03.01.2020

#unchAIn, Teil 2: Können Maschinen das menschliche Gehirn kopieren?

Bei der Artikelreihe "#unchAIn - Demystifying AI" kooperiert der brutkasten mit Ms. AI, um Vorurteile rund um Künstliche Intelligenz zu entmystifizieren. Expertinnen beantworten dazu die heikelsten Fragen rund um das Thema KI. Heute widmen wir uns der Frage, ob Maschinen das menschliche Gehirn kopieren können.
/artikel/koennen-maschinen-das-menschliche-gehirn-kopieren
Kernel, Flux, Flow, Gehirn, Johnson Künstliche Intelligenz: Maschine kopiert Gehirn
(c) Stock.Adobe/peshkov - US-Unternehmen Kernel ermöglicht "On-Demand"-Funktion im Bereich Neuroscience.

Künstliche Intelligenz ist eines der wichtigsten Tech-Themen unserer Zeit – denn es gibt wohl keinen Bereich des politischen, wirtschaftlichen und gesellschaftlichen Lebens, der nicht das Potenzial hat, von KI grundlegend verändert zu werden. Zugleich gibt es in diesem  Bereich viele Falschinformation und überzogene Erwartungen. Bei dem Projekt „#unchAIn – Demystifying AI“ kooperiert der brutkasten mit Miss AI, um gängige falsche Vorstellungen zu entmystifizieren. Expertinnen der jeweiligen Felder – von Philosophinnen über Wissenschaftlerinnen bis zu Managerinnen aus der Wirtschaft – beantworten dabei in einer mehrteiligen Artikelreihe die wichtigsten Fragen zum Thema Künstliche Intelligenz.

+++Mehr zum Thema AI & DeepTech+++

Im ersten Teil der Serie über KI haben wir uns mit der Frage beschäft, was Intelligenz eigentlich ist. Im zweiten Teil der Serie beschäftigen wir uns mit der Frage, ob Maschinen das menschliche Gehirn 1:1 kopieren können. Die Fragen werden beantwortet von der AI-Expertin und Quantenphysikerin Dilek Demir, Isabell Claus, Co-Founder & Managing Director thinkers.ai, dem Philosophen Reid Blackman und Nancy Nemes, Founder Ms. AIA und #humanAIze, sowie CEO Nemes Ventures.

Ist es möglich, die Funktionen des menschlichen Hirns in einer Maschine zu kopieren?

Blackman: Es gibt die Theorie, dass das Fleisch und Blut des menschlichen Gehirns etwas Besonderes ist. Dementsprechend brächten auch Maschinen diese „Feuchtware“. Von dieser Theorie bin ich nicht besonders überzeugt. Ich verstehe nicht, warum wir nicht zum Beispiel synthetische Neuronen herstellen könnten. Oder synthetische Versionen von allem, was wir haben. Im Prinzip sehe ich also nicht, warum wir nicht alle Funktionen eines menschlichen Gehirns in eine Maschine kopieren könnten. Aber in der Praxis ist es außerordentlich schwierig. Die Komplexität des Gehirns selbst und der verschiedenen Umgebungen, in denen es gedeiht und verdorrt, ist so groß, dass ich skeptisch bin, dass wir es jemals herausfinden werden.

Nemes: Einige Forscher sagten vor mehr als 10 Jahren voraus, dass das menschliche Gehirn innerhalb von 10 Jahren repliziert werden könnte. Davon sind wir noch weit entfernt. Heutzutage verstehen wir nur 1 Prozent der Funktionsweise des menschlichen Gehirns. Was wir heute also replizieren können, beschränkt sich auf mechanische Aspekte wie das Screening und die Kartierung von Informationen von Programmen, die Zehntausende mal schneller sind als Menschen. Ich glaube, dass die vollständige Simulation des gesamten Gehirns am Computer eine weit entfernte Science-Fiction-Vision ist. Etwas, das, wenn es jemals zur Realität wird, komplexer sein wird als das menschliche Genom.

Claus: Wir nutzen die einzelnen Erkenntnisse rund um die menschliche Intelligenz als konzeptionelle Basis für maschinelles Lernen. Wir brechen also die Komplexität herunter und nehmen die grundlegenden Eigenschaften her, um dann mit Hilfe von Algorithmen und Modellen Nachbildungen zu erzielen. Das ist heute noch mit großem Aufwand verbunden und damit für die Befriedigung der menschlichen Neugier nicht ausreichend. Es liegt in der Natur des Menschen, hier nicht locker zu lassen bis immer bessere Lösungen gefunden sind.

Demir: Jedes Geschöpf in unserem Universum ist ein einzigartiges, komplexes System, das wir noch nicht erforscht haben. Das wird uns viel Zeit kosten, denn jede Funktion ist mit Konstruktionen wie Gefühlen, Gedanken und dem, was man Seele nennt, verbunden.

Ein Kopieren und Einfügen der Funktionen eines menschlichen Gehirns in eine Maschine wird nie passieren, denn wir sind einfach schlecht beim Verstehen der grundlegenden Prozesse im System. Wie soll ein Mensch, der keine Ahnung hat, wie er funktioniert, dieses Wissen eins zu eins in eine Maschine übertragen? Außerdem glaube ich nicht, dass wir das Wissen von Mutter Natur über die richtige Materialkonstruktion aufwerfen. Eine Funktion des menschlichen Gehirns benötigt auch die richtige Menge an Trigger-, Kühl-, Heiz- und Austauschfunktionen, um richtig zu funktionieren, und die Einbeziehung von Emotionen bringt eine weitere Komplexität mit sich. Die Simulation eines solchen „menschenähnlichen“ Systems würde eine große Menge an klassischer Rechenleistung erfordern.

Denken wir an das folgende Gedanken-Experiment:
Deine Mutter fragt dich: „Willst du Milch zum Frühstück?“
Deine Antwort: „Ja, bitte!“

Klingt sehr einfach, wenn man diese einfache, kleine Mutter-Kind-Interaktionssituation betrachtet und in verschiedene kleine Schritte zerlegt, die man versteht.
Was passiert hier?

  • Die Mutter-Kind-Verbindung, die dynamisch ist und sich von Zeit zu Zeit ändert.
  • Die Schnelligkeit, Stimme, Worte und Inhalte dieser Mutterfrage enthalten eine große Menge an Informationen, deren Diskussion mindestens 5 Stunden dauern würde.
  • Die Antwort des Kindes. Das Gefühl, die Stimme, der Inhalt, die Geschwindigkeit der Sprache.
  • Die Frage, warum sie Milch zum Frühstück trinken.
  • Die Entscheidungen, die sie innerhalb einer Sekunde treffen.
  • Das Wissen, dass sie Milch haben.
  • Die Art und Weise, wie sie interagieren, sprechen und die verschiedenen Gedanken, die sie gleichzeitig haben.
  • …und vieles mehr.

Die Analyse dieser Entscheidungen braucht eine Weile. Und die Erstellung eines Entscheidungsbaums, mit dem die Situation rekonstruiert wird, ist eine weitere Herausforderung.

Deshalb glaube ich nicht, dass ein Kopieren und Einfügen eines menschlichen Gehirns in eine Maschine vielleicht in der Zukunft möglich ist – aber derzeit müssen wir die aktuellen Probleme, die die Menschen in den letzten Jahren verursacht haben, beseitigen.

Welche Voraussetzungen muss eine Maschine erfüllen, um als „intelligent“ zu gelten?

Demir: Wir müssen diese Frage zuerst für uns selbst beantworten, bevor wir über Maschinen nachdenken.
Sicherlich erfordert eine „intelligente“ menschengemachte Maschine eine andere Art der Intelligenz als der Mensch selbst.
Beispiel: Ein achtsamer, intelligenter Mensch besitzt eine andere Art von Intelligenz als andere Menschen mit weniger Achtsamkeit. Maschinen wären nicht in der Lage, genau so zu „fühlen“ wie Menschen, und das würde direkt in eine andere „Intelligenzmatrix“ für Maschinen führen.

Nemes: Hier gibt es eine Definition von Alan Turing, Erfinder des Turing-Test, aus dem Jahr 1950: „Wenn ein Computer mit einem Menschen in einer textbasierten natürlichen Sprachumwandlung sprechen kann und einen Richter täuschen kann, dass er zumindest für einen Teil der Zeit denkt, dass es sich um einen Menschen handelt, wird er als intelligent angesehen“. Nach diesem Maßstab können die heutigen Sprachassistenten als intelligente Maschinen betrachtet werden, ebenso wie fahrerlose Autos, E-Mails, die Ihre Antworten vervollständigen, oder ein GPS-System. So werden unsere Maschinen intelligenter und die Zukunft wird mehr vernetzte Systeme bringen, die ihren Nutzen im täglichen Leben weiter steigern werden. Dennoch gilt: „Intelligenz“ ist schwer zu kategorisieren.

Claus: Wir haben gerade mehrere Jahrzehnte des Datensammelns und deren Verarbeitung in (nahezu) „unintelligenten“ Systemen hinter uns. Aus zukünftiger Sicht würde man die aktuellen Möglichkeiten der automatisierten Text- oder Bildverarbeitung wohl als die Anfänge der maschinellen Intelligenz bezeichnen. Ähnlich wie bei der Entwicklung des aufrechten Gangs des Menschen ist das ein Schlüsselereignis für eine sehr grundlegende Weiterentwicklung. Aufgrund des ökonomischen Potentials der Maschinenintelligenz werden wir mit großen Schritten zu einem „next level“ von Intelligenz kommen, also einem abstrakterem Ursache-Wirkung-Verständnis bei Maschinen.

Blackman: Es gibt einige Leute, die nie zulassen werden, dass eine Maschine intelligent sein könnte. Aber wie ich schon sagte: Ich verstehe nicht, warum das nicht passieren sollte. Ich bin schließlich damit einverstanden, dass ein Taschenrechner eine bestimmte Art von Intelligenz manifestiert. Ich denke auch, dass unser eigenes Gehirn eine Art Maschine ist, indem ich denke, dass unsere Gehirne und Körper alle physisch sind und der Verstand aus physischen Einheiten besteht (die Dinge, die Neurowissenschaftler natürlich studieren, aber auch die Moleküle und Atome, die diese Dinge ausmachen). Für mich müssen sie also nur etwas erreichen, das funktional gleichwertig aussieht wie andere Dinge, die wir bereits als intelligent bezeichnen.

„Aber sind diese Dinge wirklich intelligent oder scheinen sie nur intelligent zu sein?“, könnte jemand fragen. Aber auch das hängt nur davon ab, wie man den Begriff „Intelligenz“ verwenden will, und es ist nichts, worüber ich mir besonders Sorgen mache. Wenn wir jedoch über das Bewusstsein sprechen – etwas das Empfindungsvermögen, dann denke ich, dass die Frage zutiefst wichtig ist. „Fühlt es etwas oder scheint es einfach so, als würde es etwas fühlen?“ ist eine Frage mit tiefen ethischen Implikationen – und das ist etwas, worüber wir uns aufregen sollten.

Der nächste Teil der Artikelreihe erscheint am Freitag, 10. 1. 2010. 

Redaktionstipps
Deine ungelesenen Artikel:
27.01.2025

Open Source und KI: „Es geht nicht darum, zu den Guten zu gehören“

Nachlese. Die Nutzung von Open-Source-Modellen eröffnet Unternehmen auch im KI-Bereich weitreichende Möglichkeiten. Es gibt dabei aber auch einiges zu bedenken. Darüber und mehr diskutierten in Folge 5 von "No Hype KI" Stephan Kraft von Red Hat, Florian Böttcher von CANCOM Austria, Natalie Ségur-Cabanac von Women in AI und Patrick Ratheiser von Leftshift.One.
/artikel/no-hype-ki-folge-5
27.01.2025

Open Source und KI: „Es geht nicht darum, zu den Guten zu gehören“

Nachlese. Die Nutzung von Open-Source-Modellen eröffnet Unternehmen auch im KI-Bereich weitreichende Möglichkeiten. Es gibt dabei aber auch einiges zu bedenken. Darüber und mehr diskutierten in Folge 5 von "No Hype KI" Stephan Kraft von Red Hat, Florian Böttcher von CANCOM Austria, Natalie Ségur-Cabanac von Women in AI und Patrick Ratheiser von Leftshift.One.
/artikel/no-hype-ki-folge-5

„No Hype KI“ wird unterstützt von CANCOM AustriaIBMITSVMicrosoftNagarroRed Hat und Universität Graz.

Kollaborativ, transparent, frei zugänglich und nicht profit-orientiert – mit Open-Source-Software wird eine Reihe von Eigenschaften assoziiert. Und oftmals stehen bei der Nutzung ethische Überlegungen im Zentrum. Dabei gibt es auch ganz praktische Gründe, die für eine Verwendung durch Unternehmen sprechen – auch bei der Implementierung von KI-Anwendungen, ist Stephan Kraft, Community Advocate & Business Development OpenShift & Application Services bei Red Hat, überzeugt. In Folge fünf der Serie „No Hype KI“ diskutierte er dieses und weitere Themen mit Florian Böttcher, Solution Architect bei CANCOM Austria, Natalie Ségur-Cabanac, Policy Lead bei Women in AI und Patrick Ratheiser, Gründer & CEO von Leftshift.One.

„Thema ein Stück weit aus dieser emotionalen, moralisierenden Ecke herausholen“

„Ich will das Thema ein Stück weit aus dieser emotionalen, moralisierenden Ecke herausholen“, sagt Stephan Kraft. Für Red Hat als weltweit führenden Anbieter für Open-Source-Lösungen für Unternehmen gehen die Argumente für eine Nutzung nämlich weit darüber hinaus. „Es geht nicht darum, Open Source als Selbstzweck zu sehen, um zu den Guten zu gehören“, so der Experte. Tatsächlich sei die Verwendung von Open Source gerade bei der Etablierung von KI im Unternehmen für Startups und KMU eine wichtige Weichenstellung.

Offenheit, um Diskriminierung entgegenzuwirken

Auch Natalie Ségur-Cabanac sieht Open Source als „Key Technology“ im KI-Bereich. Für „Women in AI“ spiele die Offenheit eine zentrale Rolle: „Diese Offenheit braucht es, um Diskriminierung entgegenzuwirken.“ Open Source verbessere den Zugang für Frauen zur Technologie, die Abbildung von Frauen in den Daten und es vergrößere die Möglichkeiten in der Forschung. Man müsse aber auch aufpassen, ob Software wirklich so offen sei, wie behauptet, sagt sie bezogen auf die aktuellen Diskussionen rund um OpenAI, das sich – ursprünglich als offenes Projekt gestartet – zum profitorientierten Unternehmen entwickelte. Es brauche auch eine klare Definition, was „open“ sei.

Masse an Möglichkeiten

Leftshift.One-Gründer Patrick Ratheiser betont auch die schiere Masse an Möglichkeiten, die Open Source bietet. „2021 hatten wir weltweit Zugriff auf circa 5.000 Open-Source-Modelle. Jetzt sind es bereits mehr als eine Million.“ Die Nutzbarkeit sei also klar gegeben, zudem biete die Technologie eine gewisse Unabhängigkeit und werde über ihre Vielfalt zum Innovationstreiber.

Ist Open Source immer die beste Lösung?

Doch bedeutet das, dass Open Source immer die optimale Lösung ist? Ratheiser sieht das differenziert: „Es ist ganz wichtig zu erkennen, was der Kunde braucht und was in dem Fall gerade notwendig ist. Egal, ob es nun On-Premise, in der Cloud, Open Source oder Closed Source ist.“ Florian Böttcher von CANCOM Austria pflichtet hier bei: „Wir setzen genau so auf hybrid.“

Datenstruktur im Hintergrund ist entscheidend

Ein Thema, bei dem bei Open Source Vorsicht geboten ist, spricht Natalie Ségur-Cabanac an. Besonders wichtig sei es bei KI-Anwendungen, eine gute Datenstruktur im Hintergrund zu haben. „Die Verantwortung, dass ein Modell mit sauberen Daten trainiert worden ist, liegt bei den Anbietern. Bei Open Source verschwimmt das ein bisschen. Wer ist wofür zuständig? Das ist eine Herausforderung für die Compliance zu schauen, wo man selbst verantwortlich ist und wo man sich auf einen Anbieter verlassen kann.“

Compliance: Großes Thema – mehr Sichereheit mit professioneller Unterstützung

Stephan Kraft hakt hier ein. Genau aus solchen Gründen gebe es Unternehmen wie Red Hat, die mit ihrem Enterprise-Support für Open-Source-Lösungen die Qualitätssicherung auch im rechtlichen Bereich übernehmen. „Das ist ein ganz wichtiger Teil unseres Versprechens gegenüber Kunden“, so Kraft. Unbedacht im Unternehmen mit Open Source zu arbeiten, könne dagegen in „Compliance-Fallen“ führen, pflichtet er Ségur-Cabanac bei.

Das sieht auch Patrick Ratheiser als Thema bei Leftshift.One: „Unsere Lösung ist Closed Source, wir setzen aber im Hintergrund Open Source ein. Wichtig ist, dass wir dem Kunden Compliance garantieren können.“ Stephan Kraft empfiehlt Unternehmen bei der Open-Source-Nutzung: „Man kann nicht immer gleich die neueste ‚bleeding edge‘-Lösung nehmen sondern sollte etwas konservativer herangehen.“

Infrastruktur: Gut planen, was man wirklich braucht

Unabhängig davon, ob man nun Open Source oder Closed Source nutzt, braucht es für die Nutzung von KI die richtige Infrastruktur. „Es kommt natürlich auf den Use Case an, den ein Unternehmen umsetzen will. Da sind die Anforderungen an die Infrastruktur sehr unterschiedlich“, grenzt Florian Böttcher ein. CANCOM Austria unterstützt seine Kunden in genau der Frage. Anwendungen wie das Training von KI-Modellen würde aus gutem Grund kaum in Österreich umgesetzt. „KI ist sehr stromhungrig und entwickelt viel Hitze. Das ist schwierig für ein eigenes Data-Center im Unternehmen, gerade wenn man die Strompreise in Österreich ansieht“, so Böttcher.

„Rechenleistungs-Hunger“ von KI könnte sich in Zukunft verringern

Wichtig sei es letztlich, sich als Unternehmen sehr klar darüber zu sein, was man umsetzen wolle. „Danach, welche Software-Lösung man für seinen Use Case einsetzen muss, richtet sich auch die Infrastruktur“, so Böttcher. Er erwarte aber auch, dass die KI-Modelle im nächsten Entwicklungsschritt effizienter werden und der „Rechenleistungs-Hunger“ sich verringere.

Patrick Ratheiser ergänzt: „Es ist grundsätzlich eine Kostenfrage.“ Unternehmen müssten sich sehr gut überlegen, ob sie ein eigenes LLM (Large Language Model) betreiben und dieses sogar selbst trainieren wollen, oder lieber doch eine Usage-basierte Lösung wählen. Er sehe bei österreichischen Unternehmen – auch bei größeren – eine klare Tendenz zur zweiten Variante. „Es lässt sich deutlich schneller einrichten, ist kalkulierbarer und auch viel schneller skalierbar“, erklärt Ratheiser.

Etwa im Forschungsbereich sei es jedoch wichtig und notwendig, auch eigene LLMs und die damit verbundene Infrastruktur zu betreiben. Doch auch die Möglichkeit von hybriden Lösungen biete sich an. „Man kann mittlerweile auch Teile in der Cloud lassen und Teile On-Premise. Man kann etwa nur ein datenschutzsicheres LLM selbst betreiben“, erklärt der Experte, der auch bei der Wahl der genutzten Modelle einen hybriden Ansatz empfiehlt: „Man braucht nicht für alle Use Cases das neueste Modell. Manchmal braucht man überhaupt kein LLM.“

Datenschutz: Einige Herausforderungen bei LLMs

Stichwort: Datenschutz. Hier schafft die europäische Datenschutzgrundverordnung (DSGVO) im KI-Bereich besondere Herausforderungen, weiß Natalie Ségur-Cabanac, die vorab betont: „Ich persönlich halte die DSGVO für ein gutes Regulierungswerk, weil sie sehr viel Spielraum gibt. Ich sage immer: Datenschutz ist sehr komplex, aber nicht kompliziert.“ Konkret seien etwa der Grundsatz der Zweckbezogenheit, also dass man Daten nur für konkrete Zwecke einsetzen darf, und dass man sie minimierend einsetzen muss, relevant für den KI-Bereich. „Da haben wir schon einen Konflikt, weil man ja [bei LLMs] erst einmal schaut, was man aus möglichst vielen Daten machen kann“, so die Expertin.

Ist KI rechtlich innerhalb der EU sogar per se in einem Graubereich?

Auch Transparenzbestimmungen – sowohl in der DSGVO als auch im AI-Act der EU – seien zu beachten. „Wenn ich KI verwende, muss ich auch wissen, was drinnen ist“, fasst Ségur-Cabanac zusammen. Ist KI also rechtlich innerhalb der EU sogar per se in einem Graubereich? „Nein, das glaube ich nicht. Aber man muss seine Hausaufgaben schon gut machen“, sagt die Expertin. Wichtig sei daher auch die im Rahmen des EU-AI-Acts eingeforderte KI-Kompetenz in Unternehmen – im technischen und rechtlichen Bereich.

KI-Kompetenz als zentrales Thema

Patrick Ratheiser stimmt zu: „Neben der Technologie selber sind bei unseren Kunden die Mitarbeiter ein Riesen-Thema. Man muss sie nicht nur wegen dem AI-Act fit bekommen, sondern es geht darum, sie wirklich auf die Anwendungen einzuschulen.“ Wichtig seien dabei auch die Kolleg:innen, die sich bereits mit dem Thema auskennen – die „Pioniere“ im Unternehmen. „AI Literacy ist sicherlich das Thema 2025 und in nächster Zeit. So, wie wir gelernt haben, mit dem Smartphone umzugehen, werden wir es auch mit generativer KI lernen“, so Ratheiser.

„Einfach einmal ausprobieren“

Stephan Kraft ergänzt: Neben einer soliden Datenbasis und der notwendigen Kompetenz brauche es bei KI – gerade auch im Bereich Open Source – noch etwas: „Einfach einmal ausprobieren. Es braucht auch Trial and Error. Das ist vielleicht oft das Schwierigste für CFOs und Geschäftsführer.“ Dieses Ausprobieren sollte aber innerhalb eines festgelegten Rahmens passieren, damit die KI-Implementierung gelingt, meint Natalie Ségur-Cabanac: „Unternehmen brauchen eine KI-Strategie und müssen wissen, was sie mit der Technologie erreichen wollen.“ Auch sich mit den zuvor angesprochenen rechtlichen Anforderungen – Stichwort Compliance – zu beschäftigen, komme zeitlich erst nach der Festlegung der Strategie.


Die gesamte Folge ansehen:

Die Nachlesen der bisherigen Folgen:

Folge 1: “No Hype KI – wo stehen wir nach zwei Jahren ChatGPT?

Folge 2: “Was kann KI in Gesundheit, Bildung und im öffentlichen Sektor leisten?

Folge 3: “Der größte Feind ist Zettel und Bleistift”: Erfolgsfaktoren und Herausforderungen in der KI-Praxis”

Folge 4: KI-Geschäftsmodelle: “Wir nutzen nur einen Bruchteil dessen, was möglich ist”


Die Serie wird von brutkasten in redaktioneller Unabhängigkeit mit finanzieller Unterstützung unserer Partner:innen produziert.

No Hype KI
27.01.2025

Open Source und KI: „Es geht nicht darum, zu den Guten zu gehören“

Nachlese. Die Nutzung von Open-Source-Modellen eröffnet Unternehmen auch im KI-Bereich weitreichende Möglichkeiten. Es gibt dabei aber auch einiges zu bedenken. Darüber und mehr diskutierten in Folge 5 von "No Hype KI" Stephan Kraft von Red Hat, Florian Böttcher von CANCOM Austria, Natalie Ségur-Cabanac von Women in AI und Patrick Ratheiser von Leftshift.One.
27.01.2025

Open Source und KI: „Es geht nicht darum, zu den Guten zu gehören“

Nachlese. Die Nutzung von Open-Source-Modellen eröffnet Unternehmen auch im KI-Bereich weitreichende Möglichkeiten. Es gibt dabei aber auch einiges zu bedenken. Darüber und mehr diskutierten in Folge 5 von "No Hype KI" Stephan Kraft von Red Hat, Florian Böttcher von CANCOM Austria, Natalie Ségur-Cabanac von Women in AI und Patrick Ratheiser von Leftshift.One.

„No Hype KI“ wird unterstützt von CANCOM AustriaIBMITSVMicrosoftNagarroRed Hat und Universität Graz.

Kollaborativ, transparent, frei zugänglich und nicht profit-orientiert – mit Open-Source-Software wird eine Reihe von Eigenschaften assoziiert. Und oftmals stehen bei der Nutzung ethische Überlegungen im Zentrum. Dabei gibt es auch ganz praktische Gründe, die für eine Verwendung durch Unternehmen sprechen – auch bei der Implementierung von KI-Anwendungen, ist Stephan Kraft, Community Advocate & Business Development OpenShift & Application Services bei Red Hat, überzeugt. In Folge fünf der Serie „No Hype KI“ diskutierte er dieses und weitere Themen mit Florian Böttcher, Solution Architect bei CANCOM Austria, Natalie Ségur-Cabanac, Policy Lead bei Women in AI und Patrick Ratheiser, Gründer & CEO von Leftshift.One.

„Thema ein Stück weit aus dieser emotionalen, moralisierenden Ecke herausholen“

„Ich will das Thema ein Stück weit aus dieser emotionalen, moralisierenden Ecke herausholen“, sagt Stephan Kraft. Für Red Hat als weltweit führenden Anbieter für Open-Source-Lösungen für Unternehmen gehen die Argumente für eine Nutzung nämlich weit darüber hinaus. „Es geht nicht darum, Open Source als Selbstzweck zu sehen, um zu den Guten zu gehören“, so der Experte. Tatsächlich sei die Verwendung von Open Source gerade bei der Etablierung von KI im Unternehmen für Startups und KMU eine wichtige Weichenstellung.

Offenheit, um Diskriminierung entgegenzuwirken

Auch Natalie Ségur-Cabanac sieht Open Source als „Key Technology“ im KI-Bereich. Für „Women in AI“ spiele die Offenheit eine zentrale Rolle: „Diese Offenheit braucht es, um Diskriminierung entgegenzuwirken.“ Open Source verbessere den Zugang für Frauen zur Technologie, die Abbildung von Frauen in den Daten und es vergrößere die Möglichkeiten in der Forschung. Man müsse aber auch aufpassen, ob Software wirklich so offen sei, wie behauptet, sagt sie bezogen auf die aktuellen Diskussionen rund um OpenAI, das sich – ursprünglich als offenes Projekt gestartet – zum profitorientierten Unternehmen entwickelte. Es brauche auch eine klare Definition, was „open“ sei.

Masse an Möglichkeiten

Leftshift.One-Gründer Patrick Ratheiser betont auch die schiere Masse an Möglichkeiten, die Open Source bietet. „2021 hatten wir weltweit Zugriff auf circa 5.000 Open-Source-Modelle. Jetzt sind es bereits mehr als eine Million.“ Die Nutzbarkeit sei also klar gegeben, zudem biete die Technologie eine gewisse Unabhängigkeit und werde über ihre Vielfalt zum Innovationstreiber.

Ist Open Source immer die beste Lösung?

Doch bedeutet das, dass Open Source immer die optimale Lösung ist? Ratheiser sieht das differenziert: „Es ist ganz wichtig zu erkennen, was der Kunde braucht und was in dem Fall gerade notwendig ist. Egal, ob es nun On-Premise, in der Cloud, Open Source oder Closed Source ist.“ Florian Böttcher von CANCOM Austria pflichtet hier bei: „Wir setzen genau so auf hybrid.“

Datenstruktur im Hintergrund ist entscheidend

Ein Thema, bei dem bei Open Source Vorsicht geboten ist, spricht Natalie Ségur-Cabanac an. Besonders wichtig sei es bei KI-Anwendungen, eine gute Datenstruktur im Hintergrund zu haben. „Die Verantwortung, dass ein Modell mit sauberen Daten trainiert worden ist, liegt bei den Anbietern. Bei Open Source verschwimmt das ein bisschen. Wer ist wofür zuständig? Das ist eine Herausforderung für die Compliance zu schauen, wo man selbst verantwortlich ist und wo man sich auf einen Anbieter verlassen kann.“

Compliance: Großes Thema – mehr Sichereheit mit professioneller Unterstützung

Stephan Kraft hakt hier ein. Genau aus solchen Gründen gebe es Unternehmen wie Red Hat, die mit ihrem Enterprise-Support für Open-Source-Lösungen die Qualitätssicherung auch im rechtlichen Bereich übernehmen. „Das ist ein ganz wichtiger Teil unseres Versprechens gegenüber Kunden“, so Kraft. Unbedacht im Unternehmen mit Open Source zu arbeiten, könne dagegen in „Compliance-Fallen“ führen, pflichtet er Ségur-Cabanac bei.

Das sieht auch Patrick Ratheiser als Thema bei Leftshift.One: „Unsere Lösung ist Closed Source, wir setzen aber im Hintergrund Open Source ein. Wichtig ist, dass wir dem Kunden Compliance garantieren können.“ Stephan Kraft empfiehlt Unternehmen bei der Open-Source-Nutzung: „Man kann nicht immer gleich die neueste ‚bleeding edge‘-Lösung nehmen sondern sollte etwas konservativer herangehen.“

Infrastruktur: Gut planen, was man wirklich braucht

Unabhängig davon, ob man nun Open Source oder Closed Source nutzt, braucht es für die Nutzung von KI die richtige Infrastruktur. „Es kommt natürlich auf den Use Case an, den ein Unternehmen umsetzen will. Da sind die Anforderungen an die Infrastruktur sehr unterschiedlich“, grenzt Florian Böttcher ein. CANCOM Austria unterstützt seine Kunden in genau der Frage. Anwendungen wie das Training von KI-Modellen würde aus gutem Grund kaum in Österreich umgesetzt. „KI ist sehr stromhungrig und entwickelt viel Hitze. Das ist schwierig für ein eigenes Data-Center im Unternehmen, gerade wenn man die Strompreise in Österreich ansieht“, so Böttcher.

„Rechenleistungs-Hunger“ von KI könnte sich in Zukunft verringern

Wichtig sei es letztlich, sich als Unternehmen sehr klar darüber zu sein, was man umsetzen wolle. „Danach, welche Software-Lösung man für seinen Use Case einsetzen muss, richtet sich auch die Infrastruktur“, so Böttcher. Er erwarte aber auch, dass die KI-Modelle im nächsten Entwicklungsschritt effizienter werden und der „Rechenleistungs-Hunger“ sich verringere.

Patrick Ratheiser ergänzt: „Es ist grundsätzlich eine Kostenfrage.“ Unternehmen müssten sich sehr gut überlegen, ob sie ein eigenes LLM (Large Language Model) betreiben und dieses sogar selbst trainieren wollen, oder lieber doch eine Usage-basierte Lösung wählen. Er sehe bei österreichischen Unternehmen – auch bei größeren – eine klare Tendenz zur zweiten Variante. „Es lässt sich deutlich schneller einrichten, ist kalkulierbarer und auch viel schneller skalierbar“, erklärt Ratheiser.

Etwa im Forschungsbereich sei es jedoch wichtig und notwendig, auch eigene LLMs und die damit verbundene Infrastruktur zu betreiben. Doch auch die Möglichkeit von hybriden Lösungen biete sich an. „Man kann mittlerweile auch Teile in der Cloud lassen und Teile On-Premise. Man kann etwa nur ein datenschutzsicheres LLM selbst betreiben“, erklärt der Experte, der auch bei der Wahl der genutzten Modelle einen hybriden Ansatz empfiehlt: „Man braucht nicht für alle Use Cases das neueste Modell. Manchmal braucht man überhaupt kein LLM.“

Datenschutz: Einige Herausforderungen bei LLMs

Stichwort: Datenschutz. Hier schafft die europäische Datenschutzgrundverordnung (DSGVO) im KI-Bereich besondere Herausforderungen, weiß Natalie Ségur-Cabanac, die vorab betont: „Ich persönlich halte die DSGVO für ein gutes Regulierungswerk, weil sie sehr viel Spielraum gibt. Ich sage immer: Datenschutz ist sehr komplex, aber nicht kompliziert.“ Konkret seien etwa der Grundsatz der Zweckbezogenheit, also dass man Daten nur für konkrete Zwecke einsetzen darf, und dass man sie minimierend einsetzen muss, relevant für den KI-Bereich. „Da haben wir schon einen Konflikt, weil man ja [bei LLMs] erst einmal schaut, was man aus möglichst vielen Daten machen kann“, so die Expertin.

Ist KI rechtlich innerhalb der EU sogar per se in einem Graubereich?

Auch Transparenzbestimmungen – sowohl in der DSGVO als auch im AI-Act der EU – seien zu beachten. „Wenn ich KI verwende, muss ich auch wissen, was drinnen ist“, fasst Ségur-Cabanac zusammen. Ist KI also rechtlich innerhalb der EU sogar per se in einem Graubereich? „Nein, das glaube ich nicht. Aber man muss seine Hausaufgaben schon gut machen“, sagt die Expertin. Wichtig sei daher auch die im Rahmen des EU-AI-Acts eingeforderte KI-Kompetenz in Unternehmen – im technischen und rechtlichen Bereich.

KI-Kompetenz als zentrales Thema

Patrick Ratheiser stimmt zu: „Neben der Technologie selber sind bei unseren Kunden die Mitarbeiter ein Riesen-Thema. Man muss sie nicht nur wegen dem AI-Act fit bekommen, sondern es geht darum, sie wirklich auf die Anwendungen einzuschulen.“ Wichtig seien dabei auch die Kolleg:innen, die sich bereits mit dem Thema auskennen – die „Pioniere“ im Unternehmen. „AI Literacy ist sicherlich das Thema 2025 und in nächster Zeit. So, wie wir gelernt haben, mit dem Smartphone umzugehen, werden wir es auch mit generativer KI lernen“, so Ratheiser.

„Einfach einmal ausprobieren“

Stephan Kraft ergänzt: Neben einer soliden Datenbasis und der notwendigen Kompetenz brauche es bei KI – gerade auch im Bereich Open Source – noch etwas: „Einfach einmal ausprobieren. Es braucht auch Trial and Error. Das ist vielleicht oft das Schwierigste für CFOs und Geschäftsführer.“ Dieses Ausprobieren sollte aber innerhalb eines festgelegten Rahmens passieren, damit die KI-Implementierung gelingt, meint Natalie Ségur-Cabanac: „Unternehmen brauchen eine KI-Strategie und müssen wissen, was sie mit der Technologie erreichen wollen.“ Auch sich mit den zuvor angesprochenen rechtlichen Anforderungen – Stichwort Compliance – zu beschäftigen, komme zeitlich erst nach der Festlegung der Strategie.


Die gesamte Folge ansehen:

Die Nachlesen der bisherigen Folgen:

Folge 1: “No Hype KI – wo stehen wir nach zwei Jahren ChatGPT?

Folge 2: “Was kann KI in Gesundheit, Bildung und im öffentlichen Sektor leisten?

Folge 3: “Der größte Feind ist Zettel und Bleistift”: Erfolgsfaktoren und Herausforderungen in der KI-Praxis”

Folge 4: KI-Geschäftsmodelle: “Wir nutzen nur einen Bruchteil dessen, was möglich ist”


Die Serie wird von brutkasten in redaktioneller Unabhängigkeit mit finanzieller Unterstützung unserer Partner:innen produziert.

No Hype KI
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