DOAG VOICES FutureAI – mit Dave König und Dr. Melanie Sigl

Künstliche Intelligenz ist allgegenwärtig – doch der erfolgreiche
Einsatz beginnt nicht mit dem Training eines Modells, sondern mit
der richtigen Auswahl.


In dieser Folge von DOAG VOICES FutureAI spricht Host Dave König
mit Dr. Melanie Sigl über genau diese oft unterschätzte
Herausforderung. Ausgangspunkt ist ihre Dissertation zu Transfer
Learning auf multivariaten Zeitreihen – ein Thema mit hoher
Relevanz für industrielle Anwendungen und Predictive Maintenance.


Dr. Sigl erläutert, warum vortrainierte Modelle nicht automatisch
gute Ergebnisse liefern und weshalb die Ähnlichkeit zwischen
Datensätzen entscheidend ist. Anhand praxisnaher Beispiele zeigt
sie, wo klassische Distanzmaße an ihre Grenzen stoßen und wie
Methoden wie Dynamic Time Warping helfen, Zeitreihen sinnvoll
vergleichbar zu machen. Darauf aufbauend geht es um
Learning-to-Rank-Ansätze wie RankNet, mit denen sich Modelle
systematisch bewerten lassen – statt Entscheidungen nach
Bauchgefühl oder reiner Hardware-Verfügbarkeit zu treffen.


Das für Auflockerung sorgende Spiel "Tech or Myth Facts?" zeigt
erneut eindrucksvoll, wie schnell technologische Entwicklungen
mystifiziert werden – und wie wichtig ein nüchterner Blick auf
Fakten bleibt.


Abseits der Forschung beleuchtet die Folge die Realität von
KI-Projekten: Cloud-Infrastrukturen, Cloud-native Services,
souveräne Alternativen, On-Prem-Betrieb und die Herausforderungen
beim Übergang in den produktiven Einsatz. Dr. Sigl macht
deutlich, dass technologische Exzellenz allein nicht ausreicht –
entscheidend sind Wirtschaftlichkeit, Akzeptanz und ein
realistischer Blick darauf, wann KI sinnvoll ist und wann
klassische Verfahren genügen.


---


Kapitelübersicht:


00:00 – 00:16 | Intro


Begrüßung, Vorstellung und Einordnung der Edition FutureAI.


00:16 – 03:10 | Persönlicher Hintergrund


Vorstellung von Dr. Melanie B. Sigl, Werdegang zwischen Beratung,
Forschung und Führung.


03:10 – 07:10 | Dissertation & Motivation


Transfer Learning auf multivariaten Zeitreihen und zentrale
Forschungsfragen.


07:10 – 11:45 | Modellauswahl statt Modellbau


Warum vortrainierte Modelle sinnvoll sind – und ihre Auswahl oft
komplexer ist als ihr Training.


11:45 – 14:09 | Ähnlichkeit von Zeitreihen


Dynamic Time Warping als Methode zur Vergleichbarkeit komplexer
Zeitverläufe.


14:09 – 16:56 | Tech or Myth Facts?


KI-Mythen, Tech-Anekdoten und der Umgang mit technologischem
Fortschritt.


16:56 – 22:50 | Learning to Rank & RankNet


Systematische Modellbewertung jenseits klassischer Distanzmaße.


22:50 – 28:10 | Predictive Maintenance


Industrielle KI-Anwendungsfälle und vorausschauende Wartung.


28:10 – 33:45 | Cloud & Souveränität


Cloud-native Services, hybride Szenarien und
On-Prem-Alternativen.


33:45 – 39:20 | KI produktiv bringen


Change-Management, Akzeptanz und typische Stolpersteine.


39:20 – 42:16 | Karriere & Lernen


Persönliche Einblicke, lebenslanges Lernen und Open Source.


42:16 – 42:36 | Outro


Abschluss und Verabschiedung.


---


Die Top 3 Learnings dieser Folge:


1. Die Wahl des richtigen KI-Modells ist entscheidender als
dessen Training.


Datensatz-Ähnlichkeit und Kontext bestimmen den Erfolg von
Transfer Learning.


2. Systematische Bewertungsverfahren schlagen Bauchgefühl.


Learning-to-Rank-Ansätze wie RankNet ermöglichen fundierte
Modellentscheidungen.


3. KI-Erfolg ist kein reines Technikthema.


Wirtschaftlichkeit, Akzeptanz und organisatorische Einbindung
sind zentral für den produktiven Einsatz.


---


Mehr über Dr. Melanie Sigl:


https://www.linkedin.com/in/melanie-sigl/


---


Mehr über Dave König aka Frickeldave:


https://frickeldave.de


---


Mehr über die DOAG:


https://www.doag.org


---


Anstehende DOAG-Konferenzen:


DevLand 2026 | 12. & 13. März | Europa-Park Rust


https://www.devland.eu/de/


APEX connect 2026 | 18. - 20. Mai | Heide Park Soltau


https://apex.doag.org/de/home/


CloudLand 2026 | 19. - 22. Mai | Heide Park Soltau


https://www.cloudland.org/de/home/


Hosted on Acast. See acast.com/privacy for more information.