16.07.2020

Auch Künstliche Intelligenz kann menschliche Schwächen haben

Algorithmen erkennen Sarkasmus, aber sie können vergessen – zwei Themen, denen sich Wissenschaftlerinnen des Software Competence Center Hagenberg in ihren Forschungsarbeiten widmen.
/artikel/kunstliche-intelligenz-menschliche-schwachen
Künstliche Intelligenz hat in Österreich keinen hohen Stellenwert.
(c) Adobe Stock / metamorworks
sponsored

Das Erkennen von Sarkasmus im Web ist sogar für Menschen ein schwieriges Unterfangen – für eine künstliche Intelligenz ist es umso komplizierter. Dabei wäre dies etwa im Onlinehandel wichtig, damit zum Beispiel eine Onlinerezension richtig eingeschätzt werden kann. Bisherige Sarkasmusdetektionen fokussieren sich auf die Erkennung von Sarkasmus auf Satzebene oder für eine spezielle Textphrase. Das Problem dabei ist, dass es oft unmöglich ist, einen einzelnen sarkastischen Satz zu identifizieren, ohne den Kontext zu kennen.

(c) SCCH

Diesem Thema widmet sich Nicole Schwarz vom Software Competence Center Hagenberg (SCCH) in ihrer Arbeit. „Ich arbeite dabei mit einem Deep Neural Network, das jeweils ein Convolutional Neural Network und ein Long-Short-Term Memory Network umfasst“, so Schwarz. Beide Methoden können Texte effizient klassifizieren, die vom Kontext des jeweiligen Textes abhängen, da beide über Speichereinheiten verfügen, um sich bereits gelernte Wörter aus dem Text merken zu können.

Die Ergebnisse der Arbeit zeigen somit, dass Deep Neural Networks die Genauigkeit simplerer Modelle übertreffen können – allerdings mit einem Wermutstropfen: Gäbe es mehr und bessere Daten, so könnten auch genauere Resultate erzielt werden.

Auch eine Künstliche Intelligenz kann vergessen

(c) SCCH

Daten sind zugleich das Thema, dem sich Sabrina Luftensteiner in ihrer Arbeit widmet. Denn Vergessen ist kein menschliches Privileg, wie sie erklärt: Auch bei Maschinen ist das sogenannte „katastrophale Vergessen“ ein Problem.

„Ich erforsche das katastrophale Vergessen, welches beim Online-Learning von neuronalen Netzen auftritt und wodurch gelernte Zusammenhänge in bestehenden Modellen bei der Anpassung mit neuen Daten verdrängt werden“, sagt Luftensteiner. Ein Modell komplett neu zu erstellen ist zum Beispiel in der Industrie aber oft zu aufwendig oder gar nicht möglich – etwa wegen des Überschreitens zeitlicher Limits oder auch, weil hier benötigte Daten fehlen.

In diesem Kontext sind auch zensurierte Daten ein Problem: Diese entstehen zum Beispiel durch physikalische Grenzen von Sensoren (z.B. Hitzesensoren) – sie führen zu einem verfälschten Modell, da die im Training genutzten Daten nicht den realen Daten entsprechen. „Ich habe daher ein Framework entwickelt, welches diese Ansätze einbindet und auf verschiedene Datensätze anwendbar ist. Durch die diversen Konfigurationsmöglichkeiten ist dieses Framework gegen das Vergessen in diversen Bereichen – vor allem aber in der Industrie – anwendbar“, so Luftensteiner.

Deine ungelesenen Artikel:
27.07.2026

Haben wir uns kaputt studiert?

Gastkommentar. Warum Amerikas Tech-Riesen plötzlich die Lehrlingsausbildung kopieren, während Europa im akademischen Leerlauf versinkt, erklärt Mario Derntl, Ausbildungsexperte und CEO von Talents&Company, in einem Gastkommentar.
/artikel/haben-wir-uns-kaputt-studiert
27.07.2026

Haben wir uns kaputt studiert?

Gastkommentar. Warum Amerikas Tech-Riesen plötzlich die Lehrlingsausbildung kopieren, während Europa im akademischen Leerlauf versinkt, erklärt Mario Derntl, Ausbildungsexperte und CEO von Talents&Company, in einem Gastkommentar.
/artikel/haben-wir-uns-kaputt-studiert
Mario Derntl, Ausbildungsexperte und CEO Talents&Company © Athenas

Es war ein seltener Moment der Unverblümtheit, als mich Lukas Zitz, der stellvertretende österreichische Wirtschaftsdelegierte in New York, vor einigen Monaten kontaktierte: „Mario, we have to talk.“ Seine Botschaft aus dem Epizentrum der globalen Wirtschaft: In den USA geht gerade richtig die Post ab, und zwar bei einem Thema, das man dort bis vor kurzem kaum buchstabieren konnte: Apprenticeships. Der klassischen, praxisnahen Berufsausbildung nach europäischem Vorbild.

Während wir in Österreich und Europa seit Jahrzehnten ein Narrativ pflegen, das möglichst jeden Jugendlichen in die Hörsäle der Universitäten treibt, vollzieht die größte Wirtschaftsmacht der Welt eine radikale Kehrtwende. Im April 2025 unterzeichnete US-Präsident Trump eine weitreichende Executive Order mit dem vielsagenden Titel „Preparing Americans for High-Paying Skilled Trade Jobs of the Future“. Das Ziel ist brutal ambitioniert: Die Zahl der registrierten Lehrlinge soll auf eine Million hochgeschraubt werden. Angetrieben von einer Reindustrialisierungsstrategie, die Fabriken aus Asien zurückholt, und getragen von den größten Playern der Tech- und Finanzwelt. Weniger „College for All“, heißt das neue Motto in Washington.

Der Irrtum der akademischen Elite

Wir haben uns in Europa schlichtweg kaputt studiert. Wir haben Generationen eingeredet, dass Wohlstand und gesellschaftlicher Status nur über einen akademischen Titel führen. Das Ergebnis? Ein dramatischer Überschuss an Absolventen in Fächern, die der Markt in dieser Dichte schlicht nicht braucht, während uns an allen Ecken und Enden die Praktiker fehlen.

Die Quittung liefert der heimische Arbeitsmarkt unmissverständlich. Auswertungen der Agenda Austria auf Basis von AMS-Daten zeigen: Die Arbeitslosigkeit unter Akademikern steigt zuletzt deutlich an, während Menschen mit einer klassischen Lehrausbildung zu den krisenfestesten Gruppen auf dem Arbeitsmarkt zählen. Mehr noch: Das alte Vorurteil, dass sich nur ein Studium finanziell lohnt, gerät zunehmend ins Wanken. In Deutschland etwa verdienen Beschäftigte mit Meister-, Techniker- oder Fachschulabschluss laut Statistischem Bundesamt (Verdiensterhebung, April 2025) im Schnitt 5.405 Euro brutto im Monat und damit mehr als Bachelor-Absolventen mit 5.289 Euro.

Gleichzeitig offenbart eine großangelegte Unternehmensbefragung des Instituts für Bildungsforschung der Wirtschaft (ibw) aus dem Jahr 2023 das ganze Dilemma unserer Wirtschaft: Satte 60,9 Prozent aller Betriebe klagen über massive Schwierigkeiten, Stellen mit Lehrabschluss zu besetzen. Universitätsabsolventen werden dagegen nur noch von mageren 8,1 Prozent der Unternehmen dringend gesucht. Wir bilden am Bedarf vorbei. Dabei ist die Lehre die beste Medizin gegen soziale Krisen: Daten des ibw („Lehrlingsausbildung im Überblick“, 2023) belegen, dass jene Bundesländer mit einer hohen Lehranfängerquote wie Oberösterreich, Salzburg oder Tirol die niedrigste Jugendarbeitslosigkeit aufweisen, während das akademisierte Wien mit fast 12 Prozent Jugendarbeitslosigkeit das Schlusslicht bildet.

Die USA bauen die „neue Elite“ mit unserem Modell

Ein Blick nach Übersee zeigt, wie blind Europa für die eigenen Stärken geworden ist. Bei einer Delegationsreise von Advantage Austria durch Chicago und Atlanta konnte ich mit österreichischen Vorzeigebetrieben wie Palfinger, KNAPP, Inteco oder STIWA sprechen, die vor Ort produzieren. Sie alle stehen vor derselben Herkulesaufgabe: Workforce Development.

Doch die Dynamik in den USA hat sich komplett verändert. Für den aktuellen KI-Boom, für den Bau und Betrieb gigantischer Rechenzentren und hochautomatisierter Logistikzentren braucht es keine Menschen, die auf niedrigstem Niveau stupide Handgriffe wiederholen. Und es braucht dafür überraschenderweise auch keine Master-Absolventen, die komplexe Systeme nur aus dem Lehrbuch kennen. Für moderne Wartung (Maintenance), Automation und Mechatronik braucht es Fachkräfte, die in der Lage sind, hochkomplexe, reale Probleme direkt an der Maschine zu lösen. Köpfe, die mit den Händen denken.

Bisher hinken die USA beim Fachpersonal im internationalen Vergleich zwar hinterher: rund 700.000 Apprentices auf 340 Millionen Einwohner, verglichen mit 1,2 Millionen Azubis im deutlich kleineren Deutschland. Genau dieser Unterschied erklärt, warum amerikanische Unternehmen derzeit so intensiv nach Vorbildern aus Österreich, Deutschland oder der Schweiz suchen. Das Problem für uns: Die Amerikaner holen im Eiltempo auf. Seit Beginn der aktuellen US-Administration wurden laut US-Arbeitsministerium bereits über 386.000 neue Apprentices registriert. Das entspricht einem gewaltigen Zwischenspurt.

Ein Weckruf für Europa: Es ist eins vor zwölf

Österreich hat rund 100.000 Lehrlinge, ein historisches Pfund, um das uns die Amerikaner beneiden. Doch während die USA die bürokratischen Hürden für Betriebe radikal abbauen, Qualifikationen wie Micro-Credentials anerkennen und das System mit Milliarden professionalisieren, verwalten wir in Europa den Mangel und klammern uns an den kollektiven Titel-Wahn.

Wir müssen aufhören, die Lehrlingsausbildung als gesellschaftliche „Notlösung“ abzutun. Es ist für Europa nicht mehr fünf vor zwölf, es ist eins vor zwölf. Während wir uns in endlosen Debatten über Vier-Tage-Wochen und akademische Befindlichkeiten verlieren, zieht die größte Wirtschaftsmacht der Welt mit unserem eigenen Modell im Sprint an uns vorbei.

Wo bleibt unser großer Aufbruch? Wo bleibt das laute, stolze Begehren für das Handwerk? Wir müssen uns in Europa endlich zusammenreißen, den akademischen Hochmut ablegen und die Macher wieder zu den echten Helden unserer Wirtschaft machen. Wenn wir das System jetzt nicht radikal modernisieren und aufwerten, stehen wir bald mit einer Million theoretischer Master-Arbeiten da, aber ohne eine einzige Hand, die die Welt von morgen überhaupt noch bauen oder warten kann.

Toll dass du so interessiert bist!
Hinterlasse uns bitte ein Feedback über den Button am linken Bildschirmrand.
Und klicke hier um die ganze Welt von der brutkasten zu entdecken.

brutkasten Newsletter

Aktuelle Nachrichten zu Startups, den neuesten Innovationen und politischen Entscheidungen zur Digitalisierung direkt in dein Postfach. Wähle aus unserer breiten Palette an Newslettern den passenden für dich.

Montag, Mittwoch und Freitag

AI Summaries

Auch Künstliche Intelligenz kann menschliche Schwächen haben

  • Das Erkennen von Sarkasmus im Web ist sogar für Menschen ein schwieriges Unterfangen – für eine künstliche Intelligenz ist es umso komplizierter.
  • Diesem Thema widmet sich Nicole Schwarz vom Software Competence Center Hagenberg (SCCH) in ihrer Arbeit.
  • „Ich arbeite dabei mit einem Deep Neural Network, das jeweils ein Convolutional Neural Network und ein Long-Short-Term Memory Network umfasst“, so Schwarz.
  • Daten sind zugleich das Thema, dem sich Sabrina Luftensteiner in ihrer Arbeit widmet.
  • Denn Vergessen ist kein menschliches Privileg, wie sie erklärt: Auch bei Maschinen ist das sogenannte „katastrophale Vergessen“ ein Problem.
  • In diesem Kontext sind auch zensurierte Daten ein Problem: Diese entstehen zum Beispiel durch physikalische Grenzen von Sensoren – sie führen zu einem verfälschten Modell, da die im Training genutzten Daten nicht den realen Daten entsprechen.

AI Kontextualisierung

Welche gesellschaftspolitischen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Auch Künstliche Intelligenz kann menschliche Schwächen haben

  • Das Erkennen von Sarkasmus im Web ist sogar für Menschen ein schwieriges Unterfangen – für eine künstliche Intelligenz ist es umso komplizierter.
  • Diesem Thema widmet sich Nicole Schwarz vom Software Competence Center Hagenberg (SCCH) in ihrer Arbeit.
  • „Ich arbeite dabei mit einem Deep Neural Network, das jeweils ein Convolutional Neural Network und ein Long-Short-Term Memory Network umfasst“, so Schwarz.
  • Daten sind zugleich das Thema, dem sich Sabrina Luftensteiner in ihrer Arbeit widmet.
  • Denn Vergessen ist kein menschliches Privileg, wie sie erklärt: Auch bei Maschinen ist das sogenannte „katastrophale Vergessen“ ein Problem.
  • In diesem Kontext sind auch zensurierte Daten ein Problem: Diese entstehen zum Beispiel durch physikalische Grenzen von Sensoren – sie führen zu einem verfälschten Modell, da die im Training genutzten Daten nicht den realen Daten entsprechen.

AI Kontextualisierung

Welche wirtschaftlichen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Auch Künstliche Intelligenz kann menschliche Schwächen haben

  • Das Erkennen von Sarkasmus im Web ist sogar für Menschen ein schwieriges Unterfangen – für eine künstliche Intelligenz ist es umso komplizierter.
  • Diesem Thema widmet sich Nicole Schwarz vom Software Competence Center Hagenberg (SCCH) in ihrer Arbeit.
  • „Ich arbeite dabei mit einem Deep Neural Network, das jeweils ein Convolutional Neural Network und ein Long-Short-Term Memory Network umfasst“, so Schwarz.
  • Daten sind zugleich das Thema, dem sich Sabrina Luftensteiner in ihrer Arbeit widmet.
  • Denn Vergessen ist kein menschliches Privileg, wie sie erklärt: Auch bei Maschinen ist das sogenannte „katastrophale Vergessen“ ein Problem.
  • In diesem Kontext sind auch zensurierte Daten ein Problem: Diese entstehen zum Beispiel durch physikalische Grenzen von Sensoren – sie führen zu einem verfälschten Modell, da die im Training genutzten Daten nicht den realen Daten entsprechen.

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Innovationsmanager:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Auch Künstliche Intelligenz kann menschliche Schwächen haben

  • Das Erkennen von Sarkasmus im Web ist sogar für Menschen ein schwieriges Unterfangen – für eine künstliche Intelligenz ist es umso komplizierter.
  • Diesem Thema widmet sich Nicole Schwarz vom Software Competence Center Hagenberg (SCCH) in ihrer Arbeit.
  • „Ich arbeite dabei mit einem Deep Neural Network, das jeweils ein Convolutional Neural Network und ein Long-Short-Term Memory Network umfasst“, so Schwarz.
  • Daten sind zugleich das Thema, dem sich Sabrina Luftensteiner in ihrer Arbeit widmet.
  • Denn Vergessen ist kein menschliches Privileg, wie sie erklärt: Auch bei Maschinen ist das sogenannte „katastrophale Vergessen“ ein Problem.
  • In diesem Kontext sind auch zensurierte Daten ein Problem: Diese entstehen zum Beispiel durch physikalische Grenzen von Sensoren – sie führen zu einem verfälschten Modell, da die im Training genutzten Daten nicht den realen Daten entsprechen.

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Investor:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Auch Künstliche Intelligenz kann menschliche Schwächen haben

  • Das Erkennen von Sarkasmus im Web ist sogar für Menschen ein schwieriges Unterfangen – für eine künstliche Intelligenz ist es umso komplizierter.
  • Diesem Thema widmet sich Nicole Schwarz vom Software Competence Center Hagenberg (SCCH) in ihrer Arbeit.
  • „Ich arbeite dabei mit einem Deep Neural Network, das jeweils ein Convolutional Neural Network und ein Long-Short-Term Memory Network umfasst“, so Schwarz.
  • Daten sind zugleich das Thema, dem sich Sabrina Luftensteiner in ihrer Arbeit widmet.
  • Denn Vergessen ist kein menschliches Privileg, wie sie erklärt: Auch bei Maschinen ist das sogenannte „katastrophale Vergessen“ ein Problem.
  • In diesem Kontext sind auch zensurierte Daten ein Problem: Diese entstehen zum Beispiel durch physikalische Grenzen von Sensoren – sie führen zu einem verfälschten Modell, da die im Training genutzten Daten nicht den realen Daten entsprechen.

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Politiker:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Auch Künstliche Intelligenz kann menschliche Schwächen haben

  • Das Erkennen von Sarkasmus im Web ist sogar für Menschen ein schwieriges Unterfangen – für eine künstliche Intelligenz ist es umso komplizierter.
  • Diesem Thema widmet sich Nicole Schwarz vom Software Competence Center Hagenberg (SCCH) in ihrer Arbeit.
  • „Ich arbeite dabei mit einem Deep Neural Network, das jeweils ein Convolutional Neural Network und ein Long-Short-Term Memory Network umfasst“, so Schwarz.
  • Daten sind zugleich das Thema, dem sich Sabrina Luftensteiner in ihrer Arbeit widmet.
  • Denn Vergessen ist kein menschliches Privileg, wie sie erklärt: Auch bei Maschinen ist das sogenannte „katastrophale Vergessen“ ein Problem.
  • In diesem Kontext sind auch zensurierte Daten ein Problem: Diese entstehen zum Beispiel durch physikalische Grenzen von Sensoren – sie führen zu einem verfälschten Modell, da die im Training genutzten Daten nicht den realen Daten entsprechen.

AI Kontextualisierung

Was könnte das Bigger Picture von den Inhalten dieses Artikels sein?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Auch Künstliche Intelligenz kann menschliche Schwächen haben

  • Das Erkennen von Sarkasmus im Web ist sogar für Menschen ein schwieriges Unterfangen – für eine künstliche Intelligenz ist es umso komplizierter.
  • Diesem Thema widmet sich Nicole Schwarz vom Software Competence Center Hagenberg (SCCH) in ihrer Arbeit.
  • „Ich arbeite dabei mit einem Deep Neural Network, das jeweils ein Convolutional Neural Network und ein Long-Short-Term Memory Network umfasst“, so Schwarz.
  • Daten sind zugleich das Thema, dem sich Sabrina Luftensteiner in ihrer Arbeit widmet.
  • Denn Vergessen ist kein menschliches Privileg, wie sie erklärt: Auch bei Maschinen ist das sogenannte „katastrophale Vergessen“ ein Problem.
  • In diesem Kontext sind auch zensurierte Daten ein Problem: Diese entstehen zum Beispiel durch physikalische Grenzen von Sensoren – sie führen zu einem verfälschten Modell, da die im Training genutzten Daten nicht den realen Daten entsprechen.

AI Kontextualisierung

Wer sind die relevantesten Personen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Auch Künstliche Intelligenz kann menschliche Schwächen haben

  • Das Erkennen von Sarkasmus im Web ist sogar für Menschen ein schwieriges Unterfangen – für eine künstliche Intelligenz ist es umso komplizierter.
  • Diesem Thema widmet sich Nicole Schwarz vom Software Competence Center Hagenberg (SCCH) in ihrer Arbeit.
  • „Ich arbeite dabei mit einem Deep Neural Network, das jeweils ein Convolutional Neural Network und ein Long-Short-Term Memory Network umfasst“, so Schwarz.
  • Daten sind zugleich das Thema, dem sich Sabrina Luftensteiner in ihrer Arbeit widmet.
  • Denn Vergessen ist kein menschliches Privileg, wie sie erklärt: Auch bei Maschinen ist das sogenannte „katastrophale Vergessen“ ein Problem.
  • In diesem Kontext sind auch zensurierte Daten ein Problem: Diese entstehen zum Beispiel durch physikalische Grenzen von Sensoren – sie führen zu einem verfälschten Modell, da die im Training genutzten Daten nicht den realen Daten entsprechen.

AI Kontextualisierung

Wer sind die relevantesten Organisationen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Auch Künstliche Intelligenz kann menschliche Schwächen haben

  • Das Erkennen von Sarkasmus im Web ist sogar für Menschen ein schwieriges Unterfangen – für eine künstliche Intelligenz ist es umso komplizierter.
  • Diesem Thema widmet sich Nicole Schwarz vom Software Competence Center Hagenberg (SCCH) in ihrer Arbeit.
  • „Ich arbeite dabei mit einem Deep Neural Network, das jeweils ein Convolutional Neural Network und ein Long-Short-Term Memory Network umfasst“, so Schwarz.
  • Daten sind zugleich das Thema, dem sich Sabrina Luftensteiner in ihrer Arbeit widmet.
  • Denn Vergessen ist kein menschliches Privileg, wie sie erklärt: Auch bei Maschinen ist das sogenannte „katastrophale Vergessen“ ein Problem.
  • In diesem Kontext sind auch zensurierte Daten ein Problem: Diese entstehen zum Beispiel durch physikalische Grenzen von Sensoren – sie führen zu einem verfälschten Modell, da die im Training genutzten Daten nicht den realen Daten entsprechen.