LERNLUST #53 // Wenn die KI wüsste, was der Fachexperte weiß … Der tts knowledge safe

Intro: Lernlust, der Podcast für alles rund ums Thema Corporate Learning.

Intro: Wir sind Susanne Dube und Claudia Schütze und wir sind Learning Consultants bei der TTS.

Intro: Schön, dass du heute dabei bist.

Katharina: Was wir ja auch ganz, ganz oft erleben, ist dann, dass aus diesem Mangel der

Katharina: Zeit, der es uns dann hindert, so ein Expert-Debriefing durchzuführen,

Katharina: dass selbst wenn es dann zu Expert-Debriefings kommt,

Katharina: es häufig die Problematik besteht, dass nicht die richtigen Fragen gestellt werden.

Susanne: Was passiert denn nach dem Gespräch mit dem Wissen? Jetzt habt ihr ein System,

Susanne: idealerweise habt ihr es irgendwann geschafft, dass es in der richtigen Breite

Susanne: und Enge die Fragen so stellt, dass es ans Erfahrungswissen rankommt.

Susanne: Und was macht es dann mit dem Erfahrungswissen?

Max: Und das sind lauter schöne technische Probleme, die man dann damit angehen kann.

Susanne: Als Learning Consultant beschäftige ich mich in der Regel damit,

Susanne: Menschen beim Lernen zu helfen, mit

Susanne: Trainingskonzepten, Lernmaterialien, Lernbegleitung und all meiner Erfahrung.

Susanne: Doch rund um Kompetenzen und Wissen begleitet mich und viele Unternehmen seit

Susanne: langem eine ganz andere Frage.

Susanne: Wie kann ich Wissen und Kompetenzen im Unternehmen halten?

Susanne: Das Aufkommen künstlicher Intelligenz hat hier einige meiner Kollegen auf ganz neue Ideen gebracht.

Susanne: Welche das sind und wie wir uns hier mit den Partnern des Fraunhofer-Instituts

Susanne: ergänzen, dazu spreche ich heute mit Max Upravitelev und Katharina Vögll-Duschek.

Susanne: Katharina war schon oft unser Gast hier im Podcast.

Susanne: Zum heutigen Thema hat sie bereits im Studium die Frage nach Möglichkeiten zur

Susanne: Wissensexternalisierung gebracht.

Susanne: Aktuell verschreibt sie sich der Unterscheidung zwischen deklarativem und prozeduralem Wissen.

Susanne: Denn diese bringt uns ein Stück näher an das eigentliche Handlungswissen heran.

Susanne: Und das ist es ja, was Unternehmen halten wollen.

Susanne: Doch Forschung ist nicht der Kern der tts. Dieser ist Neugier.

Susanne: Kein Wunder also, dass sich unser Team Unterstützung geholt hat.

Susanne: Max arbeitet aktuell beim Fraunhofer Fokus.

Susanne: Dort ist sein Schwerpunkt die Anwendung von LLMs, also Large Language Models,

Susanne: innerhalb von Lerntechnologien.

Susanne: Eigentlich kommt er aus den Geisteswissenschaften und arbeitete im Kulturbereich.

Susanne: Doch dann hat ihn die Lust auf Informatik gepackt. Und die auf sein Spezialgebiet Machine Learning.

Susanne: Beide, Max und Katharina, berichten mir heute von ihrem KI-Projekt,

Susanne: dem Knowledge Safe. und ich werde das Gefühl nicht los, dass ich heute besonders viel lerne.

Susanne: Herzlich willkommen, lieber Max. Herzlich willkommen, liebe Katharina,

Susanne: bei mir auf dem Lernnust-Sofa. Ich freue mich total, euch zu sehen,

Susanne: denn ihr habt mir ja so ein total spannendes Thema mitgebracht.

Susanne: Geht es euch gut erstmal heute?

Katharina: Ja, bei mir ist alles bestens. Ich hoffe, bei dir auch, Max.

Max: Ganz hervorragend.

Susanne: Ganz hervorragend. Das ist ja, finde ich, wirklich hervorragend.

Susanne: Ist auch ein Freitagnachmittag, muss man dazu sagen. Wir haben schon alle eine Woche hinter uns.

Susanne: Nichtsdestotrotz haben wir uns, wie ich schon gesagt habe, ein schönes Thema

Susanne: rausgesucht. Das heißt Knowledge Safe.

Susanne: Jetzt kann Knowledge Safe ja so ein bisschen alles heißen und ich gebe schon

Susanne: mal einen kleinen Spoiler. Es hat so irgendwas mit KI zu tun und genau deswegen

Susanne: bin ich, Susanne, darauf neugierig geworden.

Susanne: Aber bevor ich jetzt irgendwie was Falsches sage und das auf eine Art und Weise

Susanne: beschreibe, die euch komplett gegenläufig ist, möchte ich gerne mal wissen,

Susanne: was ist der Knowledge Safe?

Susanne: Was heißt das eigentlich und wie seid ihr auf so eine Idee gekommen,

Susanne: einen Safe für Wissen zu bauen?

Katharina: Ja, dann starte ich vielleicht mal rein. Und Susanne, genau,

Katharina: du hast das jetzt eh schon eigentlich ganz schön angesprochen, ein Safe für Wissen.

Katharina: Eigentlich trifft es das sehr gut, weil Knowledge Safe heißt übersetzt genau das.

Katharina: Und tatsächlich war das auch wirklich die Grundidee damals, die entstanden ist

Katharina: innerhalb eines Art-Strategie-Workshops tts intern,

Katharina: wo wir einfach begonnen hatten, uns viel mit KI-Themen und dem Potenzial,

Katharina: das im KI stecken kann, um einfach jetzt klassische Kundenprobleme auch lösen zu können.

Katharina: Und so sind wir eigentlich auf diese Idee erstmal gekommen.

Katharina: Und das heißt nichts anderes, als dass wir damit es schaffen wollen,

Katharina: Wissen aus Unternehmen, aus Organisationen wirklich zu speichern,

Katharina: langfristig. Und langfristig dann auch wieder verfügbar zu machen.

Katharina: Das heißt, Safe im Sinne von klar abspeichern, aber tatsächlich auch erst recht

Katharina: wieder verfügbar machen.

Susanne: Okay, hat das dann was mit Wissensmanagement zu tun oder was meinst du damit?

Susanne: Wie macht ihr das verfügbar? Einfach von jedem Ex-Beliebigen?

Katharina: Genau, also Wissensmanagement, ja, trifft es tatsächlich ganz gut.

Katharina: Die Grundidee ist eben tatsächlich, dass es hier wirklich darum geht,

Katharina: Wissen aus erfahrenen Mitarbeitern sozusagen, also insbesondere dieses Erfahrungswissen

Katharina: greifbar zu machen, explizit zu machen und eben zu sichern für die Allgemeinheit.

Katharina: Also ganz konkret sind wir aus der Idee gekommen,

Katharina: dass man sagt, im Falle eines Off-Boardings, wenn wirklich ein langjähriger

Katharina: Mitarbeiter Unternehmen verlässt, steckt natürlich viel, viel Wissen in den

Katharina: Mitarbeitenden selbst und wir wissen alle, glaube ich, aus unterschiedlichen

Katharina: Erfahrungen, dass das Off-Boarding oft nicht so strukturiert läuft,

Katharina: wie man es gern hätte und da soll explizit der Knowledge Safe anknüpfen,

Katharina: heißt aber nicht, dass man das nur auf den Off-Boarding-Prozess fokussiert.

Susanne: Das heißt, ihr ziert eigentlich ganz klar auf das Thema Fachkräftemangel auch

Susanne: so ein bisschen hin, dass ihr sagt, die Fachkräfte, die vielleicht das Unternehmen

Susanne: verlassen, sollten ihr Wissen zumindest da lassen.

Susanne: So ein bisschen ist es das, habe ich das dann richtig verstanden.

Susanne: Aber eben nicht nur das, sondern immer dann, wenn jemand sich gut auskennt,

Susanne: dann wollen wir da das Wissen ausklauben.

Susanne: Da bin ich sehr, sehr neugierig, was das im Detail dann heißt.

Susanne: Aber jetzt mal ganz ehrlich, Thema Wissensmanagement. Als ich studiert habe,

Susanne: gab es das schon irgendwie 2001.

Susanne: Da gab es schon Kompetenzcenter, die sich damit auseinandergesetzt haben.

Susanne: Also diese Fragestellung, wie halte ich das Wissen vielleicht auch im Unternehmen,

Susanne: die gibt es ja schon lange.

Susanne: Also hatten da schon andere so eine ähnliche Idee wie ihr, so ein Knowledge Safe zu bauen?

Katharina: Ja, also definitiv gibt es einige Überlegungen in die Richtung,

Katharina: jetzt gerade auch mit dem Aufkommen von KI.

Katharina: Ich glaube, da können wir dann später, wenn wir das so ein bisschen sortiert

Katharina: haben, auch nochmal im Detail darauf eingehen, was wir so beobachten,

Katharina: auch was es für Gemeinsamkeiten und Unterschiede gibt.

Katharina: Aber an sich gibt es natürlich eine Reihe an Problematiken, die halt in der

Katharina: Vergangenheit einfach auch schwer lösbar waren, weshalb jetzt einfach durch

Katharina: KI hier neue Möglichkeiten bestehen, wie zum Beispiel Zeitmangel und so weiter.

Susanne: Okay. Das heißt, jetzt hat es nochmal so einen Boost gegeben und jetzt werden alle aktiv.

Susanne: Und dann passiert es plötzlich, dass die tts mit dem Fraunhofer-Institut zusammenarbeitet.

Susanne: Max, vielleicht auch so ein bisschen die Frage an dich. Wie kommt es eigentlich,

Susanne: dass das Fraunhofer-Institut mit der tts an diesem Thema zusammenarbeitet?

Max: Also ganz konkret arbeite ich beim Frauenhoferfokus-Institut hier in Berlin

Max: und wir haben bei uns eine Abteilung, die sich mit verschiedenen Medienapplikationen

Max: beschäftigt und innerhalb von dieser Abteilung gibt es eine Arbeitsgruppe, von der ich ein Teil bin,

Max: die sich wiederum mit Lerntechnologien beschäftigt.

Max: Und darüber kam der eigentliche Kontakt dann mit tts zustande.

Max: Und dort ist mein konkreter Bereich wiederum alles Mögliche,

Max: was verschiedene KI, also ich nenne es mal der Freiheit halber,

Max: KI-Modelle und Algorithmen angeht.

Max: Und vor allem beschäftige ich mich dort gerade viel mit Sprachmodellen,

Max: also mit der Large-Language-Models.

Max: Das heißt, es hat einfach total gut gepasst und für mich persönlich klang das

Max: einfach nach einem extrem spannenden Forschungsvorhaben. Also herauszufinden,

Max: wie man das eigentlich konkret dann implementiert mit dem, was da so vorgemacht wurde.

Susanne: So, und jetzt mal Butter bei die Fische. Also wir haben so ein bisschen gehört,

Susanne: okay, es geht darum, dass wir das Wissen von den Menschen festhalten wollen.

Susanne: Es geht vielleicht ein bisschen um Wissensmanagement, ein bisschen um Fachkräftemangel.

Susanne: Du sprichst jetzt von Large Language Models und verschiedenen Begriffen,

Susanne: die die Menschen draußen vielleicht noch gar nicht verstehen,

Susanne: weil das klingt alles sehr technisch, was ihr macht. Das hat also auch irgendwie mit KI zu tun.

Susanne: Jetzt erklärt mal genau, was macht der Knowledge Safe? Wie ist das umgesetzt?

Susanne: Was muss ich mir da vorstellen? Beschreibt es mal ein bisschen genauer.

Katharina: Ja, ich starte gerne mal rein. Also vielleicht starte ich erst mal mit dem Punkt,

Katharina: der für uns alle einfach irgendwie mein logischer Anker war,

Katharina: nämlich dieses, welche Probleme lösen wir eigentlich oder worauf soll das abzielen?

Katharina: Also wir haben ja schon vorher eingangs ein bisschen drüber gesprochen,

Katharina: dass dieser klassische Zeitmangel eben oft ein Problem ist beim Offboarding.

Katharina: Also das ist halt so der eine Ankerpunkt, wo wir anknüpfen, dass wir eben sagen,

Katharina: wir wollen das Offboarding dadurch strukturiert gestalten, in dem wir eben strukturierte

Katharina: Interviews letztendlich führen mit Experten und so das Expert-Debriefing einfach

Katharina: als strukturierter durchführen.

Susanne: Okay, da reicht ja erstmal ein Leitfaden, aber das hat euch nicht gereicht. Genau.

Katharina: Was wir ja auch ganz, ganz oft erleben, ist dann, dass aus diesem Mangel der

Katharina: Zeit, der es uns daran hindert, so ein Expert-Debriefing durchzuführen,

Katharina: dass selbst wenn es dann zu Expert-Debriefings kommt.

Katharina: ...häufig, die Problematik besteht, dass nicht die richtigen Fragen gestellt werden sozusagen,

Katharina: also dass man nicht konkret auf das prozedurale Wissen dann aus ist,

Katharina: sondern oft halt sehr oberflächlich bleibt und rein quasi die losen Wissensbausteine erfragen will,

Katharina: die dann auch nicht abgestimmt sind unbedingt auf die Position,

Katharina: die derjenige hatte und eben schon gar nicht auf das tieferliegende prozedurale

Katharina: Wissen bzw. das Erfahrungswissen kommt.

Katharina: Und selbst wenn man das geschafft hat in kleineren oder größeren Ausmaßen,

Katharina: dann war die nächste Hürde immer, dieses Wissen auch verfügbar zu machen,

Katharina: sodass halt die restliche Organisation damit irgendwie arbeiten konnte und was anfangen konnte.

Katharina: Und das lag natürlich dann viel in fertigen Interviewleitfäden vielleicht herum

Katharina: oder in Transkriptionen und wurde dann einfach, war halt klassisches träges

Katharina: Wissen, was man irgendwie nicht wirklich verwenden konnte.

Katharina: Und aus all diesen Bestandteilen heraus entstand wirklich die sehr,

Katharina: sehr einfache Idee, sage ich mal, wenn man es jetzt so rein aus der Meta-Ebene betrachtet,

Katharina: zu sagen, wir wollen mit strukturierten Interviews es schaffen,

Katharina: Experten quasi mehrfach zu interviewen und da eben das Wissen gezielt zu erfragen.

Katharina: Und dieser Interviewprozess soll aber vollständig KI-gesteuert sein sozusagen

Katharina: und durch die KI insofern gesteuert sein,

Katharina: dass sie eben auch immer die richtigen Folgefragen und Anschlussfragen findet

Katharina: und diese eben stellen kann.

Susanne: Und das finde ich jetzt total spannend. Also nur um es nochmal zusammenzufassen.

Susanne: Also ihr wollt direkt an das Erfahrungswissen von einer Person ran mit schlauen

Susanne: Interviewfragen, die eine KI stellt und zwar so, dass sie auch immer angepasst

Susanne: sind und nicht nur ein einfacher Leitfaden sind und das, was dann an Antworten kommt,

Susanne: das wollt ihr danach auch noch verfügbar machen für den Rest der Welt.

Katharina: Richtig. Das ist das ganze Grundprinzip.

Max: Also genau diesen Punkt finde ich auch technisch eben so unglaublich spannend

Max: an diesem Projekt, weil es,

Max: genau das trifft, was gerade auch so schwierig ist, umzusetzen.

Max: Weil das Language Models, beziehungsweise das, was gerade im Allgemeinen der

Max: KI meistens so verstanden wird, sind ja eigentlich darauf trainiert,

Max: Antworten zu geben, nicht Fragen.

Max: Und das ist ja genau umgekehrt. Also es geht darum, Fragen zu stellen.

Max: Und zwar nicht irgendwelche Fragen, sondern es müssen auch noch gute Fragen sein.

Max: Und zwar gut auch im Sinne von mehreren möglichen Metriken. Also das müssen

Max: Fragen sein, die sich gut anfühlen.

Max: Also das heißt, wo eine Person auch schon das Gefühl hat, dass mit ihr gesprochen wird.

Max: Also das heißt, es muss irgendeine Art von Rückkopplung mit dem bis jetzt Gesagten

Max: geben, sodass es eben nicht sozusagen ein Runterratern ist von vorgegebenen

Max: Fragen, sondern dass es wirklich ein Gespräch ist.

Max: Und das muss einfach mit dem Job zu tun haben. Also ganz banal so runtergebrochen.

Max: Also es braucht eben ganz viel Kontextwissen, was da mit reinkommen muss.

Max: Und das sind lauter schöne technische Probleme, die man dann damit angehen kann.

Susanne: Das klingt so schön, wenn du das sagst. Das sind schöne technische Probleme.

Susanne: Tatsächlich, vielleicht könntest du nochmal diese Knackpunkte nochmal genauer herausarbeiten.

Susanne: Also das ist ja ein ziemlich breites Ding, was ihr da genannt habt.

Susanne: Also am Anfang braucht ihr die Grundlagen. Du hast gesagt, da muss Kontextwissen

Susanne: irgendwie da sein, das System muss das wissen.

Susanne: Wie macht ihr das? Also gibt es da schon eine Idee?

Max: Also das, was wir angehen wollen vor allem, ist, dass die Herausforderung,

Max: dass Large-Language-Modelsextrem

Max: viel können. Die können Sachen generieren, das ist schon mal extrem cool,

Max: also die möglichen Sachen, die vorher so nicht denkbar gewesen wären,

Max: aber die können nicht planen.

Max: Und sowas wie ein Interviewplan, das ist eben eine alles andere als triviale

Max: Aufgabe, also jetzt aus Informatikperspektive, weil es einfach so unglaublich

Max: viele Möglichkeiten gibt, also um wirklich eine gute Frage zu formulieren.

Max: Und ein erster Ansatz, den wir zum Beispiel verfolgen, ist, dass wir gerade

Max: was dieses Kontextwissen angeht, mit Dokumenten arbeiten.

Max: Und das ist dann zum Beispiel möglich in einer Situation,... also ich stelle mir

Max: meistens ein bisschen andere Situationen vor, ich stelle mir meistens einfach

Max: sowas vor wie, wir haben gerade ein Projekt abgeschlossen und werten das gerade aus.

Max: Also, dass das sozusagen auch ein Tool sein kann, das jetzt nicht auf Personalfluktuation

Max: reagiert, sondern einfach auf sowas wie Auswertung der Ergebnisse.

Max: Und da wird ja in der Regel viel produziert. Also, es gibt Berichte,

Max: es gibt vielleicht wichtige E-Mails

Max: und sowas, es gibt Protokolle von Auswertungsgesprächen, wie auch immer.

Max: Und all das kann man mit verschiedensten Techniken in so ein System reinfüttern.

Max: Und das dann wieder mal als Kontext setzen, Womit ich dann schon mal einen sehr,

Max: sehr speziellen Kontext habe von einem Gespräch.

Max: Also bevor das eigentliche Gespräch überhaupt angefangen hat.

Susanne: Genau, so dann habe ich den Kontext. Aber jetzt habt ihr ja auch gesagt,

Susanne: ihr wollt dann das Erfahrungswissen von den Personen ran.

Susanne: Also euch interessieren ja eben nicht nur die Dokumente, sondern quasi das,

Susanne: was eine Person vielleicht auch damit macht.

Susanne: Also vielleicht ein Beispiel, wenn ich Trainings erstelle und sowas,

Susanne: dann habe ich Abläufe, dann habe ich vielleicht Bedarfsanalysen und alle möglichen

Susanne: Sachen und ihr wollt aber an das ran,

Susanne: was ich in mir drin habe, die Art, wie ich da vielleicht an die Bedarfsanalyse

Susanne: rangehe, wie ich vielleicht da frage, welche Notizen ich mir daraus ziehe,

Susanne: wie ich die Antworten, vielleicht generell Gewichte, die ich in meinem Job mache,

Susanne: an dieses Wissen wollt ihr ja ran. Wie macht ihr das dann?

Susanne: Das ist ja dann der schwierige Teil, das Fragen stellen, oder?

Max: Absolut. Also das ist dann der Part, der dann wirklich am allermeisten Spaß

Max: macht, weil es geht ganz genau darum.

Max: Also das ist im Prinzip die allergrößte Herausforderung. Also dass selbst wir

Max: bereits einiges an Kontextwissen mitbringen, was Leute ja selbst erstellt haben.

Max: Wir das als Anfang nutzen, um letzten Endes Fragen zu formulieren,

Max: mit denen sie selbst über Sachen nachdenken, über die sie vielleicht noch nicht nachgedacht haben.

Max: Also das ist dann ja der eigentliche Mehrwert. Also dass es ein Tool ist,

Max: das Menschen dabei hilft, auf neue Ideen zu kommen.

Max: Und das ist genau und da wird es interdisziplinär, weil das ist in Philosophie

Max: seit Jahrtausenden eben ein großes Thema.

Max: Also wie kann ich wissen, was ich nicht weiß?

Susanne: Ja, genau.

Max: Also genau das ist im Prinzip der große Sattelpunkt von dem ganzen Teil.

Susanne: Okay, gut. Und dürft ihr schon verraten, so ein bisschen, wie ihr das macht,

Susanne: also wie das gelöst wird?

Susanne: Oder ist das ein großes Geheimnis und wir dürfen gar nicht darüber reden und

Susanne: ihr sagt, ja, das haben wir aber gelöst und das geht und wir stellen jetzt immer

Susanne: die richtigen Fragen? Oder was dürft ihr mir davon erzählen?

Max: Also wir haben da, glaube ich, zwei Perspektiven. Und das ist wiederum auch

Max: eine andere spannende Sache, nämlich dass man das wirklich, also das muss man

Max: interdisziplinär machen.

Max: Also aus meiner technischen Perspektive ist meine aktuelle Herangehensweise,

Max: einfach dafür zu sorgen, dass das Gespräch möglichst viel Varianz hat.

Max: Das kann man mittlerweile messen, ebenfalls coolerweise, dadurch,

Max: dass man, also ich nenne es nur kurz,

Max: aber man kann Embeddings von dem Gesagten erstellen und da kann man wirklich

Max: dann Messungen von der Bedeutung anstellen und kann dann auf sowas achten,

Max: wie dass das Gespräch möglichst breit gestreut ist oder vielleicht an einer

Max: Stelle vertieft wird und sowas.

Max: Und dann dementsprechend das auch die nächsten Fragen auch so formulieren.

Max: Allerdings ist das eben nur ein Teil davon.

Max: Vielleicht auch viel wichtiger sind eigentlich die Fragen, die zum Beispiel

Max: als Beispielfragen dazu gepackt werden.

Max: Gute Einstiegsfragen und nochmal natürlich ein vollkommen anderes Wissen,

Max: was nicht aus der Informatik kommt, dann nochmal eine sehr, sehr große Rolle spielt.

Susanne: Du hast jetzt gerade Beispielfragen erwähnt. Das heißt, ihr gebt auch so Beispielfragen

Susanne: rein und an denen orientiert sich dann das System oder wie hast du das jetzt gerade gemeint?

Katharina: Ja, also in der Regel haben wir das jetzt genauso gemacht in den ersten Durchgängen,

Katharina: dass wir wirklich einfach Fragen ausgesucht haben, die relativ breit,

Katharina: also wie der Max schon sagte, das geht ja stark auch uns darum,

Katharina: einerseits in die Breite zu schauen und dann andererseits aber auch in die Tiefe,

Katharina: an der Stelle, wo es dann passend ist für die Tiefe, auch dorthin zu kommen.

Katharina: Und so hingehend war unser Ansatz der, dass wir gesagt haben,

Katharina: wir starten breit mit Fragen rein und handeln uns dann weiter nach unten und

Katharina: haben eben so einen Pool an Fragen identifiziert, die uns einfach mal helfen,

Katharina: und so die Erstsondierung zu schaffen.

Katharina: Natürlich immer mit dem Hintergedanken, dass wir ja die Datenanalyse im Vorfeld

Katharina: haben und ja auch schon sehr viel Hintergrundwissen von den Personen per se

Katharina: haben, durch die Jobdescription und auch durch vielleicht Vorinterviews,

Katharina: die man dann führt mit den Testpersonen.

Katharina: Und damit muss die Frage natürlich auch oder darf die Frage auch nicht zu breit

Katharina: sein, weil natürlich die Personen ja auch jetzt nicht hundertmal in ein Interview

Katharina: wollen und sich ja durchaus an der Stelle abgeholt fühlen wollen, wo sie ja sind.

Susanne: Ja, ich meine, ein Ziel war ja tatsächlich, das habt ihr, glaube ich,

Susanne: am Anfang so ein bisschen gesagt, es ist ja immer sehr, sehr aufwendig,

Susanne: solche Interviews zu führen und das Ganze zu machen. Und eigentlich ist ja ein

Susanne: Ziel, das dann auch so ein bisschen...

Susanne: Ich sage nicht schlank gestalten, weil das wäre ja falsch, weil ihr mir erzählt

Susanne: von Varianzen und die Fragen sollen breit sein.

Susanne: Aber schon effizient zu gestalten, auch die Fragestellung so ein bisschen richtig.

Katharina: Im Prinzip ja noch in einem engen Korsett sozusagen zu bleiben, wo wir breit genug sind.

Katharina: Aber wie der Max das vorher auch schon so schön gesagt hat, dieses Thema Wissen,

Katharina: was man weiß, dass wir einfach an der richtigen Stelle eben antriggern und da

Katharina: eben zu dem Erfahrungswissen gelangen können.

Katharina: Und einfach die Personen dann so lange auch dahin stupsen, bis wir einfach wirklich

Katharina: am Kern der Sache angekommen sind.

Susanne: Okay. Gibt es da irgendwelche Besonderheiten, wo KI da gerade besonders gut

Susanne: ist und da vielleicht eine Lösung geschaffen hat zu ansetzen früher?

Susanne: Ich meine, früher hätte ich da einen Interviewer hingesetzt und der hätte mit

Susanne: viel Hirnschmalz das gemacht, was ich mich gerade frage, kann KI das vielleicht

Susanne: besser, weil sie bestimmte Prozesse besser kann? Weiß ich gar nicht.

Susanne: Habt ihr da eine Einschätzung?

Max: Also da müssen wir, also das ist gerade im Prinzip das Setting, wo wir gerade sind.

Susanne: Ah, okay.

Max: Also das müssen wir rausfinden und evaluieren und dann auch dadurch neue Ansätze

Max: dann auch nochmal neu entwickeln und erproben.

Max: Aber das ist im Prinzip genau der Punkt, an dem wir gerade stehen.

Max: Also da haben wir auch schon die ersten Ergebnisse und die sind auch sehr vielversprechend.

Max: Aber der große Unterschied zu einem Menschen ist eben genau der.

Max: Es braucht halt einen Menschen.

Max: Und mit einem System, das wir um einen Sprachmodell herumgebaut haben,

Max: soll es komplett automatisiert gehen.

Susanne: Okay. Das heißt, also da seid ihr noch an einem Knackpunkt, wo ihr gerade noch

Susanne: forscht, so ein bisschen, wie das am besten funktionieren kann.

Susanne: Aber ihr seid schon der Hoffnung, dass ihr das hinkriegt? Oder sagt ihr,

Susanne: ah nee, da halten wir uns jetzt die nächsten zehn Jahre dran auf und irgendwann,

Susanne: wenn dann die nächste Stufe der KI-Entwicklung kommt, dann lösen wir das irgendwann?

Susanne: Oder wie muss ich mir das vorstellen? Ich bin immer so ein Ketzer,

Susanne: ich frage immer so böse, das tut mir ja leid.

Max: Also gut, ich würde unglaublich gerne die nächsten zehn Jahre. Da ist so viel drin.

Max: Also da ist wirklich inhaltlich extrem viel drin, weil das einfach so viel aufgreift.

Max: Also allein das Thema Interviewplanung ist einfach riesig.

Max: Und da gibt es bisher auch noch nicht so richtig viele Ansätze dazu.

Max: Also viele Ansätze in der Forschung haben eher mit regelbasierten Systemen gearbeitet,

Max: wo man dann wiederum genau das nicht hat, von das auch eine Frage auf das bisher Gesagte reguliert.

Max: Also da stehe ich noch relativ am Anfang. Es ist ein extrem großes Feld.

Max: Man kann sehr, sehr viel rausholen, aber wir haben ja nicht unendliche Ressourcen

Max: und einen sehr spezifischen Use Case. ist.

Max: Deshalb würde ich sagen, also es ist auf jeden Fall in sehr greifbarer Nähe,

Max: beziehungsweise auch das, was wir schon bereits haben, damit kann man schon

Max: arbeiten und wir sind jetzt eigentlich,

Max: schon in dem Stadium, wie man vor allem optimiert und wie das Ganze nochmal

Max: aussieht außerhalb vom Labor sozusagen, also wie es dann nochmal aussieht,

Max: wenn wirklich dann Menschen davor

Max: sitzen und sie das dann alles finden und dann kann man dann klassisch,

Max: zum Beispiel Fokusgruppen starten und dann einfach schauen, wie es angenommen

Max: wird und wie es verbessert werden könnte.

Susanne: Ich muss ja zugeben, ich habe mal so ein Mockup gesehen. Es gibt ja immer auch

Susanne: diese Design-Technik und ich habe mich mal mit einem Grafiker darüber unterhalten,

Susanne: wie das aufgebaut sein könnte und das fand ich schon total spannend,

Susanne: wie dann so die Fragen kommen und was ich vielleicht so als User alles machen kann und dort reingehen

Susanne: kann. Du hast gerade gesagt, ja und dann kommt das Testing.

Susanne: Ist das was, was ihr jetzt schon gerade plant oder war das eher so ein Zukunftsblick

Susanne: von dir? Nur, dass ich es verstehe.

Susanne: Also du sagst ja, ja, eigentlich können wir das schon ganz gut.

Katharina: Genau also an sich ist es ja so, dass wir bislang ja schon verschiedene kleinere Piloten

Katharina: halt gefahren haben und das immer wieder schon getestet haben,

Katharina: auch in verschiedenen Stadien.

Katharina: So wie der Max eh schön geschildert hat, war das ja auch ein Prozess,

Katharina: der entwickelt werden musste, gerade eben in der Frage Automatisierung und eben

Katharina: im Zusammenhang mit der semantischen Varianzmessung.

Katharina: Und da sind wir einfach jetzt aktuell genau in dem Status, wie es ja oft dann

Katharina: ist beim Produktaufbau, dass wir eben sagen, je verschiedener die Branchen auch

Katharina: sind und je diverser unsere Zielgruppe, desto besser und desto mehr verschiedene

Katharina: Dinge können wir ausprobieren.

Katharina: Und ja, deshalb sind wir da auch einfach mit verschiedenen Unternehmen,

Katharina: gerade in Abstimmungen und in Planungen der nächsten Piloten.

Susanne: Spannend. Das heißt, ihr seid schon kontinuierlich am Testen und Ausprobieren,

Susanne: Feedback einholen und das ist alles. Du hast gerade ein Wort gesagt.

Susanne: Tut mir leid, Max, wenn ich das jetzt nicht einsortieren konnte in das,

Susanne: was du vorher gesagt hast. Semantische Varianzmessung.

Susanne: War das richtig? Was ist das?

Max: Das kann ich vielleicht nochmal kurz einordnen. Das ist im Prinzip die Herangehensweise,

Max: die wir gefunden haben, um zu messen, wie thematisch breit ein Gespräch verläuft.

Max: Also das ist sozusagen das, was wir gerade aus technischer Sicht ein Gespräch

Max: permanent auswerten und womit wir vor allem,

Max: vor allem schauen können, wie verschiedene Algorithmen, die wir entwickeln,

Max: wie Fragen generiert werden können, wie die sich unterschiedlich verhalten.

Max: Weil das war letzten Endes für uns in der Entwicklung das spannende Thema,

Max: wie man eigentlich das, was da passieren soll, wie man damit überhaupt programmiert.

Max: Weil normalerweise braucht man bei allen möglichen Systemen,

Max: die mit LLM-Modellen gebaut werden, braucht man Menschen.

Max: Und das ist das große, große Problem gerade daran, an so ziemlich allen möglichen

Max: Technologien, die mit generativer KI arbeiten.

Max: Am Ende braucht man Menschen, die drauf gucken und einfach sagen,

Max: mag das gerade noch Sinn oder nicht.

Susanne: Weil sie sich sonst verlaufen und halluzinieren und sonst irgendwas machen.

Max: Zum Beispiel. Oder es einfach keine guten Fragen sind oder wie auch immer.

Max: Und deswegen, da wir ja gerade Algorithmen suchen, die das mal wieder auswerten

Max: und ein Gespräch möglichst breit machen, breit aufstellen könnten,

Max: aus diesem Grund haben wir bei der Entwicklung mit sogenannten LLM-Personas gearbeitet.

Max: Das heißt, wir haben im Prinzip zwei Instanzen gehabt, die jeweils verschiedene

Max: Personen dargestellt haben, die von tts kamen, die sehr konkret,

Max: also die quasi eigene Lebensläufe hatten, eigene Verhaltensweisen,

Max: wie sie geredet haben, wie sie aufgedreht sind, wie sie argumentiert haben und so weiter.

Max: Und genau verschiedene Berufsfelder, also sozusagen ein gesamtes eigenes Steckbild hatten.

Max: Und aus dieser Perspektive dann auch immer wieder geantwortet haben.

Max: Das hat mir der Entwicklungsprozess bestanden, letztendlich daraus,

Max: dass wir mit diesen Personas immer wieder Gespräche durchgeführt haben und

Max: sie dann ausgewertet haben, wie es verlief.

Max: Und diese Auswertung wiederum, wie sie verlief, ist das, wo diese semantische Varianz dann herkam.

Max: Also man kann, es gibt es in der Literatur, hatte ich ein paar Mal den Begriff

Max: semantische Kohärenz gelesen.

Max: Der ist sehr wichtig bei sowas wie zum

Max: Beispiel bei der Automatisierung der Generierung von gesamten Textwerken, so was wie ein Drehbuch.

Max: Weil es da auch einfach passiert, dass ein Modell irgendwie wegläuft,

Max: irgendwie inhaltlich, und dann genau das irgendwie alles nicht mehr so richtig funktioniert.

Max: Und die semantische Varianz ist im Prinzip das Gegenstück dazu.

Max: Also, weil wir wollen ja im Prinzip, wir wollen ja, dass es in die Breite geht, genau.

Susanne: Okay.

Max: Aber halt auch nicht so sehr. Also, wir wollen auch nicht, dass jetzt auf einmal

Max: eben ein LLM-Persona aus der Wirtschaftsprüfung auf einmal zur Quantenphysik befragt wird.

Max: Das wollen wir dann auch nicht. Aber dadurch können wir das schon eben messen.

Max: Also wie weit es weggeht, dass es weggeht.

Max: Und das war mir sozusagen jetzt ein erster Aufschlag.

Susanne: Also so ein bisschen wie in einem Podcast, wenn man so einen roten Faden hat

Susanne: und dann dreht man doch mal nach links und rechts weg.

Susanne: Und das will man ja auch, um die Breite rauszukriegen von den Leuten,

Susanne: so ein bisschen das rauszukitzeln alles.

Susanne: Aber zu weit darf es auch nicht, dann läuft einem nämlich die Zeit davon so ein bisschen.

Susanne: Und quasi bei mir ist es jetzt der Blick vielleicht auf den roten Faden,

Susanne: den ich mir mit meinen Fragen gesetzt habe.

Susanne: Und bei der KI wäre es dann die KI selbst, die das ein bisschen mit dann steuern

Susanne: muss, wenn das auseinanderläuft, weil es lesbar ist. Richtig?

Susanne: Falsch gedeutet? Zu weit weggegangen? Fantasie.

Max: Ich finde den Vergleich auch total gut. Weil der Vergleich auch nochmal zeigt,

Max: wie schwierig das Problem ist.

Max: Immer wenn ich von Problem rede, meine ich im Informatik-Sinne,

Max: dass es im Prinzip jede Aufgabenstellung ist ein Problem, dass manches,

Max: ich weiß jetzt nicht, dass man es Herausforderungen besetzen kann,

Max: sondern ich meine im Sinne von, genau, es gibt ein Problem, es gibt eine Lösung oder Lösungsansätze.

Max: Jetzt bin ich vom roten Faden angekommen.

Max: Aber deswegen, also es ist,

Max: hochgradig herausfordernd, wirklich diesen roten Faden beizubehalten und dem zu folgen.

Max: Also das ist für Menschen schwierig und Algorithmen, die man wenn man um diese

Max: Modelle herum schreibt, ist es dann natürlich noch mal viel schwieriger.

Susanne: Genau. Und genau daran seid ihr aber auch dran, genau das zu knacken quasi.

Max: Also nur noch eine Sache Richtung Ausblick. Also eine technische Herausforderung,

Max: die es gerade gibt, ist, dass es zum Beispiel aktuell noch relativ lange dauert,

Max: bis Antworten generiert werden.

Max: Und zwar bei allen Modellen. Also man braucht nicht nur viel Hardware-Ressourcen,

Max: sondern es braucht einfach bis, man kennt es ja von Chat-GPT und sowas,

Max: dass man gibt eine Frage ein und die kommt nicht sofort. Das wäre aber schön,

Max: wenn wir ein System hätten, das,

Max: das fast instant Antworten produzieren kann, könnten wir auch Gespräche vorsimulieren.

Max: Und dann könnte man schöne Faltdiagramme machen und so was und verschiedene

Max: Verläufe und die dann wiederum auswerten, welcher dann besser ist und so was.

Max: Also das wird wahrscheinlich dann, also das wird demnächst bestimmt irgendwann

Max: kommen, dass man das nochmal einiges höher gestalten kann und dann kann man

Max: auch algorithmisch nochmal ein bisschen mehr austesten.

Susanne: Also ein bisschen hoffen wir schon auf die Entwicklung der KI,

Susanne: wo ja viele Sachen immer leistungsfähiger werden und einfacher sind.

Susanne: Sachen, die vor einem Jahr ja total schwer noch waren, Die sind ja heutzutage

Susanne: total einfach und das fördert auch euch in eurem Projekt. Spannend, spannend, spannend.

Susanne: Bevor ich aber euch weiter da bei dieser Fragerei in die Tiefe quäle,

Susanne: obwohl ich glaube, man kann sich da wahrscheinlich stunden- und tagelang drüber

Susanne: unterhalten und auch forschen, das klingt alles super spannend.

Susanne: Ihr habt ja noch einen zweiten Teil gesagt, ihr wollt ja das Wissen danach irgendwie noch bereitstellen.

Susanne: Was passiert denn nach dem Gespräch mit dem Wissen? Jetzt habt ihr ein System,

Susanne: idealerweise habt ihr es irgendwann geschafft, dass es in der richtigen Breite

Susanne: und Enge die Fragen so stellt, dass es ans Erfahrungswissen rankommt.

Susanne: Und was macht es dann mit dem Erfahrungswissen?

Katharina: Genau, das ist sozusagen, wie du eh sagst, Susanne, eigentlich der zweite Teil,

Katharina: der darauf hinfolgt und der aktuell eigentlich sehr, sehr offen gehalten ist.

Katharina: Also man kann sich vorstellen, glaube ich, wenn man jetzt wirklich davon ausgeht,

Katharina: dass man dieses Wissen gut sichern kann, dass natürlich dann es ein super leichtes

Katharina: ist, damit zu machen, was auch immer man sozusagen braucht.

Katharina: Also sei es jetzt zum Beispiel für die Nutzung wirklich ganz im klassischen

Katharina: Sinne für vielleicht Trainingsmaterialien, aber auch zum Beispiel kleinere Formate.

Katharina: Das haben wir jetzt in unseren ersten Piloten schon stark getestet,

Katharina: dass man zum Beispiel sagt, man macht einfach kleine How-To-Videos dazu.

Katharina: Also um da mal vielleicht ein konkretes Beispiel zu geben,

Katharina: der Max hat es ja vorher schon erwähnt, wir haben uns zum Beispiel eine Persona

Katharina: aus Wirtschaftsprüfung, Steuerberatung angeschaut,

Katharina: wir haben eine Persona aus der Pharmazie, also quasi Pharmareferentin geschaut,

Katharina: weil wir dachten, das sind einfach zwei sehr spannende Bereiche,

Katharina: die sich halt laufend auch up-to-date halten müssen und haben die auch malgefragt

Katharina: sozusagen, wie habt ihr euch im Laufe eures beruflichen Lebens wirklich

Katharina: up to date gehalten, wie seid ihr da fachlich am Ball geblieben.

Katharina: Dann einfach fünf bis sechs wesentliche Punkte rausbekommen und haben das dann

Katharina: wiederum durch andere KI-Tools schon mal verwendet, um dann kleine Lehrvideos

Katharina: draus zu machen, also wirklich so zwei, drei-minütige Videos,

Katharina: wo dann diese Person auch auftritt und wo die dann einfach den Kollegen quasi

Katharina: mitgibt, was sie so für Tipps halt auf Lager hatte.

Susanne: Und da wart aber schon ihr als Menschen nochmal aktiv.

Susanne: Das heißt, ihr habt das dann angeschaut, auseinanderklamüsert und dann die Kernpunkte

Susanne: da rausgezogen. Oder hat das die KI schon gemacht?

Katharina: Also wir haben einerseits das schon KI-basiert auch machen lassen,

Katharina: also quasi auch wieder so den roten Faden und das Skript, einfach mal so eine Basis geschaffen.

Katharina: Und dann aber natürlich sind wir schon nochmal drüber gegangen,

Katharina: wie es jetzt, glaube ich, einfach auch überall noch nötig ist,

Katharina: dass da die menschliche Hand mit im Spiel ist.

Susanne: Vielleicht wollen wir die ja auch immer gar nicht weghaben. Ich habe ja immer

Susanne: ein bisschen Angst um meinen Berufsstand.

Susanne: Aber Max, wenn du jetzt so ganz, ganz technisch da drauf guckst,

Susanne: ich glaube, dir ist mein Berufsstand vielleicht da ein bisschen egal und du

Susanne: guckst, was kann die Technik da vielleicht noch so rausholen?

Susanne: Denkst du, die KI kann da noch was rausholen und könnte dann in Zukunft von alleine,

Susanne: dann quasi da ist jetzt dieses Erfahrungswissen, das haben wir und dann macht

Susanne: sie daraus dann automatisch irgendwelche Lernvideos mit einem KI-Avatar oder irgendwie sowas?

Susanne: Denkst du, das geht? Oder ist das Spinnerei von mir?

Max: Nee, ich glaube schon, das ist das, was kommt.

Max: Die Frage ist, wie man das dann steuert.

Max: Weil das allgemein bei generativer KI, vor allem jetzt im Ist-Zustand ist,

Max: die große Herausforderung, glaube ich, dass die Ergebnisse meistens,

Max: also diese bekannte Phänomen von, die Ergebnisse sind gut genug.

Max: Also das, was da rauskommt, ist irgendwie gut genug. Und die Frage ist aber,

Max: was passiert, wenn man eben eine andere Qualität haben will?

Max: Und dann ist es ja schon allein mit Bildgeneratoren, also damit kann man ja

Max: Stunden verbringen, dass irgendwie das erste Ergebnis, das da rauskommt,

Max: ganz nett ist und dann will man etwas geändert haben und dann wird es schwierig.

Max: Dann wäre selber man am Ende viel schneller gewesen.

Max: Und ich glaube, das Das wird erstmal auch eine ganze Weile lang so sein,

Max: aber wird wahrscheinlich schon sehr, sehr viel verändern.

Max: Vor allem, wenn es darum geht, wenn es eben gut genug reicht.

Max: Und dann ist, also das ist dann, glaube ich, die Frage, dass es dann...

Max: Dann vielleicht so wie, keine Ahnung, mir fällt gerade kein guter Vergleich

Max: ein, aber dass es einerseits eben anspruchsvolle, sinnvolle,

Max: pädagogisch versierte Lerninhalte gibt und andererseits Sachen,

Max: die einfach gemacht werden müssen, sozusagen.

Max: Also ich glaube, das ist das Kurzfristige und längerfristig ist es das Schauen.

Max: Also ich glaube, das ist auf jeden Fall die Richtung und die wird auch immer besser werden.

Max: Aber ich kann es, ich würde noch nicht so weit prophezeien können, wann das kommt.

Susanne: Also was ich mir, also jetzt so aus der Kalten, wenn ihr mir das so beschreibt,

Susanne: und das ist jetzt wirklich aus der Kalten so aus dem Bauch ausgedacht,

Susanne: was ich mir durchaus vorstellen kann, ist, dass wenn man halt so ein, ich sag mal,

Susanne: irgendwelche Fakten, Erfahrungswissen, Beschreibungen oder sowas hat,

Susanne: dass es dann schon möglich ist, kleine Informationsnuggets oder ähnliches zur Verfügung zu stellen.

Susanne: Und jetzt kommen wir so ein bisschen in die Lerndidaktik rein,

Susanne: oder Katharina so eher in unser Thema. Ganz oft braucht es dann aber noch eine Rahmung.

Susanne: Also das eine ist die Information, die ich gebe und das andere ist daraus wirklich

Susanne: Lernen für die Menschen zu machen.

Susanne: Und das ist dann spannend, weil ja viel Lernen auch selbst gesteuert über Informationen,

Susanne: die man aufnimmt, passiert.

Susanne: Das heißt, da könnte wirklich eine Lücke geschlossen werden und auch Input geschaffen

Susanne: werden für meine Kollegen und mich, die dann darauf quasi zurückgreifen können.

Susanne: Also ein sehr, sehr spannender Teil.

Susanne: Jetzt habe ich letztens einen Post gelesen, auch zum Knowledge Safe und da hat

Susanne: jemand eine ganz spannende Frage gestellt.

Susanne: Der hat gesagt, das ist ja schön, dass ihr jetzt von den ganzen Menschen,

Susanne: die da im Unternehmen sind, vielleicht das Erfahrungswissen abgreifen wollt

Susanne: von denen, aber wir leben heutzutage in einer Zeit, wo die Halbwertszeit

Susanne: von Fachwissen ja gar nicht so groß ist.

Susanne: Und ja, wie geht ihr eigentlich, habt ihr euch darüber auch Gedanken gemacht,

Susanne: dass das Wissen vielleicht irgendwann veraltet sein könnte, was da abgerufen worden ist?

Katharina: Genau, ich glaube, das ist so eine Fragestellung, die natürlich sofort aufkommt,

Katharina: immer wenn man sich damit beschäftigt, Wissen irgendwo zu konservieren und tatsächlich, klar,

Katharina: also wir haben da auch viel drüber diskutiert, aber wir denken und wir sehen

Katharina: vor allem halt den großen Unterschied darin, dass wir ja gar nicht bestrebt

Katharina: sind, so dieses klassische Faktenwissen,

Katharina: wo ja Organisationen sowieso selbstständig stark dahinter sind,

Katharina: das laufend zu adaptieren, in Trainings mitzugeben und ohnehin sich aktuell zu halten,

Katharina: dass das durch diesen Teil ja abgedeckt ist in einer Form und dass wir ja eben,

Katharina: so wie es das Erfahrungswissen ja so an sich hat,

Katharina: eben erst recht auf dieses Erfahrungswissen, das halt oft auf vielen,

Katharina: vielen Jahren Erfahrung aufbaut,

Katharina: mit Absicht zugreifen wollen, Weil da eben eine große Lücke eigentlich entsteht,

Katharina: die einfach oftmals verpufft und verloren geht in dem Moment,

Katharina: wo der Mitarbeiter eben das Unternehmen verlässt oder aus dem Projekt rausrotiert.

Katharina: Damit ist das sozusagen zwar eine zentrale und wichtige Frage immer,

Katharina: jedoch hier würde ich es fast als eher zweitrangig einstufen oder als eher...

Katharina: Mit Absicht ja etwas zur Seite gelegt, weil es um etwas anderes im Kern geht.

Susanne: Ja, ich glaube, bevor man darüber sprechen kann, dass das Erfahrungswissen vielleicht

Susanne: outdated ist, muss man es erstmal überhaupt verfügbar gemacht haben.

Susanne: Und dann ist das vielleicht noch der zweite Schritt, der da dazukommt. Genau.

Katharina: Nichtsdestotrotz, also das ist vielleicht noch wichtig zu erwähnen,

Katharina: ist es natürlich schon so, dass auch dieses Wissen, was wir hier sammeln wollen,

Katharina: natürlich qualitätsgesichert werden muss.

Katharina: Und im nächsten Schritt ja dann durchaus auch, jetzt gerade haben wir so Fälle,

Katharina: wo natürlich viele Unternehmen anfangen, auch ihr eigenes Chat-GPT zu schaffen,

Katharina: wo man ja dann auch erst recht dieses Wissen zum Beispiel hier reinkippt,

Katharina: aber auch nur insoweit, dass es eben noch aktuell ist.

Katharina: Das heißt, in irgendeiner Form muss man da sowieso eine Qualitätssicherung immer noch betreiben.

Susanne: Ja, das ist ein spannender Teil, weil jeder von uns hat ja so seine eigene Sicht,

Susanne: aber ist meine Sicht auch die, die mein Unternehmen widerspiegelt?

Katharina: Ja. Ist das das?

Susanne: Max, du wolltest gerade noch was sagen, dann sind wir so drüber gefahren.

Max: Also gut, also ich würde im Prinzip auf einen sehr ähnlichen Punkt eingehen,

Max: dass es, also aus technischer Perspektive schon die Frage besteht,

Max: wie man auch Wissen aus verschiedenen Quellen, wie man das zusammenfügt.

Max: Also aus Wissensquellen, die an verschiedenen Zeitpunkten entstanden sind, ist das eine Thema.

Max: Aber das andere Thema ist auch, was man macht, wenn die sich wieder erbrechen.

Max: Also das ist ja auch, also nehmen wir mal an, wir haben eine Organisation,

Max: wo in einer Abteilung 20 Leute befragt werden zu irgendeinem bestimmten Thema,

Max: weil es alle 20 irgendwie angeht und es geht darum herauszufinden,

Max: wie sie etwas in ihrem Alltag umsetzen und alle 20 geben leicht unterschiedliche

Max: Antworten oder komplett konträre oder wie auch immer.

Max: Mal, wie geht man dann damit um?

Max: Und das ist, glaube ich, die spannende Frage für wirklich diesen zweiten Part

Max: von, wie man das Wissen, was man dann externalisiert hat, wie man das dann aufbereitet.

Max: Und da ist ein klassischer Weg, der erstmal eine unkomplizierte Lösung wäre,

Max: wäre eben noch ein Chatbot, der dann klassischerweise, also das wäre dann so

Max: ein dokumentenbasierter Chatbot, der alle Gesprächsverläufer einfach als Dokumentar begreift.

Max: Aber andererseits ging jetzt vielleicht auch sowas.

Max: Sowas wie mit semantischer Suche zu arbeiten. Weil das, das ist glaube ich,

Max: ich glaube auch bei ganz, ganz oft ist es auch so, dass, dass auch wenn ein

Max: Chatbot erwartet wird, dass eigentlich eine klassische Suchmaske viel, viel mehr helfen würde.

Max: Und es ist einfach nur, einfach nur die Informationen, in denen und den Gesprächen

Max: wurde darüber gesprochen, dass das auch schon extrem weiterhilft.

Max: Und man sich dann anschauen kann, wie, wie verschiedene Menschen verschiedene

Max: Vorgänge bewertet haben.

Max: Aber das ist im Prinzip dann sehr abhängig davon, von was auch die Erwartungen an das Ergebnis sind.

Susanne: Ich habe jetzt gerade, wo du das so beschrieben hast, mir vorgestellt,

Susanne: ich habe mich heute mit einer Kollegin so drüber unterhalten,

Susanne: das ist wieder was ganz Schräges, aber die hat getestet ein bisschen mit den

Susanne: Chat-GPTs dieser Welt und hat sich da Kochrezepte rausgesucht, um mal zu gucken,

Susanne: wie das funktionieren kann und hat halt die verschiedenen Arten,

Susanne: mach es mir besonders bäuerlich oder mach mir ein Fünf-Sterne-Menü und mach

Susanne: mir mal so ein Rezept daraus.

Susanne: Und ich habe gesagt, ich finde es ja viel schöner bei Google zu sagen,

Susanne: das sind meine Zutaten und dann kriege ich da von 50.000 Anbieterseiten da diese

Susanne: Rezepte drin und dann steht da, das ist halt vielleicht von der einen Seite

Susanne: und das ist vielleicht von der anderen Seite und dann sind die Rezepte da drin.

Susanne: Und wenn du das gerade so beschrieben hast, dann stelle ich mir das so ähnlich vor.

Susanne: Sag mal, ob das so sinnvoll sein könnte. Ich suche nach einem Thema und dann

Susanne: tauchen dann da vielleicht auch die Namen von den Experten oder sowas dann auf

Susanne: und dann sagt der Experte, der hat das dazu gesagt, der hat das dazu gesagt.

Susanne: Muss ich mir das dann so vorstellen?

Max: Zum Beispiel, also das Bild finde ich total gut. Also das ist,

Max: ich finde an dem Bild auch besonders schön, dass es sozusagen davon ausgeht,

Max: was man hat und was man daraus macht.

Max: Also deswegen mag ich auch diese semantische Suche auch so sehr.

Max: Also ich finde die eigentlich auch technisch auch nochmal etwas spannender,

Max: als dann Antworten zu generieren, sondern wirklich, wie man konkrete Informationen auffindet.

Max: Und das ist auch eine Entwicklung, die läuft die letzten Jahre die ganze Zeit eben mit.

Max: Und das bekannteste, was Sprachmodelle mittlerweile ermöglichen, sind eher Chatbots.

Max: Aber diese semantische Suche, also dieses wirklich nach Bedeutung suchen,

Max: also Bedeutung in Zeilen abbilden und vergleichen können, also gesamte Sätze

Max: in ihrer Bedeutung mathematisch vergleichen können, also das ist so abgefahren.

Max: Also ich komme immer noch nicht darauf klar, wo ich mich jetzt seit Jahren schon

Max: damit beschäftige, weil das einfach, also ich habe früher,

Max: früher kam ich eher aus den Geisteswissenschaften und also allein für Archivarbeit,

Max: wenn ich einfach ein riesiges Archiv habe und da einfach wirklich nach Bedeutung

Max: suchen kann und nicht eben erst gucken muss, wo ist vielleicht eine Information gefallen,

Max: wer hat das mal erwähnt, muss ich mich irgendwie durch tausend Werke arbeiten.

Max: Also das ist wirklich, ich glaube, das wird nochmal eine viel,

Max: viel größere Änderung für einige Bereiche darstellen als eben ein Chatbot.

Susanne: Ja, das ist was, was ich auch am Anfang von der KI immer total spannend fand,

Susanne: weil gerade die Large Language Models, die wir ja am Anfang auch genannt haben,

Susanne: die modellieren ja erstmal nur Sprache.

Susanne: Das heißt, das, was sie inhaltlich rüberbringen, ist diesen Modellen ja egal.

Susanne: Also das muss man sich ja manchmal in der Nutzung von ChatGPT auch bewusst machen.

Susanne: Das schreibt da zwar schöne Sachen hin und ich lege da die Bedeutung rein,

Susanne: aber das, was wir ja gerade wollen, ist die Bedeutung rüberbringen.

Susanne: Und vielleicht ist uns die Form dann ein bisschen noch egal.

Susanne: Also am Ende vielleicht nicht, aber grob schon erstmal schon,

Susanne: da sind wir noch ein bisschen offen, aber wir gehen wirklich in die Bedeutung rein.

Susanne: Ah, extrem spannend. Ich finde das so ein cooles Thema, was ihr euch da ausgesucht habt.

Susanne: Und ich frage mich aber immer noch, es kann doch nicht sein,

Susanne: dass wir die tts die Einzigen waren, die diese Idee hatten.

Susanne: Gibt es da noch andere, die so eine Idee hatten, die vielleicht den gleichen

Susanne: Ansatz fahren wie ihr oder andere Ansätze? Also wisst ihr davon irgendwas?

Katharina: Ja, also ich glaube, was man sagen kann, es gibt ja immer mal wieder,

Katharina: glaube ich, die Ansätze, die uns so auch einfach reingespült werden mit Infos

Katharina: oder Expert-Debriefing-Leitfäden,

Katharina: gegen die auch schon jetzt KI-gestützt teilweise erstellt werden oder auch wo

Katharina: Expert-Debriefings da so ein bisschen in einer Form halt durch KI begleitet werden.

Katharina: Was wir halt oft beobachten, wobei ich jetzt auch dazu sagen will,

Katharina: dass wir sicher nicht abschließend alle verschiedenen Produkte hier auch kennen,

Katharina: auch wenn wir uns bemühen, am Laufenden zu bleiben.

Katharina: Aber was uns auffällt, ist, dass viele den Ansatz haben, zum Beispiel Interviews

Katharina: auch zu führen, automatisiert, aber mit vorgefertigten Fragen sozusagen.

Katharina: Oder dann zum Beispiel pro Job Description einfach einen Pool an 50 bis 100

Katharina: Fragen oder so hast, wo du dann weißt, okay, wenn ich dieses und jenes Job Level

Katharina: und Job Description habe, gehe ich mit den Fragen rein.

Katharina: Und das ist eben das, was wir bewusst nicht machen wollen und wo wir eben,

Katharina: wie wir jetzt vorher schon geschildert haben, einfach im laufenden Gespräch

Katharina: eigentlich die Fragen erst generieren wollen.

Katharina: Das würde ich so sagen, ist glaube ich so der größte Unterschied,

Katharina: auf den wir gestoßen sind.

Katharina: Ich weiß nicht, sonst Max, ob du auch da noch ähnliche Beobachtungen hast oder auch andere?

Max: Also das Thema Literatur ist, wie erwähnt, ziemlich am Anfang.

Max: Also da habe ich nicht wirklich etwas gefunden in die Richtung,

Max: was vor allem Language Models verwendet.

Max: Und das ist glaube ich so einer der größten Punkte, was das angeht.

Max: Also es gibt, also Large-Language-Models gibt es schon länger als Chat-GPT,

Max: aber in dieser breiten Wirkung dauert es, dass man damit programmieren kann.

Max: Das ist, also der Hype hat mit Chat-GPT angefangen und seitdem ist auch die Frage,

Max: wofür man das eigentlich noch sonst so alles verwenden könnte.

Max: Und das ist erst zwei Jahre alt. Also das ist jetzt, also Chat-GPT wird jetzt im

Max: nächsten Jahr alt, das ist einfach noch nicht so lang. Also deswegen,

Max: und in Forschung dauert es ja auch zum Beispiel auch, es dauert einfach seine

Max: Zeit, bis Ergebnisse veröffentlicht werden.

Max: Deswegen, ich kann mir schon vorstellen, dass daran gerade gearbeitet wird,

Max: weil das Kernproblem von sowas wie

Max: automatisierter Interviewplanung schon verschiedenste Bereiche betrifft.

Max: Aber aktuell, zumindest von Stand Juni 2024, zumindest als ich das letzte Mal

Max: da tiefer recherchiert habe, kann ich sagen, dass das schon neu ist.

Max: Also vor allem die Idee von dem wirklich komplett automatisierten System,

Max: das auch noch interaktiv darauf eingeht, was gesagt wurde und das Gespräch leitet.

Susanne: Was ich jetzt gerade noch so als Gedanken hatte, wir gehen ja darauf,

Susanne: dass ein Gespräch stattfindet und wir dadurch dieses implizite Wissen rangeben.

Susanne: Anderer Ansatz, ganz blöde Idee so am Rande.

Susanne: Eigentlich gebe ich ja mein Wissen auch normal immer in die KI ein,

Susanne: wenn ich jetzt bei ChatGPT oder so Fragen stelle, gibt es auch Ansätze dazu,

Susanne: da dann das implizite Wissen rauszuholen?

Susanne: Ist es das Gleiche oder ist nur ein Gedanke, der mir gerade gekommen ist?

Max: Wäre auf jeden Fall interessant, also dass wir sozusagen, also vielleicht zwei

Max: Ebenen, also einmal sowas wie die Fragen auswerten, also sowas wie die häufig gestellten Fragen,

Max: dass allein man daraus, also das ist glaube ich nochmal ein etwas anderes Thema,

Max: aber dass man daraus schon konkretere Bedarfe auch einfach identifizieren kann.

Max: Kann, also wofür es zum Beispiel Lerninhalte braucht, offenbar,

Max: und da kann man wiederum auch nochmal anders agieren, also gerade wenn man mit Chatbots arbeitet,

Max: also es gibt ja immer noch regelbasierte Chatbots, die mit qualitätsgesichertem Wissen arbeiten,

Max: und allein das sozusagen als, also dafür Fragen zu sammeln, die so auftauchen,

Max: dann die Antworten zu prüfen, dann zu sehen, ob diese Fragen...

Max: Fragen häufiger auftauchen oder nicht und die nochmal anders zu bearbeiten.

Max: Also das ist auch eine Sache, mit der wir uns auch bei uns in der Arbeitsgruppe beschäftigen.

Max: Aber das ist die eine Sache und die andere Sache zum Thema dieses implizite Wissen.

Max: Also das kommt schon, also wenn ich zum Beispiel bei Chat-GPT etwas eingebe,

Max: hat das erstmal keinen weiteren Einfluss auf das Modell.

Max: Aber das, also das ist sozusagen, also ich haue einen Text rein und bekomme

Max: einen Text raus, aber das Modell selbst verändert sich sozusagen in dem Moment nicht.

Max: Und beziehungsweise, also das ist auf einem gewissen Trainingstand und auf dem bleibt es auch.

Max: Aber die Daten, also OpenAI sagt, glaube ich, dass die diese Daten nicht sammeln.

Max: Das ist, glaube ich, kein Wort.

Max: Also definitiv, das ist quasi Gold für die. Ich glaube, das ist einer der Gründe,

Max: warum das immer noch kostenlos ist.

Max: Aber daraus entstehen dann schon weitere Trainings.

Max: Also daraus kann man dann wiederum neue Modelle trainieren. Man kann die dann

Max: weiter anpassen und so weiter.

Max: Und da sind wiederum genau diese Fragen, die von Menschen kommen,

Max: sind dann ihr Datengold letztendlich.

Susanne: Okay. Aber das ist ja dann wirklich auch ein anderes Thema, als das,

Susanne: was wir mit unserem System und unserem Knowledge Safe jetzt gerade bearbeiten.

Katharina: Dazu, Susanne, vielleicht auch noch ganz kurz von mir einen Hinweis.

Susanne: Ja, gerne.

Katharina: Ja, weil das oft auch das ist, was wir so in Kundengesprächen erleben,

Katharina: so diese Frage, ja, ich kann ja auch eben Chat-GPT, die da hingehen,

Katharina: prompten sozusagen und halt dem auch einfach diesen Rahmen mitgeben,

Katharina: eben von wegen, bitte interviewe jetzt diese Person, versuche eben möglichst

Katharina: das Erfahrungswissen rauszubekommen und, und, und.

Katharina: Und ich glaube, das ist vielleicht auch nochmal spannend, sich das klarzumachen,

Katharina: dass wir halt hier dann den Fall haben, dass klar in dem Moment,

Katharina: wo wir den Prompt eingeben, ist das alles da und dann kann man sozusagen,

Katharina: kriegt man die Fragen raus.

Katharina: Aber es ist de facto, wie der Max ja auch schon gesagt hat, kein wirklich selbstreferenzielles

Katharina: System sozusagen, das dann auch die Sachen nachhält, sondern es ist dann auch

Katharina: wieder verschwunden. Das heißt, dahingehend ist es aus der Richtung zu sehen,

Katharina: wieder ungeeignet, das zu vermitteln.

Susanne: Genau, also es ist einfach nur ein System, stellt mir irgendwelche Fragen,

Susanne: aber die berücksichtigen all die Themen, die ihr vorhin besprochen habt mit

Susanne: dem Thema, warte mal, semantische Varianz und so weiter.

Susanne: All diese Themen sind dann da überhaupt nicht drin enthalten.

Katharina: Richtig, schon deshalb, weil es einfach wirklich nicht nachhaltig auch gespeichert

Katharina: wird in dem Sinne und man eigentlich ja wieder aufs Neue dann anfangen muss und, und, und.

Susanne: Okay, sehr, sehr spannend. Gibt es denn irgendwelche Punkte jetzt in der Zukunft,

Susanne: irgendwelche Trends oder irgendwelche Entwicklungen, wo ihr sagt,

Susanne: die zahlen positiv auf unser Forschungsprojekt ein?

Max: Viele. Viele, viele, viele sehr spannende Entwicklungen aktuell.

Max: Eine Sache, die mir spontan einfällt, sind Visual Language Models.

Max: Das ist eine verwandte Familie von Large Language Models, die nochmal speziell

Max: für Bilddaten gebaut sind. Und die sind zum Beispiel nochmal super spannend

Max: für alle Arbeiten, die eben mit Bild arbeiten.

Max: Also die, die zum Beispiel Schaltpläne brauchen oder chirurgische Zeichnungen,

Max: wenn es das gibt. Ich bin gerade...

Susanne: Röntgenbilder.

Max: Röntgenbilder, genau. In solcher großen Pläne, Architektur, Zeichnung,

Max: wie auch immer, alles, was das angeht. Oder verschiedenste Arten von Auswertung.

Max: Also wo einfach mal ein ganz anderes Wissen auch gefragt ist,

Max: als eben das rein verbal abgegriffen werden kann.

Max: Weil das ist ja die Modalität, die wir uns gerade bewegen, ist eben Sprache erst mal.

Max: Und das, was gerade noch fehlt, ist Bild. Weil ganz viel wird eben nicht über

Max: Sprache diskutiert, so gut transportiert, wie eben durch einfach klassisches Zeigen.

Max: Also Zeigen ist ganz oft einfach viel, viel, viel cooler und schneller,

Max: als das lange zu erklären.

Max: Und eine andere Sache ist die Effizienz von allem.

Max: Das ist auch mein großes Thema. Also Effizienz auch im Sinne von sowas wie Umweltauswirkung.

Max: Das ist auch ein allgemeines Thema, aber alles, was mit Kraftmodellen arbeitet,

Max: ist unter Umweltaspekten, nennen wir es mal vorsichtig, optimierbar.

Max: Aber auch da gibt es Ansätze, wie für konkrete Use Cases Modelle auch kleiner

Max: gemacht werden können und die werden auch kleiner.

Max: Es gab letztes Jahr noch zwei gegenläufige Trends.

Max: Einerseits, dass Modelle immer weiter hochskaliert wurden und andererseits aber,

Max: dass Modelle immer auch kleiner werden, weil das letzten Endes niemand so haben will.

Max: Also wenn man damit arbeiten will, wirklich, dann braucht man einfach kleinere

Max: Modelle, die man idealerweise einfach auf einem herkömmlichen Laptop laufen

Max: lassen kann, ohne jetzt dafür einen Grafik-Karten-Datencenter irgendwie anzusetzen.

Susanne: Ich habe mal gehört, die verbrauchen so viel Strom von ganzen Städten und sowas.

Susanne: Ist das auch sowas, worauf du da einzahlst?

Max: Ja, absolut. Also es ist wirklich, ich finde es ziemlich katastrophal,

Max: dass das jetzt angekündigt wird,

Max: dass Microsoft jetzt Stromkraftwerke baut nur für Datencenter,

Max: die genau sowas. Also das ist keine schöne Entwicklung.

Max: Das ist nicht cool. Also das sollte anders laufen. Das ist nur nochmal...

Max: Also nicht ganz relevant für das neue Knowledge Safe Thema, ganz konkret jetzt,

Max: weil dort auch die Nutzungszahlen jetzt nicht in die Millionen gehen,

Max: wo das dann einfach nochmal genau...

Susanne: Also wir vergleichen uns nicht mit Microsoft, ne?

Max: Genau, aber es ist das sind schon Themen, die man auch da bedenken muss,

Max: also wie so ein System halt trotzdem viel schlank bleibt und effizient bleibt,

Max: damit der Footprint nicht eben völlig daneben geht.

Susanne: Ah, okay. Ja, sehr, sehr spannend. Katharina, hast du noch etwas zu ergänzen?

Susanne: Das klang ja schon sehr umfassend.

Katharina: Ja, definitiv. Ich erinnere mich jetzt nur noch, aber da glaube ich,

Katharina: kann auch der Max noch mal besser Aufschluss geben.

Katharina: Aber an den einen Vortrag, Max, wo du letztens erst warst, oder zur Erkennung

Katharina: der europäischen Dialekte, der europäischen Dialekte.

Katharina: Oder Max, hast du das schon gesagt? Ich bin jetzt nicht sicher,

Katharina: ob ich es vorher überhört habe.

Katharina: Das fände ich auch noch mal einen spannenden Aspekt, weil das ja gerade jetzt

Katharina: in Richtung Spracherkennung und so wichtig ist für uns, weil wir ja doch im Dachraum aktiv sind.

Katharina: Und vielleicht kannst du da noch mal so ein bisschen einen Ausblick geben dazu.

Susanne: Das ist spannend, weil du so einen schönen österreichischen Dialekt hast.

Max: Aber das ist auf jeden Fall auch nochmal ein größeres Thema allgemein in der

Max: Entwicklung von Sprachmodellen, die mit Text umgehen und auch einfach mit gesprochenem

Max: Wort umgehen, ist die Frage,

Max: was sie eigentlich verarbeiten können, also welche Sprache sie verarbeiten können.

Max: Die Modelle sind mittlerweile auch schon bereits einiges flexibler geworden.

Max: Das heißt, da meine ich wirklich nochmal speziell die Pipeline von Text-to-Speech,

Max: die lustigerweise ebenfalls TTS abgekürzt wird.

Max: Aber dort wird, deswegen war ich ein paar Mal ein bisschen verwirrt.

Max: Aber genau, diese TTS-Pipelines sind immer noch auf Englisch mit Abstand am

Max: besten, weil dafür ist es trainiert.

Max: Aber auf Deutsch ist es zum Beispiel schon mal viel, viel besser

Max: mittlerweile geworden. Also da gibt es schon viele brauchbare Modelle,

Max: aber bei denen stellt sich dann die Frage, welches Deutsch.

Max: Und das ist innerhalb, also es gibt Dialekte, es gibt Akzente,

Max: es gibt Sprechbeeinträchtigungen.

Max: Es gibt ganz, ganz viele, ganz viele Varianten des Sprechens.

Max: Also das sage ich auch als jemand mit Akzent und sächsischem Background.

Max: Also an mir verzweifeln die meisten TTS-Systeme das bis jetzt.

Max: Ja, deswegen kann ich das immer dann gut testen, wie das gerade der aktuelle Stand ist.

Max: Aber genau, auch da gibt es gerade viel Forschung dazu, weil der Bedarf einfach groß ist.

Max: Also das auch für Sprachen, die einfach kleiner sind.

Max: Zum Beispiel Bosnisch, Serbokroatisch, das ist eine kleinere Sprache für die...

Max: ...aber jetzt auch schon sehr gezielt Modelle trainiert wurden.

Max: Zum Beispiel, das finde ich auch ziemlich cool. Also das kommt auch immer mehr

Max: und auch gerade europäische Sprachen werden immer mehr abgedeckt.

Max: Und da gibt es auch von einem anderen Fraunhofer-Institut kommt auch demnächst

Max: ein Modell raus, das aktuell, glaube ich, 25 europäische Sprachen abdeckt und

Max: im nächsten Jahr auch nochmal viel besser mit Dialekten umgehen können soll.

Susanne: Spannend. Also habt ihr jetzt drei Sachen mir genannt.

Susanne: Das eine war diese KI im Bildkontext, dann das Thema Energie und jetzt auch

Susanne: noch diese Sprachenvielfalt, die wir alle haben.

Susanne: Also da kommt noch einiges auf uns zu, glaube ich, und hat dann vielleicht auch

Susanne: wirklich Rückwirkungen auf unseren Knowledge Safe.

Susanne: Super. Ich bin platt tatsächlich von all den Sachen, die ihr mir erzählt.

Susanne: Das ist super spannend, was ich noch nicht. Und immer wenn ich viel spannend

Susanne: sage, heißt das, bei mir arbeitet es noch.

Susanne: Und Montag werde ich dann Katharina anrufen und tatsächlich sagen,

Susanne: du, das, das, das ist mir noch eingefallen.

Susanne: Aber was ich mich jetzt gerade die ganze Zeit gefragt habe, ist tatsächlich,...

Susanne: ...einerseits habe ich manchmal das Gefühl, wenn ich so zuhöre,

Susanne: es ist was, ihr testet das schon

Susanne: mit Menschen, man kann das schon ausprobieren, kann man schon kaufen.

Susanne: Und auf der anderen Seite, nee, nee, da ist noch so viel offen und da sind es

Susanne: noch so viele Themen, die wir klären wollen.

Susanne: Wie ist denn da der Stand aktuell? Welche Schritte plant ihr aktuell?

Susanne: Was ist vielleicht das Kurzfristige? Was ist vielleicht irgendwas,

Susanne: was ihr unseren Zuhörern da schon auch mitgeben wollt? Gibt es da irgendwas?

Max: Also es gibt schon so einige Baustellen, an denen wir gerade arbeiten.

Max: Nichtsdestotrotz gibt es auch

Max: bereits eine Art von Produkt, das noch nicht komplett automatisiert ist.

Max: Aber genau da kann Katharina bestimmt viel mehr sagen als ich,

Max: weil ich habe normal die Forschungssicht drauf.

Max: Das heißt, mich interessieren auch die Sachen, die noch nicht so gut funktionieren.

Max: Also das ist genau das, wo ich denke, cool, das ist genau mein Ding,

Max: darüber können wir

Max: reden und aus dieser Sicht kann ich auf jeden Fall aber auch schon sagen,

Max: dass das einfach bereits jetzt schon recht konkret ist und dass auch die Schritte,

Max: die noch nicht automatisiert sind, wir haben zum Beispiel,

Max: also es gab bis jetzt eine Machbarkeitsstudie, die auch die ersten Ergebnisse

Max: geliefert hat, mit denen man auch schon gut arbeiten kann,

Max: was hier noch nicht abdeckt, ist der zweite Teil.

Max: Also der erste Teil ist ja eben dieses Wissen externalisieren und erstmal zeigen,

Max: dass es geht, ein automatisiertes Interviewsystem zu bauen, das auf gewisse

Max: Sachen achtet, wie zum Beispiel die semantische Varianz. Das ist jetzt der Stand, bei dem wir stehen.

Max: Und der nächste Punkt ist...

Max: ...ist die Frage, was man daraus macht. Also, wo wir vorhin drüber gesprochen haben,

Max: also zum Beispiel von einzelnen Wissensnuggets, wie auch immer wir daraus formulieren,

Max: oder das in Chatbots reinführt.

Max: Also, da gibt es 10.000 Optionen. Und das ist im Prinzip auch der schöne Punkt,

Max: an dem das Projekt gerade steht.

Max: Weil es geht ja gerade darum, dass vor allem mit sehr konkreten Use Cases gearbeitet wird.

Max: Und was bedeutet, dass es auch dafür dann nochmal sehr maßgeschneidert einfach

Max: nochmal sich angeschaut werden kann.

Max: Und wenn dort als Anforderung zum Beispiel dasteht, dass sowas wie Wissensgrafen

Max: herauskommen soll oder dass beim Bildmaterial gearbeitet wird oder wie auch immer das ist,

Max: dass das einfach nochmal sehr, sehr viele Möglichkeiten öffnet,

Max: um vor allem nochmal sehr schöne Sachen zu untersuchen und sie dann in Produkte zu kriegen.

Susanne: Ich finde das sehr schön. Das passt jetzt auch so ein bisschen dazu,

Susanne: dass du ja vorhin gesagt hast, für mich ist ein Problem was Schönes,

Susanne: weil dann kann ich eine Lösung dazu finden.

Susanne: Und das spiegelt sich ja in der ganzen Art, wie du über das Thema sprichst.

Susanne: Dann lasse ich dich, Katharina, mal übersetzen in die Business-Welt.

Susanne: Was heißt denn das dann jetzt für uns?

Katharina: Genau, also ich glaube, Max hat das jetzt sehr schön zusammengefasst.

Katharina: Also im Kern sozusagen, dass das Produkt so wie es ist, dass wir da ja schon

Katharina: viele, viele Gehversuche sozusagen gemacht haben, viele Schritte schon vorangekommen sind.

Katharina: Auch eben mit schönen, sehr konkreten Use Cases, was uns natürlich wichtig war

Katharina: von Anfang an, da einfach wirklich auch Partnerunternehmen mit reinzuholen und

Katharina: das zu testen und auch an uns zu testen und so weiter.

Katharina: Und das jetzt eben eh gerade der schöne Punkt ist, auch zu sehen,

Katharina: wir merken ja auch alle, wie viel sich überall tut und viele Kunden haben ja

Katharina: eben jetzt, wie eh schon erwähnt, auch vorher ein eigenes Chat-GPT vielleicht

Katharina: im Haus, wo dann auch die Ansprüche auf einmal dahin gehen,

Katharina: also auch jetzt neben den anderen erwähnten Dingen zu sagen,

Katharina: und wir wollen das dann auch da integrieren und anbinden.

Katharina: Das heißt, die Herausforderungen für die Zielrichtung sind ja sehr,

Katharina: sehr divers und ändern sich fast täglich,

Katharina: was aber sehr schön ist, weil wir in irgendeiner Form ein sehr agiles Projekt

Katharina: auch aktuell nach wie vor sind und somit uns auch einfach nach wie vor wichtig ist, mit vielen,

Katharina: vielen verschiedenen Branchen auch zusammenzuarbeiten und da einfach möglichst

Katharina: viele Use Cases auch zu testen, im kleineren Rahmen mit vielleicht zwei bis

Katharina: fünf Interviewprobanden, im größeren Rahmen,

Katharina: wo man dann mal sagen, man nimmt vielleicht 10 oder 20 Leute mit rein,

Katharina: schaut sich vielleicht mal eine Position an oder nimmt sogar zwei,

Katharina: drei Abteilungen da mal rein und schaut sich das eben auch zwischen den Abteilungen

Katharina: an, um da dann auch wieder zielgerichtet Fragen stellen zu können.

Katharina: Das heißt, die Spielwiese sozusagen ist momentan halt einfach noch sehr groß

Katharina: und wir versuchen da halt auch wirklich sehr, sehr stark auf die Anforderungen,

Katharina: mit denen Unternehmen auf uns zukommen, auch einzugehen.

Katharina: Und somit sind wir da auch offen, vielleicht an der Stelle, also jeder,

Katharina: der da Interesse hat, auch mitzumachen, mitzuwirken, mitzugestalten,

Katharina: auch sich vielleicht nochmal von wissenschaftlicher Seite oder einfach aus Interesse

Katharina: da sich bei uns zu melden.

Katharina: Dafür sind wir auch sehr, sehr offen natürlich an der Stelle.

Katharina: Also, das haben wir jetzt auch schon viel gehabt mit anderen Partnern einfach,

Katharina: die da auch gesagt haben, hey, sie haben interne KI-Taskforce und wollen allein

Katharina: schon deshalb hier mitbekommen, was wir machen.

Katharina: Und somit ist das einfach ein sehr schönes, offenes und sehr,

Katharina: sehr flexibles Projekt in irgendeiner Form, ganz im Sinne des Erfinders.

Susanne: Oh, das klingt so toll. Ich melde mich als Tester, wenn ihr jemanden braucht.

Susanne: Das klingt wirklich, wirklich super interessant, was ihr mir heute beschrieben habt.

Susanne: Und ich habe irgendwie das dumpfe Gefühl, wir haben echt nur so ein bisschen

Susanne: außen gekratzt und ihr seid so viel schlauer als ich. Das ist ein Gefühl,

Susanne: was ich überhaupt nicht mag.

Susanne: Ich wäre noch viel lieber an euer Erfahrungswissen rangekommen,

Susanne: aber dafür war die Zeit zu kurz.

Susanne: Und ich hoffe, dass ich noch mehr von euch höre in den weiteren Entwicklungen.

Susanne: Vielleicht frage ich so jedes halbe Jahr oder jedes Jahr mal nach bei euch,

Susanne: ob es eine neue Entwicklung gibt und dann reden wir einfach wieder.

Susanne: Das war ein wunderbar angenehmes Gespräch mit euch, was wir da hatten.

Susanne: Ich sage schon mal ein ganz dickes, dickes Danke an dich, Katharina,

Susanne: sowieso, aber wir sehen uns ja regelmäßig, aber besonders auch an dich, Max,

Susanne: dass du zu mir hier gekommen bist und mir das alles erklärt hast,

Susanne: aus der ich ja doch immer der DAU bin, den es gibt in diesen ganzen Thematiken, aber immer neugierig.

Susanne: Ich lasse euch mal das letzte Wort.

Susanne: Was wollt ihr den Menschen draußen noch sagen? Ich sage schon mal auf Wiedersehen,

Susanne: auf Wiederhören besser.

Susanne: Was ist euer letztes Wort an unsere Zuhörer?

Katharina: Ja, so aus der Hüfte geschossen. Gute Frage. Vielleicht das,

Katharina: was ich jetzt vorher schon gesagt habe.

Katharina: Also wirklich jeder, der gerne mag, der Interesse hat, dem wir da ein bisschen

Katharina: das Thema KI schmackhaft machen konnten oder einfach Neugierde wecken konnten,

Katharina: gerne, gerne melden bei uns.

Max: Ich würde gerne anregen, dass es mehr Fördermittelprogramme gibt für effiziente KI-Systeme.

Max: Das wäre sehr cool. Da können wir uns direkt mal damit bewerben und dann mal

Max: schauen, wie man das Ganze nochmal effizienter gestaltet.

Susanne: Schönes Thema. Vielen, vielen Dank und bis zum nächsten Mal.

Katharina: Bis bald. Tschüss.

Susanne: Übrigens, habt ihr uns schon abonniert? Das geht überall dort,

Susanne: wo ihr eure Podcasts am liebsten hört.

Susanne: Wir freuen uns auf euer Feedback und vor allem auf den Austausch mit euch.

Susanne: Wie ihr uns erreicht? Ihr könnt uns auf Podigy schreiben oder ihr folgt dem

Susanne: Lernlust-Podcast auf Mastodon.

Susanne: Es gibt uns auch als echte Person auf Mastodon oder LinkedIn.

Susanne: Sagt uns also, was euch gut an unseren Podcasts gefällt und wo wir noch besser werden können.

Susanne: Bis dahin freue ich mich auf euch bei der nächsten Folge des Lernlust-Podcasts.