KI - kurz und informativ, Klartext "to Go" in unter 5 Minuten

Marc Benesch

"KI - kurz und informativ" erklärt Künstliche Intelligenz verständlich, kompakt und ohne Fachchinesisch. In weniger als 5 Minuten erfahrt ihr als Entscheider in Wirtschaft und Verwaltung, worum es eigentlich wirklich geht - ohne Hype von den Grundlagen, über Anwendungen im Unternehmen bis hin zu den neusten Entwicklungen. Was ist ein Large Language Model (LLM)? Was sind neuronale Netze? Welche Datenschutzanforderungen muss ich beachten? EU AI Act? Wie bereite ich meine Daten auf? All das und vieles mehr sind Themen unserer Podcast-Reihe. Viel Spaß beim Zuhören!

  1. 2d ago

    Generative Adversarial Networks (GANs): Wie zwei KI-Modelle gegeneinander lernen

    Was passiert, wenn man zwei neuronale Netze gegeneinander antreten lässt? Genau das ist die Idee hinter GANs, Generative Adversarial Networks. Ein Generator fälscht Bilder, ein Diskriminator versucht, die Fälschungen zu entlarven, und beide werden Runde für Runde besser. In dieser Folge erkläre ich das Grundprinzip und zeige, wo GANs heute eingesetzt werden: zum Vermehren seltener Trainingsdaten (Data Augmentation) in Qualitätskontrolle und Medizin und zur Anomalieerkennung, etwa bei krankhaften Veränderungen der Netzhaut. Ausserdem ordnen wir ein, warum Diffusionsmodelle GANs bei der Bildgenerierung weitgehend abgelöst haben und wo GANs trotzdem ihre Stärken haben. 🎧 Hört gerne nochmal in die Folge über Diffusionsmodelle rein. Themen dieser Folge: Generator und Diskriminator: das GAN-PrinzipAnwendungsfälle von GANsGANs vs. DiffusionsmodelleAbgrenzung zu sog. Adversarial Attacks Quellen: Goodfellow et al. (2014): Generative Adversarial Nets: https://arxiv.org/abs/1406.2661Schlegl et al. (2017): Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery: https://arxiv.org/abs/1703.05921Dhariwal, Nichol (2021): Diffusion Models Beat GANs on Image Synthesis: https://arxiv.org/abs/2105.05233 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.

  2. Oct 29

    Gradient Descent Teil 2: Stochastic Gradient Descent und Mini-Batch GD

    In der ersten Folge zu Gradient Descent haben wir mit den Schwächen dieses Verfahrens aufgehört. Heute schauen wir uns an, wie diese Schwächen angegangen werden. Wir sprechen über lokale Minima, die richtige Lernrate und den hohen Rechenaufwand bei grossen Datensätzen. Ihr braucht keine mathematischen Vorkenntnisse (wobei die Grundrechenarten sind nie verkehrt sind :D). Aus den Herangehensweisen ergeben sich die drei wichtigen Ansätze aus der Praxis: Gradient Descent: Wie der gesamte Datensatz zur Berechnung eines Optimierungsschritts verwendet wird.Stochastic Gradient Descent (SGD): Warum einzelne Datenbeispiele den Rechenaufwand pro Schritt reduzieren und gleichzeitig für stärkere Schwankungen sorgen.Mini-Batch Gradient Descent: Wie eine kleine Gruppe von Datenbeispielen einen praktischen Kompromiss zwischen Rechenaufwand und Stabilität ermöglicht. Wir nutzen wieder die Analogie der Bergwanderung. 🎧 Hört unbedingt in die erste Folge rein. Denn diese Folge baut darauf auf: Gradient Descent einfach erklärt 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. Diese Folge ist für dich, wenn du … verstehen möchtest, wie Machine Learning und KI-Training funktionieren, dich für künstliche Intelligenz interessierst, ohne selbst programmieren zu müssen, als Entscheiderin oder Entscheider in Wirtschaft oder Verwaltung fundierter über KI sprechen möchtest, wissen willst, warum moderne KI-Modelle spezielle Optimierungsverfahren benötigen.

  3. Oct 15

    Model Distillation erklärt: Klauen chinesische Labore amerikanische KI?

    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

  4. Oct 8

    AI Agents verstehen: Harness, Tools, Skills, Memory und MCP erklärt

    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.

About

"KI - kurz und informativ" erklärt Künstliche Intelligenz verständlich, kompakt und ohne Fachchinesisch. In weniger als 5 Minuten erfahrt ihr als Entscheider in Wirtschaft und Verwaltung, worum es eigentlich wirklich geht - ohne Hype von den Grundlagen, über Anwendungen im Unternehmen bis hin zu den neusten Entwicklungen. Was ist ein Large Language Model (LLM)? Was sind neuronale Netze? Welche Datenschutzanforderungen muss ich beachten? EU AI Act? Wie bereite ich meine Daten auf? All das und vieles mehr sind Themen unserer Podcast-Reihe. Viel Spaß beim Zuhören!

You Might Also Like