mit Ulrich Irnich & Markus Kuckertz

Shownotes

Folge #16 behandelt das Thema “künstliche Intelligenz und maschinelles Lernen” – also um Systeme und deren Anwendung, die Prozesse und Entscheidungen intelligent unterstützen, indem sie große Mengen an Daten analysieren. Zu Gast ist dazu Nicole Büttner-Thiel, Gründerin und CEO von Merantix Momentum.

Nicole und das Team von Merantix unterstützen Unternehmen beim Einsatz von künstlicher Intelligenz: Von der Identifizierung von Anwendungsfällen, über die Entwicklung bis hin zum Betrieb der individuellen KI-Lösungen.

Uli, Markus und Nicole diskutieren die Notwendigkeiten, Anwendungen und Vorteile von künstlicher Intelligenz und maschinellem Lernen – und räumen dabei gleichzeitig mit einigen Vorurteilen auf. Nicole plädiert dabei für mehr Offenheit wie aber auch Unterstützung für das zukunftsorientierte Thema: „Deutschland hat pro Kopf mehr KI-Forscher als China und die USA zusammen – wir schaffen es nur nicht, es in die Anwendung und damit in die Firmen zu bringen.“ Die Vorteile überzeugen, so Uli: „Algorithmen können Tumore einfach besser erkennen.“

Euer Feedback zur Folge und Vorschläge für Themen und Gäst:innen sind sehr willkommen! Vernetzt euch und diskutiert mit:

Mitwirkende – Hosts: Ulrich Irnich & Markus Kuckertz // Produktion: Daniel Sprügel & Sören Wahlers, Maniac Studios (https://maniacstudios.com) // Redaktion: Marcus Pawlik // Kommunikation & Community: Anna-Lena Sodies // Team behind the team: Sonja Uller & Stephanie Nguyen Gia © Digital Pacemaker Podcast 2022

Zusammenfassung

In dieser Episode des Digital Pacemaker Podcasts befassen wir uns intensiv mit der Welt der Künstlichen Intelligenz (KI) und des maschinellen Lernens. Wir haben das Vergnügen, mit Nicole Bittner-Thiel, der Gründerin und CEO von Merantix Momentum, zu sprechen. Gemeinsam erkunden wir die Herausforderungen und Chancen, die mit der Implementierung von KI in der Wirtschaft verbunden sind, und wie Deutschland seine Potenziale besser ausschöpfen kann. Trotz der herausragenden Anzahl an KI-Forschern hierzulande gibt es weiterhin große Hürden in der praktischen Anwendung von KI-Technologien in Unternehmen. Nicole bringt wertvolle Einblicke in die Notwendigkeit, ein besseres Verständnis für KI zu schaffen, um Vertrauen in neue Technologien zu fördern.

Unser Gespräch beginnt mit Nicoles persönlichem Werdegang und ihrer Leidenschaft für die Anwendung von KI, die nicht aus der Technologie selbst, sondern aus ihren praxisbezogenen Anwendungsfällen resultiert. Wir diskutieren die essentielle Rolle von Daten in der Entwicklung von KI-Lösungen und die Herausforderungen, die Unternehmen dabei begegnen, hochwertige Daten zu generieren und zu nutzen. Beide Gastgeber, Ulrich Irnig und Markus Kuckertz, teilen ihre eigenen Erfahrungen und reflektieren, wie KI in ihren jeweiligen Branchen Einzug gehalten hat und welche innovativen Anwendungsfälle sie besonders faszinieren.

Ein zentraler Punkt, der in unserem Austausch auftaucht, ist die Schaffung eines Ökosystems für Innovationen. Nicole hebt hervor, dass fortschrittliche Lösungen nur durch interdisziplinäre Zusammenarbeit zwischen verschiedenen Experten und Unternehmen entstehen können. Sie stellt den AI Campus in Berlin vor, einen Ort, der als physisches und virtuelles Netzwerk fungiert, um Technologen, Wissenschaftler und Unternehmer zusammenzubringen. Dort findet ein reger Austausch statt, bei dem Ideen entstehen können, die über die jeweilige Sparte hinausgehen und neue Ansätze zur Lösung der komplexen Herausforderungen unserer Zeit bieten.

Darüber hinaus stellen wir uns der Frage, wie wichtig es ist, dass Unternehmen bereit sind, ihre Daten zu teilen, um die Entwicklung leistungsfähiger KI-Modelle zu fördern. Nicole erläutert die Idee eines „Clearinghouses“ für Daten, das als Vertrauensinstanz fungieren könnte, und damit den Austausch sicher und effizient gestaltet. Wir sprechen auch über die ethischen Aspekte in der KI und die Notwendigkeit, den Fokus auf die positiven Anwendungen der Technologie zu lenken, anstatt sich von dystopischen Darstellungen in Medien beeinflussen zu lassen.

Abschließend ermutigt Nicole, den Mut zu haben, neue Wege zu gehen und Erfahrungen zu sammeln – stets getrieben von der Überzeugung, dass Kooperation und interdisziplinäres Denken der Schlüssel zu bahnbrechenden Innovationen sind. Ihre Botschaft, dass man immer wagen sollte, macht Mut, die speziellen Herausforderungen, die die Künstliche Intelligenz mit sich bringt, anzunehmen.

Transkript

Speaker1:[0:00] Deutschland hat die meisten KI-Forscher pro Kopf, mehr als China und die USA zusammen. Wir schaffen es nur nicht, das in die Anwendung zu bringen und in die Firmen. Und das ist unsere Mission, das zu machen.

Music:[0:09] Music

Speaker2:[0:23] Herzlich willkommen zum Digital Pacemaker Podcast mit euren Gastgebern Ulrich Irnig und mir, Markus Kuckertz. Wir sprechen heute über künstliche Intelligenz und maschinelles Lernen, also um Systeme und deren Anwendung, die Prozesse und Entscheidungen intelligent unterstützen, indem sie große Mengen an Daten analysieren. Zu Gast haben wir dazu Nicole Bittner-Thiel, Gründerin und CEO bei Merantix Momentum. Nicole, ich freue mich, dass du heute unser Gast bist.

Speaker1:[0:50] Vielen Dank für die Einladung.

Speaker2:[0:51] Nicole unterstützt Unternehmen beim Einsatz von künstlicher Intelligenz. Von der Identifizierung von Anwendungsfällen über die Entwicklung von Lösungen bis hin zum Betrieb der individuellen KI-Anwendung. Uli, und ich möchte auch gerne dich willkommen heißen. Und zwar interessiert mich heute im Zusammenhang mit deiner Person. Für dich ist ja als CIO Künstliche Intelligenz eigentlich die ganz normale Realität. Das heißt, für dich ist das ja gar nicht mehr wegzudenken, vor allem wenn man auch nochmal an so ganz klassische Basic-Fälle denkt wie Automatisierung. Und was mich immer interessieren würde, ist, kannst du dich noch an deine ersten Schritte und Anwendungen erinnern, bei denen Künstliche Intelligenz eingesetzt wurde?

Speaker0:[1:30] Ich habe ja schon ein paar Lenzen auf den Schultern, also erstmal hallo zusammen.

Speaker0:[1:34] Ich meine Künstliche Intelligenz und KI, gerade wenn wir so ein bisschen zurückblicken, ist ja schon ein paar Monate in der Wissenschaft. Und das erste Mal bin ich natürlich schon damit konfrontiert worden, als ich meine Arbeitsstation hatte im Forschungszentrum in Jülich. Und natürlich haben wir uns da auch mit großen Datenmengen beschäftigt. Ich glaube, wir haben das nicht direkt so KI genannt, sondern haben versucht, über Algorithmen gewisse Muster rauszufinden. Und gerade in der Forschung ist das natürlich ein großes Thema. Also mit großen Rechenleistungen und mathematischen Formeln neue Erkenntnisse zu sammeln, das war da schon immer dabei. Ich glaube, wir haben es nicht künstliche Intelligenz genannt. Zu der Zeit war auch der größte Computer im Forschungszentrum in Jülich, die Cray, ein Riesensofa, der ganz viele Quadruples rechnen konnte und der eigentlich alles machen konnte. Und das war so der erste Berührungspunkt, aber der wirkliche Anwenderberührungspunkt kam ein Stückchen später. Er kam sehr stark als mehr Rechenleistung und vor allen Dingen kommerzielle Rechenleistung. Wenn wir heute mal gucken, wie viele Rechenleistungen heute schon in einem ganz normalen Smartphone stecken, gepaart mit Mobile Edge Computing, also wo du über die Cloud gewisse Rechenleistungen logischerweise abgreifen kannst und natürlich auch mit der Tatsache, dass im Moment Daten ja explodieren. Also wichtig halt bei all diesen Machine Learnings und KI-Anwendungen, du brauchst halt Datenpunkte. Zwei Datenpunkte gibt zwar eine schöne Linie, aber die geben kein Muster, ne?

Speaker0:[3:04] Und ich glaube, wir sind jetzt gerade so in der Phase, ja, und wir haben das sehr stark in dem Mobilfunkumfeld eingesetzt, gerade was Frauderkennung angeht, ne, also wo gibt es irgendwo Muster, die Betrug so ein bisschen deutlich machen. Und das Zweite ist halt, gerade bei sehr hohen Transaktionen, die immer wiederkehrend vorkommen, also was sehr stark auch im Kundenservice, aber auch in anderen Abteilungen stattfindet, da bietet sich gerade KI an, um halt einfach mal das zu erkennen, was unser menschliches Hirn nicht direkt zu erkennen kann. Da bietet sich das an. Und das Zweite ist halt, gerade bei diesen höheren Datenmengen kannst du halt viel automatisieren. Das ist halt super.

Speaker2:[3:42] Unser Gast ist heute Nicole Büttner-Thiel. Seit Sommer 2019 ist Nicole Gründerin und CEO von Merantix Momentum in Berlin. Davor war Nicole Gründerin von Data Quotient, einem Beratungsunternehmen für Big Data, maschinellem Lernen und künstliche Intelligenz. Und Nicole, du hast Quantitative Wirtschaft und Finanzen an der Uni St. Gallen studiert und du warst Gastforscherin an der Stanford University. Und bevor wir zerteiligen und zu den Themen, die wir heute besprechen wollen, vielleicht an dich die Frage, Nicole, woher kommt denn eigentlich deine Leidenschaft für Künstliche Intelligenz und maschinellem Lernen? Was natürlich in dem Zusammenhang spannend ist, was ja eigentlich Quantitative Wirtschaft und Finanzen studiert. Wie hängt denn das zusammen?

Speaker1:[4:24] Ja, also ich glaube, zunächst mal mein Antrieb sicherlich, also kommt nicht aus der Technologie, sondern kommt eigentlich immer nur aus den Anwendungsfällen tatsächlich. Und ich bin auch in das Thema reingeschlittert, über das Thema Auktions- und Spieltheorie. Ich bin mit einem recht berühmten Professor in Stanford gearbeitet an dem Thema. Und da haben wir eben auch in seiner Firma dann hinterher viel künstliche Intelligenz verwendet, um bessere Auktionen zu machen, Simulationen schneller zu machen etc. Also für mich war es nicht, ich habe künstliche Intelligenz gesehen und dachte, oh cool, sondern ich habe Anwendungsfälle gesehen und dachte, ah, das ist ja spannend, was kann man denn damit noch machen. Ich wollte ja ursprünglich eine Entwicklungsekonomie und bin deswegen sozusagen, Also ich bin sehr Impact und sehr Anwendungsfall getrieben. Das ist so das eine. Und Quantitative Economics and Finance, heißt der Studiengang, da ist ganz viel Ökonometrie drin versteckt, durch die ich mich ehrlich gesagt im Studium etwas quälen musste und die mir jetzt in den ein oder anderen Machine Learning Basics Kursen wieder so Eureka-Momente verschafft hat, weil ich dachte, hey, das kenne ich doch. Super. Und so ist mir da der Einstieg auch ein bisschen leichter gefallen.

Speaker2:[5:28] Das nimmt mich jetzt ein bisschen ans Latinum, wo man sich ja auch durchquälen musste. Und hinterher hat es dann doch irgendwie Sinn gemacht. Vielleicht kommen wir einfach mal zu den Thesen, also zu den Themen, die wir heute besprechen wollen. Wir haben uns natürlich vorher ein bisschen mit dir beschäftigt und haben das mal so in so drei Blöcke gefasst. Und zwar, Nicole, sagst du, wir brauchen ein viel breiteres Verständnis in der Gesellschaft für die Fähigkeiten und Anwendungsfelder von künstlicher Intelligenz und maschinellem Lernen, auch damit Vertrauen in diese Technologien entstehen kann. Du forderst ein Ökosystem für Innovation. Erst von Expertise und Technologie, auch räumlich, zusammenkommen, entsteht Wandel und Neues. Und zu guter Letzt plädierst du, wahrscheinlich nicht ganz uneigennützig, für mehr Bereitschaft von Unternehmen Daten gemeinsam zu teilen, also wahrscheinlich dann anonymisiert. Nur so können die großen Modelle ihre Stärken ausspielen. Aber bevor wir auf diese Sachen kommen, hast du für uns eine verständliche und plastische Erklärung für die Begriffe künstliche Intelligenz und maschinelles Lernen? Es gibt ja eine ganze Menge Definitionen, aber vielleicht kannst du das für uns mal plastisch darstellen, was das denn eigentlich heißt.

Speaker1:[6:25] Also künstliche Intelligenz, ein Forschertraum aus den 50ern tatsächlich schon, Computer zu bauen, die komplexe Entscheidungen, Entscheidungsprozesse nachahmen können wie ein Mensch. Das ist mal das Ziel von künstlicher Intelligenz. Maschinelles Lernen ist dann eine der Techniken, wie man da hinkommen kann. Maschinelles Lernen ist immer dann relevant, wenn Daten eine Rolle spielen, wenn ein Computer aus Daten lernt. Es könnte aber auch sein, dass die künstliche Intelligenz beispielsweise auf einem regelbasierten System beruht. Also wenn ich jetzt irgendwie eine Aktion ausführen muss, dann kann es entweder sein, dass ich eine Regel vorfinde zum Beispiel oder ich habe aus Daten eine Regel inferiert. Ich habe sozusagen Muster erkannt, was Uli ja vorhin schon ansprach, Wenn es zwei Datenpunkte gibt, gibt es meistens wenig Muster zu erkennen.

Speaker2:[7:10] Und ich weiß ja auch, dass der Uli in jeder glücklichen Art von Zusammenarbeit am Ende, wenn man ihn so fragt, was ist denn eigentlich wirklich so das, was dich interessiert? Wir kommen immer zur künstlichen Intelligenz, Uli. Was sind denn so im Moment deine Lieblingsanwendungsfälle für diese Themen?

Speaker0:[7:22] Ach, es gibt so viele schöne Dinge. Ich hatte meine ganze Zeit lang meinen Cosmo-Lieb gewonnen, dieser kleine Roboter, den du so ein bisschen trainieren kannst, der stapeln kann und keine Ahnung was. Ich sag mal, der macht so ein bisschen plastisch und ziemlich einleuchtend erkennbar, was denn Machine Learning bedeutet. Also wenn die Maschine anfängt, gewisse Wahrscheinlichkeiten zu adaptieren und dann damit weiterzumachen. Ich meine, es gibt auch ein paar witzige Dinge. Die lieben Kollegen von Microsoft mussten mal ihre KI aus dem Netz wiedergeben, weil die hat angefangen, den Slang zu lernen, den die Benutzer mit ihr so gesprochen haben und hat das dann halt auch wiedergegeben. Und das sind halt so ein paar lustige Momente. Ich muss ganz ehrlich sagen, ich bin immer ein großer Fan davon, ähnlich wie Nicole das sagt, dass du sinnvolle Anwendungsfälle daraus ziehst, die uns in der Menschheit weiterhelfen, eine Entwicklung und dann auch eine Entwicklung für unseren Planeten nach vorne zu bringen. Es gibt ziemlich viele Dinge, auch die Lego-Leute, um jetzt mal eine andere Marke zu nennen, machen im Moment auch sehr viel mit den Technikbaukästen, wo Kinder lernen können.

Speaker0:[8:27] Ganz einfache Programme, Low-Code zu schreiben und damit zu lernen, was denn so ein Algorithmus macht. Ich kann mich noch sehr stark an die Debatte der allheiligen Algorithmen erinnern. Die hatte sogar mal den Bundestag erwischt, wo es dann darum geht, um Gottes Willen, alle Algorithmen müssen offengelegt werden. Am Ende des Tages sind viele Algorithmen basierend auf mathematischen Modellen und auf Berechnungen, die nichts Dramatisches ist. Und ich finde, wir müssen das ein Stück weit entmystifizieren. Wir Menschen denken immer direkt an das Schlimmste im Leben. Und ich glaube, wichtig ist, dass wir Klarheit schaffen. Was steckt dahinter? Was kann es? Was kann es nicht? Und eine Aufklärung betreiben, sodass auch jeder da mitreden kann. Es darf nicht irgendwie eine Zweiklassengesellschaft existieren, wo Menschen wissen, was da passiert und andere Menschen halt wieder nicht wissen, was da passiert. Und ich glaube, das ist unsere Aufgabe, das so ein bisschen auch sicherzustellen.

Speaker2:[9:20] Nicole, was sind aus deiner Sicht die Unsicherheiten, ja Vorbehalte für diese Technologien, die es in der Gesellschaft zu überwinden gilt, um Vertrauen aufzubauen?

Speaker1:[9:28] Ich glaube, viele der Dystopien, die mit künstlicher Intelligenz zusammenhängen, sieht man in den Kinos. Also es gibt eine KI und die übernimmt die Welt und die frisst alle Menschen auf und am Ende ist sozusagen nur noch die kalte Maschinenwelt übrig. Das sind sicherlich Themen, mit denen man sich beschäftigen muss. Auch was sind die Risiken von einer gewissen Technologie? Aber ich würde sagen, von 200 Kinofilmen enden 199,5, die mit KI zu tun haben, glaube ich, in diesem Szenario oder steuern auf dieses Szenario hin. Ich glaube, das prägt uns als Gesellschaft ganz schön.

Speaker1:[10:00] Diese Vorbehalte, die wir ja oft dann im wirklichen Leben, also wo immer es dann nicht mehr sichtbar ist, auch gar nicht mehr so haben. Also jetzt in sozialen Medien wird ja auch ganz viel eingesetzt, was uns in gewisse Richtungen nudgen soll und so weiter. Da geben wir eigentlich sehr gerne auch viele Daten preis. Und in anderen Domänen, wo ich jetzt persönlich finde, dass der Nutzen einfach unglaublich aufregend ist, den künstliche Intelligenz hat. Beispielsweise im Gesundheitswesen, da zu sagen, hey, wie können wir schneller Medikamente entwickeln? Wie können wir vielleicht sogar Tierversuche überflüssig machen? Wie können wir personalisierter Medikamente entwickeln? Vielleicht passt genau auf meine DNA sogar. Also für mich ist das, da leuchten mir sofort die Augen. Und da ist dann aber eben ganz viel Vorbehalt, sozusagen da auch überhaupt mit Technologie was zu machen. Und sollte man und könnte man. Wo ich denke manchmal, naja, also wenn ich jetzt in eine durchschnittliche Arztpraxis reinlaufe und mal versuche, die Daten da zu klauen, wahrscheinlich würde mir das ganz gut gelingen. Dann müsste ich mich vielleicht an der Rezeptionsperson irgendwie vorbeimogeln, würde mal eben den Rechner mitnehmen, hätte wahrscheinlich auch schon ein paar Patientendaten. Ich denke so, auf dieser Ebene muss man eben nochmal viel mehr aufzeigen, was kann eigentlich die Technologie bieten und was ganz berechtigterweise sind auch Risiken, über die wir uns natürlich auch unterhalten sollten. Aber ich finde, das ist immer so im Ungleichgewicht. Also ich hätte gerne 100 neue Science-Fiction-Filme über KI, wo mal Happy End ist.

Speaker0:[11:28] Ich glaube, das ist wie bei allem im Leben. Aufgeschlossenheit, aber auch verstehen, was sind die Chancen, was sind die Risiken. Bei Technologie, und das erleben wir immer wieder, werden die Möglichkeiten am Anfang komplett…

Speaker0:[11:41] Übertrieben. Also sie ersetzen alle menschlichen Fähigkeiten. Wir haben nur noch Roboter, die durch die Gegend gehen. Und wenn wir jetzt mal so ein bisschen nach vorne gucken, ich liebe meinen Staubsauger-Roboter, um ganz offen zu sagen, wird der mich irgendwann ablösen? Nee, ich glaube nicht. Macht der gute Arbeit? Ja, macht er. Und die Frage ist ja eher zu sagen, zu erkennen, mit welchen Risiken muss ich eigentlich umgehen und die auch wissen und halt nicht blind irgendwo reinlaufen und welche Chancen bieten mir das eigentlich. Und ich glaube, das sind eher so die Gedanken, die für mich relevant sind in dem Thema, weil viele der Dinge, die auf uns zukommen, also auch gerade was gefährliche Arbeiten angeht, das können Roboter einfach besser. Und du hast es angesprochen, Nicole, wenn ich jetzt mal so Medizin und Gesundheitswesen anschaue, Algorithmen können besser Tumore erkennen in den ganzen Millionen Bildern als unser menschliches Auge. Warum nutzen wir solche Chancen nicht? Und warum nutzen wir die Möglichkeiten, die da sind, dann halt nicht? Und ich meine ganz offen, wenn mir jemand sagt, ich habe dank deiner Daten erkennen können, dass du da ein Thema hast und da können wir jetzt was gegen tun, da wäre ich in Summe glücklich. Möchte ich, dass die Daten irgendwo auf der Straße verkauft werden? Nein, auf keinen Fall. Aber ich glaube, das ist halt genau diese Abwägung, in der wir uns bewegen und das hilft nur Aufklärung.

Speaker2:[13:01] Ich halte mal für mich fest, dass zwischen Kinofilmen und künstlicher Intelligenz in der Realität tatsächlich kein Zusammenhang besteht, beziehungsweise dass das vielleicht genau das Problem ist, dass man da eine falsche Vorstellung hat. Kommen wir vielleicht zu dem notwendigen Ökosystem für Innovationen, was es ja braucht, damit da eben Neues entstehen kann. Ja, Nicole, du sprachst davon, dass Ökosysteme für Innovationen fehlen würden. Nur wenn Expertise und Technologie zusammenkommen, entstehen ja Wandel und Neues. Ja, was braucht es denn? Was können wir denn tun?

Speaker1:[13:28] Ja, also das geht aus davon, dass ich der tiefe Überzeugung bin, dass die Herausforderungen unserer Zeit einfach sehr komplex sind und sehr vielschichtig. Und das sind keine One-Woman-Jobs mehr, die zu reparieren und das zu kitten, sondern wir müssen verstehen, Systeme zu bauen und Orte zu schaffen, wo verschiedenste Expertise zusammentrifft. Und das ist in meinem Bereich KI sehr plastisch, denn die Probleme, ich habe es ja auch gerade angesprochen, die Herausforderungen, die wir uns stellen wollen, ist zum Beispiel Medizin. Wie können wir Medizin, Pharma, Forschung und so weiter befähigen mit Technologieexpertise? Und da hat man, man nennt das das Dual-PhD-Problem. Ich glaube, es ist eher ein höherdimensionales PhD-Problem, was da aufeinandertrifft, nämlich dass man Expertise braucht,

Speaker1:[14:14] Die tief in beispielsweise die Medizin reingeht, aber auch tief in die Technologie reingeht. Und wir spezialisieren uns ja zunehmend im Studium. Das heißt, da sitzen zwei Experten, am besten in zwei Silos, weit voneinander entfernt. Und wir müssen versuchen, diese Experten zusammenzubringen, dass sie auf einer Abstraktionsebene miteinander sprechen können und sagen können, hey, das ist irgendwie ein Thema, schau mal, das in der Medizin, wir das lösen könnten. Und dass dann jemand aus dem Machine Learning, aus KI dazukommt und sagt, hey, ich habe da eigentlich Lösungen, das habe ich eigentlich in einem ganz anderen Kontext gelernt, Aber das wäre doch vielleicht passgenau. Dazu kommt dann auch natürlich auch noch, dass man irgendwie noch ein erfolgreiches Geschäft aufbauen will. Also vielleicht brauchen wir noch jemanden, der ein bisschen BWL gemacht hat und so weiter. Also ihr seht an diesem Beispiel, man braucht eigentlich so ein Ökosystem, in dem diese Leute zusammentreffen und an Themen gemeinsam arbeiten. Denn sonst kann man diesen komplexen Herausforderungen der Zeit gar nicht mehr gerecht werden, auch in der Zeit, die es braucht. Und das geht uns ja, Uli sprach vorhin Bildung an, wie können wir besser Wissen vermitteln an junge Menschen. Ich sprach über Medizin, Nachhaltigkeit, dasselbe Thema, wie können wir mit den begrenzten Ressourcen, die uns zur Verfügung stehen, möglichst lange ein gutes Auskommen haben hier auf dem Planeten. Und deswegen glaube ich, da braucht es Player verschiedenster Größen, Startups, große Corporates, Expertinnen aus den verschiedensten Bereichen und die muss man eben in einem Ökosystem zusammenbringen, wo auch wirklich was passiert, wo Gedankenaustausch ist. Und ja, solche Ökosysteme brauchen wir mehr.

Speaker2:[15:41] Es geht darum, interdisziplinares Zusammenarbeiten zu organisieren. Kannst du uns vielleicht beschreiben, wie so eine räumliche Zusammenarbeit entstehen kann? Hast du da vielleicht konkrete Beispiele aus eurer Arbeit?

Speaker1:[15:52] Ja, das ist ja hier fast wie in der Kochshow, Markus. Da habe ich schon mal was vorbereitet. Nämlich, wer Lust hat, sich das mal live und in Farbe anzuschauen. Wir haben hier in Berlin den AI Campus gebaut. Er ist in Mitte. Und da haben wir versucht, so ein Ökosystem hinzustellen im Bereich künstliche Intelligenz. Und da haben wir im Grunde genommen eine sehr große Gemeinschaftsfläche, um die herum dann auch einzelne Büros und Teams sitzen. Und die Teams kommen aus großen Unternehmen, sind das Data Science Teams, ich von Conti, von Körber, dann haben wir Mittelständler, dann haben wir den GavTech Campus hier zu Gast, auch als Mieter. Da sind also staatliche Behörden und Bundesministerien. Da sind Wagniskapitalfonds dabei, da sind andere Machine Learning Startups dabei. Da sind natürlich auch Merantix und all die Ausgründungen von Merantix. Dabei und auch die Ausgründungen aus den Universitäten in Berlin. Und das ist zunächst mal ein physischer Ort, der aber über den physischen Ort hinaus auch ein virtueller, hybrider Raum jetzt geworden ist, natürlich auch mit und dank Corona, wo einfach so viel fachlicher Austausch stattfindet. Da sind also jede Woche viele Events zu dem Thema. Wer immer in der Stadt ist und was mit KI am Hut hat, kommt zu Besuch. Wir haben tolle Tech Talks, wir haben tolle Sachen, wie baut man Businessmodelle, wir lernen anderen Ökosystemen, wir vernetzen uns in andere Ökosysteme in der Welt und das macht schon richtig Spaß.

Speaker2:[17:15] Und an welchen Themen, vielleicht kannst du noch mal ein paar nennen, arbeitet ihr momentan da?

Speaker1:[17:18] Also zum Beispiel ist ein Thema, was aus der Gemeinschaft heraus entstanden ist, also das ein zentrales Thema ist ja, dass es nicht zentral orchestriert ist komplett, sondern dass da Themen wachsen, die jetzt wir uns irgendwie mit ein paar Nasen bei Mirantix nicht selber ausgedacht hätten und gesagt hätten, das müssen wir jetzt machen, sondern aus der Community heraus, zum Beispiel um Safe AI ist eine Initiative gewachsen, unter den verschiedenen Teilnehmern im Ökosystem, beschäftigen sich eben in regelmäßigen Abständen und schreiben auch Positionspapiere und vertesten auch erste Ansätze zum Thema sichere KI. Und das ist eben in verschiedenen Bereichen notwendig, zum Beispiel bei Leuten, die um autonomes Fahren arbeiten, bei Leuten, die in der Medizin arbeiten. Also es sind auch verschiedene Disziplinen, die sich dann da treffen und sagen, hey, wir haben eigentlich ähnliche Themen, lass uns mal austauschen und schauen, was können wir da eigentlich gemeinsam voneinander lernen und miteinander auf die Beine stellen.

Speaker2:[18:10] Und das Ganze, kann man sich ja vorstellen, ist natürlich nicht, wie man in Köln sagt, für immer sonst, also umsonst. Das kostet natürlich alles Geld. Und ich denke mal, dass da sicherlich auch eine Unterstützung notwendig ist. Jetzt ist natürlich die Frage, wie kann denn so eine Unterstützung aussehen oder wie finanziert ihr euch da? Beziehungsweise, was kann man da tun? Und wer ist da aus deiner Sicht gefragt?

Speaker1:[18:31] Also zunächst finanziert haben wir das selbst und haben das auch als Non-Profit bei uns gestartet. Dann haben wir gesagt, okay, wir machen das jetzt. Irgendeiner war verrückt genug, uns den Vertrag für die Fläche zu geben. And off we went. Ich glaube, gefragt ist da natürlich schon auch die Community rund um künstliche Intelligenz. Also auch zu überlegen, wie können wir eigentlich über uns selbst ein bisschen hinauswachsen und auch Orte schaffen, die skalieren und die auch eine Strahlkraft haben darüber hinaus. Ich glaube, also natürlich lebt so ein Ökosystem auch von finanzieller Unterstützung. Und es ist natürlich auch toll, dass wir Corporate-Partner haben, die sagen, hey, wir haben hier eigentlich gar keine Sitzplätze, sondern wir sponsoren irgendwie eine gewisse Hardware oder wir machen ein paar Veranstaltungen und so weiter. Am wichtigsten haben wir aber festgestellt, ist für so ein funktionierendes Ökosystem, dass die Leute Wissen mitbringen und Ideen und dass wir weder im Zoo sind. Also die Leute sollen nicht zu uns kommen und schauen, oh, guck mal, da sind Startups und ich bin hier und ich schaue mir die an wie im Zoo, sondern sollen interagieren. Also wer immer auf den Campus kommt, soll eigentlich was mitbringen und auch was dalassen. Ist es ein Problem? Ist es eine eigene Reflexion zum Thema? Ist es ein eigener Ansatz, der vertestet wurde? Das ist für uns eigentlich mindestens genauso wichtig, sage ich jetzt, bin ich mal vorsichtig, wie auch finanzielle Unterstützung. Den Kaffee kann man natürlich immer upgraden und noch besser machen. Also haben wir hier schon Private Sushi Chef? No.

Speaker1:[19:56] Aber wichtiger ist, dass diese Austausch stattfindet, dass die Leute hier gerne sind und auch das Gefühl haben, hier sind schlaue Leute, die irgendwie mit KI was bewegen wollen in der Welt.

Speaker2:[20:06] Und die Grundlage für all das, um an diesen Themen zu arbeiten, ist, wir hatten das am Anfang schon, Daten zu teilen. Und jetzt hast du natürlich hier mit dem Uli einen CIO-Sitzen von einem großen Unternehmen, der auf sehr vielen Daten sitzt. Und du plädierst ja für mehr Bereitschaft von Unternehmen, ihre Daten zu teilen. Und jetzt hast du die Zeit, mal den Uli zu überzeugen. Wieso sollen Unternehmen Daten teilen, wenn das ja eigentlich das neue Gold heute ist?

Speaker1:[20:29] Vielen Dank, dass ich das einmal erläutern darf. Also wir wollen ja eigentlich mit künstlicher Intelligenz möglichst skalierbar tolle Lösungen bauen und jetzt hat natürlich jeder hortet jetzt gerade in seinem Schrebergärtchen die Daten, die ja das neue Öl sind.

Speaker1:[20:42] Eine Grundprämisse von KI ist, Modelle sind grundsätzlich besser, einfach mal Ceteris Paribus, wenn man mehr Parameter draufwirft und mehr Daten. So, jetzt haben wir ein paar tolle KI-Anwendungen, die wurden trainiert, zum Beispiel, dass sich OpenAI hat, GBD3 trainiert. Die haben einfach das ganze Internet auf ein Sprachmodell draufgeworfen. Und das geht natürlich, wenn man eben das Internet als Trainingsdatensatz nutzen kann. Ist frei zugänglich, da kann ich Scraper bauen, alles schön. Wenn ich jetzt aber im industriellen Sektor unterwegs bin, ich schaue mir B2B-Anwendungsfälle an, dann sind diese Daten sehr zu berechtigterweise, sind ja erstmal im Schrebergarten von jeder Firma. Und jetzt kann jede Firma natürlich individuell anfangen und sagen, hey, wir bauen jetzt ein tolles Modell und das funktioniert auch bei einigen Themen echt gut und dann soll das auch so sein und dann kann man das genauso machen. Und dann gibt es aber Themen, da sind einfach die eigenen Daten ein bisschen zu wenig und ein bisschen zu hässlich, auch nicht in der schönen Qualität, die man sich so wünscht. Und dann ist unsere Prämisse, dann baut doch nicht mit den wenigen schwer zu kuratierenden, teuer zu kuratierenden Daten. Also da müssen ja Experten zum Teil auch dran sitzen und Datensätze labeln. Also so eine KI, die Krebs erkennt, die erkennt nicht von vornherein, dass da Krebszellen sind. Da sitzt ein Radiologe daneben und der labelt Bilder und der sagt, da ist Krebs drin, da nicht.

Speaker1:[22:02] Und das ist, muss man sich jetzt mal folgen, das ist zeitaufwendig, das ist auch recht ganz schön kostenintensiv. Wenn man sozusagen mit diesen Supervised-Modellen, so nennt man das, wenn man dem Algorithmus sozusagen erklärt, was die Antwort ist, eben auf solche Skalierungsprobleme trifft und auf solche Kostenbarrieren auch einfach, dann ist der Ansatz eben zu sagen, okay, warum nicht ein Unsupervised-Modell trainieren, das richtig groß ist auf unkuratierten Daten.

Speaker1:[22:27] Das heißt, man schmeißt einfach mal Daten in ein Modell rein und sagt, lerne das. Stellt euch das mal so vor wie, es lernt ein Sprachalgorithmus erstmal überhaupt sprechen. Und lernt dann vielleicht einfach mal Englisch, weil es ist im Automotive unterwegs. Und dann bin ich vielleicht irgendwie Teilehersteller, dann lernt man eben nicht nur Englisch, sondern eben Juristenenglisch zum Beispiel. Und irgendwann hat man eben so ein generelles Modell, was mit sehr viel unkuratierten Daten gefüttert ist und kann das dann immer noch nehmen. Das ist dann gleich viel, viel besser als alles, was man selber trainiert hätte im Schrebergarten. Nimmt das dann und sagt, okay, ich nehme dieses große Modell und feintune es dann auf kuratierten, gelabelten Daten, die ich ja im Unternehmenskontext erzeugen kann und die auch weiterhin in dem kuratierten Zustand auch nur mir gehören. Und dann haben wir eben, vereinen wir sozusagen das schöne Heimliche eines Schrebergartens mit den weiten Abenteuern und Möglichkeiten des Dschungels und der Savanne und können eben viel skalierter KI-Modelle ausrollen und auch die Hürde zum Eintritt für Unternehmen, auch die Kosten, Zeit und auch Effektivitätsbedenken dadurch senken.

Speaker0:[23:38] Also erst mal ist ja schon mal gut. Ich finde den Vergleich Savanne, Dschungel und Schrebergarten ziemlich interessant und auch nett. Und natürlich, mich brauchst du da wirklich nicht zu überzeugen, um ganz offen zu sein, weil jeder Algorithmus, jedes Modell lernt mit der Fülle der Daten. Je mehr da reinkommt, umso besser. Also da, glaube ich, brauchst du gar keine große Überzeugungsarbeit zu leisten. Ich glaube, das Entscheidende dabei ist, um die Schrebergärtner so ein bisschen einzuladen, mehr die Zäune abzureißen, ist es so ein bisschen das Thema, auch was du am Anfang gesagt hast, so ein bisschen Use Case, so what’s in for me, kriege ich damit die größte Melone in meinen Schrebergarten oder kann ich die Melone kreuzen mit einer Artischocke und bekomme dann halt eine Mittagschocke oder wie auch immer. Ja. Nee, aber ich glaube, das ist so ein bisschen die Aufklärungsarbeit, die dahinter steckt, weil am Ende des Tages, wenn du jetzt mal in so eine durchschnittliche und gute Telco reinguckst, dann haben wir ja jede Menge Daten. Du hast Verkehrsdaten, du hast Bewegungsdaten, du hast auch für Enterprise-Kunden gewisse Daten, gerade was Geschäftsprozesse und Co. Angeht. Und gerade wenn du die natürlich auch ein Stück weit anonymisierst, kannst du ja viel mit diesen Daten machen, also auch im Rahmen des Datenschutzes, der da logischerweise mit verknüpft ist.

Speaker0:[24:58] Grundsätzlich bin ich da immer ein offener Fan von, weil ich sage einfach mal, du kannst nur in solchen Modellen weiter lernen, wenn du halt auch Mut hast, den nächsten Schritt zu gehen und halt deinen Schrebergartenzaun einzureißen, auch mit der Gefahr, dass da irgendeiner reinläuft und reintrampelt. Aber ich sage mal, der Gewinn ist halt einfach großer, um mal bei dem Modell so ein bisschen zu bleiben.

Speaker1:[25:19] Ja, genau. Also auch ein guter Punkt, den du ansprichst zum Thema Datenschutz. Also das ist jetzt kein Appell sozusagen zu sagen, hey, ich lege mal der ganzen Welt und Konkurrenz all meine geheimen Firmendaten offen, sondern tatsächlich zu sagen, es gibt mittlerweile sowohl auf Hard- als auch auf Software-Ebene gute Möglichkeiten, Daten eben, wie du sagst, unkenntlich zu machen für andere Marktbegleiter, dass das eigentlich kein Grund sein sollte, das nicht zu tun.

Speaker2:[25:47] Also ich halte fest, Uli, du machst den Schrebergarten auf, nur die Daten sind wahrscheinlich so tief unter der Erde, dass die Maschine erst noch gefunden werden muss, um diese, und da zitiere ich die Nicole, hässlichen Daten überhaupt in ihrem Rohzustand erstmal rauszuholen. Das ist also tatsächlich insgesamt gar nicht mal so einfach, nehme ich an.

Speaker0:[26:04] Dafür gibt es Bohrer, dafür gibt es super Data Engineers, die dafür sorgen, dass du an diese Daten rankommst. Und ich bin ein Stück weit bei Nicole. Es geht nicht ums Horten, weil hier geht es nicht darum, wer hat die meisten Daten und wer hat den schönsten Schrebergarten mit den meist gehorchteten Daten, sondern die Raffinerieleistung geschieht ja mit der Halbwertigkeit dieser Daten. Und es gibt halt Daten, die halten wir in unseren Schrebengärten, die kannst du eigentlich wegschmeißen, weil sie sind nichts mehr wert. Und es gibt viele Daten, die sind nur in dem Moment wirklich wertvoll. Und wenn du sie da nicht aufbereitest, dann ist es zwar schön, dass du damit Speichermedien folgst, aber da kann ich nur sagen, das hilft keinem mehr.

Speaker2:[26:50] Nicole, ihr habt als Merantik Momentum in der Funktion als Enabler für die Technologien ihre Möglichkeit ja noch weitere Funktionen. In dem Zusammenhang habe ich diesen Begriff des Clearinghouse für Daten gelesen. Was kann ich mir darunter vorstellen?

Speaker1:[27:03] Und ich sprach ja gerade vorhin an, dass ja auch, ja, man muss ja sozusagen auch Vertrauen haben, dass die Daten, die man bereitstellt, auch, sagen, nur für die Zwecke verwendet werden, für die sie verwendet werden sollen. Und wir pilotieren derzeit eben solche Datenökosysteme in gewissen Industrien. Und ich weiß gar nicht, ob man jetzt sagen kann, da sind wir wirklich das Clearinghouse für die Daten, aber in einer gewissen Weise trainieren wir ja auf den Daten die Algorithmen für diese Datenökosysteme und übernehmen deswegen, glaube ich, so etwas wie eine Clearing-Funktion. Das ist aber auch technisch gar nicht notwendig, sage ich jetzt mal, weil man auch Protokolle schreiben kann, wie man solche Daten teilt und eben auch Hard- und Software hat, wo gar nicht mehr die Daten alle zu uns fließen müssen, um sowas zu trainieren, sondern man auch zum Beispiel mit Federated Learning Systemen Algorithmen trainieren kann. Also dann ist quasi von technischer Seite schon diese Notwendigkeit gar nicht da, dass sozusagen eine Person da sitzt und dann schaut, wo die dann hingeschoben werden. Sondern das kann man auch mit einer technischen Architektur auffangen.

Speaker2:[28:12] Ein Thema, was uns durch alle Podcast-Folgen hier immer wieder begleitet, ist das Thema Purpose. Und da würde uns natürlich auch interessieren bei Merantix Momentum, Was ist denn der Purpose, den ihr verfolgt, der höhere Sinn, dem Ganzen und der Impact, den ihr erzeugen möchtet?

Speaker1:[28:25] Wir wollen einfach auch in Zukunft ein kompetitives, wettbewerbsfähiges Europa sicherstellen. Ich bin ja aus Karlsruhe und da Speckgürtel Karlsruhe, das sind ganz viele mittelständische Unternehmen, die Weltruhen haben. Also die sich eine Schraube produzieren, die in jedem Geschirrspüler der Welt ist ungefähr. Und das ist ein unglaublicher Reichtum und auch Grundlage für unseren Wohlstand, der da gelegt ist. Und ich habe ein bisschen die Sorge, ehrlich gesagt, wenn wir uns jetzt nicht skaliert und schnell überlegen, wie wir diese unglaublich starken Unternehmen auch digital, und damit meine ich auch mit KI, nicht nur mit KI, aber auch mit KI, sagen, zukunftsbereit und zukunftssicher machen, haben wir vielleicht andere Probleme im Speckgürtel von Karlsruhe in naher Zukunft. Und diese Technologie wirklich von der Forschung in die Anwendung zu bringen. Europa ist Weltmeister. Deutschland hat die meisten KI-Forscher pro Kopf, mehr als China und die USA zusammen. Wir schaffen es nur nicht, das in die Anwendung zu bringen und in die Firmen. Und das ist unsere Mission, das zu machen. Und das mit Modellen zu machen, die eben auch skalieren. Das heißt, mit denen wir das auch in einer absehbaren Zeit hinbekommen, dass es noch tolle Firmen gibt, die auch ein Stück weit natürlich in unserem Wertesystem verankert sind, die auch in Zukunft tolle Produkte und Dienstleistungen in die Welt tragen können.

Speaker0:[29:43] Das ist fantastisch, Nicole, weil ich hatte gerade, als du so ein bisschen darüber sprachst, den MP3-Player vor Augen, wo wir auch weit, weit führend waren und haben es irgendwie vergeigt. Und da gibt es schon ein paar Beispiele für. Und ich bin 100 Prozent bei dir. Ich glaube, am Intellekt scheitert es nicht, an den Möglichkeiten scheitert es nicht. Wir müssen es jetzt halt nur tun und gemeinsam dafür schauen, dass wir eine Plattform finden. Und das ist das Stichwort für mich, eine Plattform, die sowohl Kooperation, aber auch genau diese Zusammenarbeit und diese Möglichkeiten schafft. Und dann brauchen wir uns auch nicht vor den großen Supermächten zu verstecken.

Speaker2:[30:22] Nicole, noch eine Frage, bevor wir vielleicht zum Abschluss kommen. Wenn man sich jetzt hier inspiriert fühlt von dem Thema KI, ML und vielleicht noch ein bisschen mehr darüber erfahren will, was sind das, was du jetzt so privat auf einer Party jemandem empfehlen würdest? Ja, guck dir das mal an, dann wirst du die gleiche Begeisterung erfahren für das Thema wie ich.

Speaker1:[30:39] Wow, also ich glaube, das eine Thema ist sicherlich mal, also kommt auf den AI Campus nach Berlin, das sowieso schon mal. Dann, ich glaube, dass da auch Reisen hilft. Also ich war persönlich schon auch in den Technologieregionen dieser Welt, Kalifornien, auch in China. Ich habe mir mal angeschaut, was da so alles geht. Manches davon macht Mut, manches davon macht Angst. Aber das inspiriert unglaublich zu sehen, wie schnell Dinge entstehen können und wie schnell man wirklich auch komplette Regionen umdrehen kann und unglaubliche Sachen da kreieren kann. Das hat mich unglaublich inspiriert. Ich finde auch ein Buch ganz gut, das heißt Competing in the Age of AI. Da ist so ein bisschen, ich sage jetzt mal, praktische Anleitung, wie man sozusagen eine KI-Firma bauen kann. Ihr könnt uns auch folgen auf sozialen Medien. Bei LinkedIn macht beispielsweise unser VP Research. Der Hannes Otterbach macht auch ganz interessante Blogs zu dem Thema KI. Also wenn man jetzt nicht sich bemüßigt fühlt, lange Paper zu lesen, sondern so eine crispe Zusammenfassung möchte, ist das sehr empfehlenswert. Mit der Merantix oder Merantix Momentum folgen. Ja, das sind so Sachen, die mich inspirieren.

Speaker2:[31:47] Ich danke euch beiden. Das war ein spannender Austausch. Und wie immer am Ende, die große Frage, was habt ihr aus dem Gespräch zum Thema künstliche Intelligenz und maschinellem Lernen mitgenommen? Wer von euch beiden möchte beginnen?

Speaker0:[32:01] Ich kann gerne beginnen. Ich fühle mich jetzt gerade so ein bisschen als Schrebergärtner und bin auf der Suche nach der großen Welt. Das hat mich sehr inspiriert, liebe Nicole. und vor allen Dingen will ich auch gerne mal sehen, was ihr in Berlin macht. Also daher Reisen ist das zweite Ding, was ich mitgenommen habe. Neben natürlich meiner Affinität, die ich eh schon für das Thema habe. Aber ich finde es wirklich bemerkenswert, wie viel Lebensfreude du in ein so trockenes Thema bringst. Das kann ja schon sehr trocken sein. Also daher vielen lieben Dank.

Speaker1:[32:32] Ja, und ich habe mitgenommen, Markus und Uli, dass man muss miteinander reden. Also es zeigt sich immer wieder, es ist ein hochtechnisches Thema und am Ende müssen drei Menschen wie mir zusammensitzen, miteinander reden und dann entstehen neue Ideen. Uli, wir werden uns jetzt sicherlich und Markus sicherlich gegenseitig besuchen und dann werden vielleicht ein paar von diesen spinnerten Ideen die Wirklichkeit werden und Realität und das finde ich immer wieder faszinierend auch daran im Deep-Tech-Sektor sein und wieder in diesem Gespräch. Man muss sich einfach an den Tisch setzen und miteinander reden.

Speaker2:[33:04] Nicole, noch eine Frage, bevor wir vielleicht zum Abschluss kommen. Stell dir bitte vor, du könntest eine Plakatwand direkt vor deiner alten Uni freigestalten, also dort, wo die Studenten jeden Tag rein und raus gehen und die gucken sich das dann natürlich an. Was würdest du den Studentinnen und Studenten heute mitgeben für Leben und Laufbahn? Was würde auf diesem Plakat stehen?

Speaker1:[33:22] Das Lustige ist, diese Plakatwand gibt es.

Speaker2:[33:25] Von dir?

Speaker1:[33:26] Ich habe ja in St. Gallen studiert. Und ich habe sie selbst noch gar nicht gesehen, aber ich habe die neulich geschickt bekommen von einer ehemaligen Professorin. Da steht drauf, dare, always dare. Wenn man im Zweifel ist, ist immer wagen und es immer probieren. Und wenn man sich meine Biografie anschaut, ich dachte, ich bin Entwicklungsökonomin, dann war ich beim Hedgefonds, dann war ich in der Spieltheorie, jetzt bin ich im Deep-Tech-Sektor. Also so ganz offensichtlich sind diese Abzweigungen nie gewesen und das hat sich für mich immer gelohnt, einfach es zu wagen und es zu machen. Im Zweifel ist dann eher bereuen, auf die Nase zu fallen und weiterzugehen, aber ja, dare, always dare.

Speaker2:[34:07] Die Frage ist natürlich, Uli, ist das was, was auf deine Laufbahn passt oder was dich angesprochen hätte damals?

Speaker0:[34:14] Also grundsätzlich, ihr kennt mein Hashtag, weil machen einfach krasser ist. Ich finde, mit allen mutigen Schritten, um es zu wagen, du kannst nur gewinnen. Sei es, dass du neue Erfahrungen hast, dass du neue Einblicke hast, dass du auch die Erkenntnis hast, dass das vielleicht nichts für dich ist, aber du bist wieder ein Stück reicher. Also daher, sowas spricht mir immer direkt an. Da würde ich direkt an der Plakatwand kleben.

Speaker2:[34:38] Sehr gut. Und Nicole, magst du zum Abschluss noch unseren Zuhörerinnen und Zuhörern verraten, wo sie mehr von dir erfahren können und wo sie vielleicht auch mit dir in Kontakt treten können, wenn sie zu dem Thema sprechen möchten?

Speaker1:[34:49] Sehr gerne. Also DNA Campus könnt ihr gleich mal googeln. Der ist in Berlin. Da braucht ihr meistens noch einen Termin, um reinzukommen. zu kommen. Ihr könnt mich finden auf LinkedIn. Gerne mir Nachrichten schreiben. Am besten mit der Idee oder dem Thema, das euch beschäftigt. Das ist immer noch ein bisschen einfacher, als wenn man einfach so eine anonyme Kontaktanfrage bekommt. Wenn ihr wollt, dass ich bei euch mal zum Thema spreche, habe ich auch eine wahnsinnig tolle Speaker-Agentur, Disrupting Minds. Die bringen auch ganz tolle Leute zusammen. Also ihr seht, es gibt eine Hülle und Fülle an Möglichkeiten, mit mir in Kontakt zu bleiben.

Speaker2:[35:19] Das war der Digital Pacemaker Podcast zum Thema Künstliche Intelligenz und machinelles Lernen. Unser Gast heute war Nicole Bündner-Thiel. Wenn ihr weitere Informationen zur Folge haben möchtet, schaut bitte in die Shownotes. Dort findet ihr auch die angesprochenen Links und die Themen, über die wir heute gesprochen haben. Wenn ihr Fragen habt oder mit uns diskutieren möchtet, nutzt die Posts und Kommentarfunktionen auf LinkedIn. Wir freuen uns auf euren Input und euer Feedback. Der Digital Pacemaker Podcast erscheint alle 14 Tage am Dienstag bei Spotify, Apple und überall, wo du deine Podcasts bekommst. Klicke jetzt auf den Follow- oder Abonnieren-Button, wenn du keine Folge verpassen möchtest. Euch eine gute Zeit und auf bald, euer Uli und Markus.

Speaker0:[35:58] Rock’n’Roll!

Music:[35:59] Music

 

Leave A Comment

Related Posts