzten 19 Folgen. Bist du inzwischen ein KI-Experte?

Teste dein Wissen rund um Künstliche Intelligenz, Machine Learning und moderne KI-Konzepte.

• Was steckt wirklich hinter dem Begriff Token und welche Aussage ist falsch?
• Was ist Vibe Coding und warum spricht gerade alle Welt darüber?
• Welche Schritte gehören zur klassischen KI/ML-Wertschöpfungskette und welcher nicht?
• Was sind AI Agents?
• Was bedeutet RAG und was kann man damit machen?
• Was ist der Unterschied zwischen AI First und anderen KI-Prinzipien?
• Was ist ein Embedding in der KI?
• Wie funktionieren Diffusion Models?
• Wie promptest du für Text-zu-Bild-Modelle richtig?

Schreibt gerne mal in die Kommentare, wie viele Fragen ihr richtig beantworten konntet!

Kann man ein KI-Modell (Large Language Model) einfach auf die eigenen Bedürfnisse trainieren? Dank Fine-Tuning ist das möglich.

Heute klären wir, was Fine-Tuning überhaupt ist und warum es nicht ganz so einfach ist, wie viele gerne annehmen. Für KI im Unternehmen ist es dennoch spannend zu wissen, wie es funktioniert und worauf man achten sollte.

Ihr erfahrt, was den Unterschied zwischen dem aufwendigen Grundlagentraining großer KI-Firmen und der aufgabenspezifischen Anpassung eines Modells ausmacht, welche Daten du dafür brauchst und welche Strategien es gibt.

Diese Folge richtet sich primär an Menschen, die grundsätzlich verstehen wollen, was KI-Spezialisierung bedeutet, ohne zu tief in die Technil einzusteigen.

In den letzten Folgen haben wir uns RAG (Retrieval Augmented Generation) und Fine Tuning im Zusammenhang mit Künstlicher Intelligenz (KI) und Large Language Models (LLMs) angeschaut. Doch was ist eigentlich derUnterschied zwischen diesen Ansätzen? Und wann nutzt man eher welche Methode?

Beides sind Möglichkeiten, in eine Richtung, entweder dasModell (Fine Tuning) oder den Kontext (RAG) zu optimieren.

Wir schauen uns die Vor- und Nachteile an und leiten dementsprechendAnwendungsszenarien für die Praxis ab. Anhand kurzer Beispiele könnt ihr euch selbsttesten, ob ihr den Unterschied verstanden habt.

Schreibt gerne einen konkreten Anwendungsfall oder eine Ideein die Kommentare, damit wir das gemeinsam diskutieren können.

Kleine Anmerkung zu dem was ich in der Folge gesagt habe,weil das etwas verwirrend gesagt wurde von mir:

Bei RAG ladet ihr nicht ALL euer externes Wissen in dasContext Window, sondern nur das, was zur Beantwortung der Frage oder des UserPrompts gebraucht wird. Eben den relevanten Kontext. Dennoch kann das unterUmständen, vor allem mit einem längeren Gesprächsverlauf, System Prompts etc.,das Context Window sprengen.

NVIDIA-CEO Jensen Huang nennt KI einen "Five-Layer-Cake", einen Kuchen mit fünf Schichten: Energie, Chips, Recheninfrastruktur, Modelle und Applikationen. Doch was bedeutet dieses mentale Modell für europäische Unternehmen, Manager und Entscheider? In dieser Folge von "KI – kurz und informativ" diskutieren wir das Five-Layer-Modell, ordnen Huangs Aussagen zu Jobs, nationaler KI-Infrastruktur und Europas Chancen kritisch ein und zeigen anhand von Siemens, wie europäische Industrie KI nicht nur nutzt, sondern selbst gestaltet.

Themen dieser Folge:

• Das Five-Layer-Modell von NVIDIA und Jensen Huang einfach erklärt
• Warum Energie der limitierende Faktor jeder KI-Strategie ist
• Was Huangs These zu KI und Jobs für den europäischen Arbeitsmarkt bedeutet
• Siemens Industrial Foundation Model: Wie Domain-Wissen plus KI funktionieren kann
• Drei Fragen, die sich jeder Entscheider jetzt stellen sollte

Drei Leitfragen für euer Unternehmen:

• Was ist euer Domain-Wissen, das noch kein Modell hat?
• Könnt ihr euch tiefer im Stack positionieren, also vom Anwender zum Anbieter werden?
• Wo habt ihr Energieabhängigkeiten, die euch blockieren?

Quellen und weiterführende Links:

• NVIDIA Blog zum AI 5-Layer-Cake: https://blogs.nvidia.com/blog/ai-5-layer-cake/
• Larry Fink im Gespräch mit Jensen Huang in Davos: https://www.youtube.com/watch?v=hnF7heF3k7s
• Siemens Industrial Foundation Model: https://www.siemens.com/global/en/products/automation/topic-areas/industrial-ai/industrial-foundation-model.html
• Christensen et al. (2025), "Projected US Radiologist Supply, 2025 to 2055", Journal of the American College of Radiology: https://www.jacr.org/article/S1546-1440(24)00909-8/fulltext 
• Harvey L. Neiman Health Policy Institute, Pressemitteilung vom Februar 2025: https://www.neimanhpi.org/press-releases/new-studies-shed-light-on-the-future-radiologist-workforce-shortage-by-projecting-future-radiologist-supply-and-demand-for-imaging/

Was sind Reasoning-Modelle und warum sind sie klassichen Large Language Models (LLMs) oft überlegen?

Das ist die Kernfrage der heutigen Folge. Im Mittelpunkt steht die sogenannte Chain of Thought, die interne Gedankenkette, die Sprachmodelle nutzen, um Schritt für Schritt zu einer Antwort zu gelangen.

Inspiriert von Daniel Kahnemans „Schnelles Denken, langsames Denken" zeigen wir, warum das Prinzip von System 1 und System 2 irgendwie auch für künstliche Intelligenz gilt.

Themen dieser Folge:

• Was ist Chain of Thought und warum macht es Reasoning Modelle besser?
• Warum sind Reasoning Modelle teurer und wann lohnt sich der Einsatz?
• Overthinking und Selbstüberschätzung: Schwächen, die auch KI kennt

Frühere Folgen, die ich empfehle anzuhören, damit ihr das Thema gut versteht: Transformer, Tokens, Embeddings, RAG, Fine-Tuning

Buch von Daniel Kahneman:

Kahneman, D. (2011). Thinking, fast and slow. Farrar, Straus and Giroux.

KI regulieren, aber wie? In dieser Folge bekommt ihr einen kompakten Überblick über die regulatorische Landkarte in Europa: Was regelt die DSGVO, was der EU AI Act, was NIS2, DORA, der Cyber Resilience Act und der Data Act. Und was hat das alles mit KI zu tun?

Ihr erfahrt, warum es nicht reicht, bei KI nur auf den AI Act zu schauen und wann welches Regelwerk greift. Diese Folge ist eine Vorarbeit für deie nächste Folge, in der wir einen tieferen Einblick in den EU AI Act wagen wollen.

Fragen, die ihr euch nach der Folge stellen solltet:

- Welche der gennanten (und anderen) Regelwerke betreffen euer Unternehmen? Macht euch wirklich eine Liste zu euren Anwendungen, die KI beinhalten und ordnet sie den Regelwerken zu, um eine erste Übersicht zu bekommen.

- Wie gut seid ihr bereits bei DSGVO und AI Act aufgestellt?

Anmerkungen:

Keine Rechtsberatung, keine Garantie auf Richtigkeit. Informationen in dieser Folge können nach einiger Zeit veraltet sein.

Rat und Parlament haben sich am 7. Mai 2026 politisch auf den Digital Omnibus geeinigt, anders als in der Folge angesprochen. Hier dazu eine Quelle: https://www.consilium.europa.eu/en/press/press-releases/2026/05/07/artificial-intelligence-council-and-parliament-agree-to-simplify-and-streamline-rules/

Generelle Infos zum Digital Omnibus: https://digital-strategy.ec.europa.eu/en/library/digital-omnibus-ai-regulation-proposal

Der EU AI Act ist das erste KI-spezifische Gesetz weltweit, aber was bedeutet das konkret für euch?

Was steckt hinter der zentralen Idee des risikobasierten Ansatzes? Seid ihr Anbieter oder Betreiber eines KI-Systems und warum macht das einen grossen Unterschied? Und in welche Risikoklasse fällt euer System eigentlich?

Ich bin kein Jurist, das ist auch keine Rechtsberatung und soll euch einfach als Überblick dienen.

Fragen für diese Folge:

• In welcher Rolle sitzt ihr: Anbieter oder Betreiber?
• Welche eurer KI-Systeme könnten in den Hochrisiko-Bereich fallen? Wie sieht der Weg zu einem Hochrisiko-KI-System in der Praxis aus?
• Nutzt ihr Open-Source-Modelle? Habt ihr geprüft, ob die Open-Source-Ausnahme wirklich greift?

Im zweiten Teil stellen wir dann die Fragen: Welche Pflichten gelten bereits heute, wie sieht der Zeitplan aus und was kostet euch Nichtbeachtung (Strafen)?

Weiterführende Links:

• Vollständiger EU AI Act (offizieller Text): https://eur-lex.europa.eu/legal-content/DE/TXT/?uri=CELEX:32024R1689
• Anhang III – Hochrisiko-Systeme im Detail: https://eur-lex.europa.eu/legal-content/DE/TXT/?uri=CELEX:32024R1689#d1e38-206-1
• AI Act Explorer und Compliance Checker (Englisch): https://artificialintelligenceact.eu/de/

Teil 2 zum EU AI Act. Nachdem wir in der letzten Folge geklärt haben, wer betroffen ist und welche Risikoklassen es gibt, geht es heute um die Pflichten, die bereits gelten, was ab August 2026 gelten wird und welche Strafen im Zweifelsfall drohen.

Drei Themen stehen im Mittelpunkt: die KI-Kompetenzpflicht, die schon seit Februar 2025 gilt und von den meisten noch nicht auf dem Schirm ist, die Transparenz- und Kennzeichnungspflichten, die in wenigen Wochen greifen und das Bussgeldsystem, das die DSGVO-Strafen deutlich übertrifft.

Fragen für diese Folge:

• Dokumentiert ihr, wer im Unternehmen wie mit KI arbeitet und welche Schulungen stattgefunden haben?
• Setzt ihr Chatbots oder generative KI im Kundenkontakt ein? Seid ihr auf die Kennzeichnungspflichten ab August 2026 vorbereitet?
• Habt ihr ein KI-Inventar, respektive eine Liste aller eingesetzten Systeme mit grober Risikoeinschätzung?

Links:

EU AI Act - Was ist das und wen betrifft das? | Teil 1: https://open.spotify.com/episode/2PMaslOzW7gGOax1h6RErv?si=xxaLUD5NRdKHSrNHGiYKhQ