Werden Autos zunehmend zu „Smartphones auf Rädern“? In dieser Folge von KI Insights begrüßen wir Kevin Rothe zu Gast – Wirtschaftsingenieur und Projektleiter bei Amazon Web Services (AWS) im Bereich Cloud-Technologien. Gemeinsam mit Moderator Prof. Dr.-Ing. Fabian Behrendt spricht er über seinen Werdegang vom Praktikum bei Audi bis in die Strategieberatung, Herausforderungen im Feld der Connected Mobility, sowie die Zukunft des autonomen Fahrens. Außerdem stellen sie sich der spannenden Frage, wie Vertrauen in KI-Modelle die Rolle von Manager*innen in einer datengetriebenen Entscheidungsfindung beeinflussen kann und welche Tools hierbei eine sinnvolle Unterstützung bieten.
Moderation: Prof. Dr.-Ing. Fabian Behrendt
Schnitt & Text: Julia Fritz
Transkript Staffel 1, Folge 11 Rothe
00:00:00
SPEAKER_00
Willkommen bei KI Insights, ein Podcast vom Projekt ZAKKI an der Hochschule
Magdeburg-Stendal. Hier teilen ExpertInnen verschiedenster Disziplinen ihre Einblicke
in die facettenreiche Welt der künstlichen Intelligenz. In der ersten Staffel erwarten Sie
Beiträge rund um das Thema KI-Technologien und Anwendungen, moderiert von David
Weigert und Prof. Dr. Fabian Behrendt.
00:00:27
SPEAKER_01
Herzlich willkommen zu unserer neuen Folge unseres Podcasts vom Mars KI Insights.
Mein Name ist Fabian Behrendt und ich begleite Sie heute wieder durch diese Folge.
Heute wollen wir mal einen stärkeren Branchenfokus in unsere Episode einnehmen. Und
dazu habe ich jemanden im Gespräch, dessen Wege sich mit Meideln schon vor gut
mehr als 13 Jahren bereits erstmalig gekreuzt haben. Ja, und wir werden dazu weiter auf
die Branche des Automobilbaus schauen, insbesondere im Automotive-Sektor. Und wir
wollen hier an die ganzen Themenstellungen auch um das Thema AI und Cloud
Computing eintauchen. Ja, dazu habe ich heute eine ganz besondere Persönlichkeit da.
Vorweg kann ich hier vielleicht noch eine kleine Aussage eines Studierenden aus
meinem Wintersemestermodul am Produktions- und Supply Chain Management
wiedergeben. Er war nämlich unser heutiger Gast für eine Gastvorlesung in Stendal
gewesen und der Studierende meinte, bitte laden Sie Herr Rote unbedingt für die
kommenden Semester wieder mit ein. Es war ein sehr spannender Referent, es war ein
super spannendes Seminar und er hat mich für seine Themen und seine Arbeit mehr als
nur begeistert. Und vielleicht mit diesem kleinen Auftaktstatement. Lieber Kevin,
herzlich willkommen. Du hast in Rostock Diplom Wirtschaftsingenieurwesen studiert,
2005 bis 2011, bist dann während deiner Studie auch nach Neckarsulm gewechselt. Da
haben wir uns kennengelernt, damals im Praktikum und du bist dann auch
weitergezogen nach Ingolstadt, hast dort deine Abschlussarbeit geschrieben, bist dann
auch bei der P3 Group im Automotive Bereich dort in der Beratung eingestiegen und hast
dann, glaube ich, in der Zeit auch viele verschiedene Automobilunternehmen kenneng
bis dann danach zurückgekehrt und 2019 dann zu StrategyAns gewechselt, eine
Unternehmensberatung aus dem Beratungsdetail PwC. Ja, seit 2021 hast du dann
nochmal einen kleinen Shift gemacht und bist nun bei Amazon, Amazon ABS, also
Amazon Web Services. Dort tätig als Executive Berater und Cloud Delivery Architekt für
International Cloud Technology Projects im Automotive Bereich. Ja, das vielleicht ganz
kurz zu dir, lieber Kevin. Und die haben schon gehört, du bist Ur-Stendaler. Vielleicht
kannst du uns da ja nochmal ganz kurz sagen, von Stendal nach Stendal. Kevin Rothe,
herzlich willkommen.
00:02:39
SPEAKER_02
willkommen. Ja, danke Fabian. Ich freue mich wirklich hier zu sein, jetzt an der
Universität oder an der Hochschule Stendal. Herzlich Willkommen. weil die über 13
Jahre Befinde war auch gar nicht geplant. Ich bin damals aus Kanada zurückgekommen,
aus einem Auslandssemester und wollte noch eine Diplomarbeit schreiben. Ich bin
dann irgendwie bei Audi in der Gasolben gelandet, weil sie einen Praktikanten gebraucht
haben und ich wollte gar kein Praktikum machen. Da habe ich dann gesagt, ich muss
noch ein Praktikum machen und dann können wir auch über eine Diplomarbeit
sprechen. Und das habe ich dann gemacht, war auch eine der schönsten Zeiten, die wir,
glaube ich, so hatten im Studium. Hat auch sehr Spaß gemacht dort. Und dann
anschließend stand dann die Entscheidung, bleibe ich bei Audi oder ziehe ich weiter
und bin dann in die Beratung gewechselt, weil warum nur einen Automobilhersteller
sehen, wenn ich sehr viele sehen kann, was da passiert und bin dort, hatte so in diesen
Bereich Connected Mobility eingetaucht, was ja damals so angefangen hat,
hochzufahren in der Automobilindustrie mit den ganzen Services, wie man es genannt
hat. genannt hat. Habe das auch eine ganze Weile in den USA gemacht, was eine
spannende Erfahrung war. Und dann mit meinem Wechsel in die Strategieberatung dann
von Solitary End eben als Boosting Company habe ich da mein Portfolio dann halt
nochmal auf Hörermanagement eben dann einfach erweitert. Jetzt mit dem Wechsel zu
ABS, das ist nicht aus der Not herausgekommen, sondern einfach aus der Sichtweise,
hey, da entwickelt sich was technologisch und ich möchte dabei sein. Kann ich das
überhaupt? Und glücklicherweise bin ich damals in diesen Advisory-Part reingerutscht,
also in den Beratungspart von ABS im Automobilbereich und konnte dann halt quasi die
Brücke schlagen, das, was ich heute noch tue, zwischen, was ist eigentlich der
strategische Fokus, der Business-Fokus unserer Kunden, dann dann auch in eine
Umsetzung mit der Technologie. In der Beratung vorher und bevor diese ganzen neuen
Technologien auch im Cloud-Bereich und KI, worüber wir heute sprechen, gekommen
ist, war man jetzt so in der Lage, auch Dinge zu entwickeln, also zu sehen, was da
passiert. Also das auch mal anzufassen, ja. Und das war spannend und das mache ich
heute noch. Das macht auch Spaß. Das war alles gar nicht geplant, weil viele fragen
mich, hast du das geplant und bist du wirklich in diese Richtung? Hast du das darauf
ausgelegt und nicht? Ich war sehr opportunitätsgetrieben in dem Augenblick.
00:04:48
SPEAKER_01
dem Augenblick. Du bist ja vielleicht ganz kurz Wirtschaftsingenieur und ich glaube, das
ist die Brücke, die ich auch immer wieder versuche, selber als Wirtschaftsingenieur zu
vertreten. Als Wirtschaftsingenieur muss man halt versuchen, die verschiedenen
Fachdisziplinen auch zusammenzukriegen. Und was ich so daraus höre, ist, dass du
genau das jetzt auch machst. Du kommst im Endeffekt eigentlich aus dem
Management, aus dem Beratungsbereich und gehst jetzt eigentlich sehr, sehr stark in
die Implementierungsprojekte und auch in die ganze Cloud-Architektur mit rein. Du hast
da wahrscheinlich auch nochmal eine ganz, ganz steile Mut, die ich mir anlernen kann,
aber auch du hast extrem viel Weiterbildung gemacht, extrem viele Zertifikate als
Projektmanager, dein MBA abgeschlossen. Also das war wahnsinnig viel, also auch in
den letzten zehn Jahren auch noch ein nebender Job eigentlich gemacht. Erstens, wie
schaffst du das alles? Und B, wie hast du so diesen Shift vielleicht von Beratung, von
diesen ständig wechselnden Anforderungen in jetzt zu einem sogar stärker noch
technologiebefregten Geschäft geschafft?
00:05:13
SPEAKER_00
da wahrscheinlich
00:05:37
SPEAKER_01
Geschäft geschafft?
00:05:40
SPEAKER_02
Also wie schaffe ich das alles nebenbei? Ich glaube, das ist, auch wenn man das auf
dem Papier liest, sieht das jetzt beeindruckend aus. Das hat sich natürlich über Jahre
aufgebaut. Und wie gesagt, das war anforderungsspezifisch. auch seit vielen, vielen
Jahren habe, die besten Inhalte und den Kunden dann auch mitzuteilen und das auch
aufzusetzen und zu zeigen, hey, so geht das, hat dann natürlich auch sehr geholfen. Jetzt
mit dem Shift in die Technologie, das war natürlich nochmal eine ganz andere Sache,
weil ich bin halt kein Computer Scientist oder kein Entwickler oder Programmierer von
Haus aus, das kann ich auch heute noch nicht. Wir hatten aber das
Wirtschaftsingenieurwissenschaftsstudio mit dem Business-Fokus, also am Ende
müssen wir ja alle Geld verdienen, ja, also es ist ja eine Ökonomie und wir wollen Geld
verdienen und Technologie ist halt, wie man hat auch immer so schön gesagt, ein
Enabler, um das besser oder noch besser für den Kunden oder am Ende noch besser
Geld zu verdienen, damit man noch tollere Sachen machen kann. Das war tatsächlich
eine große Herausforderung. Ich hatte da auch zum ersten Mal, seitdem ich dann auch
so mal so ein richtiges Technologieprojekt gemacht habe bei AVE, habe ich mal viel
Angst gehabt. Also ich bin zum Projekt gegangen und habe gesagt, ich weiß jetzt gerade
nicht alles. Und vorher war das immer so. Ich kann nicht mehr auf alles antworten. Und
die Lernkurve war gut und ist auch immer noch gut. Ich würde jetzt nicht behaupten,
dass ich sehr, sehr tief technologisch in den Themen bis auf die Programmierzahile
stecke. Ich habe aber sehr gutes Verständnis, um die Brücke zu schlagen zwischen
quasi den Menschen, die die Entscheidung treffen auf der Business-Seite. Wie gesagt,
ist ja sehr wichtig für ein Unternehmen. Und auf der anderen Seite, wie kann man das
besser tun mit Technologie? Aber es ist wirklich konstantes Lernen und auch gewillt zu
sein, sich dort dann immer wieder reinzudenken. Und mein
Wirtschaftsingenieurstudium hat da sehr geholfen, gerade an der Uni Rostock und auch
im Grundstudium, wo ich eigentlich zwei Studiengänge parallel hatte. Und das hilft mir
halt heute noch, diese Grundkonzepte überhaupt
00:07:32
SPEAKER_01
anzuwenden, ja. Also ganz, ganz spannendes Mindset auch in dem Bereich. Vielleicht
können wir noch mal ganz kurz verlinken zu der Podcast-Folge, die wir mit Nico Flohr
auch gemacht haben oder aufgenommen haben. Nico sagte nämlich auch gerade bei
den ganzen AI-Terms, das Wichtigste ist eigentlich, dass man das Thema
Datenkompetenz aufbaut, dass man die Grundstrukturen versteht. Ich glaube gerade
auch nicht nur das Wirtschaftsingenieurwesen, aber die Berufe, die gerade auch über
den Fachteil heran können hinausgucken und dafür eigentlich auch prädestiniert, da
vielleicht auch die Themen auch in der Breite mit zu verkörpern. Du sprachst vorhin von
dem Thema Connected Mobility. Da bist du mit damals auch gestartet in deiner ersten
Zeit. Das ist ja jetzt mittlerweile schon mehr als zehn Jahre her. Was hat sich denn da so
technologisch in den letzten zehn, zwölf Jahren da auch schon in diesem ausgehenden
Punkt, okay, Connected Mobility, die ersten Services, die sich im Automobilbereich so
entwickelt haben, bis heute so grundlegend auch verändert?
00:08:23
SPEAKER_02
Ja, das sind eigentlich zwei Themen. Also es ist einfach grundsätzlich mal die
Architektur, die wir in einem Fahrzeug haben. Und auf der anderen Seite auch diese
Datenanbindung in die sogenannte Cloud oder ins Backend, wie die Seite heißt. Auf der
Architekturseite im Fahrzeug hat sich in dem Sinne sehr verändert, dass sehr viel stärker
integriert wird. Bedeutet, seit 2000 ist ja so diese Elektrik, Elektronik ins Auto gekommen
und man hat ja super viele Sachen da machen können. Ja, dieses Auffahrassistent,
Tempomat und alle diese Dinge, die man kennt, die im Auto sehr viele kleine
Steuergeräte erfordern. Und auf diese Steuergeräte, das sind so kleine Computer,
konnte man sich das vorstellen, da liegt Software drauf und die hat man dann vernetzt
im Auto und die haben dann quasi diese Funktionalität dann erzeugt, die wir als Kunde,
wenn wir ein Auto gekauft haben, gesehen haben und konnten das nutzen. Und das ist
halt immer stärker geworden und hat immer zugenommen bis zu dem Punkt, dass man
ganz, ganz viele dieser Steuergeräte, auch über 100 teilweise, wenn man so ein
Premium-Fahrzeug wie BMW, Mercedes, Audi nimmt, im Auto gehabt hat, da wird es halt
eng irgendwann. im Auto gehabt da wird hat, es halt eng irgendwann. Und jetzt mit den
zusätzlichen technologischen Möglichkeiten, wie sich das verändert hat, wollte man
auch Services den Kunden anbieten in der Connected Mobility. Und Connected heißt ja
schon, ich muss irgendwas aus dem Auto heraus connecten über eine
Datenschnittstelle. Und das hat natürlich ganz große Implikationen auf das Fahrzeug.
Also gibt es Dinge, die ich jetzt über Software zum Beispiel updaten kann. Ja, das hat
sich verändert, dass ich das vorne, was ich im Bildschirm sehe, die sogenannte Head
Unit oder in dem Bildschirm, kann ich das Ich updaten. das hat sich Ja, verändert, dass
ich das was ich vorne, im Bildschirm die sogenannte sehe, Head-Unit oder in dem
Bildschirm, kann ich das updaten. Ich merke das an meinem Fahrzeug. Ich kriege
ständig Updates, die die Kunden zufrieden haben, die Customer Experience, die
Erfahrung auch einfach verbessert. Um da einen Schritt dann weiterzugehen, diese
ganzen Steuergeräte, die im Fahrzeug sind, werden jetzt noch weiter integriert, quasi in
eine Domain-Architektur oder eine Zonen-Architektur. Da gibt es dann mehrere
sogenannte Hochleistungskomputer im Fahrzeug, die halt quasi das alles integrieren.
Der Shift geht halt immer mehr zur Software. Also man macht es immer stärker
manipulierbarer, anpassbarer durch die Software und gibt dann halt auch der
Möglichkeit, das Fahrzeug halt einfach zu updaten. Also das Auto bekommt irgendwie so
ein Handy auf Rädern. Das ist so diese Zukunft. Und da geht es Also Verbindung dann
außerhalb des Autos, nicht nur das Auto als gekapseltes Transportmittel, sondern das
Auto bietet dir eine Experience und sehr, sehr viele Dinge.
00:10:35
SPEAKER_01
ein massiver Wandel auch verzogen hat oder bei vielen Unternehmen auch gerade erst
vollzieht. Es sind ja noch viele Automobilunternehmen, die auch gerade erst in diesem
Schiff, wie du es ja auch gesagt hast, gerade auch erst sind. Und gerade von dieser
kleinteiligen Systemarchitektur und der einzelnen Relais und Steuereinheiten erstmal
auf überhaupt eine zentrale Unit irgendwie umsteigen. Und ich glaube, da muss ja
grundlegend auch die ganze Architektur umgebaut werden. Und einige Unternehmen
machen das ja heute auch, glaube ich, schon und haben da auch schon guten
Zwischendurch auch hinbekommen in dem ganzen Bereich. Deswegen glaube ich, da
passiert gerade auch noch viel in dem Sektor und da werden wir auch viel in der
nächsten Zeit auch noch sehen. Vielleicht da nochmal ein Punkt, der da ja auch, glaube
ich, mit ganz stark auch zusammenkommt, ist das ganze Thema des autonomen
Fahrens. Das ganze Themenfeld basiert ja auch sehr stark auf Sensorik zum einen, also
Daten, die jetzt das Auto auch erhebt, die müssen verarbeitet werden, die müssen
abgeglichen werden. Dahinter müsste im Endeffekt auch eine Systematik stehen, die im
Endeffekt ausgelesen werden kann, ein Regelwerk oder sogar ein neuronales Netz
dahinter stehen, damit dieses überhaupt funktioniert. Vielleicht kannst du uns da
vielleicht nochmal ganz kurz was zu sagen, wie aus deiner Sicht das Thema autonome
Fahren gerade so im Automobilbereich umgesetzt wird, was da so die aktuellen Insights
sind. Ja, das autonome
00:11:48
SPEAKER_02
autonome Fahren ist natürlich ganz spannend. Ich glaube, ich habe ja von diesem
Spannungsfeld gerade gesprochen. Autonomes Fahren ist neben dieses ganze
Connected, was ich angesprochen habe und jetzt auch Sustainability, also Zero
Emissions, ein ganz großer Punkt, wo sich die Industrie auch hin entwickelt. ein ganz
großer wo sich die Punkt, Industrie auch hin entwickelt. Warum ist das so spannend?
Wenn ich jetzt mal zurückdenke an meine Beratungszeit in 2019, 2018, waren wir ja
damals der Meinung, auf Basis der Daten, die wir haben und auf diese ganz schnelle
Entwicklung im Bereich der autonomen Fahren, es gibt ja da fünf Level, das hast du ja
wahrscheinlich schon mal gehört oder einige, und wir waren der Meinung, dass so in
2024 24 heute, dann haben wir diese Level 5. Also wir haben keine, wir haben also
Autos, die fahren komplett ganz alleine, wir haben keine Lenkräder mehr im Fahrzeug,
können dann quasi unsere Zeit, die wir als Menschen haben, die wir verkehren und so
produktiv ernsten. Auf Basis von das, was wir gelernt haben und die Industrie gelernt
hat, ist das doch alles ein bisschen komplizierter, als man gedacht hat. Ja und da gibt es
ganz verschiedene Ansätze und du hast es angesprochen, die Sensorik, die ganz wichtig
ist, also wie nehme ich meine Umgebung auf? Wie verarbeite ich diese Daten in der
Umgebung? Wie treffe ich denn Entscheidungen? Heute im autonomen Fahren gibt es ja
sehr viele Inputfaktoren. Es gibt das Wetter, es gibt Sonneneinstrahlung in Kameras, also
dass die Kameras nicht sehen. Da gibt es dann andere Sensoriken, wie das
Ausgleichenradar oder diese LIDAR-Sensoren. Das sind diese kreisenden Sensoren, die
man manchmal so auf dem Auto sieht. Diese ganze Entwicklung ist halt auch natürlich
sehr kostenintensiv und der Fortschritt in diese Richtung ist jetzt nicht so steil, wie ich
das damals in meiner Beratungszeit gedacht hätte, wie wäre es, sondern es ist Schritt
für Schritt, weil sehr viele Regulatoren auch eingreifen. Es gibt auch die Minierstelle, die
sind schon Level 3+. Das heißt, man kann auf der Autobahn zu gewissen
Schwinnigkeiten autonom fahren. Das muss auch vom Gesetzgeber freigegeben
werden. Du kannst das halt aufgrund der juristischen Sachlage, muss auch ganz klar
sein, also was passiert denn, wenn was passiert? Das ist eine spannende Sache und da
sind die Unternehmen auch unterschiedlich schnell, diese Themen umzusetzen, weil es
extrem kostenintensiv ist. Die Sensorik, diese Entwicklung, Elektrifizierung ist ja auch
ein Thema, was noch nebenbei mitläuft, was ja auch sehr kapitalintensiv ist aufgrund
der Hardware und dann müssen diese ganzen Themen unter einem Dach gebracht
werden. Also ich bin davon überzeugt, dass wir irgendwann ein vollautonomes Level-5
Verfahren haben. Wann das soweit ist, kann ich nicht sagen, weil wir haben natürlich
noch sehr viele manuell gesteuerte Fahrzeuge, so wie ich mein Auto ja auch noch
teilweise fahre. Das birgt natürlich auch Risikopotenziale. Was kann jetzt natürlich KI
dafür tun? Wäre wahrscheinlich deine Frage dazu. Was kann KI im Bereich autonom
fahren tun? KI ist ja quasi nur eine Technologie, die Modelle entwickelt und uns dabei
hilft, im Sinne von sehr großen Datenmengen Muster zu erkennen und darauf auf Basis
der Muster eine Voraussage zu treffen. KI ist in jedem Sinne sehr wichtig, um diese
Modelle, die diese Fahrzeuge steuern, dieses Adjustieren, dieses Fine-Tuning,
Entscheidungen zu treffen, Daten zu verarbeiten, welche brauche ich denn eigentlich,
da wirklich die richtigen herauszufiltern und die richtigen Daten für die autonomen
Fahrmodelle dann einfach zu nutzen. Jetzt haben wir natürlich, und wir sprechen
nachher wahrscheinlich noch drüber, dieses generative AI, was ja jetzt in aller Munde
ist. Wir haben ja ganz verschiedene Chatbots auf den Märkten, also quasi eine
künstliche Intelligenz, die Dinge auch erzeugt, also textbasiert erzeugt.
00:15:04
SPEAKER_02
Und das bietet jetzt tatsächlich neue Möglichkeiten im autonomen Fahren, wo ich sehr
gespannt bin, wo sich das hin entwickelt, weil diese autonomen Fahrsysteme oder die
Software, die dahinter liegt, wird ja trainiert mit sehr vielen Daten. Und das Schwierige
ist, diese Test Cases, die man dort hat, zu erzeugen. Es gibt natürlich so eine Gauss
Kurve, kann man sich ja vorstellen. Klare Test Cases. Ich fahre auf eine Ampel zu, die
Ampel ist rot, alles ist klar, alles ist markiert, relativ einfach. Aber das Schwierige sind
die sogenannten Edge-Cases, die man sich dort dann anschaut. Also was ist, wenn die
Sonnenstrahlung ist, man muss auf einen bestimmten Daten-Input umschalten, es läuft
ein Kind über die Straße, von links läuft eine Katze über die Straße, einer fährt über die
Rot-Dame. Was passiert denn da eigentlich? Ich mache jetzt einen ganz wilden Case
auf. Und die generative AI kann uns da jetzt bei helfen, diese Fahrsituation, also diese
Edge Cases einfach zu erzeugen. Also wirklich Bilder zu erzeugen, mit denen diese
Modelle dann gefüttert werden können und dann trainiert werden können. Okay, das ist
ein Modell, die Situation kenne ich nicht. Die ist dann jetzt vorgelabelt und jetzt kann ich
das nutzen und ich kann auf Basis meiner Regeln reagieren und das, und da bin ich sehr
gespannt, wie sich da die Automobilindustrie diese Systematik zunutze
00:16:14
SPEAKER_01
macht. Das ist ja sehr faszinierend, das heißt, es ist gar nicht mehr so, wie jetzt zum
Beispiel, vielleicht aktuell ist es zum Beispiel Tesla, die ja auf ihre ganzen Fahrdaten
zurückgreifen und ihre ganzen Slot-Management und darüber jetzt die ganzen Daten
jetzt der Fahrer und Autos analysieren, sondern man kann einfach selber seine Cases
dann auch direkt erzeugen, die dann wiederum anlernen. Die meisten von uns haben die
generative AI eher so im Bereich Chat, Datenverarbeitung, vielleicht auch
Bildverarbeitung in den Bereichen eingesetzt, aber das wirkt dann nochmal ganz, ganz
neue auch Business Cases, die dahinterstehen, wo Unternehmen auch viel schneller
dann die Modelle auch umsetzen können und am Markt bringen können. Weil auch
immer die Thematik, zum Beispiel wenn man Richtung Tesla, Elon Musk schaut und
andere Unternehmen auch schaut, da kommt aber sehr stark das Thema auf, ja, bei
Tesla, die versuchen jetzt mit der neuen FSD-Beta-Version versuchen sie jetzt diese
Neuronal-Netze in dem autonomen Zahnnetz oder das komplett auf dem Neur ein
neuronales Netz umzustellen. Und das vielleicht versus das Thema regelbasierte
Festlegung. Wie ist da so eine Einschätzung? Braucht man beides? Hat man später nur
noch ein neuronales Netz, das im Endeffekt alle Situationen angelernt hat und darauf
reagieren kann? Oder braucht es immer noch ein bestimmtes Regelwerk dahinter? Wie,
wo der Ampel heißt, anhalten? Wie schätzt du das ein? Das ist natürlich jetzt eine sehr
philosophische Frage,
00:17:25
SPEAKER_02
eine sehr philosophische Frage, die wir jetzt hier diskutieren. Einfach aus dem Grund,
wo entwickelt sich der Verkehr der Zukunft eigentlich hin? Also nehmen wir jetzt an, und
das ist jetzt meine persönliche, ganz meine persönliche Sichtweise, alle Fahrzeuge auf
dieser Welt fahren autonom. Brauche ich denn eigentlich noch Ampeln? Wenn alle
Fahrzeuge vernetzt sind, dann passiert einfach nichts mehr. Also Reduktion des
Unfallsrisikos. Ich denke, wir können auf das regelbasierte als Input in Summe für die
nächsten Jahre nicht verzichten. Einfach weil der Individualverkehr ist ja natürlich
gewachsen über mehr als 100 Jahre weiter. Es geht auch um juristische Themen, die
man noch betrachten muss. Und auf der anderen Seite helfen natürlich diese
neuronalen Netze, also diese Modelle, die man dort füttert zum Lernen, natürlich
extrem, um die Zuverlässigkeit der Fahrzeuge in Summe oder der
Entscheidungsfähigkeit dazu zu verbessern. Also ich denke, es wird so einen Mittelweg
geben, dass man jetzt rein aus meiner Sicht nur auf neuronale Themen und Lernen
umschwenkt und das Regelbasierte dann vernachlässigt, denke ich erst mal nicht.
Vielleicht in 50 Jahren, 2050, wenn es keine normalen Fahrzeuge mehr gibt, vielleicht
haben wir irgendwann keine Ampel mehr. Vielleicht können ja Fußgänger einfach so über
die Straße laufen, so wenn man in Asien ist, wenn der Verkehr ist und man muss einfach
nur gleiche Geschwindigkeit laufen, die fahren um einen rum, ohne dass hier was
passiert. Das Schwarmprinzip, ja, man darf nur kein unvorhergesehenes Verhalten an
den Tag legen. Auf einmal anhalten, dann ist doof. Aber ich denke, bis dahin brauchen
wir auch Regeln im gewissen Grad, um dort auch die Sicherheit in der Summe für alle zu
überleisten. Vielleicht verlagert sich auch Verkehr auch in die
00:18:55
SPEAKER_01
verlagert sich auch Verkehr auch in die Luft. Da gibt es ja auch aktuell relativ viele
Startups, die in den Bereich auch einsteigen. Sozusagen das, dass wir irgendwann
vielleicht sogar auch auch vertikalenkehr da noch mit noch weiter haben. Was sind denn
so andere Themen im Automobilbereich, wo das Thema KI aktuell eine große Rolle
spielt? Es wird ja nicht nur das autonome Fahren sein, ich vermute mal auch auf
Unternehmensebene, auf Produktionsebene. Ich habe ja vorhin
00:19:19
SPEAKER_02
gesagt, das Thema ist sehr breit und so diese Point Solutions hier und da, da gibt es halt
eine ganze Menge und wir sprechen ja in der Automobilindustrie und quasi diese Value
Chain, ja, wie entsteht eigentlich so ein Auto von vorne bis hinten? Der Startpunkt ist gar
nicht immer die KI, von der wir gehen, weil KI ist ein Tool, also ist eine Technologie, die
wir nutzen. Also wenn ich mit unseren Kunden spreche, auch auf Executive Level, ist halt
immer so die Frage, ich habe ja die ganzen Daten, was kann ich mit denen eigentlich
machen? Und wenn man in diese Gespräche dann weiter reingeht, geht man halt immer
noch ein Level tiefer und sagt, was kann ich eigentlich mit meinen Daten besser
machen? Oder wie müssen meine Daten eigentlich sein, damit ich bestimmte Themen
tun kann? Oder wie kann ich meine Daten um meinem ganz wichtig, nutzen, Kunden, wir
sind wieder auf der um jetzt Business-Seite, meinem Kunden, ich spreche ja von der
Automobilindustrie, noch ein viel besseres Kundenerlebnis zu bieten. Also, dass der
Kunde schon beim Einkaufsprozess viel stärker digital unterstützt wird, ihm die
Entscheidung abzunehmen, was gut ist, oder auf der anderen Seite auch zu sagen, wo
schaut der Kunde denn in so einen Online-Konfigurator rein? Was ist denn eigentlich gut,
was nicht? Kann ich damit mein Produkt-Fortfolio verbessern? Was auch ein ganz
großes Thema ist, ist auch mal so die so genannte Bottomline, wenn man halt auf so
eine Bilanz guckt, also was unterm Strich bleibt. Wie kann ich eigentlich diese
Technologie nutzen, um effizienter zu werden? Man automatisiert ja heutzutage schon
sehr stark oder schon seit vielen Jahren sehr stark Betriebsprozesse. Das macht man ja.
Aber diese KI ist noch in der Lage, einen Schritt weiter zu Und worum es sich ja auch in
einer sehr businessgetriebenen Welt stark gehen. das macht man aber diese KI ist noch
in der einen Schritt Betriebsprozesse, ja, Lage, weiter zu gehen und worum es sich ja
auch in einer sehr businessgetriebenen Welt immer dreht, ist es, kann ich meine
Entscheidungsfähigkeit, also meine Qualität der Entscheidung so weiter erhöhen, dass
ich eine sehr hohe Sicherheit habe? Und wenn man das wieder zurückspiegelt auf diese
ganzen Trends, die in der Automobilindustrie gerade verfolgt werden, also
Elektrifizierung, Sustainability, autonomes Fahren. Dann hohe Customer- oder
Kundenpersonalisierung. Wie gesagt, das sind sehr viele Themen, das kostet sehr viel
Geld. In was investiere ich und was lieber nicht? Zusammenfassend gesagt, es geht
immer um die Nutzung von Daten. Wie kann ich die Daten so zusammenbringen, um
dann am Ende die Technologie wie KI einzusetzen? Jetzt kann man das natürlich
nehmen und kann sagen, okay, jetzt habe ich die ganzen Daten, was mache ich damit?
Jetzt kann ich KI lösen. Die BRW Group zum Beispiel hat einen sogenannten Cloud Data
Hub aufgebaut. Das ist quasi ein Data Mesh, Data Lake, wo sie relativ früh realisiert
haben, vor einigen Jahren, können wir unsere Daten an einen zentralen Ort lagern, so
damit wir, wenn wir neue Dinge, in dem Fall in der Cloud, bauen und diese Daten, die da
wieder raus sind, also diese Daten, Data Assets, wenn wir neue Dinge, in dem Fall in der
Cloud, bauen und diese Daten wieder raus haben, also diese guten Data Assets, können
wir die anderen Leuten zur Verfügung stellen. Also quasi so eine Data Community
aufbauen. Es gibt Leute oder Bereiche, die produzieren Daten und andere, die möchten
Daten konsumieren. Und oftmals, das ist ja immer so das 80-20-Prinzip, 80% der
Themen kann man mit 20% der Daten eigentlich auch lösen. Das in einen einheitlichen
Data Lake oder ein Data Mesh zu bringen mit einheitlichen Regeln und einheitlichen
Qualitätsanforderungen hilft da tatsächlich dann sehr, um dann diese KI dann zu nutzen.
Ich habe mal ein Projekt geleitet und wir haben auch jetzt bei AWS auch eine tolle
Solutions dazu. Die dreht sich halt um Investmententscheidungen für bestimmte
Themen. Nehmen wir jetzt mal zum Beispiel an, in einem Dealer, also quasi in einem
Autohaus geprägten Unternehmen und die ihre Fahrzeuge dann quasi der OEM, der
Automobilhersteller verkauft seine Autos dann an das Autohaus. Die haben ja auch eine
Planung, wie viele Autos sie produzieren möchten über einen bestimmten Zeitraum und
mit dieser Planung werden
00:22:45
SPEAKER_02
mit dieser Planung werden auch die Werke ausgelastet. Also es ist ein sehr komplexes
Spiel, was da passiert. Jetzt möchte man natürlich auch dafür sorgen, dass diese Autos
verkauft werden und welche Autos werden in bestimmten Märkten besser verkauft,
andere Autos werden in anderen Märkten ein bisschen schlechter verkauft und die ein
bisschen schlechter verkauft werden. Da möchte man was tun. So kann man
sogenannte Incentives in den Markt geben. Also ich kann zum Beispiel rabattieren,
bestimmte Fahrzeugpreise, ich kann dem Autohändler einen gewissen Geldbetrag
geben, der das an den Kunden weiterreicht und die Themen. Um dann quasi die
Verkaufsmenge, also die Verkaufsmenge zu erhöhen und am Ende auch unterm Strich
auch einen Profit daraus zu schlagen. Also man möchte ja damit Geld verdienen. Und es
wurde halt sehr viel auf erfahrungsbasierte Vertriebler, wurden diese Entscheidungen
getroffen, diese Planungen wurden angepasst und hat man irgendwann in einem
Zeitraum gesehen, und hat es funktioniert nicht oder nicht. Da kann zum Beispiel KI jetzt
ins Spiel kommen. Man fährt diese ganzen Daten zusammen, die man dort hat. Und die
KI ist halt in der Lage, ein Modell zu entwickeln, was bestimmte Beziehungen zwischen
diesen ganzen Dateninputs entsprechend zu lokalisieren und auch zu identifizieren. Und
damit kann man jetzt, anstatt rückwärtig zu schauen, was ist passiert, was man mit
Analytics sehr, sehr stark macht, um dann abzuleiten, okay, was könnten wir in der
Zukunft machen, geht man jetzt in den Bereich mit KI, mit dieser Lösung in einem
sogenannten Predictive, also in einer Prognose, die relativ sicher dann halt auch ist. Also
wie viel muss ich jetzt in ein bestimmtes Modell für einen bestimmten Markt
investieren? Wie lange muss ich das tun? Wann kann ich das deinvestieren? Und kann
ich jetzt schon bevor ich das gemacht sehen, wie ist die Prognose habe, hinsichtlich?
Wie viel Volumen könnte ich damit erhöhen? Wie hoch ist mein Deckungsbeitrag zum
Beispiel? Und das ist ganz spannend und das kann KI lösen. Also die Muster in großen
Datenmengen zu erkennen, was wir als Menschen gar nicht lösen können, also diese
neuronale Netze und alles, was da drumherum ist, ein richtiges Modell zu finden, den
Lösungsraum aufzuspreizen und dann eine Prognose in die Zukunft zu bringen. Und das
kann KI, also diese Mustererkennung. Das ist ein Beispiel davon. Wir als Menschen sind
00:24:43
SPEAKER_01
sind ja gar nicht mehr dazu in der Lage, auch im Detail die Daten auch so auszuwerten,
die Zusammenhänge dazwischen auch zu verstehen. Jetzt vielleicht auf der anderen
Seite, aber vielleicht jetzt auch nochmal die Gegenfrage auch dazu, wie können wir denn
aber auch dann das Vertrauen in die KI-Modelle aufbauen? Das Stichwort vielleicht
Blackbox-AI oder auch Trusted-AI. Im Endeffekt, das Modell wurde jetzt vielleicht
angelernt auf Grundlage von historischen Daten und hat jetzt ein bisschen auch
vielleicht durch, je nachdem, ob es jetzt vielleicht ein Re-Enforcement Learning ist, ob
das jetzt ein bestärktes, nicht bestärktes Lernen ist und so weiter. Das Modell hängt ja
davon ab. Aber grundsätzlich, wie können wir denn dafür Sorge leisten, dass danach der
Manager dann auch trotzdem noch die richtige Entscheidung trifft? Oder bleibt es einem
Manager doch ein Bauch für der KI zu vertrauen?
00:25:30
SPEAKER_02
Spannendes Thema. Das ist natürlich auch wieder eine philosophische Frage, weil
natürlich Welten der Management-Entscheidung hier aufeinander trifft. Es gibt natürlich
dort die alte Welt vieler Manager, die natürlich auf Basis von Erfahrung, auf Heuristiken,
das was man erlebt hat, also Experience,
00:25:47
SPEAKER_02
Based Decision Making, dort zurückgreifen und dann gibt es natürlich diese ganzen
neuen Themen. Mit der Technologie, die da in der Lage ist, dort eine Hilfestellung zu
leisten. Und das ist ganz wichtig. Die KI-Modelle und was da rauskommt, ist nicht dazu
da, um jetzt Manager zu ersetzen. Oder im Endeffekt, dass der Mensch dann drauf
schaut und da so blind drauf vertraut. Diese Modelle, die sehr gut gemacht sind, also es
geht auch wieder um Daten, alles was reingeht und wie ich das baue, so gut es ist und
so wie das lernt ihr dann auch mit der Zeit. Deswegen heißt es ja auch Lernmodelle und
die sind dann halt in der Lage, sich dann auch zu verbessern. Aber es ist immer eine
Hilfestellung. Eine Hilfestellung, um auch für schwierige Fälle zum Beispiel eine
Prognose zu geben, die dann auch so viel Daten hinterlegt, dass man für sich sicher sein
kann, okay, vielleicht sollten wir in dem Bereich diese Entscheidung hier treffen. Ich
glaube, das wird sich in den nächsten Jahren und Jahrzehnten noch verändern. Je besser
die Modelle und je mehr das auch Einzug in eine Industrie hält, weil datengetriebene
Entscheidungsfähigkeit ist ja das Stichwort, also man möchte ja sehr sicher sein, da
wird sich auch die Entscheidungsrundlage verändern. Wird man den Mensch komplett
aus einer komplexen Entscheidungsfindung herausnehmen? Glaube ich nicht. Wo es
wahrscheinlich einfacher ist, wenn man ganz simple Aufgaben hat, die man
automatisieren kann mit diesen Themen. Also ganz einfach. Kann sein, dass es da
bestimmte Themen gibt, wo man auf eine KI vertrauen kann. Aber das ist das Modell
dann auch nicht komplex. Aber je komplexer die Entscheidungen sind, da wird immer
ein Mensch darauf schauen, was auch wichtig
00:27:21
SPEAKER_01
ist. Gibt es andere Beispiele im Automotive-Bereich, wo du sagst, das hat sich so in den
letzten Jahren stark revolutioniert und da spielt das Thema AI auch eine ganz, ganz
wichtige Rolle? Das Thema Supply Chain ist halt da sehr
00:27:31
SPEAKER_02
Thema Supply Chain ist halt da sehr wichtig, weil in der Supply Chain fallen ja auch sehr,
sehr viele Daten wie immer an. Also man hat ja sehr viele Player in der Supply Chain, wo
Kaida halt einfach auch helfen kann, ist natürlich auch in Sonderfällen in der Allokierung
von, wie plane ich dann bestimmte Ausstattungsvarianten für mein Fahrzeug,
insbesondere wenn man jetzt auf Corona zurückschaut. Corona hat ja natürlich viele
Supply Chains an den Rand oder auch an den Rand des Zusammenbruchs gebracht und
das ist natürlich schwierig, weil die Automobilindustrie hier diese situation die war ja
neu ja also die war ja wirklich neue wann können wir was erwarten der ganze
lieferverkehr war zum teil eingestellt am ende musste aber auch dann weiter produziert
werden und hier in der supply chain kann natürlich auch die die ki helfen da gibt es es
dann auch Lösungen und entsprechende dann Beispiele, wie zum Beispiel ein
Automobilhersteller dann einfach in der Lage war, auf Basis der ganzen Daten, die sie
dort zur Verfügung haben, also welche Fahrzeuge wollen wir eigentlich produzieren,
welche Fahrzeuge hat der Kunden bestellt und hier geht es auch um die
Sonderausstattung, weil man kann ja in bestimmten Fahrzeugen Sonderausstattung,
gerade wie am deutschen Markt, wir bestellen ja dann unsere Fahrzeuge so meistens
und dann warten wir sechs Monate, dann bekommen wir das. Andere Märkte wie die
USA sind da halt anders. Die haben dann das sogenannte Build-to-Stock, haben dieses
Prinzip. Also da werden bestimmte Varianten gebaut. Die werden bei denen auf den Hof
gestellt und du gehst als Kunde hin und kaufst das Fahrzeug vor Konfiguration. Das sind
andere Märkte wie der deutsche zum Beispiel anders. Jetzt ist halt dann die Frage,
welche Fahrzeuge müssen wir dann jetzt eigentlich produzieren und welche Teile
können wir dann eigentlich bekommen auf Basis der Informationen, die wir von unseren
Lieferanten bekommen haben, um a, unsere Produktionslinien maximal auszulasten mit
dem, was wir haben und welche Kunden sollten wir dann eigentlich jetzt hier
bevorzugen, damit auch jeder das Fahrzeug bekommt, was er hat mit einer bestimmten
Ausstattung und können wir Ausstattungsthemen bündeln. Themen sind da
Ausstattungs- und Teile sind betroffen von anderen. Betroffen von diesem Engpass gibt
es Teile, die sind davon nicht betroffen. Also die Halbleiter waren ja auch ein ganz großes
Thema, glaube ich. Die dort betroffen waren und man braucht Halbleiter im Fahrzeug,
diese Chips, um sehr viele Dinge dann auch einfach umzusetzen. KI hat dann hierbei
geholfen. Es waren dann in der Lage, quasi diese ganzen Ausstattungsvarianten, die es
gibt, und auch diese Teile so zu planen und so eine Prognose zu liefern, dass man dort
das Produktionsprogramm für die Sondersituation Corona und den Zusammenbruch der
teilweise Supply Chains weltweit durch die Globalisierung dann einfach abzufedern.
Also diese Muster zu erkennen, was wird eigentlich gekauft? Wann muss ich das
eigentlich haben? In welcher Menge muss ich das haben? Brauche ich eigentlich genau
das für den oder kann ich das irgendwie umswitchen? Und da merkst du, das sind so
viele komplexe Informationen notwendig, um diese Entscheidung zu treffen. Das ist sehr
schwierig für den Menschen, so einfach zu erzeugen. Also da gibt es sehr viele, sehr
große Teams, die sich damit beschäftigt haben oder beschäftigen. Und die KI unterstützt
ja einfach diese Entscheidungsfindung einfach deutlich besser zu treffen. Nimmt
natürlich den Menschen nicht raus, um das zu prüfen. Die Algorithmen lernen ja
natürlich auch.
00:30:44
SPEAKER_01
Wie siehst du den zukünftigen Einsatz? Das ist wahrscheinlich auch wieder eine
philosophische Frage, die wir hier führen, aber auch eine ethische Frage inbekommt
oder
00:30:58
SPEAKER_02
eine ethische Frage inbekommt oder generell, wie das ja natürlich auch bei AWS
Märkten ist, ist halt die generative AI. Das ist das Thema und die Thematik ist dahinter
jetzt oder die unterliegende Thematik ist, was mache ich jetzt eigentlich damit? Viele
Unternehmen, dadurch, dass wir diese technologischen Möglichkeiten haben, was jetzt
sehr steil geht, also es nach oben geht und es gibt so viele Möglichkeiten des Einsatzes.
Es ist halt sehr wichtig dort, wo setzt sich das ein und macht das Sinn? Viele
Unternehmen sind gerade jetzt noch in der Experimentierphase, also die sogenannten
richtigen Use Cases zu finden, um gerade KI oder die generative AI einzusetzen und ich
glaube, es wird zwei große Strömungen geben. Eine Strömung ist die Topline, also neues
Business zu generieren, also neue Möglichkeiten dadurch, neue Geschäftsmodelle. Was
das sein mag, ist sehr schwierig. Das wird sich herauskristallisieren. Was aber klarer ist,
die sogenannte Bottomline, also quasi Effizienzsteigerung mithilfe von diesen
Technologien. Da kann es jetzt zum Beispiel sein, wenn wir uns jetzt mal den
Entwicklungsprozess im Fahrzeug anschauen. Testdokumentationen während der
Entwicklung, wenn du halt ein bestimmtes Fahrzeug entwickelst. Oder wenn wir agiles
Software entwickeln, da werden ja User Stories kreiert und viele Entwickler entwickeln
gerne, aber diese ganze Dokumentation dahinter kostet sehr viel Zeit und macht doch
nicht immer Spaß. Generative AI kann da helfen, dort deutlich schneller und effizienter
zu sein. Was auch ein sehr großes Thema ist, Dokumentation zusammenzufahren und
für eine organisatorische Effizienz sehr schnell eine Antwort zu bekommen. Also wie
kann ich meinen Computer richtig aufsetzen? Wo fahre ich da an? Das sind ganz banale
Themen wahrscheinlich, aber die Generative AI hat die Möglichkeit, quasi auf diese
Daten zu schauen und durch ein simples Prompting, also eine Frage, werden aus diesen
Daten ja eine Antwort erzeugt, was natürlich hilft.
00:32:57
SPEAKER_02
die sie nicht die gehen nutzen, natürlich so ein Skript durch. Wenn man mal eine Frage
außerhalb dieses Skriptes stellt, dann wird man weiter verbunden. Ich diese Frustration
glaube, haben viele von uns gemerkt. Jetzt ist in der Lage das mit generativer AI,
natürlich, mit Chatbots auf Basis von Dateninputs zu erweitern, die eine Antwort hat und
einem besser helfen kann. Auf der anderen Seite halt auch den Callcenter-Agent dort zu
unterstützen, eine gute Antwort dem Kunden bestmöglich zu helfen. Gehen wir wieder
zurück in die Entwicklung von Software.
00:33:29
SPEAKER_02
Code-Generierung wird ein Thema sein. Ja, also man kann quasi diese Large-Language
Models auf seinen eigenen Code trainieren, den man im Unternehmen hat, wie man das
tut, wie man das macht. Bestimmte Restriktionen, bestimmten Stil. Die Code
Generierung ist viel schneller, weil die AI in der Lage ist, die muss dazu erkennen und
schlägt dann schon vor, ohne dass ich das selber tippen muss. Quasi ist ein
Downstream-Impact. Man kann da nicht sofort einen geltlichen Kosteneinsparung
dahinter legen, außer wenn man die Arbeitszeit rechnet. Aber dieser Downstream
Impact, ich kann mich auf die wichtigen Dinge konzentrieren. Ich kann schnell besseren
Code schreiben. Ich kann ihn schneller testen. Ich bin schneller im Markt. Ich habe ja
auch diese Filterzeugung für autonomes Fahren. Das wird ein Thema sein. Da wird die
Welt hingehen. Also wie kann ich mein Arbeitsleben erleichtern? Wie kann ich einfach
besser Dinge produzieren mit einer höheren Qualität? Weil der Mensch ist ja immer eine
Fehlerquelle. Ja, merke ich selber, wenn ich vor Jahren vor einer Excel-Liste gesessen
habe mit 1000 Zeilen oder 2000, musste bestimmte Sachen rausfiltern, bis man das
aufbereitet hat und so und das gemacht hat. Und da hat man mal auch Sachen
übersehen. Die neuen Technologien helfen einem dabei, eben solche Sachen dann
nicht zu übersehen. Da wird die Welt hingehen. Also diese Effizienzsteigerung, denke ich
mal, wird ein großer Punkt sein, der die Arbeitswelt da verändern wird. großer Punkt der
die Arbeitswelt da verändern wird. Der sein, wird nicht den Menschen ersetzen, auf
keinen Fall. Der wird nicht den Menschen auf keinen ersetzen, Fall. Es wird aber
zusätzlich da helfen, bestimmte Dinge, die man immer wiederholt, einfacher zu
gestalten und auf der anderen Seite Freiraum zu schaffen, sich auf wichtige, kreative
Sachen zu konzentrieren.
00:34:57
SPEAKER_01
Ja, vielleicht jetzt aber eine kleine kritische Anschlussfrage, vielleicht auch zum
Nachdenken noch für unsere Zuhörer. Wird das dann vielleicht auch dazu führen, dass
einige Unternehmen da natürlich auch auf der Strecke bleiben? Also gerade wenn so
eine Technologie auch disruptiv da auch Unternehmen innoviert, wird es Unternehmen
geben, die vielleicht gar nicht die Möglichkeiten haben, vielleicht entweder die
technologische Tiefe nicht haben oder den monetären Support. Das im Endeffekt
entsprechend zu implementieren, wird es Unternehmen geben, die dann wieder auf der
Strecke bleiben? Also wird die Fälle da sogar noch größer, die die größeren
Unternehmen, die vielleicht auch mehr monetäre Mittel zur Verfügung haben, können
die Sachen besser ausbauen und damit eigentlich noch stärker ermöglicht werden? Was
denkst du?
00:35:36
SPEAKER_02
Also Wandel erzeugt immer Gewinner und Verlierer. Das war ja schon immer so. Als das
Automobil erfunden wurde, waren ja auch sehr viele Leute der Meinung, das wird nie die
Pferde ersetzen oder die Pferdekutsche ersetzen. Es wird Unternehmen geben, die den
Wandel nicht mitgehen können oder wollen, weil es gehört viel mehr dazu, einfach nur KI
einzusetzen. Investiere ich in meine Mitarbeiter? Habe ich die richtigen Ressourcen, die
das auch verstehen? Es geht ja auch wieder mal darum, vertraue ich einer KI blind? Es
gibt ja neue Berufsfelder, Data Architects, Data Scientists, die das verstehen, die das
bauen können, die das anpassen können. Möchte ich das auch? Ich muss meine ganzen
Unternehmensstrukturen auch ein bisschen anpassen. Meine ganze Kultur im
Unternehmen ändert sich halt auch dadurch ein bisschen. Es ist halt viel größer dieses
Mindset, was da drum ist. Ja, mal dieses geflügelte Wort Mindset, was bedeutet das
überhaupt? Und es wird Unternehmen geben, die diesem Wandel mitgehen. Es wird
Unternehmen geben, die diesen Wandel mitgehen. Es wird Unternehmen geben, die
diesen Wandel nicht mitgeben. Das heißt jetzt, es gibt keinen Grund, diesen Wandel
nicht mitzugehen und sich damit zu beschäftigen. Der Einsatz oder auch der finanzielle
Aufwand, um solche Dinge zu machen, ist halt immer sehr spezifisch für mein
Unternehmen. Also dass man nur sagt, nur die großen Unternehmen können sich das
leisten und die kleinen nicht, denke ich nicht. Ich glaube, man muss die richtigen
Entscheidungen treffen, dass man sich damit beschäftigt. Und was bedeutet das
eigentlich für mein Unternehmen? Wer sich damit nicht beschäftigt und würde auf der
Strecke bleiben. Das ist aber meine persönliche Meinung.
00:36:52
SPEAKER_01
Dann vielleicht noch eine ganz kleine Abschlussfrage, um wieder zurückzukommen,
auch zu der Person, Kevin Rohde. Was setzt du denn eigentlich an AI-Tools für dich ein,
in deinem Business-Kontext, in deinem Privat-Kontext? Vielleicht können wir da noch
mal ganz kurz einen Insight von dir bekommen. In meinem Business-Kontext, in deinem
Privat-Kontext. Vielleicht können wir da noch mal ganz kurz ein Insight von dir
bekommen.
00:37:06
SPEAKER_02
In meinem Business-Kontext kriegen wir natürlich von meiner Firma Amazon Web
Services dort auch Tools zur Verfügung gestellt, um quasi die Effizienz, um dieses
Freimachen für den Kundenfokus uns da besser zu unterstützen. Da gibt es da
verschiedene Tools. Das kann man auch sogar selber ausprobieren als Privatperson. Es
gibt ja Amazon Party Rock oder AWS Party Rock. Das könnt ihr mal eingeben. Bei euch
entsprechend in dem Browser, da kann man sich selbst KI-Anwendungen bauen. Da
liegen Large Language Models dahinter. Das macht einfach Spaß. Da kann man solche
Dinge bauen. strukturieren. Das macht macht natürlich, Spaß. Also das so zu sehen,
sich darauf zu fokussieren, eigentlich auf den Inhalt und nicht auf die genaue
Formulierung. Bei uns bei AWS ist ja auch alles auf Englisch. Englisch ist ja nicht meine
Muttersprache. Ich muss trotzdem ein, zwei, manchmal auch nachdenken, wie Dinge
formuliert werden. Wir schauen auch auf andere Tools, die wir da haben. Amazon Q,
wenn wir auch Datenauswertung machen können, so für uns, für unsere eigenen
Systeme, wo man einfach mit einem Fenster dann chatten kann. Zeig mir bitte die
Zahlen so und so. Wie haben die entwickelt? Gerade welchen Projekt für mich leite? Das
ist schon schön, das so zu sehen, dass man sich das nicht mehr mühsam
zusammenklicken muss, wie das so vor zehn, zwölf Jahren war, da eine Echse gepflegt
und da mal fast vergessen einzutragen, dass das einfach diese Datengrundlage da ist
und mir das relativ schnell eine Frage beantworten kann. Das ist für mich großartig. Ja,
im privaten Bereich habe ich natürlich für mich mit jeglichen Modellen auch schon
rumgespielt und dann auch geschaut. Ich habe meine Geschichte für meine kleine
Nichte dort entwickelt. Und alle haben sich gefreut. So setze ich das dann für mich
hinein. Aber ich bin ja gespannt, was im privaten Bereich dann auch was an KI-Tools gibt.
Also entsprechende To-Do-Listen, die man dann nutzen kann für Familieneinkauf.
00:38:49
SPEAKER_01
Ja, lieber Kevin, vielen, vielen Dank. Also war ein sehr, sehr spannendes Gespräch auch
mit dir. Wir haben sehr breit und auch sehr tief in den ganzen Automobilbereich
eintauchen können und da auch verschiedene Themen, rund um das Thema KI, Cloud
Computing auch entdecken können. Und ja, was bleibt mir zu sagen? Herzlichen Dank
an dieser Stelle. Und vielleicht hören wir uns ja nochmal in einer anderen Podcast-Folge,
auch vielleicht in einer anderen Talk nochmal wieder.
00:39:11
SPEAKER_02
Danke, Fabian. Hat mir Spaß gemacht.
00:39:15
SPEAKER_00
Der KI-Insights-Podcast ist eine Initiative des Projekts ZAKI, der zentralen Anlaufstelle für
innovatives Lehren und Lernen interdisziplinärer Kompetenzen der KI der Hochschule
Magdeburg-Stendal, gefördert vom Bundesministerium für Bildung und Forschung.