Was, wenn mit jedem Prompt an ein externes Modell ein kleines
Stück deines Wettbewerbsvorteils das Haus verlässt? Warum hat
kein einzelnes Krankenhaus genug Daten, um ein brauchbares
KI-Modell zu trainieren und was ändert sich, wenn hunderte
Institutionen zusammenkommen, ohne ihre Daten herauszugeben? Und
was bedeutet es strategisch, wenn eine einzige Entscheidung der
US-Regierung darüber bestimmt, ob du Zugang zum neuesten Modell
hast?
Zu diesen und weiteren Fragen spreche ich in dieser Episode von
„AI to the DNA", dem Podcast für alle, die Künstliche Intelligenz
wirklich verstehen und anwenden wollen, mit Daniel J. Beutel.
Daniel ist Co-Founder und CEO von Flower Labs und Co-Creator von
Flower, dem Open-Source-Framework für Federated Learning.
Gegründet hat er Flower Labs mit Nic Lane und Taner Topal, drei
Monate davon im Silicon Valley bei Y Combinator. Er sitzt in
Hamburg und promoviert parallel in Cambridge.
Diesen Podcast gibt es auch als Video-Podcast auf meinem YouTube
Kanal.
Wir sprechen darüber, was eine dezentrale KI-Architektur von der
zentralen unterscheidet, die die großen Labs betreiben: Wer den
kompletten Stack auf eigener Infrastruktur betreibt, schickt
Prompts, Kontext und damit Prozesswissen nicht mehr an eine
fremde API. Daniel erklärt, wie ein sogenanntes Fusion Model
mehrere Open-Weight-Modelle unter einer einzigen API kombiniert
und damit nah an die Performance aktueller Frontier-Modelle
kommt.
Außerdem diskutieren wir Federated Learning ganz konkret: eine
internationale Bank, die Kundendaten physisch in den USA und in
Europa halten muss und trotzdem ein gemeinsames Modell trainiert.
Healthcare-Netzwerke, in denen teilweise über 100 Institutionen
zusammenkommen, weil ein einzelnes Krankenhaus nur einige Tausend
annotierte Radiologie-Bilder hat, zu wenig für moderne
Deep-Learning-Architekturen. Dazu Techniken wie Differential
Privacy und Secure Aggregation. Und ein Projekt mit dem US
Department of Energy, in dem verteilt über drei National Labs ein
LLM mit 70 Milliarden Parametern trainiert wird.
Darüber hinaus geht es um den Unterschied zwischen AI-Assisted
und AI-Native: Jedem Mitarbeitenden einen Chatbot zu geben, ist
wie einen besseren Hammer in der Manufaktur zu verteilen. Daniel
beschreibt, wie stattdessen eine Fertigungslinie für
Wissensarbeit entsteht, die mit jeder Interaktion besser wird und
warum das ohne starkes Sandboxing, granulare Permissions und
Human in the Loop im Enterprise-Umfeld nicht funktioniert.
Und wir reden über Europa: über den Datenschatz im Mittelstand,
über Geschwindigkeit als das, was Daniel bei Y Combinator gelernt
hat, und über seinen größten Wunsch, alle gesundheitsrelevanten
Daten Europas in einem Netzwerk zu verbinden, ohne dass eine
einzige Institution die Kontrolle über ihre Daten abgibt.
Hier bei AI to the DNA will ich, Christoph Magnussen, tiefer in
die Materie KI eintauchen. Mich interessiert nicht nur, wie man
KI nutzt, sondern warum sie so funktioniert, wie sie
funktioniert. Mit AI to the DNA gewinnt ihr Einblicke in die
Natur der Künstlichen Intelligenz und erfahrt, wie sie Teil eurer
DNA wird. So werdet ihr von neugierigen Tool-Tourist:innen zu
echten AI-Anwendungsweltmeister:innen.
️ Die Blackboat AI Summer School: Vier
Wochen Online-Sprint mit Hands-on-Aufgaben, um vom
Kl-Ausprobieren zu echten Pro-Skills zu kommen. Vom Tool-Tourist
zu eigenen Agent-Systemen mit unserer AI Summer School!
Spare jetzt 250€ mit dem Gutscheincode: ATTD-SUMMER
-> Jetzt anmelden auf https://academy.blackboat.com
️ Wenn dir AI to the DNA gefällt, freuen wir uns über eine
5-Sterne-Bewertung. Damit hilfst du uns enorm,
den Podcast sichtbarer zu machen und noch mehr Menschen mit
unseren Themen zu erreichen. Danke für deinen Support!
(00:00) - Intro
(02:08) - Historische Zeit: Die industrielle Revolution der
Wissensarbeit
(07:49) - Flower Labs als Neolab: Zentral gegen dezentral
gedacht
(11:45) - Der souveräne Stack: Fusion Model, Datenschicht und
Agent-Harness
(17:58) - Context Engineering: Die Loops, die Agent und
Modell gemeinsam verbessern
(20:32) - „Security ist nicht verhandelbar": Policies, Rollen
und Approvals im Enterprise
(25:27) - OpenClaw, Sandboxing und Human in the Loop: Warum
Prompts keine Permissions sind
(31:35) - Federated Learning erklärt: Das Modell kommt zu den
Daten
(35:57) - Differential Privacy, Secure Aggregation und die
kritische Datenmenge
(40:02) - „Man verkauft die Kuh, um nachher die Milch
zurückzukaufen"
(44:55) - Vom Model Provider zum Konkurrenten und warum
Flower Labs aus Europa gründet
(48:27) - Europas kritischer Punkt: Datenschatz, Mittelstand
und zwei Wege
(51:31) - AI-Assisted gegen AI-Native: Der bessere Hammer
reicht nicht
(54:08) - Geschwindigkeit statt Wasserfallplan: Blocker,
Freiräume und Rückendeckung von oben
(58:48) - Selbst bauen oder Partner holen: Wo die Grenze
liegt
(01:04:02) - Self-Improvement-Loop: Der Agent, der mit jeder
Interaktion besser wird
(01:10:55) - Ein neues Spielfeld: MCP, Community und
Architekturentscheidungen
(01:13:26) - Department of Energy: Ein 70-Milliarden-Modell
über drei National Labs
(01:19:03) - Der große Wunsch: Alle Gesundheitsdaten Europas
in einem Netzwerk
Kommentare (0)
Melde dich an, um einen Kommentar zu schreiben.