Werben im Podcast: KI - kurz und informativ, Klartext "to Go" in unter 5 Minuten

Gradient Descent ist zweifelsohne einer der wichtigsten Algorithmen im Machine Learning. Dank ihm kann ein Modell lernen. Stellt euch folgendes Szenario vor: Ich setze euch mit verbundenen Augen irgendwo auf einem Berg ab und sage: Findet zurück zum Auto, das im Tal steht. Genau das macht ein Machine-Learning-Modell beim Training. In dieser Folge erkläre ich ohne Formeln, wie Modelle ihre Parameter tatsächlich anpassen, was ein Gradient ist und wie der Algorithmus funktioniert. Wir schauen uns auch die Schwächen des Verfahrens an: lokale Minima, die Lernrate als sog. Hyperparameter und dass Gradient Descent theoretisch jedes Mal den gesamten Datensatz zur Berechnung braucht. Für alle drei Probleme gibt es in der Praxis Lösungen. Die schauen wir uns in der nächsten Folge an. Themen dieser Folge: Was ein Gradient istWie Gradient Descent als Algorithmus funktioniert mit einer einfachen Analogiedie Kostenfunktion als 3D-LandschaftProbleme beim Gradient Descent 🎧 Voraussetzung für diese Folge: Kostenfunktion und mathematische Optimierung Schaut gerne auch auf der neuen Website zum Podcast vorbei: ⁠⁠⁠⁠https://podcast.pyucation.de⁠⁠⁠ Dort findet ihr eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.

Die US-Regierung wirft chinesischen KI-Laboren Diebstahl im industriellen Massstab vor. Im April 2026 hat das Weisse Haus dazu ein eigenes Memorandum veröffentlicht, im September haben NSA, CISA und FBI mit einer gemeinsamen Sicherheitswarnung nachgelegt. Der Vorwurf behandelt systematische Destillation amerikanischer Frontier-Modelle. Ich erkläre zunächst, was sog. Knowledge Distillation, Soft Targets und Dark Knowledge ist. Es wird schnell klar, dass das, worum eigentlich gestritten wird, gar nicht die Destillation selbst ist. Die Lage ist nicht ganz eindeutig und man muss immer betrachten, aus welcher Position heraus, die verschiedenen Akteure argumentieren. Themen dieser Folge: Die Chronologie der Debatte um DestillationKnowledge Distillation: Teacher, Student, Soft Targets und Dark KnowledgeDie Open-Weights-Debatte 🎧 Andere spannende Folgen: Mixture of Experts (MoE) erklärtWie Maschinen lernen: Der Trainingsprozess von ML-Modellen Schaut gerne auch auf der neuen Website zum Podcast vorbei: ⁠⁠⁠https://podcast.pyucation.de⁠⁠ Dort findet ihr eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet. Links & Quellen: Anthropic's Statement zum Vervot von Open Weight ModellenNSTM-4, "Adversarial Distillation of American AI Models", OSTP, 23.04.2026: https://www.whitehouse.gov/wp-content/uploads/2026/04/NSTM-4.pdfAEI, "How to Stop China from Freeriding on American AI": https://www.aei.org/commentary/how-to-stop-china-from-freeriding-on-american-ai/Just Security, "From Diagnosis to Deterrence": https://www.justsecurity.org/137498/diagnosis-deterrence-us-response-distillation/Lawfare, "Knives Are Out for Open-Weight AI Models": https://www.lawfaremedia.org/article/knives-are-out-for-open-weight-ai-modelsLawfare, "The AI Model Distillation Paradox": https://www.lawfaremedia.org/article/the-ai-model-distillation-paradoxCNBC, "The U.S. says China's AI progress is down to 'distillation.' But is it that clear cut?": https://www.cnbc.com/2026/09/18/china-ai-progress-distillation-tech-download.html

Harness, Skills, Memory, Tools, MCP usw. Rund um AI Agents hat sich ein Vokabular entwickelt, das überall auftaucht und das kaum jemand sauber erklären kann. Das liegt nicht an euch: Für die meisten dieser Begriffe gibt es keine feste Definition, und je nach Framework und Anbieter werden sie unterschiedlich verwendet. In dieser Folge von „KI kurz und informativ" gehe ich die wichtigsten Begriffe einzeln durch und zeige, wie sie zusammenhängen. Am Beispiel eines Reifenwechsels erkläre ich, wie Skills, Tools und Memory zusammenhängen. Wir wiederholen nochmal, was Context bedeuetet und was das Context Window ist. Schreibt mal ein Beispiel aus eurem Alltag in die Kommentare, in dem ihr eine Situation in Skill, Tools und Memory unterteilt. Themen dieser Folge: Agent vs. Modell: Was der Agent Harness eigentlich istInstruktionen: Regeln, Grenzen und Prioritäten festlegenKontext und Kontextfenster und was passiert, wenn es voll istMemory: automatisiertes Notizenmachen, kein LernenTools: lesend und schreibend mit der Aussenwelt interagierenMCP (Model Context Protocol): kein Tool, sondern ein ProtokollSkills: Prozesswissen als Anleitung für den Agenten 🎧 Passende Folge: AI Agents - Was ist der Unterschied zu LLMs? Schaut gerne auch auf der neuen Website zum Podcast vorbei: ⁠⁠https://podcast.pyucation.de⁠ Dort findet ihr eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.

Was passiert eigentlich, wenn ihr eine Rechnung abfotografiert und ein System daraus automatisch Kundennummer und Betrag zieht? Optical Character Recognition (OCR) ist dabei nur ein Schritt. Moderne Dokumentenverarbeitung ist eine ganze Pipeline: Bildvorverarbeitung, Texterkennung, Layout-Analyse, Zeichenerkennung und schliesslich ein Transformer-Modell, das die wahrscheinlichste Textsequenz bestimmt. In dieser Folge von „KI kurz und informativ" erkläre ich, wie OCR technisch funktioniert: warum CNNs und Vision Transformer dafür eingesetzt werden, warum moderne Systeme nicht mehr Buchstabe für Buchstabe lesen, sondern ganze Sequenzen und warum sich damit zwar Fehler korrigieren lassen. Themen dieser Folge: Was OCR technisch machtVon der Zeichen- zur SequenzerkennungWas Transformer damit zu tun habenWarum synthetische Trainingsdaten bei OCR gut funktionierenDie typische OCR-Pipeline Schau gerne auch auf der neuen Website zum Podcast vorbei: ⁠⁠⁠⁠⁠https://podcast.pyucation.de⁠⁠⁠⁠ Dort findest du eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.

Die grösste Einzelinvestition der Unternehmensgeschichte ... kein Logistzentrum sondern ein Rechenzentrum. Die Schwarz Gruppe, bekannt durch Lidl und Kaufland, baut in Lübbenau in Brandenburg für rund 11 Milliarden Euro KI-Infrastruktur. Wir schauen uns in einer Art "Firmenportrait" die Entwicklung vom Discounter zu einem der ambitioniertesten Technologiekonzerne Europas an. Wir sprechen über die Cloud Platform STACKIT, Aleph Alpha und den KI-Campus in Heilbronn. Am Ende bleibt die kritische Frage nach potenziell neuen Abhängigkeiten. Souveränität heisst nicht, sich von jemandem abhängig zu machen, nur weil er in Deutschland sitzt. Weitere Folgen und Links: Interview mit Wirtschaftsminister Dr. Blank: hierFolge über den AI Five Layer Cake: hierBlogpost von NVIDIA: AI is a 5-Layer Cake Quellen: Financial Times Artikel: "How Lidl accidentally took in the big guns of cloud computing"Schwarz Digits: Datacenter Lübbenau: https://schwarz-digits.de/schwarz-digits-datacenter-luebbenauHeise online: Schwarz Digits baut grosses KI-Rechenzentrum in MV: https://www.heise.de/news/Schwarz-Digits-baut-grosses-KI-Rechenzentrum-in-Mecklenburg-Vorpommern-11431329.htmlComputer Base: Ohne Führerhaus, Lidl lässt autonomen Lkw auf die Strasse: https://www.computerbase.de/news/mobilitaet/ohne-fuehrerhaus-lidl-laesst-autonomen-lkw-auf-die-strasse.99420/ZDF heute: Schwarz-Gruppe baut grosses Rechenzentrum bei Rostock: https://www.zdfheute.de/wirtschaft/unternehmen/schwarz-zentrum-rechenzentrum-rostock-100.htmlLidl Pressemitteilung: Autonomer Lkw (15.09.2026) https://unternehmen.lidl.de/pressemitteilungen/2026/260915_autonomer_lkwThe Decoder: Cohere übernimmt Aleph Alpha: https://the-decoder.de/nach-andrulis-abgang-kanadisches-start-up-cohere-uebernimmt-aleph-alpha/Table.Briefings: Dieter Schwarz Stiftung hilft dem Staat auf die Sprünge: https://table.media/berlin/news/ki-forschung-dieter-schwarz-stiftung-hilft-dem-staat-auf-die-spruenge

Felix Anderegg, Head of Technology and Innovation bei HR Campus AG, spricht mit mir über Künstliche Intelligenz im Human Resources und wie sie KI in ihrer Softwareentwicklung für HR-Prozessdigitalisierung einsetzen. Als spannendes Beispiel schauen wir uns ein KI-unterstütztes Travel Expense Tool an, das Belege per OCR (Object Character Recognition) einliest, automatisiert kategorisiert und zuordnet usw. Ganz zentral in unserem Gespräch ist die Frage, welche Rolle der Mensch in Zukunft wieder einnehmen wird. Ausserdem sprechen wir über diese Themen: automatisiertes Recruiting, CV-Checks und Co.,wie KI-Transformation bei HR Campus abläuft,wie KI-gestützte Softwareentwicklung im HR-Bereich abläuft. Schau gerne auch auf der neuen Website zum Podcast vorbei: ⁠⁠⁠⁠https://podcast.pyucation.de⁠⁠⁠ Dort findest du eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.

Der häufigste Fehler bei der Kalkulation von KI-Projekten ist in Kosten pro Monat zu rechnen statt in Kosten pro Vorgang. Ein Pilotbetrieb mit zwanzig Nutzern sagt euch nichts darüber, was das System kostet, wenn es tatsächlich im Einsatz ist. Bei KI steigen die laufenden Kosten nämlich mit der Nutzung. In dieser Folge von „KI kurz und informativ" gehe ich die klassische TCO-Formel durch und zeige am Beispiel eines Schwimmbads, welche Posten sich bei KI-Systemen anders verhalten als bei jeder anderen Software. Meine These ist: Die Kostenarten sind nicht neu, aber ihr bestimmt nicht mehr, wann sie anfallen. Bspw. kennt ihr den Preis eines Vorgangs erst, nachdem er passiert ist. Ein Modell verschlechtert sich lautlos, ohne Fehlermeldung. Und den Termin für die nächste Migration setzt oft euer Anbieter (wie zuletzt bei der Abschaltung der OpenAI Assistants API). Themen dieser Folge: TCO-Formel und was sie bei KI-Systemen nicht abbildetKosten pro Vorgang statt Kosten pro MonatModel Drift und Data Drift Schau gerne auch auf der neuen Website zum Podcast vorbei: ⁠⁠⁠https://podcast.pyucation.de⁠⁠ Dort findest du eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet. Link zum Google Paper: D. Sculley et al., „Hidden Technical Debt in Machine Learning Systems" https://proceedings.neurips.cc/paper/2015/file/86df7dcfd896fcaf2674f757a2463eba-Paper.pdf

Mixture of Experts (MoE) steckt inzwischen hinter fast jedem grossen Sprachmodell, weil diese Architektur Rechenkosten spart. Es erklärt ausserdem, warum bei modernen Modellen plötzlich zwei Parameterzahlen angegeben werden. DeepSeek-V3 zum Beispiel hat 671 Milliarden Parameter, nutzt pro Token aber nur 37 Milliarden davon. Wie diese Architektur funktioniert, was ein Router in einem Sprachmodell macht und wie die sogenannten Experten im Training entstehen, erkläre ich in dieser Folge. Wir schauen uns auch, wie immer, Probleme dieser Architektur an, z.B. warum Modelle dadurch schneller, aber nicht kleiner werden. Themen dieser Folge: Router und Experten: Wie MoE die Rechenlast aufteiltGesamtparameter vs. aktive ParameterProbleme wie Load Balancing Schau gerne auch auf der neuen Website zum Podcast vorbei: ⁠⁠https://podcast.pyucation.de⁠ Dort findest du eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.

Wie lernt ein Machine-Learning-Modell eigentlich? Hinter dem „Lernen" steckt keine Magie, sondern mathematische Optimierung. Und die funktioniert nach einem Prinzip, das ihr aus dem Alltag kennt. Ich erkläre anhand anschaulicher Beispiele, was eine Kostenfunktion ist, was Parameter eines Modells sind und wie beides zusammen dafür sorgt, dass ein Modell besser wird. Die Folge über Optimierungsalgorithmen wie Gradient Descent wird auf diese Folge aufbauen. Themen dieser Folge:• Was mathematische Optimierung ist und warum sie die Grundlage jedes ML-Modells bildet • Kostenfunktion und Parameter • Lineare Regression: Optimierung mit nur zwei Parametern • Warum es Optimierungsalgorithmen wie Gradient Descent braucht Schau gerne auch auf der neuen Website zum Podcast vorbei: ⁠https://podcast.pyucation.de Dort findest du eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet. Folge zu Neuronalen Netzen und wie sie lernen: https://open.spotify.com/episode/1vu4mSvU9YpJs0mZdTwTbC?si=mKhjhhkySjO13raaPw8RiA

Heute gibt es wieder ein Quiz zu den letzten 15 Folgen. Dabei schauen wir uns diese Themen an: ​Fine Tuning (im Vergleich zu RAG)​Reasoning-Modelle​Der AI Five Layer Cake​KI-Regulatorik und der EU AI Act​Kennzeichnungspflicht und Synth ID​Quantisierung und Speicherbedarf von LLMs Bist du inzwischen ein Experte? Schreib gerne in die Kommentare, wie viele Fragen du richtig beantworten konntest! Schau gerne auch auf der neuen Website zum Podcast vorbei: https://podcast.pyucation.de Dort findest du eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.

Seit dem 2. August 2026 gilt die EU-Kennzeichnungspflicht für KI-Inhalte (Artikel 50). Heute erkläre ich SynthID und wie das Wasserzeichen von Google DeepMind funktioniert. In jedem gängigen Medium (Bilder, Videos, Texte, Audio) kann SynthID eingesetzt werden. Wir sprechen auch über den Unterschied zu Metdadaten, die Grenzen von SynthID und warum sich die seit 2023 existierende Technik bereits in Teilen umgehen lässt. Auch Anthropic verwendet neu seit dem 11. August 2026 Wasserzeichen für seine von neueren Modellen erzeugten Inhalte. Schau gerne auch auf der neuen Website zum Podcast vorbei: https://podcast.pyucation.de Dort findest du eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet. Weitere Folgen: ​Regularien rund um KI: https://open.spotify.com/episode/0DgVxFfLxKzPlnEyOeLm15?si=s5QlQdPoQqSw3qsw8Dqf_A​EU AI Act: https://open.spotify.com/episode/2PMaslOzW7gGOax1h6RErv?si=xxaLUD5NRdKHSrNHGiYKhQ Quellen: ​https://deepmind.google/models/synthid/​https://deepmind.google/blog/watermarking-ai-generated-text-and-video-with-synthid/ ​https://help.openai.com/de-de/articles/8912793-provenance-signals-content-credentials-synthid-in-openai-generated-content

Mehr als die Steckdose der Republik: KI-Rechenzentren, grüner Strom und Gesundheitsdaten. Kann ein kleines Bundesland zum Vorbild für digitale Souveränität werden? Interview mit Minister Dr. Wolfgang Blank. Es geht um die entscheidende Frage: Wer behält im KI-Stack die Wertschöpfung? Mecklenburg-Vorpommern hat vieles, was KI-Infrastruktur braucht: grünen Strom im Überfluss, mittlerweile die niedrigsten Netzentgelte Deutschlands, grosse Flächen und mit dem Seekabel C-Lion1 in Rostock eine leistungsstarke Datenanbindung nach Nordeuropa. Laut Bitkom-Studie 2025 punktet das Land vor allem bei Stromnetz und Fläche. Bei der installierten Rechenleistung ist es allerdings noch Schlusslicht. Wir sprechen darüber, warum MV nicht nur Energie liefern, sondern auch digitale Dienstleistungen und ein wirtschaftliches Ökosystem ansiedeln will und damit im „Five Layer Cake" von der Energie- bis zur Anwendungsebene aufsteigen möchte. Ausserdem schauen wir uns die SHIP-Studie mit ihren einzigartigen Gesundheitsdatensätzen an, sprechen über den Digital Health Hub bis zur Frage, wie sich damit Startups anlocken lassen. Und warum echte Innovation nicht nur Technologie bedeutet, sondern auch neue Prozesse und Arbeitsweisen. Schau gerne auch auf der neuen Website zum Podcast vorbei: https://podcast.pyucation.de Dort findest du eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.

Kimi K3 von Moonshot AI ist gerade in aller Munde. Ein Open-Weight-Modell mit 2,8 Billionen Parametern, das mit den besten Modellen aus den USA mithalten will. Aber wie installiert man eigentlich ein solches Modell selbst? In dieser Folge nehmen wir Kimi K3 als Aufhänger, um den kompletten Prozess zu erklären: Was unterscheidet ein Open-Weight-Modell von proprietären Systemen wie ChatGPT oder Claude? Warum könnt ihr Kimi K3 selbst trotz Quantisierung nicht auf eurem Laptop laufen lassen und welche kleineren, alltagstauglichen Modelle funktionieren stattdessen? Ich erkläre euch Hugging Face als zentrale Anlaufstelle für Open-Weight-Modelle, erkläre die wichtigsten Dateiformate GGUF und Safetensors, und stellen die drei populärsten Tools für den lokalen Betrieb vor: Ollama, LM Studio und Open WebUI. Diese Folge baut auf unseren vorherigen Episoden zu Quantisierung und Speicherarten (VRAM, RAM, Unified Memory) auf und liefert den praktischen Einstieg zum Selbermachen. Themen: Kimi K3, Moonshot AI, Open-Weight-Modelle, Hugging Face, GGUF, Ollama, LM Studio, lokale LLMs, KI selbst hosten Links: - Erklärung GGUF: https://huggingface.co/docs/hub/gguf - Erklärung Safe Tensors: https://huggingface.co/docs/safetensors/index - Kimi K3 auf Hugging Face: https://huggingface.co/moonshotai/Kimi-K3 - Open WebUI: https://docs.openwebui.com/ - Ollama: https://ollama.com/ - LM Studio: https://lmstudio.ai/

Sollte euer Unternehmen KI-Modelle selbst hosten oder aus der Cloud mieten. Und was hat der US Cloud Act damit zu tun? In dieser Folge von "KI kurz und informativ" schliessen wir unsere Mini-Serie zu Hardware und Hosting von KI-Modellen ab. Wir vergleichen On-Premise-Betrieb und Cloud-Computing anhand der vier klassischen Abwägungspunkte: Kosten, Kontrolle, Skalierung und Beschaffung. Ausserdem schauen wir uns an, warum ein Serverstandort in Frankfurt oder Amsterdam allein noch keine Garantie für europäisches Recht ist und was der US CLOUD Act damit zu tun hat. Neben den vier genannten Kriterien ist Datensouveränität ebenso eine zentrale Grösse, die sich schwer in Geld bemessen lässt. Diese Folge baut auf unseren letzten beiden Episoden zu Quantisierung und Speicherarten (VRAM, RAM, Unified Memory). Quellen: - Microsoft kann keine Datensouveränität garantieren: https://www.forbes.com/sites/emmawoollacott/2025/07/22/microsoft-cant-keep-eu-data-safe-from-us-authorities/ - US Cloud Act: https://www.digital-chiefs.de/eu-tech-sovereignty-paket-cloud-souveraenitaet-vorstand-cloud-act-dach/ - Hyperscaler Marktanteile: https://www.itreseller.ch/Artikel/104615/Hyperscaler-Kapazitaet_hat_sich_mehr_als_vervierfacht.html (ältere Zahlen aus Jan. 2026)

Speicher ist nicht gleich Speicher. Wie viel Arbeitsspeicher braucht ein LLM wirklich? Warum reicht es nicht aus, einfach mehr "Speicher zu kaufen"? In dieser Folge von "KI kurz und informativ" schauen wir uns die drei physischen Speicherebenen im PC oder Server an: VRAM (Grafikkarte), RAM (Arbeitsspeicher) und Massenspeicher (SSD/HDD). Ausserdem erklären wir, was Apple mit seinen M-Chips und dem sog. "Unified Memory" anders macht als klassiche Windows-PCs mit dedizierter Grafikkarte, warum die aktuellen RAM-Preissteigerungen direkt mit dem KI-Boom zusammenhängen, und wieso Kontextlänge (KV-Cache) und Nutzerzahl (Concurrency) den Speicherbedarf in der Praxis zusätzlich in die Höhe treiben. Diese Folge baut auf unserer letzten Episode zu Quantisierung auf und bereitet den Boden für die nächste Folge: Cloud vs. On-Premise-Hosting von KI-Modellen aus Business-Sicht. Quellen: Apple M7 im Tapeout: https://www.heise.de/news/M-Chips-M7-mit-bis-zu-1-5-TByte-und-warum-Apple-den-M6-ueberspringt-11362052.html