00:00:03: Ja, einen schönen guten Tag.

00:00:04: Ganz herzlich willkommen zu einer neuen Folge unseres FZ Podcast zur künstlichen Intelligenz.

00:00:10: Wie Sie wissen oder wie Ihr wisst, sprechen wir in diesem Podcast mit unseren Gästen ganz konkret über den Einsatz von KI, was heute schon alles geht, was morgen vielleicht möglich sein könnte und vielleicht auch darüber, was man mit KI nicht

00:00:24: tun sollte.

00:00:27: Wir, das sind

00:00:28: Peter Buchsmann.

00:00:30: Und Holger Schmidt, wir beschäftigen uns an der TU Darmstadt am Fach der Wirtschaftsinformatik

00:00:34: und mit dem Digital-Wirtschaftsbriefing

00:00:36: der FHZ mit dem Einsatz der KI und deren Auswirkungen auf Wirtschaft und Arbeit.

00:00:41: Für unsere heutige Folge begrüßen wir ganz herzlich

00:00:43: Dr.

00:00:44: Jarek Kudilowski, S-Gründer und CEO von

00:00:45: D-WEL.

00:00:45: Den Informatiker promovierte zunächst mit der Schwerpunkt Mathematik eine Universität Paderborn und hat seit dem Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im

00:00:58: Jahr im Jahr im Jahr

00:00:58: im Jahr im Jahr im Jahr im Jahr im Jahr im Jahr im die basierten

00:01:00: Übersetzungssysteme,

00:01:02: dass heute von Millionen Menschen und ganz vielen Unternehmen genutzt wird.

00:01:06: Die BEL steht

00:01:06: eigentlich nicht

00:01:07: nur für O-Übersetzungsqualität, sondern alles auch vorne dabei, wenn es in den Einsatz der KI geht, besonders mit Blick natürlich auf Datenschutz und das, was wir in Europa an Werten vertreten.

00:01:18: Lieber Jarek, wir freuen uns sehr, dass du heute da bist.

00:01:20: Ich freue mich dabei zu sein, es ist mir eine Ehre.

00:01:22: Dankeschön.

00:01:26: Ja, du hast im Jahr zwei Tausend Siebzehn, war es glaube ich, die BEL gegründet.

00:01:31: Und wenn ich mal fragen darf, war das so ähnlich wie bei Google?

00:01:35: Und was ich meine ist jetzt Folgendes.

00:01:37: Google wollte zunächst mal so die coolste Suchmaschine der Welt bauen und sind dann erst später auf diese grandiose Idee mit diesem Geschäftsmodell gekommen.

00:01:47: War das bei euch ähnlich, dass er erst auch mal nur gesagt hat, wir wollen jetzt so techiemäßig den besten Übersetzer der Welt bauen und mittlerweile überlegt ihr euch ja auch ihr Geld verdient.

00:01:59: Ja, ich glaube, das ist wahrscheinlich bei vielen Unternehmen, die von Techies halt, so wie du es gerade gesagt hast, gegründet worden sind oder auch von einem sehr technischen Team gegründet worden sind, dass man sich hauptsächlich erst mal um das Problem kümmert.

00:02:15: Ich glaube, das ist dann kein Forschungsprojekt an sich, sondern man denkt schon so ein bisschen darüber auch, wie bringt man diese Forschung in Anwendung?

00:02:21: Wie bringt man sie an Menschen?

00:02:23: Wie verändert man etwas?

00:02:25: Da geht es nicht darum, ein Paper zu schreiben, sondern wie... Wie verändere ich wirklich die Art und Weise, wie Menschen etwas machen?

00:02:36: Und ich glaube, so war es bei Dibel auch tatsächlich.

00:02:39: Wir haben gesehen, neuronale Netzwerke, wie sie gerade aufkommen, so, so zwanzig, sechzehn, zwanzig, siebzehn, das war so die Momente, wo in der akademischen Welt die Methoden... anfingen so richtig einen Grund zu fassen.

00:02:54: und man hat gesehen, da ist viel möglich und man hat dabei in dem Moment oder wir haben in dem Moment gesehen, Sprache wird dann zentraler Punkt davon sein und Sprache... war für uns auch ein Problem, was wir kannten, halt auch in Europa sitzen und hier schön an der Grenze mit der Niederlande, Frankreich, Belgien.

00:03:17: Ich komme persönlich aus Polen, da weiß man schon, was das Problem ist und man sieht die Technologie da und denkt sich, ja, da kann man was schaffen.

00:03:28: Wenn wir mal auf die Technik gucken.

00:03:30: Da war es ja damals so, dass es gab Google Translate und alle dachten so, naja, so wahnsinnig gut ist es noch nicht.

00:03:37: Dann kam die Well um die Ecke und alle sagten, wow, viel besser.

00:03:41: Was haben die denn anders gemacht?

00:03:42: Was können die, was Google nicht kann?

00:03:44: Und wie hat sich das entwickelt?

00:03:46: Also was ist sozusagen eurer technischer, technischer Background, was ihr besser gemacht habt als eine Company wie Google?

00:03:54: Ja, da muss ich immer so ein kleines bisschen verschlossen sein.

00:03:58: Und das waren wie immer diesbezüglich.

00:03:59: Aber ich meine, was man ganz offen sagen kann, wir waren definitiv die ersten, die kommerziell auf breiter Basis oder auch nicht kommerziell halt in der freien Version von DeepL auch... Übersetzung mit neuronalen Netzwerken, also KI, wie wir es heute nennen würden, in den Markt rein gebracht haben.

00:04:20: Das hat uns natürlich dann einen Vorteil gebracht.

00:04:23: Und dann waren wir auch wirklich sehr schnell und sehr gut da drin, darauf zu iterieren, wie wir die Modelle bauen, welche Architekturen nutzen wir, wie trainieren wir diese Modelle, mit welchen Daten trainieren wir diese Modelle.

00:04:36: Also halt all diese Fragen, die man sich heutzutage in KI auch stellt und die man sich wahrscheinlich auch morgen noch stellen wird.

00:04:43: In dem konkreten Fall von Übersetzung haben wir schon sehr, sehr viel daran gearbeitet und auch anscheinend mit einer viel höheren Geschwindigkeit, als es vielleicht unsere große Konkurrenz tun konnte, sodass wir dann auch nicht nur im ersten Schritt, aber auch wirklich nachhaltig die beste Übersetzungsplattform anbieten konnten.

00:05:05: Jetzt machen wir meinen Versuch Jarek.

00:05:08: Magst du mal versuchen, unseren Hörerinnen und Hörern zu erklären, wie auf der einen Seite künstliche neuronale Netze dazu führen, dass man so, wie ich finde, also ich will jetzt keinen Werbeblock für euch machen, wirklich gute Übersetzungen hinkriegt.

00:05:27: Ja, ich glaube, es ist vielleicht ganz gut, das zu kontrastieren mit dem, wie Vorher Sprachübersetzung gemacht worden ist.

00:05:33: Vorher waren es zu einem großen Teil auch statistische Modelle, also viel Mathe, die damit reingeflossen ist, aber auch sehr viel Handarbeit, die da reingegangen ist, sofort, zwanzig, zwanzigsechzehn.

00:05:45: Also da haben sich tatsächlich dann Entwickler auch angeschaut, wie funktioniert die Grammatik einer ganz konkreten Sprache?

00:05:53: Wie... nehme ich diese Grammatik und wie setze ich die um in eine andere Grammatik?

00:05:59: Wie sieht das Vokabular aus?

00:06:01: Also es ist vielleicht ein Wörterbuch, der erst im Hintergrund läuft und ohne ähnliches.

00:06:05: Da arbeitet man dann natürlich auch schon mit Wahrscheinlichkeitsverteilung.

00:06:08: Man arbeitet auf Basis von Phrasen und nicht nur Wörtern und versucht dann zu matchen, womit?

00:06:14: ist am wahrscheinlichsten eine gewisse Phrase zu übersetzen in der andere Sprache und versucht dann das irgendwie in Sätze zusammenzukleben.

00:06:21: Es hört sich schon sehr händisch an.

00:06:22: Es hört sich schon sehr manuell an und das war dann auch immer wahrscheinlich so das Bottleneck in der ganzen Entwicklung.

00:06:28: Da mussten sich wirklich Entwickler und jede konkrete Sprache kümmern Linguisten.

00:06:34: spannend, aber am Ende vielleicht nicht so ganz effektiv.

00:06:38: Jetzt der große Punkt von neuronalen Netzwerken ist halt, dass diese quasi zu einem gewissen Maß alleine trainieren.

00:06:47: Das heißt, man zeigt zu einem neuronalen Netzwerk eine Unmenge von bestehenden Übersetzungen oder Texten, die in einer gewissen Sprache geschrieben worden sind.

00:06:59: Und dieses Netzwerk lernt aus jeder diese Übersetzung.

00:07:02: Am Anfang kann es kann es nichts davon.

00:07:06: Es ist quasi wie ein ungeschriebenes Gehirn, wie ein neugeborenes vielleicht.

00:07:13: Die Ausgaben, die es zur Übersetzung gibt, sind einfach völlig zufällig.

00:07:18: Es macht überhaupt keinen Sinn.

00:07:20: Aber mit jeder Übersetzung, die sieht, verfeinert es so sein Gefühl und so sein Verständnis und die Verbindungen in dem neuronalen Netzwerk, die dazu führen, dass aus... kleinen Veränderungen und aus kleinen Inputs am Ende dann auch eine abstrahierte und generalisierende Art und Weise entsteht, die Sprache zu verstehen und umzusetzen.

00:07:43: Und diese Modelle sind sehr gut, da drin vorherzusehen.

00:07:47: Was kommt als nächstes?

00:07:48: Und Übersetzung ist zu einem großen Teil auch eben darauf angewiesen, ein Text zu konsumieren, zu verstehen und dann zu schreiben.

00:07:58: Wie wird es halt in einer anderen Sprache nochmal dargestellt?

00:08:03: Also eigentlich doch ganz ähnlich wie bei den großen Sprachmodellen, oder?

00:08:07: Ja, ja, das sind große Sprachmodelle.

00:08:10: Das kann man nicht anders sehen.

00:08:12: Die sind teilweise vielleicht ein bisschen anders, weil einfach die Aufgabe auch ein bisschen anders ist und dann kann man etwas mehr Effektivität rausholen, vielleicht etwas mehr Geschwindigkeit, etwas mehr Präzision dadurch, dass man gewisse Handgriffe nochmal anders macht.

00:08:32: Aber ja, deswegen war für uns auch so die große Sprachmodelle LLM Revolution, als die passiert ist, in den letzten Jahren auch nicht wirklich aus technischer Sicht so neu, weil wir auch an Modellen gearbeitet haben, die denen sehr ähnlich gewesen sind.

00:08:49: Halt nur für den Anwendungsfall Übersetzung in unserem Fall damals.

00:08:53: Aber die Dialogkomponente schon, oder?

00:08:59: Was meinst du mit der Dialog-Komponente?

00:09:01: Ich meine, wenn man jetzt so ein Sprachmodell wie Chatchibiti nimmt oder Gemini Texte schreiben konnte, die schon vorher, aber die Art, wie wir als Menschen mit den Sprachmodellen jetzt kommunizieren können, Fragen stellen können, Ergänzungen erbitten, das war doch schon was Neues, oder?

00:09:21: Das war etwas Neues aus einer, ich würde mal sagen, Produkt- und Benutzerperspektive.

00:09:27: Rein technisch gesehen liegt das schon sehr nah beieinander auch.

00:09:31: Ob das Modell jetzt vorher sieht, wie man einen Satz weiterschreiben kann oder wie man einen Satz übersetzen soll, ist nicht viel anders.

00:09:41: dazu zu vorhersehen, wie ist die Antwort auf eine Frage, die eine Mensch gestellt hat.

00:09:45: Ein kleiner Unterschied ist da natürlich.

00:09:48: Aber aus technologischer Perspektive tatsächlich nicht so groß.

00:09:54: Wie hat sich denn für euch die Welt geändert, seitdem die LLMs sozusagen die Welt im Sturm erobert haben?

00:10:02: Und natürlich viele Menschen mit den Übersetzungen, die die LGBT oder Gemini oder... wie auch immer, liefern eigentlich zufrieden sind und sich sagen, na ja, gut, vielleicht brauche ich jetzt die Sprachprofis von DBL gar nicht mehr mal für meine Zwecke, reicht das, was mir JETGPD und so weiter, liefert vollkommen aus.

00:10:23: Also wie hat sich für euch der Markt verändert und der Sicht auf Wettbewerb, wie stark greifen die sozusagen in eure Kernkompetenz ein?

00:10:32: Also für uns war der Markt tatsächlich immer hauptsächlich fokussiert auf die professionelle Nutzung.

00:10:38: Wir haben uns darauf spezialisiert, die Anbieter zu sein, die immer dort zur Nutzung kommen, wenn es wirklich auf Qualität, wenn es auch vorhersehbarkeit, wenn es darauf ankommt, die Sprache vielleicht auch an Unternehmensgegebenheiten anzupassen für regulierte Unternehmen und ähnliche Zwecke.

00:11:03: Natürlich haben wir auch viel mitgenommen aus der Tatsache, dass quasi jeder die Belfür... für die Übersetzung genutzt hat, auch in privaten Use Cases, auch für die gelegentliche Nutzung hier und da.

00:11:19: Es war uns aber tatsächlich immer klar, dass wir in diesem Markt auch nicht so unheimlich erfolgreich sein können.

00:11:26: Ich glaube, wir zurückblickend waren wir wahrscheinlich erfolgreicher in diesem Markt, als wir gedacht haben, am Anfang, als wir Diebel gestartet haben, weil die Dominanz der Plattformanbieter, der die denjenigen, die das Betriebssystem beherrschen, die das Telefon in der Hand haben, das ganze Ökosystem, das für uns schon bedeutete, dass unsere Möglichkeit an einen Konsumenten zu verkaufen auch eher gering ist.

00:11:57: Und deswegen war unsere Spezialisierung immer auf großer Unternehmen und auf die... auf die Anwendungsfälle, die wirklich dort kritisch sind.

00:12:07: Insofern, von der strategischen Ausrichtung hat sich nicht so viel verändert.

00:12:10: Natürlich hat man auch gesehen an den Wurzerzahlen, dass die gelegentliche Übersetzung für die, wo es nicht so drauf ankommt, auch mal von der generativen KI, was auch immer... derjenige oder diejenige nutzt, also dass das auch einen Einfluss auf unsere Nutzung hat.

00:12:28: Aber das war tatsächlich für uns auch so eingeplant in das ganze Modell.

00:12:34: Und wenn du jetzt so von der Business Nutzung sprichst, jetzt stellen wir uns mal vor, ein Pharma-Unternehmen kommt zu euch und es kommt eine Bank zu euch.

00:12:44: Die haben ja unterschiedliche Anforderungen, was die Übersetzungen angeht.

00:12:49: Entwickelt ihr dann für diese beiden Unternehmen der unterschiedlichen Branchen denn jeweils was spezifisches oder bekommen die das gleiche.

00:12:59: Ich glaube sogar, also es geht noch tiefer, sogar innerhalb dieser Unternehmen, wenn die Anwendungsfälle ganz unterschiedlich sein und deswegen müssen wir auch sogar innerhalb dieser Unternehmen sogar unterscheiden, was funktioniert, also was wie realisiert wird.

00:13:17: Wenn man sich das Pharmaunternehmen anschaut, die Dokumentation der klinischen Tests unterliegt oder nutzt auch eine ganz andere Sprache als vielleicht die Marketing-Webseite, die veröffentlicht wird.

00:13:32: Die Anforderungen da drinnen sind komplett anders, die Sprache sind ganz anders, auch die regulatorischen Anforderungen da drinnen sind anders.

00:13:39: Es wird bei einer Bank auch nicht anders sein.

00:13:42: Deswegen müssen wir schon schauen, dass unter den Modellen einfach ein sehr breites Spektrum von Anwendungsfällen abdecken können schon mal alleine und dass sie über gute Fähigkeiten verfügen, die Sprache zu analysieren.

00:13:55: zu verstehen, was ist notwendig?

00:13:57: Ist Präzision grad das, was gefragt wird?

00:14:00: Oder ist eher sprachliche Nuance das, was wichtig ist?

00:14:04: Dass Fachbegriffe gut mit eingearbeitet werden.

00:14:07: Viel davon können die Modelle, auch einfach, weil sie so breit trainiert sind, selber sehr gut.

00:14:13: Und einiges davon kann dann auch von den Unternehmen selbst mit bestimmt werden.

00:14:18: Wir sind aber schon Produktentwickler.

00:14:20: Das heißt, wir versuchen, die Produkte so zu bauen, dass wir das... recht schnell und einfach an jenen Kunden anpassen können, ohne großartige Entwicklungsarbeit, ohne Modelle zu bauen für eine bestimmte Bank zum Beispiel.

00:14:36: Das ist für uns schon sehr wichtig.

00:14:40: Wenn wir mal auf den technischen Fortschritt schauen, wir sehen ja im Moment, dass sich sozusagen die Entwicklung rasant weitergeht und immer mehr Anwendung gebaut werden.

00:14:48: Glaubst du, dass die Generalisten wie eben JetGPT, Gemini und so weiter bald in der Lage sind das Niveau zu erreichen, dass ihr heute schon habt oder geht ihr im gleichen Tempo voran, dass ihr den Abstand halten könnt.

00:15:03: Wie siehst du sozusagen diesen Fortschrittskomponente und können die Generalisten bald so gut sein wie ihr?

00:15:08: Das ist ein hartes Race.

00:15:12: Das ist einfach so und das ist auch in jedem Bereich von KI so.

00:15:16: Ich bin der Meinung für bestimmte ausgewählte große Anwendungsfälle lohnt sich definitiv, separate Modelle und separate Produkte zu bauen.

00:15:28: Das ist einfach so, dass diese zusätzliche Arbeit, die da reingeht, dass die Modelle noch mal mehr Vorhersehwahlkeit haben in bestimmten Anwendungsfällen.

00:15:38: Dadurch, dass sie halt für einen bestimmten Fall... trainiert sind, hallucinieren die auch weniger.

00:15:42: Die gehen weniger in komische Richtungen, weil sie einfach ganz, ganz, ganz konkret auf etwas eingepeilt sind.

00:15:50: Dadurch kann man oder wird man, glaube ich, noch sehr, sehr lange da vorne bleiben können.

00:15:57: Und ich glaube auch in der Kombination mit einem Produkt, was nicht nur die Technik bereitstellt, sondern das ganze Problem halt eben abdeckt.

00:16:08: Ihr habt gerade Pharma-Unternehmen erwähnt.

00:16:11: Für Pharma-Unternehmen ist eine Übersetzung nicht nur, einfach einen Satz in einen anderen Satz zu übersetzen, sondern auch mitzuhalten.

00:16:21: Wie wurde dieser Satz übersetzt?

00:16:23: Wie wurde dieser Satz über Zeit übersetzt?

00:16:25: Wurde dieser Satz schon in dieser Form einem regulatorischen... FDA oder zur Zulassungsbehörde schon mal vorher gezeigt wurde, der dadurch approved.

00:16:43: Da ist sehr, sehr viel mehr Arbeit, die einen ganzen Prozess mit begleitet, das Risikomanagement von Übersetzungsqualität ähnlich ist.

00:16:51: Das ist ein Produkt, wie DBL auch mit abbilden kann.

00:16:55: Deswegen sozusagen ein komplettes Paket für den Kunden auch darstellt.

00:17:00: Versus eine Rohrtechnologie.

00:17:02: aus der man das erst mal überhaupt bauen kann.

00:17:05: Insofern, ich bin da überzeugt, dass unser Ansatz von Technologie und Produkt sehr erfolgreich sein kann.

00:17:14: Aber ich muss auch sagen, die technologische Konkurrenz an der Stelle, die ist schon sehr, sehr stark.

00:17:23: Mein Schlagwort, was seit so eins, zwei Jahren so auch im Bereich generative KI herumgeistert ist, ist das der KI-Agenten.

00:17:32: Würdest du das für uns mal einschätzen, ist das mehr als ein Buzzword?

00:17:36: Was ist genau anders als bei der klassischen Sprachmodellnutzung?

00:17:41: Und wie wird das sozusagen die Arbeitswelt verändern?

00:17:45: Total.

00:17:47: Ich glaube, das ist weit entfernt von einem Buzzword.

00:17:51: Ob der Hype... für die Technologie, so wie sie jetzt steht, dem gerechtfertigt ist.

00:17:56: Das ist immer so eine Frage.

00:17:58: Merkt der Unterlegen, Entwicklungen und so weiter und so fort.

00:18:03: Die Möglichkeiten, die das bietet, sind schon gigantisch, finde ich.

00:18:08: In dem Moment, wo man sich weg bewegt und vieles wird als Agent bezeichnet, aber im Großen und Ganzen geht es ja darum, dass diese Modelle Entscheidungen treffen und deren... Möglichkeiten, Aktionen zu treffen, nicht darauf begrenzt sind, ein Stückchen von Text uns zu präsentieren, sondern auch wirklich diese Aktionen selbstständig ausführen.

00:18:28: In welchem Rahmen man ihnen das auch eben erlaubt.

00:18:33: Ich nutze Agenten, die mir bei der Entwicklung von Softwarehelfen, Codec-Algenten, die dann halt die Befugnis haben, meine Codebase, mein Code zu verändern und das tun die einigermaßen selbstständig.

00:18:50: Ich bin dann immer noch so derjenige, der so ein bisschen noch mal drauf guckt.

00:18:54: Aber an manchen Stellen, wenn ich weiß, die Aufgabe ist recht einfach, da muss ich nicht mehr draufstellen und das tue ich normalerweise nicht, weil ich so die... Das Gefühl gewonnen habe, da drin sind die gut genug und das werden die schon ganz gut schaffen.

00:19:09: Jetzt lass mich da doch mal meine Frage stellen.

00:19:11: Also Softwareentwicklung ist ja ein spannendes Anwendungsbeispiel.

00:19:16: Aber du könntest ja einen Sprachmodell wie Claude oder welchem auch immer sagen, entwickel doch mal ein Stück Software.

00:19:24: Wo wäre jetzt der Unterschied, dass du Claude sagst, entwickel ein Stück Software oder ein Agent, also so aus meinem Verständnis wird der Agent ja immer dann spannend, wenn irgendwelche wiederkehrenden Aufgaben kommen, die du dann an den Agenten delegierst.

00:19:41: Ja, das geht ja tatsächlich in die Richtung.

00:19:43: und die eine Iteration mit welchem generativen großen Sprachmodell auch immer, die vielleicht das erste Programm schreibt, die ist ja spannend, aber so im langfristigen vielleicht relativ uninteressant, weil diese Code-Basis oder ein Dokument oder etwas, was wir uns erarbeitet haben, das lebt ja über Zeit und das muss verändert werden, das wird verändert vielleicht von meinen Mitarbeitenden, das wird verändert von mir und dann halt eben auch von den Agenten, dass dieser dann auch irgendwie in diesen Lebenszyklus mit mit eingebunden wird.

00:20:20: Ich glaube, um das vielleicht von der Softwareentwicklung auf zum Beispiel den Deeper-Agenten zu rüber zu kommen, gehen.

00:20:30: Unser Agent hält dann halt in einem Kontext von einem Unternehmen Zugriff auf gewisse Anwendungen, die du als Regier, als Mitarbeitende auch Zugriff habt und kann für euch Aktionen in diesen Anwendungen ausführen.

00:20:53: System habt, wo drin unsere Kundenbeziehungen mit eingespeichert sind, Salesforce oder ähnliches, dann kann es da rein gehen und kann für euch Wiederkehrende, aber teilweise manchmal auch neue Aufgaben erledigen und so den manuellen Aufwand zu reduzieren.

00:21:15: Also ich glaube schon, der große Sprung an der Stelle geht einfach in die Richtung, man gibt der KI wirklich die Möglichkeit, die Welt zu verändern oder halt in dem Fall fast die komplette digitale Welt auf die ihr Zugriff habt.

00:21:33: Naja, aber ganz so dramatisch ist es dann ja, glaube ich, doch nicht aus meiner Sichtweise.

00:21:40: Du musst zu einem Agenten ja schon, ich nehme dein Wort von den Aktionen, musst du ihm ja schon vorgeben.

00:21:47: So nach dem Motto, du hast jetzt die Aktionsmöglichkeiten eins bis fünf und da iteriert er dann.

00:21:53: Also, dass er sozusagen, dass dein Agent oder Holgers oder mein Agent dann die ganze Welt aus dem Ruder erhebt, das sehe ich ja noch nicht.

00:22:03: Ja, ich glaube, wir sind bei der Planungsfähigkeit und der Intelligenz in Anführungsstrichen von den Agenten noch nicht so weit, dass die Aktionen... In gewisser Weise weltbewegend sind.

00:22:17: eine Aufgabe wie Gründe einer Firma und für die zu Erfolg.

00:22:23: Das ist ein bisschen zu viel.

00:22:25: Aber zusammenhängende Aufgaben, die teilweise schon sehr viel manuellen Aufwand bedeuten, das können die Agenten schon recht gut machen und teilweise sind klare Instruktionen wichtig.

00:22:39: Aber die eingebettete Intelligenz oder die Fähigkeit, auch Rückschlüsse zu ziehen, erlaubt es denen schon auch, Lösungen zu finden in Fällen, die vielleicht nicht so ganz offensichtlich sind.

00:22:52: Man gibt eine Aufgabe, die ist eigentlich klar definiert, aber die Umgebung, in die der Agent reingeht, ist dann doch etwas anderes.

00:22:58: Etwas hat sich verändert.

00:22:59: Jemand hat den... hat das Feld verschoben oder neues Feld hinzugefügt, was eigentlich auch damit zusammenhängt, was vielleicht auch mit geupdatet werden müsste.

00:23:12: Und das kriegen die dann tatsächlich erstaunlich oft hin, sodass man sich dann nicht so auf ganz deterministische Prozesse verlassen muss, sondern auch wirklich eine Wertschöpfung sieht aus der Perspektive der KI, die dann doch ein bisschen schlauer ist als traditionelle Software.

00:23:31: Nun setzt ihr die KI-Agenten seit mal vier klassische Softwareanbieter im Moment unter Druck, weil man eben hingeht und sagt, okay, das ist... Deterministische brauchen wir eigentlich nicht mehr in dem Maße, sondern wir lassen übertragen halt immer mehr Arbeitsschritte auf die KI-Agenten.

00:23:47: Wenn man der jetzt sagt, okay, und am Ende erstellt jetzt ein Handbuch aus diesen Informationen und übersetzt es in das Handbuch in drei und zwanzig Sprachen.

00:23:55: Wie kommt ihr dann ins Spiel?

00:23:56: Seid ihr, wenn sozusagen der KI-Agent das Wesentliche übernimmt, dann müsste er in den angedockt sein.

00:24:00: Wie seht ihr eure Rolle in so einer, sagen wir, agentischen Unternehmenswelt?

00:24:06: Wie kommt ihr da rein?

00:24:10: Ich glaube, aus der Perspektive Übersetzung haben wir da überhaupt keine Bauchschmerzen an der Stelle.

00:24:18: Die Veränderung im Markt ist tatsächlich relevant für so sehr klassische Saas-Anwendungen, so Systems of Record, die auch wirklich viel Daten verwalten und wo es darum geht, auch wirklich auf die Nutzerinteraktionen von vielen Menschen gleichzeitig angewiesen zu sein, wo einfach die Interaktionen mit diesen Anwendungen in der Zukunft auch wirklich anders werden und sich transformieren werden.

00:24:52: Ich glaube für Übersetzung auch als Teil dieser Workflows, die dann auch immer da bestehen werden, da ist wirklich ein gigantischer Markt immer noch dabei, weil es ist eine wichtige Kapazität, die diese Agenten auch in der Zukunft werden haben müssen.

00:25:14: Lass mich noch mal eine allgemeine Frage stellen.

00:25:17: Du bist ein richtig super Experte in diesem ganzen Bereich.

00:25:20: Jenny, was mich immer so ein bisschen wundert.

00:25:25: ist, dass wir es in Deutschland und Europa scheinbar auch rein technisch nicht so besonders gut hinbekommen, Sprachmodelle zu entwickeln, in einer Qualität von Gemini, ChatGbt und so weiter.

00:25:39: Das chinesische Diepsik hat ja viele überrascht, die haben es hinbekommen.

00:25:45: Aleph Alpha ist gescheitert.

00:25:48: Woran liegt das aus... Deiner Sicht, dass wir da so Schwierigkeiten mit haben, haben wir zu wenig Softwareentwicklungskompetenzen in Deutschland?

00:25:58: Ich glaube, wir haben ein Tech-Ökosystem, was insgesamt noch nicht groß genug ist dafür.

00:26:04: Und vielleicht, dass nicht mutig genug ist und dass vielleicht auch nicht zu einem Teil die Kompetenzen hatte oder auch die Zeit sich zu entwickeln.

00:26:15: Die meisten großen Sprachmodelle sehen wir schon... dass die in irgendeiner Art und Weise auch von großen Pläern in den Markt getrieben werden.

00:26:25: Und die kommen halt mit Geld.

00:26:30: Investitionsmöglichkeit, Marktmacht, Know-how, Mitarbeitern, Motivation, den richtigen Etepern, die auch wirklich in diesen Unternehmen stecken.

00:26:42: Darf ich Zwischenfragen?

00:26:43: Ich glaube, ich glaube, die Psyk waren gerade so im hundert bis hundertfünfzig Software- und KI-Entwickler.

00:26:49: Das war eine relativ kleine Organisation.

00:26:53: Ja, die dann aber auch über Geld verfügt hat, die dafür notwendig war.

00:26:57: Und die, denke ich schon, auch ein großes Mandat dann auch gehabt hat von denjenigen, die rein investiert haben, von einer Regierung, die wirklich auch gesagt hat, KI ist extrem wichtig für uns, auch sehr früh.

00:27:17: Das hilft.

00:27:18: Ich glaube, das hilft.

00:27:23: Wie würdest du... die Zukunft von DeepL beschreiben.

00:27:25: Ihr habt ja Riot dazugenommen, ihr habt den Agenten dazugenommen.

00:27:30: Wo wollt ihr hin?

00:27:31: Also was ist sozusagen, wo steht DeepL in zwei Jahren, sage ich jetzt mal, auf der Produktseite?

00:27:37: Also welche Rolle habt ihr dann über das Übersetzen hinaus?

00:27:43: Ja, also so mittlerweile mit den ganzen Produkten, die wir auf den Markt bringen, sehe ich uns immer mehr auch als einfach allgemeinen KI-Anbieter oder Unternehmen, was sehr gut darin ist, KI Forschung zu betreiben, KI zu entwickeln und das dann in diverse Produkte auf den Markt zu bringen.

00:28:08: Übersetzung war halt, die erste Anwendung, wo Sprachmodelle wirklich einen großen Unterschied machen konnten.

00:28:14: Das war so der erste Case, wo wirklich KI die Welt verändern konnte.

00:28:21: Jetzt sehen wir auch neue Anwendungsfälle, die auch wirklich idealistisch werden und die wirklich was bewegen können.

00:28:28: Aber Übersetzung war halt das Erste und deswegen haben wir uns auch wirklich so sehr stark fokussiert.

00:28:33: Aber ich glaube aus der aus der Perspektive der Zeit hier und wenn man sich auch anschaut, was an Produkten wie herausgebracht haben.

00:28:40: Ich würde noch Deepel Voice, unsere Sprachübersetzung, also Real-Time-Sprachübersetzung mit dazu hinzufügen.

00:28:49: Das zeigt, dass wir die Ambition haben, unsere Kunden mit einer breiten Palette von Anwendungen, die auf KI basieren, zu begeistern.

00:29:03: Und das ist, glaube ich, auch das wirklich spezielle Antibel, diese Innovationskraft und diese Fähigkeit, immer wieder neue Produkte rauszubringen.

00:29:12: über die Zeit.

00:29:14: Wie ist das mit dem Thema Mitarbeiter?

00:29:17: Also eigentlich die Fragen zwei geteilt.

00:29:18: Du hast gerade die große Vision für DBL aufgespannt.

00:29:22: Seid ihr nach wie vor auf der Suche nach guten Mitarbeiterinnen und Mitarbeitern?

00:29:26: Es gibt ja so einige Studien.

00:29:28: die so in die Richtung weisen, dass Generei auch so gut ist, dass viele Einsteigerjobs verloren gehen.

00:29:36: Wie ist das bei euch?

00:29:37: Wie beobachtest du das?

00:29:39: Klar, wir stellen ein und das wird sich, glaube ich, auch nicht kurzfristig ändern.

00:29:44: Es ist schon auch eine wirklich Entwicklung auf dem Markt, die man tatsächlich sehen kann, das in einigen Bereichen so die... Du hast gesagt, dass die Einsteigerjobs weniger werden.

00:29:58: Das ist ein Problem, mit dem wir uns irgendwie auseinandersetzen müssen als Gesellschaft.

00:30:04: Wie schaffen wir es, dass wir die Erfahrenden, wie schaffen wir es, dass wir die Signos aufbauen über Zeit.

00:30:10: Aber wir sind noch weit davon entfernt, dass KI insgesamt Mitarbeiter ersetzen.

00:30:18: kann, könnte.

00:30:20: Und es ist aber tatsächlich ein sehr wichtiges Tool zur Effizienzsteigerung und die Produktivität kann damit hochgehen.

00:30:30: Ich glaube, wir haben Ende des Jahres die ersten wirklich macro-ökonomischen Studien aus den USA gesehen, die auch wirklich gezeigt haben, in welcher Art und Weise auch immer, dass das so auf nationaler Ebene die Produktivität mit KI auch wirklich

00:30:47: hochgeht.

00:30:49: Ich glaube, dieser Trend wird sich fortsetzen.

00:30:53: Und jetzt ist bekannt geworden, dass Leute wie Mark Zuckerberg die Zahlen unfassbare Gehälter zum Teil für KI-Entwickler.

00:31:04: Wenn du dir jetzt mal so ein Team anschaust, dass irgendeine KI entwickelt, lass es mal ein Sprachmodell sein.

00:31:10: Ist es da so, dass du vielleicht hundert oder hundertfünfzig gute Leute brauchst?

00:31:15: Oder ist das so ähnlich, dass man da auch den einen oder anderen, ich nenn's mal Superstar, braucht, der dieses ganze Thema Large Language Models Übersetzungen irgendwie viel, viel besser verstanden hat als alles andere und der oder die dann so ein so ein astrologisches Gehalt sozusagen rechtfertigt wie so ein Superfußballer halt?

00:31:39: Ich glaube, das ist ein Mix.

00:31:40: Und ich glaube, das ist auch nicht wirklich so gigantisch unterschiedlich zu der Wirtschaftswelt vorher.

00:31:46: Also man hatte schon immer wirklich auch einzelne herausreigende Persönlichkeiten, auch in der Softwareentwicklung und auch unter den Vorständen und Cios dieser Welt.

00:31:58: Das ist halt immer so gewesen.

00:32:01: Und die wurden halt immer sehr, sehr, sehr gut belohnt.

00:32:06: Das hat für einige Schlagzeilen hier gesorgt, weil es auch wirklich in diesem Forschungsbereich gewesen ist.

00:32:10: Und vielleicht haben wir diesen Forschungsbereich vorher so ein bisschen davon ausgeklammert gesehen.

00:32:16: Aber das so gigantisch anders zu der Welt vorher ist es, finde ich, auch nicht.

00:32:27: Dort ist eben die Vision, sag ich mal, eines... Allgemeinen KI-Unternehmens entwickelt, dass ja über Sprache hinausgeht.

00:32:35: Die Antwort hat mich noch nicht so ganz zufrieden gestellt.

00:32:38: Wohin denn über Sprache hinaus?

00:32:40: kannst du da ein bisschen präziser werden, auch vor dem Hintergrund, dass ja die Diskussion auch, glaube ich, im Markt ist, sozusagen, wann ihr mal an die Börse geht und so eine richtig coole, so eine richtig coole Börsen-Story gehört ja auch, wohin will sich das Unternehmen entwickeln.

00:32:57: Ja, ich glaube, das, wo wir momentan sehr, sehr stark rein investieren und das für uns extrem so wichtig sind halt die Debellagenten.

00:33:04: Deswegen war ich auch über die Frage froh von euch an der Stelle, aber ich finde die Frage auch wirklich relevante, weil das so der Bereich ist von

00:33:13: wo...

00:33:15: Und ich gucke immer sehr stark darauf, was kann die KI momentan?

00:33:19: Und wo können wir sie heute einsetzen?

00:33:21: Wo kann sie wirklich unternehmen, heute helfen?

00:33:24: Und das ist wirklich so dieser Bereich von administrativen Aufgaben.

00:33:27: Wir haben ein paar davon angerissen.

00:33:31: Ich glaube, das ist für den Moment auch wirklich ein groß genug Sprung für die Bell von... der Sprache und von dem, was wir bisher gemacht haben, da müssen wir uns etablieren.

00:33:42: Da müssen wir schauen, dass das Produkt wirklich auch weit bekannt im Markt ist.

00:33:48: Wir sehen momentan schon tatsächlich von unseren Kunden her sehr, sehr viel Interesse dafür.

00:33:53: Aber darauf werden wir uns dann auch erst mal fokussieren.

00:33:58: Also der Agent, der alles kann, ist das eure Vision?

00:34:02: Ja, ja klar.

00:34:04: Ich glaube, das ist auch wirklich... die Art und Weise, über die man über Agentin und über KI auch rankfristig denken muss, das zu sehr einzuschränken und auch wirklich sehr extrem auf Funktionen in einem Unternehmen zu denken, das war vielleicht... Vor fünf Jahren richtig, das war vielleicht noch vor zwei Jahren richtig, aber so in der Zukunft wird man immer mehr sehen, dass die KI halt sehr viel alleine abdecken kann und über unterschiedliche Funktionen hinweg, Produkte wie der DeepLagent halt sehr erfolgreich sein können, weil einfach die Abstraktionskapazität in dem Modell, das da drunter liegt, auch wirklich steckt.

00:34:51: Könnte man DeepL Sprachmodell geben?

00:34:55: Das kommentiere ich jetzt vielleicht nicht.

00:34:58: Genauso wie den Börsengang.

00:35:04: Ja, können wir was dazu denken.

00:35:07: Aber wo geht die Reise hin, Jarek?

00:35:10: Wir bleiben einfach mal beim Thema Gen AI und Sprachmodelle.

00:35:14: Irgendwie hatte man ja das Gefühl von ChatGPT zu GPT-FORO und so weiter.

00:35:19: Gab es ja schon ordentliche Qualitätsverbesserungen.

00:35:23: Jetzt Richtung GPT-Five hat man eher so das Gefühl, dass es so Art nur noch so ein dekresives Wachstum ist, was die Qualität angeht.

00:35:33: Stoßen diese Sprachmodelle demnächst mal an ihre Grenzen?

00:35:37: Dass es daneben Technologien gibt wie KI-Agenten lassen wir mal außen vor.

00:35:41: Also sozusagen nur diese Foundation-Models.

00:35:43: Wie würdest du das einschätzen?

00:35:46: Also jede Forschungstrajektorie hat so ihre... starken Momente und Momente, wo es ein bisschen langsamer vor sich geht.

00:35:55: Und ich glaube, davon sollte man sich auch wirklich nicht abhalten lassen oder aus dem sollte man vielleicht nicht zu langfristige Prognosen ziehen.

00:36:07: Ich glaube, Fakt ist, dass die Art und Weise, wie wir diese Modelle heutzutage bauen und die Art und Weise, wie wir sie trainieren, das alles ist noch sehr einfach.

00:36:19: und wir befinden uns in den ersten Tagen dieser Technologie.

00:36:23: Das heißt, da ist noch viel mehr, was getan werden kann.

00:36:26: Über die letzten Jahre haben wir in diesen starken Push gesehen, wir skalieren die Größe der Modelle, wir packen einfach noch mehr GPUs drauf, noch mehr Trainingsmaterial.

00:36:38: Das ist halt die einfachste und vorhersehbarste Art und Weise, das zu skalieren.

00:36:41: und das Mögenunternehmen natürlich, weil man dann auch ein Businessplan darüber schreiben kann und auch wenn das Geld astronomisch wird, was in diese Modelle dann reingesteckt werden muss vom Training her.

00:36:54: Das macht einfach Sinn das zu machen, um es sich in dem Markt zu behaupten.

00:37:00: Aber Jarek, ist es nicht auch so ein Art Try and Error?

00:37:04: Also ich hatte immer so den Eindruck, ich war natürlich nicht dabei, wenn Open AI GPT-V trainiert, dass es sich enorm schwer getan haben und dass diese reine Skalierung doch nicht so genial funktioniert hat, wie es sich das erhofft hatten.

00:37:19: Forschung ist immer trial and error, ehrlich gesagt.

00:37:23: Ob es IT ist, ob es KI ist, ob es Medizin ist, wir müssen immer neue Sachen versuchen und schauen, ob sie funktionieren.

00:37:32: Guter Forscherin wird halt eine gewisse Intuition dabei haben, was funktioniert und was nicht, aber ich glaube besonders im Bereich KI haben wir auch wirklich gelernt.

00:37:42: Diese Intuitionen sind oftmals falsch und es haben Sachen funktioniert, wo Leute gesagt haben, das wird nie im Leben fliegen und das macht keinen Sinn.

00:37:51: Was ich halt damit sagen wollte ist, wir haben jetzt eine große Skalierung über einfach die Masse gesehen.

00:37:57: Wir haben so Brutforce versucht, uns durch das Problem mit dem Kopf durch die Wand zu schlagen.

00:38:05: Manchmal funktioniert es besser, manchmal ein bisschen schlechter.

00:38:08: Ich glaube einfach, da sind noch sehr viele neue Forschungsansätze, die kommen werden in der Zukunft.

00:38:15: Sehr viele neue... Modelle wie Diepsik, die dann doch mit weniger Rechenkapazität vielleicht ähnliche Kapazität erreichen.

00:38:24: Also das ist auf keinen Fall so, dass das Rennen jetzt zu Ende ist.

00:38:29: Da ist noch sehr, sehr viel spannendes zu erwarten.

00:38:33: und dann hängt es vielleicht auch nicht daran, ob Nvidia einen neuen Chip rausbringt für die nächste Phase der Entwicklung, sondern ob ein paar Leute, ob ein Team eine tolle Idee haben, wie wir die Modelle auch nochmal... besser und schneller

00:38:48: machen können.

00:38:49: Ich denke da immer an das Gehirn, dass wirklich ein Bruchteil von der Energie verbraucht, die so ein großes Modell auch und dennoch wunderbare Dinge anstellen kann, in manchen Sachen vielleicht auch tatsächlich ein KI-Modell auch unterlegen ist.

00:39:06: Aber da geht noch sehr viel mehr.

00:39:11: Ja, da geht noch sehr viel mehr.

00:39:12: Es ist, glaube ich, ein wunderbarer Schlusssatz.

00:39:14: Wir freuen uns sehr auf weitere Nachrichten aus Köln zum Thema großesprachmodell und Börsengang.

00:39:19: Und danken dir sehr für dieses spannende Gespräch, Jarek.

00:39:22: Das war toll, dass du uns mitgenommen hast auf die Reise, wohin das geht, mit die Bell und Peter Buchsmann und ich.

00:39:28: Wir melden uns im März wieder mit einem neuen spannenden Thema rund um die künstliche Intelligenz.

00:39:33: Vielen Dank und bis dahin.