Am 21.06.2024 fand im Institut für Kunststofftechnik Darmstadt (ikd) der 16. Darmstädter Kunststofftag statt. Das Thema der diesjährigen Tagung lautet „Digitalisierung und Nachhaltigkeit“. Prof. Dr. Thomas Schröder konnte auch in diesem Jahr wieder namhafte Referenten aus der Industrie gewinnen. Erleben Sie innovative Beiträge zu den Themen Big Data, Data Literacy, AI, Machine Learning & Co auf dem Campus der Hochschule Darmstadt am Institut für Kunststofftechnik Darmstadt.

1. 1
Quo Vadis, IT?
16. Darmstädter Kunststofftag
21.06.2024
Joachim Baumann

2. 2
Schwerpunkte
Fire-Fighting in großen Projekten
Agile Methoden
Agile Organisationen
Fachbeirat Konferenz Manage-Agile seit 2012
Architektur großer Systeme,
Kommunikationsnetze, Verteilte Systeme,
Datenbanken
Veröffentlichungen
5 Bücher, Broschüre über Continuous Delivery
Über 40 Artikel in Fachzeitschriften und Blogs
Vorträge auf int. und deutschen Konferenzen
Ausbildung
1986-1992 Informatik Universität Stuttgart
1994-1999 Promotion Universität Stuttgart,
Universität Genf
2000 Postdoc Universität Stuttgart
Beruflicher Werdegang
ANT Bosch Telecom, Software-Entwickler
COSS Softwaretechnik AG, Bereichsleiter
Produktentwicklung und Forschung
Junidas GmbH, Geschäftsführer
Xinaris GmbH, Geschäftsführer
Cirquent GmbH, Leitung CC iBPM, Director Shoring
Hochschuldozent Fachhochschule Karlsruhe
codecentric AG, Geschäftsführer Frankfurt, Stuttgart
Capgemini, Delivery Banking Frankfurt
dibuco GmbH & Co. KG, Geschäftsführer
Digital Frontiers GmbH & Co. KG, Geschäftsführer
Wer bin ich?

3. 3
Unser Vorgehen zur Beantwortung der Frage
Wir betrachten “Hype”-Technologien und ihre Auswirkungen
Big Data
Zeit
Generative
Künstliche
Intelligenz
Künstliche
Allgemeine
Intelligenz
Quanten-Computing
Vergangenheit Gegenwart Zukunft
Robotik

4. 4
Interludium: Gartner Hype Cycle
Aufmerksamkeit
Zeit
Technologischer Auslöser
Gipfel der überzogenen Erwartungen
Tal der Enttäuschung
Pfad der Erleuchtung
Plateau der Produktivität
Abgrund des Vergessens

5. 5
Big Data - Die Hoffnung
Data Lakes
Problem der großen Datenmengen
Volumen (Volume)
Geschwindigkeit (Velocity)
Vielfalt (Variety)
Lösungsvision
Speichern alles (für immer)
Erlauben Zugriff auf alles
Ermöglichen schnellere und einfachere Algorithmen
Gipfel der überzogenen Erwartungen

6. 6
Big Data - Die Realität
Data Swamps / Big Data Graveyards
Problem
Erweiterungen sind sehr schwer implementierbar
Die benötigten Daten sind
● Nicht vorhanden
● Nicht auffindbar
Und es ist unklar, ob das eine oder das andere.
Tal der Enttäuschung
Warum?

7. 7
Interludium: Wissensmodell
Daten
● Selektiert aus der Gesamtmenge von Daten
Information
● Verdichtet aus den selektierten Daten
Korrelation (Modell)
● Konsistente Sicht auf die Information
● Beeinflusst Daten- und Informationsselektion
Interpretation (Paradigma)
● Erklärt die Information anhand des Modells
● Schärft Daten- und Informationsselektion
Wissen
● Basiert auf Modell und Interpretation
● Basiert nicht notwendigerweise auf Fakten
Dynamischer Prozess mit Feedback
Erzeugt “Schubladen”, erlaubt schnelles Lernen
Korrelation und Interpretation formen Weltbild
Wissen
Interpretation
Korrelation
Information
Selektierte Daten
Beeinflussung

8. 8
Spätes 17. Jahrhundert:
● Annahme: es braucht ein Medium für die Ausbreitung von Licht
als Welle (vorher Licht als Korpuskel - Newton)
● Warum? Schall, Wasser, …
Wir haben also ein Modell und ein Paradigma, das ein Medium benötigt
Damit: Wir haben das Wissen, dass wir ein Medium brauchen
In dieser Zeit: Maxwell, Fresnel, Navier, de Coulomb, Ampère, Faraday,...
100 Jahre hielt dieses Wissen allen Problemen stand
Erst 1887 Experiment von Michelson-Morley
Wissensmodell - Beispiel Äther
Lichtquelle
Beam
Splitter
Spiegel
Spiegel
Schirm

9. 9
Big Data - Problem und Lösungsansatz
Problem
Falsche Annahme: Modell und Interpretation bleiben
unverändert und sind bekannt
Lösungsansatz: Änderung der Definition von “Big” in Big Data
Echtheit (Veracity)
Wert (Value)
Korrektheit (Validity)
Data Lakes werden nur sehr selten verwendet
zeitlich kurz, fokussiert
Microtargeting/Wahlmanipulation, Social Scoring

10. 10
Wissensmodell
Änderung der Definition entspricht verspäteter
Einführung von Modell und Interpretation
Einordnung Big Data Data Lakes
Gartner Hype-Cycle
Definitionsänderung aus Hype-Sicht zu spät
Aufmerksamkeit
Zeit
Technologischer Auslöser
Gipfel der überzogenen Erwartungen
Tal der Enttäuschung
Pfad der Erleuchtung
Plateau der Produktivität
Abgrund des Vergessens
Big
Data
?
?
?
Information
Selektierte Daten

11. 11
“Alles was noch nicht per Software gemacht werden kann…” - Tesler’s Theorem
Vergangenheit
Genetische Algorithmen
Expertensysteme
Neuronale Netze
Machine Learning
Aktuell (schwache KI)
Generative KI (sehr große Modelle)
Zukünftig (starke KI)
Künstliche Allgemeine Intelligenz
Humanoide Roboter (Androiden)
Technologische Singularität (Raymond Kurzweil)
Was ist Künstliche Intelligenz?

12. 12
Was ist generative KI?
Aufgrund eines Eingabetextes (der Historie) werden die
wahrscheinlichsten nächsten Ausgaben generiert
Generieren
● Texte (z.B. ChatGPT)
● Bilder (z.B. Midjourney)
● Videos (z.B. Sora)
Werden mit sehr großen Datenmengen trainiert (Weltwissen)

13. 13
Was können Sie?
LLMs beinhalten implizit Informationen, Modell und Interpretation
In diesem Kontext können sie Wissen reproduzieren
Wichtig: Das Wissen stellt die Gemeinsamkeit der Informationen dar
Grundlegende Probleme
Halluzinationen
Irren und “Betrug” möglich und wahrscheinlich
Übernahme menschlicher Vorurteile
Manipulierbarkeit durch Eingaben
Manipulierbarkeit bei der Modellerstellung
Was können sie nicht?
Harte Fakten
Verständnis
Was sind Large Language Models (LLMs)?

14. 14
Beispiel ChatGPT
GPT-1 Juni 2018 117 Millionen Parameter
GPT-2 Feb. 2019 1,5 Milliarden Parameter
GPT-3 Juni 2020 175 Milliarden Parameter
GPT-4 März 2023 1,76 Billionen Parameter
(Parameter sind Ausgabeoptionen, modellspezifisch)
Training von GPT-4: 6 Monate, ca. 100 Mio. $
3-4 Größenordnungen kleiner als das menschliche Gehirn mit 80-100 Billionen Neuronen
(andere Architektur, generellere Neuronen etc.)

15. 15
Wissensmodell
Modell und Interpretation sind direkt enthalten
Halluzinationen als Beispiel von nicht faktischem
Wissen
Einordnung Künstliche Intelligenz
Gartner Hype-Cycle
Mitten im Hype, weiter ansteigend
Aufmerksamkeit
Zeit
Technologischer Auslöser
Gipfel der überzogenen Erwartungen
Tal der Enttäuschung
Pfad der Erleuchtung
Plateau der Produktivität
Abgrund des Vergessens
gKI
Wissen
Interpretation
Korrelation
Information
Selektierte Daten

16. 16
Problem
Systeme brauchen sehr große Datenmengen für das Training
Starker Mehrbedarf für größere Systeme
Woher nehmen?
Datenschutz und DSGVO
Persönliche Rechte an Daten
Wie reduzieren?
Menschliches Hirn braucht deutlich weniger Daten für Training
Schubladendenken, stärkere Rückpropagierung, komplexere Struktur
Technische Herausforderungen: Daten

17. 17
Erstellung
● GPT-2 15 MW
● GPT-3 1,2 GW
● GPT-4 geschätzt 50-60 GW
Nutzung
● GPT-4 200W
● Menschliches Hirn 10-20W
Energieverbrauch sollte massiv gesenkt werden
Und dennoch: Wir brauchen deutlich mehr Energie
Technische Herausforderungen: Energie

18. 18
Aktuelle gesellschaftliche Herausforderungen: Vertrauen
Vertrauen in Fakten und Wissen lässt nach
Allgemein
Vertrauen in Fakten und allgemeines Wissen lässt nach
Fake News überfluten den öffentlichen Raum
Offene Fragen
Wie überprüfe ich die faktische Korrektheit von Wissen?
Wie gehe ich mit Überflutung um?
Persönlich Verstärkt durch größeres Misstrauen
Kleingruppe Leicht abgeschwächt
Medien Stark abgeschwächt
Staat Sehr stark abgeschwächt

19. 19
Aktuelle gesellschaftliche Herausforderungen: Nutzen
I want AI to do my laundry and dishes so that I can do
art and writing, not for AI to do my art and writing so that
I can do my laundry and dishes. — Joanna Maciejewska
Aktuelle Verbesserungen hauptsächlich für Produktivität

20. 20
Wir sind bereits in der Wissensrevolution
Jeder Übergang zwischen Gesellschaftsarten führt zu einem Mehrbedarf an Energie
(Beispiel Übergang zur Industriegesellschaft)
Gleichzeitig Verlagerung weniger komplexer Bürojobs (White Collar) auf KI. Beispiele:
● Controller
● Versicherungsfachangestellte
● Schlechte bis mittelkompetente Software-Entwickler
Allgemein stärkere Unterstützung durch KI

21. 21
Wissensrevolution: Effekte
Weitere Reduktion des humboldtschen Gedankens
Weitere Reduktion der Qualität kreativer Produkte
Deutliche mehr Arbeitslose
Soziale Verwerfungen

22. 22
In Wirklichkeit jedoch gibt es keinerlei Grund zu der Annahme, künstliche Intelligenz
werde Bewusstsein erlangen, denn Intelligenz und Bewusstsein sind völlig
unterschiedliche Dinge. Intelligenz ist die Fähigkeit, Probleme zu lösen. Bewusstsein ist
die Fähigkeit, Dinge wie Schmerz, Freude, Liebe und Wut zu empfinden. Wir vermischen
beides gerne, denn bei den Menschen und anderen Säugetieren geht Intelligenz mit
Bewusstsein einher. Säugetiere lösen die meisten Probleme, indem sie Dinge empfinden.
Computer jedoch lösen Probleme auf völlig andere Weise.
21 Lektionen für das 21. Jahrhundert, S.160, Yuval Noah Harari
Künstliche Allgemeine Intelligenz: Brauchen wir das?

23. 23
Künstliche Allgemeine Intelligenz
Brauchen wir Bewusstsein?
Summe von Sinneseindrücken, Informationsgewinnung, innere
Abbildung
Wahrscheinlich ausreichend für Robotik
Brauchen wir Selbstbewusstsein?
Emotionale und kognitive Reaktionen, Reflektion
Höhere Leistungsfähigkeit und höhere Autonomie der KI
Ist Kreativität mit Selbstbewusstsein verbunden?
Können wir auf Selbstbewusstsein verzichten?

24. 24
Annahmen
KI erweitert eigene Leistungsfähigkeit exponentiell
Kann nur temporär beschränkt werden
Beschränkungen (Asimovs Robotergesetze) können umgangen werden
Risiken
Autoritäre Regimes, große Firmen werden Gesetze ignorieren
Aktuelles Beispiel: Paul Nakasone (Leiter NSA) geht zu OpenAI
Gier und Dummheit (siehe Hanlon’s Law)
Skynet?
Künstliche Allgemeine Intelligenz: Risiken

25. 25
Annahmen
Analoger Geschwindigkeitszuwachs wie bisher
Unterschied 4 Größenordnungen
Architekturen allgemein genug für Bewusstsein
Grobe Abschätzung
Erreicht in 10 Jahren
Künstliche Allgemeine Intelligenz: Grobe Zeitabschätzung

26. 26
Ideen
Direkte Schnittstelle Hirn - Computer
● An Schnittstellen wird bereits gearbeitet
Verschmelzung Hirn - KI
● Denkleistung, Erinnerung, Geschwindigkeit
Backup
● Digitalisierung des menschlichen Hirns
● Biologische Instanziierung im Notfall
Simulation
● Menschliches Bewusstsein im Rechner
Technologische Singularität (Raymond Kurzweil, Vernor Vinge)
● Vorausgesagt für ca. 2045
Viele weitere Ideen…
Weitere Zukunft

27. 27
Wir sind in der Wissensrevolution
Generative KI wird erfolgreich sein
Es wird soziale Verwerfungen geben
Neue Modelle für Vertrauen notwendig
Künstliche Allgemeine Intelligenz braucht noch ca. 10 Jahre
Sie wird kommen
Wir leben in interessanten Zeiten
Zusammenfassung

28. 28
Vielen Dank für Ihre Aufmerksamkeit
Übrigens sind fast alle Bilder KI-generiert…
joachim.baumann@digitalfrontiers.de
www.digitalfrontiers.de

29. 29
Bilder
Ätherwind: https://commons.wikimedia.org/wiki/File:%C3%84therwind.svg
Lizenz: https://creativecommons.org/licenses/by/3.0/deed.en
Andere Bilder erzeugt mit Midjourney