KI - kurz und informativ, Klartext "to Go" in unter 5 Minuten Archiv
64 Episoden
7 Minuten
Wie lernt eine Maschine, ohne dass ihr jemand sagt, was richtig ist (wie beim supervised learning z.B.)?
Mit dieser Folge starten wir die Reihe über Roboter und Reinforcement Learning (bestärkendes Lernen) und schauen uns die Grundlagen an: Was ist ein Agent, was ist eine Policy, und warum sammelt eine Maschine überhaupt Punkte?
Dabei gibt es zwei grosse Herausforderungen: das Credit Assignment Problem und das Dilemma zwischen Exploration und Exploitation.
Themen dieser Folge:
Reinforcement Learning
Agent, Umgebung, Zustand, Aktion und Belohnung
Policy: die gerlente Strategie
Credit Assignment Problem
Exploration vs. Exploitation
Warum Robotik-Training aufwendig ist
Hört unbedingt auch in diese Folgen rein:
KI, die selbstständig lernt (Folge 3)
Wie lernen Maschinen? - Optimierung erklärt
Schaut gerne auch auf der neuen Website zum Podcast vorbei:
https://podcast.pyucation.de
Dort findet ihr eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.
Mit dieser Folge starten wir die Reihe über Roboter und Reinforcement Learning (bestärkendes Lernen) und schauen uns die Grundlagen an: Was ist ein Agent, was ist eine Policy, und warum sammelt eine Maschine überhaupt Punkte?
Dabei gibt es zwei grosse Herausforderungen: das Credit Assignment Problem und das Dilemma zwischen Exploration und Exploitation.
Themen dieser Folge:
Reinforcement Learning
Agent, Umgebung, Zustand, Aktion und Belohnung
Policy: die gerlente Strategie
Credit Assignment Problem
Exploration vs. Exploitation
Warum Robotik-Training aufwendig ist
Hört unbedingt auch in diese Folgen rein:
KI, die selbstständig lernt (Folge 3)
Wie lernen Maschinen? - Optimierung erklärt
Schaut gerne auch auf der neuen Website zum Podcast vorbei:
https://podcast.pyucation.de
Dort findet ihr eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.
8 Minuten
Wie verankert man Künstliche Intelligenz in einer Organisation? Und braucht es dafür einen Chief AI Officer (CAIO)? In dieser Folge schauen wir uns an, wie Unternehmen und Verwaltungen sich für KI aufstellen können und was wir dabei von klassischen Organisationsformen lernen.
Linienorganisation, funktionale Organisation, Spartenorganisation, Matrixorganisation und agile Netzwerkorganisation. Daraus leiten sich drei gängige KI-Organisationsmodelle ab: das zentrale KI-Kompetenzzentrum, die Hub-and-Spoke-Organisation und schliesslich das dezentrale Mesh-Modell, in dem Fachbereiche ihre eigenen Datenprodukte, KI-Modelle und Agents betreiben.
Ihr erfahrt, welche Vor- und Nachteile jedes Modell hat, welcher KI-Reifegrad dafür nötig ist und warum KI im Unternehmen am Ende so selbstverständlich werden sollte wie Excel.
Themen dieser Folge:
Klassische Organisationsformen kurz erklärt
Zentrale, dezentrale und Hub-and-Spoke-Organisation von KI
Das Mesh-Modell
Chief AI Officer: Sinn, Studienlage und Kritik
Erwähnte Folgen und Quellen:
KI-Wissensaufbau in Unternehmen
IBM Institute for Business Value: CEO Study 2026
Schaut gerne auch auf der neuen Website zum Podcast vorbei:
https://podcast.pyucation.de
Dort findet ihr eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.
Linienorganisation, funktionale Organisation, Spartenorganisation, Matrixorganisation und agile Netzwerkorganisation. Daraus leiten sich drei gängige KI-Organisationsmodelle ab: das zentrale KI-Kompetenzzentrum, die Hub-and-Spoke-Organisation und schliesslich das dezentrale Mesh-Modell, in dem Fachbereiche ihre eigenen Datenprodukte, KI-Modelle und Agents betreiben.
Ihr erfahrt, welche Vor- und Nachteile jedes Modell hat, welcher KI-Reifegrad dafür nötig ist und warum KI im Unternehmen am Ende so selbstverständlich werden sollte wie Excel.
Themen dieser Folge:
Klassische Organisationsformen kurz erklärt
Zentrale, dezentrale und Hub-and-Spoke-Organisation von KI
Das Mesh-Modell
Chief AI Officer: Sinn, Studienlage und Kritik
Erwähnte Folgen und Quellen:
KI-Wissensaufbau in Unternehmen
IBM Institute for Business Value: CEO Study 2026
Schaut gerne auch auf der neuen Website zum Podcast vorbei:
https://podcast.pyucation.de
Dort findet ihr eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.
8 Minuten
In der ersten Folge zu Gradient Descent haben wir mit den Schwächen dieses Verfahrens aufgehört. Heute schauen wir uns an, wie diese Schwächen angegangen werden.
Wir sprechen über lokale Minima, die richtige Lernrate und den hohen Rechenaufwand bei grossen Datensätzen.
Ihr braucht keine mathematischen Vorkenntnisse (wobei die Grundrechenarten sind nie verkehrt sind :D).
Aus den Herangehensweisen ergeben sich die drei wichtigen Ansätze aus der Praxis:
Gradient Descent: Wie der gesamte Datensatz zur Berechnung eines Optimierungsschritts verwendet wird.
Stochastic Gradient Descent (SGD): Warum einzelne Datenbeispiele den Rechenaufwand pro Schritt reduzieren und gleichzeitig für stärkere Schwankungen sorgen.
Mini-Batch Gradient Descent: Wie eine kleine Gruppe von Datenbeispielen einen praktischen Kompromiss zwischen Rechenaufwand und Stabilität ermöglicht.
Wir nutzen wieder die Analogie der Bergwanderung.
Hört unbedingt in die erste Folge rein. Denn diese Folge baut darauf auf: Gradient Descent einfach erklärt
Schaut gerne auch auf der neuen Website zum Podcast vorbei:
https://podcast.pyucation.de
Dort findet ihr eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.
Diese Folge ist für dich, wenn du …
verstehen möchtest, wie Machine Learning und KI-Training funktionieren,
dich für künstliche Intelligenz interessierst, ohne selbst programmieren zu müssen,
als Entscheiderin oder Entscheider in Wirtschaft oder Verwaltung fundierter über KI sprechen möchtest,
wissen willst, warum moderne KI-Modelle spezielle Optimierungsverfahren benötigen.
Wir sprechen über lokale Minima, die richtige Lernrate und den hohen Rechenaufwand bei grossen Datensätzen.
Ihr braucht keine mathematischen Vorkenntnisse (wobei die Grundrechenarten sind nie verkehrt sind :D).
Aus den Herangehensweisen ergeben sich die drei wichtigen Ansätze aus der Praxis:
Gradient Descent: Wie der gesamte Datensatz zur Berechnung eines Optimierungsschritts verwendet wird.
Stochastic Gradient Descent (SGD): Warum einzelne Datenbeispiele den Rechenaufwand pro Schritt reduzieren und gleichzeitig für stärkere Schwankungen sorgen.
Mini-Batch Gradient Descent: Wie eine kleine Gruppe von Datenbeispielen einen praktischen Kompromiss zwischen Rechenaufwand und Stabilität ermöglicht.
Wir nutzen wieder die Analogie der Bergwanderung.
Hört unbedingt in die erste Folge rein. Denn diese Folge baut darauf auf: Gradient Descent einfach erklärt
Schaut gerne auch auf der neuen Website zum Podcast vorbei:
https://podcast.pyucation.de
Dort findet ihr eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.
Diese Folge ist für dich, wenn du …
verstehen möchtest, wie Machine Learning und KI-Training funktionieren,
dich für künstliche Intelligenz interessierst, ohne selbst programmieren zu müssen,
als Entscheiderin oder Entscheider in Wirtschaft oder Verwaltung fundierter über KI sprechen möchtest,
wissen willst, warum moderne KI-Modelle spezielle Optimierungsverfahren benötigen.
7 Minuten
Gradient Descent ist zweifelsohne einer der wichtigsten Algorithmen im Machine Learning. Dank ihm kann ein Modell lernen.
Stellt euch folgendes Szenario vor: Ich setze euch mit verbundenen Augen irgendwo auf einem Berg ab und sage: Findet zurück zum Auto, das im Tal steht. Genau das macht ein Machine-Learning-Modell beim Training.
In dieser Folge erkläre ich ohne Formeln, wie Modelle ihre Parameter tatsächlich anpassen, was ein Gradient ist und wie der Algorithmus funktioniert.
Wir schauen uns auch die Schwächen des Verfahrens an: lokale Minima, die Lernrate als sog. Hyperparameter und dass Gradient Descent theoretisch jedes Mal den gesamten Datensatz zur Berechnung braucht.
Für alle drei Probleme gibt es in der Praxis Lösungen. Die schauen wir uns in der nächsten Folge an.
Themen dieser Folge:
Was ein Gradient ist
Wie Gradient Descent als Algorithmus funktioniert mit einer einfachen Analogie
die Kostenfunktion als 3D-Landschaft
Probleme beim Gradient Descent
Voraussetzung für diese Folge: Kostenfunktion und mathematische Optimierung
Schaut gerne auch auf der neuen Website zum Podcast vorbei:
https://podcast.pyucation.de
Dort findet ihr eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.
Stellt euch folgendes Szenario vor: Ich setze euch mit verbundenen Augen irgendwo auf einem Berg ab und sage: Findet zurück zum Auto, das im Tal steht. Genau das macht ein Machine-Learning-Modell beim Training.
In dieser Folge erkläre ich ohne Formeln, wie Modelle ihre Parameter tatsächlich anpassen, was ein Gradient ist und wie der Algorithmus funktioniert.
Wir schauen uns auch die Schwächen des Verfahrens an: lokale Minima, die Lernrate als sog. Hyperparameter und dass Gradient Descent theoretisch jedes Mal den gesamten Datensatz zur Berechnung braucht.
Für alle drei Probleme gibt es in der Praxis Lösungen. Die schauen wir uns in der nächsten Folge an.
Themen dieser Folge:
Was ein Gradient ist
Wie Gradient Descent als Algorithmus funktioniert mit einer einfachen Analogie
die Kostenfunktion als 3D-Landschaft
Probleme beim Gradient Descent
Voraussetzung für diese Folge: Kostenfunktion und mathematische Optimierung
Schaut gerne auch auf der neuen Website zum Podcast vorbei:
https://podcast.pyucation.de
Dort findet ihr eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.
9 Minuten
Die US-Regierung wirft chinesischen KI-Laboren Diebstahl im industriellen Massstab vor. Im April 2026 hat das Weisse Haus dazu ein eigenes Memorandum veröffentlicht, im September haben NSA, CISA und FBI mit einer gemeinsamen Sicherheitswarnung nachgelegt. Der Vorwurf behandelt systematische Destillation amerikanischer Frontier-Modelle.
Ich erkläre zunächst, was sog. Knowledge Distillation, Soft Targets und Dark Knowledge ist. Es wird schnell klar, dass das, worum eigentlich gestritten wird, gar nicht die Destillation selbst ist.
Die Lage ist nicht ganz eindeutig und man muss immer betrachten, aus welcher Position heraus, die verschiedenen Akteure argumentieren.
Themen dieser Folge:
Die Chronologie der Debatte um Destillation
Knowledge Distillation: Teacher, Student, Soft Targets und Dark Knowledge
Die Open-Weights-Debatte
Andere spannende Folgen:
Mixture of Experts (MoE) erklärt
Wie Maschinen lernen: Der Trainingsprozess von ML-Modellen
Schaut gerne auch auf der neuen Website zum Podcast vorbei:
https://podcast.pyucation.de
Dort findet ihr eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.
Links & Quellen:
Anthropic's Statement zum Vervot von Open Weight Modellen
NSTM-4, "Adversarial Distillation of American AI Models", OSTP, 23.04.2026: https://www.whitehouse.gov/wp-content/uploads/2026/04/NSTM-4.pdf
AEI, "How to Stop China from Freeriding on American AI": https://www.aei.org/commentary/how-to-stop-china-from-freeriding-on-american-ai/
Just Security, "From Diagnosis to Deterrence": https://www.justsecurity.org/137498/diagnosis-deterrence-us-response-distillation/
Lawfare, "Knives Are Out for Open-Weight AI Models": https://www.lawfaremedia.org/article/knives-are-out-for-open-weight-ai-models
Lawfare, "The AI Model Distillation Paradox": https://www.lawfaremedia.org/article/the-ai-model-distillation-paradox
CNBC, "The U.S. says China's AI progress is down to 'distillation.' But is it that clear cut?": https://www.cnbc.com/2026/09/18/china-ai-progress-distillation-tech-download.html
Ich erkläre zunächst, was sog. Knowledge Distillation, Soft Targets und Dark Knowledge ist. Es wird schnell klar, dass das, worum eigentlich gestritten wird, gar nicht die Destillation selbst ist.
Die Lage ist nicht ganz eindeutig und man muss immer betrachten, aus welcher Position heraus, die verschiedenen Akteure argumentieren.
Themen dieser Folge:
Die Chronologie der Debatte um Destillation
Knowledge Distillation: Teacher, Student, Soft Targets und Dark Knowledge
Die Open-Weights-Debatte
Andere spannende Folgen:
Mixture of Experts (MoE) erklärt
Wie Maschinen lernen: Der Trainingsprozess von ML-Modellen
Schaut gerne auch auf der neuen Website zum Podcast vorbei:
https://podcast.pyucation.de
Dort findet ihr eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.
Links & Quellen:
Anthropic's Statement zum Vervot von Open Weight Modellen
NSTM-4, "Adversarial Distillation of American AI Models", OSTP, 23.04.2026: https://www.whitehouse.gov/wp-content/uploads/2026/04/NSTM-4.pdf
AEI, "How to Stop China from Freeriding on American AI": https://www.aei.org/commentary/how-to-stop-china-from-freeriding-on-american-ai/
Just Security, "From Diagnosis to Deterrence": https://www.justsecurity.org/137498/diagnosis-deterrence-us-response-distillation/
Lawfare, "Knives Are Out for Open-Weight AI Models": https://www.lawfaremedia.org/article/knives-are-out-for-open-weight-ai-models
Lawfare, "The AI Model Distillation Paradox": https://www.lawfaremedia.org/article/the-ai-model-distillation-paradox
CNBC, "The U.S. says China's AI progress is down to 'distillation.' But is it that clear cut?": https://www.cnbc.com/2026/09/18/china-ai-progress-distillation-tech-download.html
6 Minuten
Harness, Skills, Memory, Tools, MCP usw. Rund um AI Agents hat sich ein Vokabular entwickelt, das überall auftaucht und das kaum jemand sauber erklären kann. Das liegt nicht an euch: Für die meisten dieser Begriffe gibt es keine feste Definition, und je nach Framework und Anbieter werden sie unterschiedlich verwendet.
In dieser Folge von „KI kurz und informativ" gehe ich die wichtigsten Begriffe einzeln durch und zeige, wie sie zusammenhängen.
Am Beispiel eines Reifenwechsels erkläre ich, wie Skills, Tools und Memory zusammenhängen. Wir wiederholen nochmal, was Context bedeuetet und was das Context Window ist.
Schreibt mal ein Beispiel aus eurem Alltag in die Kommentare, in dem ihr eine Situation in Skill, Tools und Memory unterteilt.
Themen dieser Folge:
Agent vs. Modell: Was der Agent Harness eigentlich ist
Instruktionen: Regeln, Grenzen und Prioritäten festlegen
Kontext und Kontextfenster und was passiert, wenn es voll ist
Memory: automatisiertes Notizenmachen, kein Lernen
Tools: lesend und schreibend mit der Aussenwelt interagieren
MCP (Model Context Protocol): kein Tool, sondern ein Protokoll
Skills: Prozesswissen als Anleitung für den Agenten
Passende Folge:
AI Agents - Was ist der Unterschied zu LLMs?
Schaut gerne auch auf der neuen Website zum Podcast vorbei:
https://podcast.pyucation.de
Dort findet ihr eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.
In dieser Folge von „KI kurz und informativ" gehe ich die wichtigsten Begriffe einzeln durch und zeige, wie sie zusammenhängen.
Am Beispiel eines Reifenwechsels erkläre ich, wie Skills, Tools und Memory zusammenhängen. Wir wiederholen nochmal, was Context bedeuetet und was das Context Window ist.
Schreibt mal ein Beispiel aus eurem Alltag in die Kommentare, in dem ihr eine Situation in Skill, Tools und Memory unterteilt.
Themen dieser Folge:
Agent vs. Modell: Was der Agent Harness eigentlich ist
Instruktionen: Regeln, Grenzen und Prioritäten festlegen
Kontext und Kontextfenster und was passiert, wenn es voll ist
Memory: automatisiertes Notizenmachen, kein Lernen
Tools: lesend und schreibend mit der Aussenwelt interagieren
MCP (Model Context Protocol): kein Tool, sondern ein Protokoll
Skills: Prozesswissen als Anleitung für den Agenten
Passende Folge:
AI Agents - Was ist der Unterschied zu LLMs?
Schaut gerne auch auf der neuen Website zum Podcast vorbei:
https://podcast.pyucation.de
Dort findet ihr eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.
7 Minuten
Was passiert eigentlich, wenn ihr eine Rechnung abfotografiert und ein System daraus automatisch Kundennummer und Betrag zieht?
Optical Character Recognition (OCR) ist dabei nur ein Schritt. Moderne Dokumentenverarbeitung ist eine ganze Pipeline: Bildvorverarbeitung, Texterkennung, Layout-Analyse, Zeichenerkennung und schliesslich ein Transformer-Modell, das die wahrscheinlichste Textsequenz bestimmt.
In dieser Folge von „KI kurz und informativ" erkläre ich, wie OCR technisch funktioniert: warum CNNs und Vision Transformer dafür eingesetzt werden, warum moderne Systeme nicht mehr Buchstabe für Buchstabe lesen, sondern ganze Sequenzen und warum sich damit zwar Fehler korrigieren lassen.
Themen dieser Folge:
Was OCR technisch macht
Von der Zeichen- zur Sequenzerkennung
Was Transformer damit zu tun haben
Warum synthetische Trainingsdaten bei OCR gut funktionieren
Die typische OCR-Pipeline
Schau gerne auch auf der neuen Website zum Podcast vorbei:
https://podcast.pyucation.de
Dort findest du eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.
Optical Character Recognition (OCR) ist dabei nur ein Schritt. Moderne Dokumentenverarbeitung ist eine ganze Pipeline: Bildvorverarbeitung, Texterkennung, Layout-Analyse, Zeichenerkennung und schliesslich ein Transformer-Modell, das die wahrscheinlichste Textsequenz bestimmt.
In dieser Folge von „KI kurz und informativ" erkläre ich, wie OCR technisch funktioniert: warum CNNs und Vision Transformer dafür eingesetzt werden, warum moderne Systeme nicht mehr Buchstabe für Buchstabe lesen, sondern ganze Sequenzen und warum sich damit zwar Fehler korrigieren lassen.
Themen dieser Folge:
Was OCR technisch macht
Von der Zeichen- zur Sequenzerkennung
Was Transformer damit zu tun haben
Warum synthetische Trainingsdaten bei OCR gut funktionieren
Die typische OCR-Pipeline
Schau gerne auch auf der neuen Website zum Podcast vorbei:
https://podcast.pyucation.de
Dort findest du eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.
7 Minuten
Die grösste Einzelinvestition der Unternehmensgeschichte ... kein Logistzentrum sondern ein Rechenzentrum.
Die Schwarz Gruppe, bekannt durch Lidl und Kaufland, baut in Lübbenau in Brandenburg für rund 11 Milliarden Euro KI-Infrastruktur.
Wir schauen uns in einer Art "Firmenportrait" die Entwicklung vom Discounter zu einem der ambitioniertesten Technologiekonzerne Europas an. Wir sprechen über die Cloud Platform STACKIT, Aleph Alpha und den KI-Campus in Heilbronn.
Am Ende bleibt die kritische Frage nach potenziell neuen Abhängigkeiten. Souveränität heisst nicht, sich von jemandem abhängig zu machen, nur weil er in Deutschland sitzt.
Weitere Folgen und Links:
Interview mit Wirtschaftsminister Dr. Blank: hier
Folge über den AI Five Layer Cake: hier
Blogpost von NVIDIA: AI is a 5-Layer Cake
Quellen:
Financial Times Artikel: "How Lidl accidentally took in the big guns of cloud computing"
Schwarz Digits: Datacenter Lübbenau: https://schwarz-digits.de/schwarz-digits-datacenter-luebbenau
Heise online: Schwarz Digits baut grosses KI-Rechenzentrum in MV: https://www.heise.de/news/Schwarz-Digits-baut-grosses-KI-Rechenzentrum-in-Mecklenburg-Vorpommern-11431329.html
Computer Base: Ohne Führerhaus, Lidl lässt autonomen Lkw auf die Strasse: https://www.computerbase.de/news/mobilitaet/ohne-fuehrerhaus-lidl-laesst-autonomen-lkw-auf-die-strasse.99420/
ZDF heute: Schwarz-Gruppe baut grosses Rechenzentrum bei Rostock: https://www.zdfheute.de/wirtschaft/unternehmen/schwarz-zentrum-rechenzentrum-rostock-100.html
Lidl Pressemitteilung: Autonomer Lkw (15.09.2026) https://unternehmen.lidl.de/pressemitteilungen/2026/260915_autonomer_lkw
The Decoder: Cohere übernimmt Aleph Alpha: https://the-decoder.de/nach-andrulis-abgang-kanadisches-start-up-cohere-uebernimmt-aleph-alpha/
Table.Briefings: Dieter Schwarz Stiftung hilft dem Staat auf die Sprünge: https://table.media/berlin/news/ki-forschung-dieter-schwarz-stiftung-hilft-dem-staat-auf-die-spruenge
Die Schwarz Gruppe, bekannt durch Lidl und Kaufland, baut in Lübbenau in Brandenburg für rund 11 Milliarden Euro KI-Infrastruktur.
Wir schauen uns in einer Art "Firmenportrait" die Entwicklung vom Discounter zu einem der ambitioniertesten Technologiekonzerne Europas an. Wir sprechen über die Cloud Platform STACKIT, Aleph Alpha und den KI-Campus in Heilbronn.
Am Ende bleibt die kritische Frage nach potenziell neuen Abhängigkeiten. Souveränität heisst nicht, sich von jemandem abhängig zu machen, nur weil er in Deutschland sitzt.
Weitere Folgen und Links:
Interview mit Wirtschaftsminister Dr. Blank: hier
Folge über den AI Five Layer Cake: hier
Blogpost von NVIDIA: AI is a 5-Layer Cake
Quellen:
Financial Times Artikel: "How Lidl accidentally took in the big guns of cloud computing"
Schwarz Digits: Datacenter Lübbenau: https://schwarz-digits.de/schwarz-digits-datacenter-luebbenau
Heise online: Schwarz Digits baut grosses KI-Rechenzentrum in MV: https://www.heise.de/news/Schwarz-Digits-baut-grosses-KI-Rechenzentrum-in-Mecklenburg-Vorpommern-11431329.html
Computer Base: Ohne Führerhaus, Lidl lässt autonomen Lkw auf die Strasse: https://www.computerbase.de/news/mobilitaet/ohne-fuehrerhaus-lidl-laesst-autonomen-lkw-auf-die-strasse.99420/
ZDF heute: Schwarz-Gruppe baut grosses Rechenzentrum bei Rostock: https://www.zdfheute.de/wirtschaft/unternehmen/schwarz-zentrum-rechenzentrum-rostock-100.html
Lidl Pressemitteilung: Autonomer Lkw (15.09.2026) https://unternehmen.lidl.de/pressemitteilungen/2026/260915_autonomer_lkw
The Decoder: Cohere übernimmt Aleph Alpha: https://the-decoder.de/nach-andrulis-abgang-kanadisches-start-up-cohere-uebernimmt-aleph-alpha/
Table.Briefings: Dieter Schwarz Stiftung hilft dem Staat auf die Sprünge: https://table.media/berlin/news/ki-forschung-dieter-schwarz-stiftung-hilft-dem-staat-auf-die-spruenge
42 Minuten
Felix Anderegg, Head of Technology and Innovation bei HR Campus AG, spricht mit mir über Künstliche Intelligenz im Human Resources und wie sie KI in ihrer Softwareentwicklung für HR-Prozessdigitalisierung einsetzen.
Als spannendes Beispiel schauen wir uns ein KI-unterstütztes Travel Expense Tool an, das Belege per OCR (Object Character Recognition) einliest, automatisiert kategorisiert und zuordnet usw.
Ganz zentral in unserem Gespräch ist die Frage, welche Rolle der Mensch in Zukunft wieder einnehmen wird.
Ausserdem sprechen wir über diese Themen:
automatisiertes Recruiting, CV-Checks und Co.,
wie KI-Transformation bei HR Campus abläuft,
wie KI-gestützte Softwareentwicklung im HR-Bereich abläuft.
Schau gerne auch auf der neuen Website zum Podcast vorbei:
https://podcast.pyucation.de
Dort findest du eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.
Als spannendes Beispiel schauen wir uns ein KI-unterstütztes Travel Expense Tool an, das Belege per OCR (Object Character Recognition) einliest, automatisiert kategorisiert und zuordnet usw.
Ganz zentral in unserem Gespräch ist die Frage, welche Rolle der Mensch in Zukunft wieder einnehmen wird.
Ausserdem sprechen wir über diese Themen:
automatisiertes Recruiting, CV-Checks und Co.,
wie KI-Transformation bei HR Campus abläuft,
wie KI-gestützte Softwareentwicklung im HR-Bereich abläuft.
Schau gerne auch auf der neuen Website zum Podcast vorbei:
https://podcast.pyucation.de
Dort findest du eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.
8 Minuten
Der häufigste Fehler bei der Kalkulation von KI-Projekten ist in Kosten pro Monat zu rechnen statt in Kosten pro Vorgang.
Ein Pilotbetrieb mit zwanzig Nutzern sagt euch nichts darüber, was das System kostet, wenn es tatsächlich im Einsatz ist. Bei KI steigen die laufenden Kosten nämlich mit der Nutzung.
In dieser Folge von „KI kurz und informativ" gehe ich die klassische TCO-Formel durch und zeige am Beispiel eines Schwimmbads, welche Posten sich bei KI-Systemen anders verhalten als bei jeder anderen Software.
Meine These ist: Die Kostenarten sind nicht neu, aber ihr bestimmt nicht mehr, wann sie anfallen.
Bspw. kennt ihr den Preis eines Vorgangs erst, nachdem er passiert ist. Ein Modell verschlechtert sich lautlos, ohne Fehlermeldung. Und den Termin für die nächste Migration setzt oft euer Anbieter (wie zuletzt bei der Abschaltung der OpenAI Assistants API).
Themen dieser Folge:
TCO-Formel und was sie bei KI-Systemen nicht abbildet
Kosten pro Vorgang statt Kosten pro Monat
Model Drift und Data Drift
Schau gerne auch auf der neuen Website zum Podcast vorbei:
https://podcast.pyucation.de
Dort findest du eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.
Link zum Google Paper:
D. Sculley et al., „Hidden Technical Debt in Machine Learning Systems"
https://proceedings.neurips.cc/paper/2015/file/86df7dcfd896fcaf2674f757a2463eba-Paper.pdf
Ein Pilotbetrieb mit zwanzig Nutzern sagt euch nichts darüber, was das System kostet, wenn es tatsächlich im Einsatz ist. Bei KI steigen die laufenden Kosten nämlich mit der Nutzung.
In dieser Folge von „KI kurz und informativ" gehe ich die klassische TCO-Formel durch und zeige am Beispiel eines Schwimmbads, welche Posten sich bei KI-Systemen anders verhalten als bei jeder anderen Software.
Meine These ist: Die Kostenarten sind nicht neu, aber ihr bestimmt nicht mehr, wann sie anfallen.
Bspw. kennt ihr den Preis eines Vorgangs erst, nachdem er passiert ist. Ein Modell verschlechtert sich lautlos, ohne Fehlermeldung. Und den Termin für die nächste Migration setzt oft euer Anbieter (wie zuletzt bei der Abschaltung der OpenAI Assistants API).
Themen dieser Folge:
TCO-Formel und was sie bei KI-Systemen nicht abbildet
Kosten pro Vorgang statt Kosten pro Monat
Model Drift und Data Drift
Schau gerne auch auf der neuen Website zum Podcast vorbei:
https://podcast.pyucation.de
Dort findest du eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.
Link zum Google Paper:
D. Sculley et al., „Hidden Technical Debt in Machine Learning Systems"
https://proceedings.neurips.cc/paper/2015/file/86df7dcfd896fcaf2674f757a2463eba-Paper.pdf
6 Minuten
Mixture of Experts (MoE) steckt inzwischen hinter fast jedem grossen Sprachmodell, weil diese Architektur Rechenkosten spart. Es erklärt ausserdem, warum bei modernen Modellen plötzlich zwei Parameterzahlen angegeben werden.
DeepSeek-V3 zum Beispiel hat 671 Milliarden Parameter, nutzt pro Token aber nur 37 Milliarden davon.
Wie diese Architektur funktioniert, was ein Router in einem Sprachmodell macht und wie die sogenannten Experten im Training entstehen, erkläre ich in dieser Folge.
Wir schauen uns auch, wie immer, Probleme dieser Architektur an, z.B. warum Modelle dadurch schneller, aber nicht kleiner werden.
Themen dieser Folge:
Router und Experten: Wie MoE die Rechenlast aufteilt
Gesamtparameter vs. aktive Parameter
Probleme wie Load Balancing
Schau gerne auch auf der neuen Website zum Podcast vorbei:
https://podcast.pyucation.de
Dort findest du eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.
DeepSeek-V3 zum Beispiel hat 671 Milliarden Parameter, nutzt pro Token aber nur 37 Milliarden davon.
Wie diese Architektur funktioniert, was ein Router in einem Sprachmodell macht und wie die sogenannten Experten im Training entstehen, erkläre ich in dieser Folge.
Wir schauen uns auch, wie immer, Probleme dieser Architektur an, z.B. warum Modelle dadurch schneller, aber nicht kleiner werden.
Themen dieser Folge:
Router und Experten: Wie MoE die Rechenlast aufteilt
Gesamtparameter vs. aktive Parameter
Probleme wie Load Balancing
Schau gerne auch auf der neuen Website zum Podcast vorbei:
https://podcast.pyucation.de
Dort findest du eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.
7 Minuten
Wie lernt ein Machine-Learning-Modell eigentlich? Hinter dem „Lernen" steckt keine Magie, sondern mathematische Optimierung. Und die funktioniert nach einem Prinzip, das ihr aus dem Alltag kennt.
Ich erkläre anhand anschaulicher Beispiele, was eine Kostenfunktion ist, was Parameter eines Modells sind und wie beides zusammen dafür sorgt, dass ein Modell besser wird.
Die Folge über Optimierungsalgorithmen wie Gradient Descent wird auf diese Folge aufbauen.
Themen dieser Folge:
• Was mathematische Optimierung ist und warum sie die Grundlage jedes ML-Modells bildet
• Kostenfunktion und Parameter
• Lineare Regression: Optimierung mit nur zwei Parametern
• Warum es Optimierungsalgorithmen wie Gradient Descent braucht
Schau gerne auch auf der neuen Website zum Podcast vorbei:
https://podcast.pyucation.de
Dort findest du eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.
Folge zu Neuronalen Netzen und wie sie lernen:
https://open.spotify.com/episode/1vu4mSvU9YpJs0mZdTwTbC?si=mKhjhhkySjO13raaPw8RiA
Ich erkläre anhand anschaulicher Beispiele, was eine Kostenfunktion ist, was Parameter eines Modells sind und wie beides zusammen dafür sorgt, dass ein Modell besser wird.
Die Folge über Optimierungsalgorithmen wie Gradient Descent wird auf diese Folge aufbauen.
Themen dieser Folge:
• Was mathematische Optimierung ist und warum sie die Grundlage jedes ML-Modells bildet
• Kostenfunktion und Parameter
• Lineare Regression: Optimierung mit nur zwei Parametern
• Warum es Optimierungsalgorithmen wie Gradient Descent braucht
Schau gerne auch auf der neuen Website zum Podcast vorbei:
https://podcast.pyucation.de
Dort findest du eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.
Folge zu Neuronalen Netzen und wie sie lernen:
https://open.spotify.com/episode/1vu4mSvU9YpJs0mZdTwTbC?si=mKhjhhkySjO13raaPw8RiA
8 Minuten
Heute gibt es wieder ein Quiz zu den letzten 15 Folgen. Dabei schauen wir uns diese Themen an:
Fine Tuning (im Vergleich zu RAG)
Reasoning-Modelle
Der AI Five Layer Cake
KI-Regulatorik und der EU AI Act
Kennzeichnungspflicht und Synth ID
Quantisierung und Speicherbedarf von LLMs
Bist du inzwischen ein Experte? Schreib gerne in die Kommentare, wie viele Fragen du richtig beantworten konntest!
Schau gerne auch auf der neuen Website zum Podcast vorbei:
https://podcast.pyucation.de
Dort findest du eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.
Fine Tuning (im Vergleich zu RAG)
Reasoning-Modelle
Der AI Five Layer Cake
KI-Regulatorik und der EU AI Act
Kennzeichnungspflicht und Synth ID
Quantisierung und Speicherbedarf von LLMs
Bist du inzwischen ein Experte? Schreib gerne in die Kommentare, wie viele Fragen du richtig beantworten konntest!
Schau gerne auch auf der neuen Website zum Podcast vorbei:
https://podcast.pyucation.de
Dort findest du eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.
6 Minuten
Seit dem 2. August 2026 gilt die EU-Kennzeichnungspflicht für KI-Inhalte (Artikel 50). Heute erkläre ich SynthID und wie das Wasserzeichen von Google DeepMind funktioniert.
In jedem gängigen Medium (Bilder, Videos, Texte, Audio) kann SynthID eingesetzt werden. Wir sprechen auch über den Unterschied zu Metdadaten, die Grenzen von SynthID und warum sich die seit 2023 existierende Technik bereits in Teilen umgehen lässt.
Auch Anthropic verwendet neu seit dem 11. August 2026 Wasserzeichen für seine von neueren Modellen erzeugten Inhalte.
Schau gerne auch auf der neuen Website zum Podcast vorbei:
https://podcast.pyucation.de
Dort findest du eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.
Weitere Folgen:
Regularien rund um KI: https://open.spotify.com/episode/0DgVxFfLxKzPlnEyOeLm15?si=s5QlQdPoQqSw3qsw8Dqf_A
EU AI Act: https://open.spotify.com/episode/2PMaslOzW7gGOax1h6RErv?si=xxaLUD5NRdKHSrNHGiYKhQ
Quellen:
https://deepmind.google/models/synthid/
https://deepmind.google/blog/watermarking-ai-generated-text-and-video-with-synthid/
https://help.openai.com/de-de/articles/8912793-provenance-signals-content-credentials-synthid-in-openai-generated-content
In jedem gängigen Medium (Bilder, Videos, Texte, Audio) kann SynthID eingesetzt werden. Wir sprechen auch über den Unterschied zu Metdadaten, die Grenzen von SynthID und warum sich die seit 2023 existierende Technik bereits in Teilen umgehen lässt.
Auch Anthropic verwendet neu seit dem 11. August 2026 Wasserzeichen für seine von neueren Modellen erzeugten Inhalte.
Schau gerne auch auf der neuen Website zum Podcast vorbei:
https://podcast.pyucation.de
Dort findest du eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.
Weitere Folgen:
Regularien rund um KI: https://open.spotify.com/episode/0DgVxFfLxKzPlnEyOeLm15?si=s5QlQdPoQqSw3qsw8Dqf_A
EU AI Act: https://open.spotify.com/episode/2PMaslOzW7gGOax1h6RErv?si=xxaLUD5NRdKHSrNHGiYKhQ
Quellen:
https://deepmind.google/models/synthid/
https://deepmind.google/blog/watermarking-ai-generated-text-and-video-with-synthid/
https://help.openai.com/de-de/articles/8912793-provenance-signals-content-credentials-synthid-in-openai-generated-content
49 Minuten
Mehr als die Steckdose der Republik: KI-Rechenzentren, grüner Strom und Gesundheitsdaten.
Kann ein kleines Bundesland zum Vorbild für digitale Souveränität werden? Interview mit Minister Dr. Wolfgang Blank.
Es geht um die entscheidende Frage: Wer behält im KI-Stack die Wertschöpfung?
Mecklenburg-Vorpommern hat vieles, was KI-Infrastruktur braucht: grünen Strom im Überfluss, mittlerweile die niedrigsten Netzentgelte Deutschlands, grosse Flächen und mit dem Seekabel C-Lion1 in Rostock eine leistungsstarke Datenanbindung nach Nordeuropa. Laut Bitkom-Studie 2025 punktet das Land vor allem bei Stromnetz und Fläche. Bei der installierten Rechenleistung ist es allerdings noch Schlusslicht.
Wir sprechen darüber, warum MV nicht nur Energie liefern, sondern auch digitale Dienstleistungen und ein wirtschaftliches Ökosystem ansiedeln will und damit im „Five Layer Cake" von der Energie- bis zur Anwendungsebene aufsteigen möchte.
Ausserdem schauen wir uns die SHIP-Studie mit ihren einzigartigen Gesundheitsdatensätzen an, sprechen über den Digital Health Hub bis zur Frage, wie sich damit Startups anlocken lassen. Und warum echte Innovation nicht nur Technologie bedeutet, sondern auch neue Prozesse und Arbeitsweisen.
Schau gerne auch auf der neuen Website zum Podcast vorbei:
https://podcast.pyucation.de
Dort findest du eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.
Kann ein kleines Bundesland zum Vorbild für digitale Souveränität werden? Interview mit Minister Dr. Wolfgang Blank.
Es geht um die entscheidende Frage: Wer behält im KI-Stack die Wertschöpfung?
Mecklenburg-Vorpommern hat vieles, was KI-Infrastruktur braucht: grünen Strom im Überfluss, mittlerweile die niedrigsten Netzentgelte Deutschlands, grosse Flächen und mit dem Seekabel C-Lion1 in Rostock eine leistungsstarke Datenanbindung nach Nordeuropa. Laut Bitkom-Studie 2025 punktet das Land vor allem bei Stromnetz und Fläche. Bei der installierten Rechenleistung ist es allerdings noch Schlusslicht.
Wir sprechen darüber, warum MV nicht nur Energie liefern, sondern auch digitale Dienstleistungen und ein wirtschaftliches Ökosystem ansiedeln will und damit im „Five Layer Cake" von der Energie- bis zur Anwendungsebene aufsteigen möchte.
Ausserdem schauen wir uns die SHIP-Studie mit ihren einzigartigen Gesundheitsdatensätzen an, sprechen über den Digital Health Hub bis zur Frage, wie sich damit Startups anlocken lassen. Und warum echte Innovation nicht nur Technologie bedeutet, sondern auch neue Prozesse und Arbeitsweisen.
Schau gerne auch auf der neuen Website zum Podcast vorbei:
https://podcast.pyucation.de
Dort findest du eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.
