Transcription
Für unseren nächsten Redner, bitte, äh, äh, geben Sie Dr. Sebastian Wieczorek einen herzlichen Applaus. Er ist äh VP of AI bei SAP, dem Rückgrat von äh äh fast jedem Unternehmen da draußen, äh, wo er auch ihr AI Core Model leitet. Ohne weitere Umschweife, da wir ein wenig hinter dem Zeitplan liegen, danke. Danke. Es ist mir eine Freude, hier zu sein, und ich repräsentiere SAP. Und noch bevor ich zu den Folien komme, lassen Sie mich kurz etwas über SAP erklären. Es ist äh, ja, man könnte sagen, es ist ein Hidden Champion. Wir äh, wir sprechen in Deutschland darüber. Es ist äh das wertvollste deutsche Unternehmen, wertvoller als alle Autohersteller, die Sie vielleicht kennen. Wir äh entwickeln Software und äh im Softwaremarkt digitalisieren wir im Grunde alle äh Prozesse für Unternehmen, von der Fertigung über Backend-Aufgaben wie äh äh Cashflow, wie Rekrutierung, äh wie äh Logistik bis hin zu Kundenbindungsaufgaben, äh die Interaktion mit unseren Kunden. Und ich denke, es ist für jeden klar, dass KI äh seit einigen Jahren die Art und Weise verändert und disruptiert, wie Menschen in diesen Bereichen Geschäfte machen. Und SAP wendet KI seit vielen Jahren auf diese Prozesse an. Aber natürlich äh disruptiert GenAI diese Prozesse und diese äh Aufgabe wieder neu. Entschuldigen Sie, äh es ist klar, dass wir mit generativer KI in eine neue neue Ära eintreten. Aber es ist auch äh, es ist auch wichtig zu sehen, dass wir uns nicht von den äh KI-Anwendungen entfernen, die da draußen sind und die bereits existieren. Also, von sagen wir mal den 1970er Jahren bis äh äh 2010er Jahren ging es nur um Analytik, statistische äh Modelle. Dann hatten wir äh maschinelles Lernen und äh äh am dominantesten Deep Learning. Also äh maschinelles Lernen mit hohen Datenvolumen als Teil äh als Teil des Mixes. Und wir haben gesehen, dass äh diese statistischen äh Methoden äh, äh sie weiterhin mehr und mehr Verbreitung finden. Wir haben in den letzten Jahren gesehen, dass auch Anwendungen des maschinellen Lernens und Deep Learnings mehr und mehr Verbreitung fanden. Und der GenAI-Teil ersetzt das nicht, er legt im Grunde nur zusätzliche Funktionen, zusätzliche Fähigkeiten obendrauf, damit wir diese Prozesse noch weiter verbessern, noch mehr digitalisieren, noch mehr automatisieren können. Worum geht es also bei dieser Disruption durch generative KI? Wir haben ziemlich viel über große Sprachmodelle gehört. Ich denke, für mich ist es wichtig, Ihnen ein wenig äh die äh Sicht aus industrieller Perspektive zu geben. Es gibt natürlich viele Anwendungsbereiche, aber wenn man es aus äh industrieller Perspektive betrachtet, bewegt man sich von äh Klassifizierungsanwendungen oder -fähigkeiten hin zu generativen, also dem Generieren von Daten, Texten, Videos, Bildern. Man bewegt sich vom überwachten Lernen, bei dem Menschen dem Modell, den Algorithmen sagen, was sie vor sich haben, also man muss die Daten labeln, hin zum selbstüberwachten Lernen, bei dem die Maschinen selbst ihre Trainingsdatensätze erstellen oder ihre Trainingsdatensätze labeln. Man könnte sagen, man geht von vordefinierten Fähigkeiten wie Übersetzung, wie äh Sentimentanalyse zu aufkommenden Fähigkeiten. Das bedeutet, ein Modell kann mehrere Fähigkeiten haben, die man nicht vorhersehen kann oder die man nicht vorhergesehen hat. Und kurz gesagt, wir gehen von engen, zweckgebundenen KI-Systemen zu breiten, universellen KI-Systemen über. Und es gibt viele coole Dinge daran. Erstens, weil es äh meist sprachbasiert ist, sind wir jetzt an einem Punkt, an dem nicht-technische Benutzer tatsächlich Zugang dazu haben und keine Vermittler wie Datenwissenschaftler benötigen, um ihnen beim Einrichten von Systemen zu helfen, die direkt interagieren und die Aufgaben, die sie gelöst haben möchten, in natürlicher Sprache definieren können. Und was Sie auch sehen, ist, dass wenn Sie diese äh GenAI-Modelle auf eine Aufgabe anwenden möchten, sie verwendet werden können, indem diese Aufgaben vorgeschrieben und beschrieben werden, ohne dass sie immer wieder auf diese spezifische Aufgabe neu trainiert werden müssen. Natürlich können Sie das tun und es liefert bessere Ergebnisse, aber es ist klar, dass wir jetzt anfangen können, unsere eigenen Aufgaben zu erfinden und allgemeine KI-Modelle so wie sie sind zu nutzen. Und das können Sie mit einer Reihe von Daten tun, das können Sie natürlich mit bestimmten Anpassungen tun, die dann technischer sind, wie Prompt Engineering, Embeddings, Fine-Tunings. Aber im Kern sind nicht-technische Benutzer in der Lage, mehrere Aufgaben gleichzeitig zu erfüllen, ohne in all diesen Bereichen eingeschränkt zu sein. Und was ich Ihnen zeigen wollte, ist einer der Anwendungsbereiche, die wir auf der äh industriellen Seite sehen. Und ich werde hier einfach das Video abspielen von einer Person, die in einem SAP-System eine Stellenbeschreibung erstellt. Und im Grunde gibt es einige äh, es gibt einige Informationen, die wir im Backend haben, und Sie klicken auf einen Button und und äh das KI-System liefert Ihnen einen Text über eine bestimmte Stellenbeschreibung. Nun, es ist nicht wichtig, dass Sie das durchlesen, und wahrscheinlich ist es auch nicht sehr spannend zu sehen, dass ein großes Sprachmodell Texte in Ihrem Namen erstellen kann. Aber was hier im Grunde passiert, was anders ist als bei der Interaktion mit ChatGPT, ist, dass nicht ein Mensch die Informationen oder die Anfrage zur Erzeugung der Ausgabe bereitgestellt hat, sondern ein System im Hintergrund das getan hat. Es ist also System zu großem Sprachmodell zu Benutzer. Es ist nicht Benutzer zu großem Sprachmodell zu Benutzer hier in diesem Fall, richtig? Und was Sie sehen, ist, dass im Hintergrund das System dem großen Sprachmodell zusätzliche Informationen für die Aufgabe bereitstellt, ohne dass der Benutzer davon weiß, wie zum Beispiel der Standort, an dem die Stellenanzeige äh äh sein soll, die Sprache, die Seniorität der Person, was das Team tut, all diese Art von Kontextinformationen, die wir in das einbringen können, was wir technisch als Prompt bezeichnen, also die Anfrage an das äh große Sprachmodell. Wir können all das zurückführen, wir können Informationen darüber bereitstellen, wie eine gute Stellenbeschreibung aussieht, welches Format sie hat, welcher Tonfall sie haben sollte. All das können Sie äh im Grunde automatisch generieren. Und dann geben Sie es an den Menschen zurück. Und natürlich wollen wir keine automatische äh Veröffentlichung, aber der Mensch kann es dann überprüfen, anpassen, übernehmen und schließlich die Entscheidung treffen, es zu veröffentlichen. Aus Prozesssicht ist das natürlich interessant. Aus technischer Sicht würde ich sagen, für mich ist es äh, ja, es ist irgendwie, wie gesagt, es ist irgendwie äh klar, dass man ein großes Sprachmodell für die Textgenerierung nutzen kann. Schauen wir uns also eine weitere Anwendung an, die die äh die Macht großer Sprachmodelle zeigt, vielleicht aus einem Bereich, den Sie bisher noch nicht gesehen haben. Und wenn ich das jetzt abspiele, sehen Sie hier eine Anfrage: Geben Sie mir die gesamte Interviewbewertung eines Kandidaten namens Brady Johnson. Und was Sie jetzt sehen, Sie müssen es nicht lesen, aber im Grunde ist es ein Monolog eines großen Sprachmodells, das versucht herauszufinden, was zu tun ist, um die richtige Antwort zu finden. Und Sie werden sehen, dass das große Sprachmodell einen Plan erstellt: Wie würde ich mit einem HR-System interagieren? Welche Art von äh Anfragen müsste ich stellen? Was ist der äh, was ist der API-Aufruf, den ich machen muss, um das zu erfüllen? Wenn ich den API-Aufruf mache und eine bestimmte Systemantwort erhalte, was wäre der nächste Schritt? Was äh äh müsste ich jetzt tun? Und am Ende kommt es zu: Ich kann es hier vorlesen: Für den Kandidaten Brady Johnson und ID so und so, Bewerbungs-ID so und so, hat die gesamte Interviewbewertung eine positive Bewertung und eine Durchschnittsbewertung von 3,5 von 5, ohne Kommentare. Was bedeutet das? Wir nutzen also ein großes Sprachmodell auf eine Weise, die Leute, die zum Beispiel mit ChatGPT interagieren, nicht darüber nachdenken, ob das möglich oder relevant ist. Aber im Grunde haben wir einen Benutzer, der Eingaben liefert, und wieder ist es nicht die LLM, die die Ausgabe an den Benutzer liefert, sondern die LLM erstellt eine Ausgabe für ein System, das mit einem System interagiert, um die richtigen Informationen aus dem System abzurufen und sie dem Benutzer zurückzugeben. Und das verändert die Art und Weise, wie wir mit Systemen interagieren werden, wie wir mit Maschinen in Zukunft interagieren werden. Also, in gewisser Weise, wenn Sie sich grafische Benutzeroberflächen ansehen, klicken Sie, und ich habe Ihnen gezeigt, wie Sie auf ein HR-System klicken, um eine Aufgabe zu erfüllen, und dann sagen Sie: Klicken Sie auf den Button, generieren Sie das oder zeigen Sie mir das. Stellen Sie sich nun vor, Sie müssten das tun, um die gesamte Bewertung für Brady Johnson herauszufinden. Ich kann Ihnen sagen, in einem HR-System müssen Sie herausfinden, wo sich der Kandidat befindet, dann müssen Sie die Bewerbung für diesen Kandidaten auswählen, an der Sie interessiert sind. Dann gehen Sie zur Bewerbung, dann gehen Sie in dieser Bewerbung zum äh Tab, der Ihnen Auskunft über das Feedback der verschiedenen Gutachter gibt, und dann aggregieren Sie die Informationen selbst. Das ist es, was Sie tun müssen. Also, als Mensch definieren Sie die Aufgabe, aber gleichzeitig interagieren Sie auch mit dem Backend, richtig? Sie äh drücken den Button, Sie erhalten Feedback vom System, Sie analysieren das Feedback, Sie drücken erneut einen Button oder Sie geben mehr Feedback ein, Sie interagieren mit dem Backend. Was wir bereits jetzt mit großen Sprachmodellen tun können, ist, diesen Teil zu automatisieren. Ein Mensch liefert immer noch eine Aufgabe, aber wenn Sie ein großes Sprachmodell auf die richtige Weise instrumentieren, wie in einem Agentenmuster, kann der Agent mit einem Backend-System interagieren und die Interaktion mit dem Backend-System automatisch durchführen und Ihnen nur die Ausgabe liefern. Und das bedeutet aus einer äh aus einer übergeordneten Perspektive, dass wir die Art und Weise ändern, wie Menschen mit Maschinen interagieren, wie Menschen mit Systemen interagieren, und wir gehen von Menschen, die Aufgaben ausführen, zu Menschen, die Aufgaben überwachen. Also im Grunde kann jeder jetzt mit diesen äh äh mit diesen Änderungen eine Art Manager von Dingen werden, richtig? Anstatt dass ich sage, ich schreibe jetzt eine E-Mail oder ich möchte wissen oder ich gehe ins HR-System und klicke mich durch, sage ich einfach: Geh weg, sag mir, was es ist. Etwas kommt in einer Minute, vielleicht in einer Stunde, mir egal. Und ich kann Aufgaben an Agenten vergeben und nur die Ergebnisse betrachten. Ich überwache also, Menschen werden überwachen, was Maschinen tun. Wir werden Maschinen nicht jeden einzelnen Schritt erklären müssen, den sie tun. Und SAP beschäftigt sich natürlich mit diesen neuen Fähigkeiten. Wir äh integrieren viele äh KI-Fähigkeiten in all unsere Prozesse, sei es in den Finanzprozessen, im HR-Bereich, im Logistikbereich, in all diesen äh Bereichen, in denen wir Software haben, bringen wir neue Fähigkeiten heraus. Und natürlich tun wir das äh auf eine äh vertrauenswürdige und verantwortungsvolle Weise. Also, äh KI-Ethik war für uns viele Jahre lang ein sehr wichtiger Diskussionspunkt und ein Thema. Wir haben äh Leitprinzipien für KI-Ethik geschaffen, Sie können sie hier links sehen. Ich würde sagen, äh im Moment sind sie quasi Marktstandards. Alle großen Unternehmen haben diese äh Leitprinzipien. Wir haben von IBM gehört, aber Sie können sehen, dass äh äh alle großen äh Softwareunternehmen diese haben, dass die UNESCO diese äh Leitprinzipien herausgegeben hat, die WCD, und wir sehen, dass sich das zu einem gemeinsamen Standard entwickelt. Ich glaube, dass wir früher oder später nur noch einen Satz von Leitprinzipien haben werden, an den sich alle halten. Vielleicht ist es der der UNESCO. Ich denke, was wir zusätzlich getan haben, ist, dass wir ein KI-Ethik-Lenkungsausschuss eingerichtet haben. Wir haben also äh äh aus allen Vorstandsbereichen leitende Führungskräfte, die zusammenkommen, um die Themen zu diskutieren und sich insbesondere mit Hochrisikofällen zu befassen. Wir haben einen Prozess, der äh und hier heißt er Policy Framework, der im Grunde äh äh bestimmte äh Anforderungen vorschreibt für alle KI-bezogenen äh Funktionen und Features, die wir herausbringen. Diese Richtlinie ist für jeden einzelnen Mitarbeiter bei SAP bindend, auch für unsere Partner, und ist im Grunde vom Vorstand und von allen Betriebsräten äh weltweit unterzeichnet. So verpflichten wir uns dazu. Und wir haben den KI-Ethik-Lenkungsausschuss, der im Grunde diesen Prozess überwacht und die Einhaltung der Richtlinien äh überprüft, insbesondere für die Hochrisiko-Anwendungsfälle. Also alles, was als Hochrisiko eingestuft und bewertet wird, und das kann äh ja zum Beispiel äh Überprüfungsprozesse im HR-Bereich sein, das ist ein typischer äh Hochrisikobereich. Aber wir äh halten uns im Allgemeinen an die Definition des AI Acts. Wir werden vom KI-Ethik-Lenkungsausschuss überprüft. Wir haben auch einen externen Beirat, und ich denke, wir waren unter den ersten Unternehmen weltweit und das erste europäische Unternehmen, das diesen äh Beirat implementiert hat. Und wir haben einen äh vertrauenswürdigen KI-Arbeitsbereich, das ist für uns das Ausführungselement. Ich leite das äh im Grunde weltweit für das Unternehmen, das diese äh Richtlinienüberprüfungen durchführt, das die äh äh grundlegenden Aufgaben für Entwickler, für Berater, für Marketingleute und so weiter festlegt. Nun, für generative KI gibt es natürlich eine Reihe von äh Dingen, die äh, die besonders sind im Vergleich zu, sagen wir mal, KI-Ethik, über die wir in den letzten, ja, sechs bis zehn Jahren gesprochen haben, würde ich sagen. Wenn wir also über Transparenz und Erklärbarkeit sprechen, sind natürlich einige der Ideen, die wir hatten, wie wir äh, wie wir sicherstellen, dass unsere Systeme äh transparent und erklärbar sind, äh nicht mehr haltbar. Und ich würde sagen, wir müssen wir müssen darüber nachdenken, wie wir diese Systeme weiterhin für den richtigen Zweck nutzen können und äh sagen wir mal, unsere Leitplanken beibehalten, ohne äh äh ohne zu ignorieren, dass bestimmte Randbedingungen äh nicht gelten. Zum Beispiel, dass Informationen über Trainingsdaten und Architektur in vielen Fällen proprietär sind, oder dass klare und einfache Erklärungen dafür, warum ein Modell eine bestimmte Ausgabe geliefert hat, für Foundation Models wie große Sprachmodelle nicht erreichbar sind. Oder wenn wir über Verzerrungen und Diskriminierung sprechen, sehen Sie, dass im Grunde eine Idee, wie man äh, wie man Verzerrungen und Diskriminierung angeht, die meisten Leute sagen, okay, man braucht einen ausgewogenen Datensatz. Nun, wenn man sich große Sprachmodelle ansieht, würde ich argumentieren, dass es keine ausgewogenen Datensätze mehr gibt, die für das Training dieser großen Sprachmodelle verwendet werden. Und man kann äh, man kann zum Beispiel sehen, dass die meisten LLM-Anbieter, alle, glaube ich, aber die meisten von ihnen geben an, dass sie Common Crawl aus dem Internet verwenden. Und man kann nicht argumentieren, dass das Internet ein ausgewogener Datensatz ist, wenn zum Beispiel in Europa mehr als 95 % der Bevölkerung Zugang hat und Informationen im Internet erstellen kann, und in Afrika sind es weniger als 50 %. Also, wenn man sich ansieht, was die äh, was die Darstellung von äh verschiedenen Gesellschaften im äh im Vergleich zu ihrer äh im Vergleich zu ihrer Größe ist, kann man nicht sagen, dass diese meist unkuratierten Datensätze in dieser Hinsicht ausgewogen sind. Ein weiteres Problem ist, dass viele dieser äh oder der generative KI-Algorithmus, die meisten von ihnen, unstrukturierte Daten erzeugen, bei denen es viel schwieriger ist, äh, Bias zu erkennen. Es ist viel schwieriger, äh, herauszufinden, auf welche Weise sie äh, sie das Potenzial für Diskriminierung haben. Und natürlich, wenn wir äh, wenn wir uns die menschliche Handlungsfähigkeit und Aufsicht ansehen, äh, ich möchte mich nicht wiederholen, aber wenn Sie darüber nachdenken, was ein Mensch braucht, um Aufsicht darüber zu haben, was ein Algorithmus tut, dann oft, wenn Sie eine Empfehlung erhalten, diese Stellenanzeige zu veröffentlichen oder äh diese Person einzustellen oder was auch immer die Empfehlung sein wird, möchten Sie eine Erklärung dafür haben. Nun, Sie können zum Beispiel große Sprachmodelle verwenden, um Erklärungen zu liefern, und sie sind in den meisten Fällen fundiert und äh, sie sind wahrscheinlich leicht verständlich, aber sie sind keine wirkliche Erklärung dafür, warum das große Sprachmodell überhaupt zu der Empfehlung gekommen ist. Und wir haben das im ersten äh im ersten Vortrag gehört, wie die Mathematik funktioniert, um äh, um dazu zu kommen. Also, auch wenn Sie gute Erklärungen dafür erhalten, warum Dinge aus großen Sprachmodellen passieren, sind sie sicherlich nicht die Erklärung dafür, warum das große Sprachmodell überhaupt zu einer bestimmten Empfehlung gekommen ist. Und wir müssen dann als Menschen entscheiden, ob es für uns gut genug ist, eine fundierte Erklärung zu erhalten, die vernünftig ist, oder ob wir wissen wollen, warum das Foundation Model oder das große Sprachmodell zu dieser äh Empfehlung gekommen ist. Ich denke, das sind äh meiner Meinung nach äh, das sind äh, das sind sehr relevante Diskussionen, und es zeigt, dass wir, wenn wir generative KI nutzen, sicherstellen müssen, dass wir auch in diesen Bereichen, wo es nicht so einfach ist, unsere äh, unsere Leitprinzipien für KI einhalten. Und das tut SAP. Wir betrachten diese Gen-Fälle als Hochrisikofälle und wir äh überprüfen sie einzeln, denn was wir tun wollen, ist, wir äh wollen diese KI-Fähigkeiten in unseren Produkten bereitstellen, um sie so einfach wie möglich zu nutzen, so zugänglich wie möglich zu machen. Wir wollen, dass sie relevant sind, um äh, um die Effizienz zu steigern, um die Art und Weise, wie Menschen mit Systemen interagieren, zu verbessern, aber natürlich wollen wir diese Fähigkeiten auch auf verantwortungsvolle Weise bereitstellen und auf Ethik- und Datenschutzstandards aufbauen. Wenn wir uns also die äh die menschliche Softwareindustrie ansehen, möchte ich noch ein oder zwei weitere Kommentare dazu abgeben. Nun, ich trete aus äh dem, was SAP tut, heraus. Wenn wir uns die europäische Softwareindustrie ansehen, sehen wir, dass wir mit großen Sprachmodellen offensichtlich Effizienz in den meisten Industriesektoren gewinnen, nicht nur in den äh Backoffice-Prozessen, sondern auch in der Fertigung und auch in den Kundeninteraktionen. Das ist klar. Gleichzeitig sehen wir, dass wir, weil es die äh Modell-Anbieter gibt, ein großes Risiko besteht, neue Netzwerke und Plattformen zu schaffen, die nach dem Motto "Der Gewinner nimmt alles" funktionieren, ähnlich wie oder Monopolien oder Oopes, die äh, die geschaffen werden, die äh, sagen wir mal, Daten anziehen und schneller als ihre Konkurrenz werden, so dass am Ende Sie sehen können, dass jetzt mit OpenAI einzelne Unternehmen diese äh äh diese Fähigkeiten betreiben und diese Fähigkeiten bereitstellen. Es gibt auch viele Wettbewerber, und wir äh, wir arbeiten intern mit vielen LLM-Anbietern. Wir äh nutzen derzeit glaube ich mehr als 10 Modelle. Mein Team stellt äh intern SAP-Entwicklungsteams zur Verfügung, aber überwiegend wird ein Anbieter genutzt. Und so sehe ich ein klares Risiko, dass wir diese äh diese äh äh "Winner Takes It All"-Situation bekommen. Was auch klar ist, ist, wenn man es aus äh, das ist die Anbieterseite, richtig? Aber auch wenn man es aus der Verbraucherperspektive betrachtet, wenn man die europäische Industrie als Verbraucher betrachtet, hängt viel von der erfolgreichen Einführung von der eigenen digitalen Reife ab. Wie sehr haben Sie Ihre Prozesse bisher digitalisiert, damit Sie den nächsten Schritt tun können? Und natürlich hängt es auch davon ab, wie gut der Zugang zu diesen äh neuen Fähigkeiten ist, wie einfach es für Sie ist, diese zu integrieren. Und wenn wir darüber nachdenken, wer die äh, wer die aktuellen Anbieter von äh großen Sprachmodellen und anderen Foundation-Model-Technologien sind, natürlich müssen wir als Europäer darüber nachdenken, ist unsere digitale Autonomie in Gefahr, ähnlich wie wir es sehen, wenn wir uns derzeit Hyperscaler-Umgebungen ansehen. Und ich denke, es ist sehr wichtig für uns als Europäer, darüber nachzudenken, ob wir weiter in dem Tempo voranschreiten wollen, in dem wir uns befinden, und ob wir das Gefühl haben, dass die Art und Weise, wie wir derzeit an äh generativer KI arbeiten, zu digitaler Autonomie führt oder nicht. Wenn wir also äh, worüber wir in Europa überwiegend sprechen, ist Regulierung, und ich denke, es ist wichtig, es ist wichtig. Ich habe Ihnen auch aus SAP-Perspektive gezeigt, dass es wichtig ist, ethisch zu handeln. Aber es ist auch wichtig, dass wir keine Akzeptanzbarrieren schaffen, weil sie äh uns behindern und uns Wettbewerbsnachteile verschaffen könnten, nicht nur für die Softwareanbieter, sondern für alle Industrien, die dann diese Effizienzgewinne nicht erzielen können. Und wir wissen, dass wir in Europa ein Sektor mit hohen Gehältern sind. Wir müssen uns von anderen Regionen der Welt durch Effizienz unterscheiden. Wenn wir diese Effizienzgewinne bei großen Sprachmodellen nicht effektiv nutzen können, werden wir in Zukunft Probleme haben. Daher ist es meiner Meinung nach gut zu sehen, dass die Europäische Union und die nationalen Parlamente über eine einheitliche europäische Vision diskutieren. Aber ich möchte auch ein paar Dinge sagen, die meiner Meinung nach äh äh beunruhigend sind. Beginnen wir auf der rechten Seite. Wir haben gesagt, dass es viele Produktivitätssteigerungen gibt, wenn man große Sprachmodelle nutzt. Und hier sehen Sie meine äh Art, große Sprachmodelle zu definieren, unten. Und was passiert ist, dass Unternehmen kuratierte Datensätze verwenden, also volle Kontrolle über die Daten haben, die in ein großes Sprachmodell gelangen, und wissen, was sie mit den Daten tun, wenn sie herauskommen. Zum Beispiel habe ich Ihnen diesen äh HR-Anwendungsfall gezeigt, bei dem Sie eine Stellenbeschreibung generieren. Sie haben die volle Kontrolle oder das System hat die volle Kontrolle über die Daten, die dort eingegeben werden, wie z.B. okay, ich gebe die Stellenbeschreibung, den Standort, ich gebe das Gehalt ein, vielleicht oder welche Informationen auch immer ein Unternehmen kontrolliert. Dann kommt eine Beschreibung zurück, und das Unternehmen überlegt, was es damit tun soll. Poste ich es jetzt? Ändere ich es jetzt? Der Akzeptanzteil davon ist also sehr klar. Und wenn es zum Beispiel um Datenschutz geht, ist es auch sehr klar, dass das Unternehmen die volle Kontrolle darüber hat, ob ich personenbezogene Daten an dieses Modell übermittle oder nicht, und wenn ich das tue, was mache ich mit den Ergebnissen. Ich würde sagen, auf der Anbieterseite, die großen Sprachmodelle konform nutzen, wir Europäer haben damit wenig Probleme, und das ist auch traditionell so. Zum Beispiel auch für Gesichtserkennungsalgorithmen, wir können das handhaben, wir können das konform tun, zum Beispiel äh äh DSGVO-konform. Jeder hat das in seinem Handy, jeder hat das auf seinem äh auf seinem Laptop. Viele Zugriffskontrollen funktionieren auf diese Weise konform, auch in Europa. Aber wenn wir zur Anbieterseite gehen, was passiert ist, dass wir viele große Datensätze haben, und ich habe einen erwähnt, der Common Crawl ist, der, man könnte sagen, aus Datenschutzsicht mit personenbezogenen Informationen und anderen äh äh mit anderen Informationen kontaminiert ist. Nun, was jeder in diesem Bereich tut, die europäischen Unternehmen, die amerikanischen Unternehmen, die asiatischen Unternehmen, sie nehmen all diese Datenquellen und schauen sie sich nicht einzeln an. Sie erstellen also nicht, sie finden nicht heraus, welche Informationen ich für Sebastian im Internet finden kann. Aber was sie tun, ist ein unüberwachtes Training, also ohne die Daten anzusehen, der Algorithmus äh bestimmt, wie er darauf trainiert und wie er daraus Bedeutung ableitet. Sie erstellen ein Modell, und dieses Modell kann dann auf der rechten Seite auf eine äh DSGVO-konforme, KI-konforme Weise angewendet werden. Aber die Erzeugung davon ist, ich würde sagen, derzeit an andere Vorschriften gebunden. Wenn Sie also ein solches Modell in den USA trainieren, wenn Sie es in Asien trainieren, können Sie das ohne DSGVO-Vorschriften sehr einfach tun. Wenn Sie das in Europa tun, riskieren Sie, dass jemand kommt und sagt: Haben Sie meine personenbezogenen Daten verarbeitet? Bitte nehmen Sie sie aus dem Datensatz heraus, wo wurden sie verwendet, was und so weiter, bis hin zu äh, ich meine, Regulierung ist die oder es gibt derzeit kein Gerichtsverfahren dafür, aber es gibt ein enormes Risiko für europäische Unternehmen wie Alf, wie äh M-R oder oder andere, die in diesem Bereich tätig sind, wie z.B. Niic, es so zu tun. Und der Grund dafür ist, dass unsere Regulierung derzeit eine große Belastung für äh äh ja, die Arbeit mit personenbezogenen Daten darstellt, auch wenn sie nur ein Nebenprodukt dieser großen Datensätze sind, die man im unüberwachten Modus benötigt, um diese Modelle zu trainieren. Und wenn wir das nicht ändern, wenn wir keine Sandkästen schaffen, wenn wir keine äh Unterstützung für Unternehmen schaffen, um diese Modelle wettbewerbsfähig in Europa zu trainieren, werden wir von amerikanischen und asiatischen Anbietern abhängig sein, so wie wir heute schon von amerikanischen und asiatischen Anbietern bei der Gesichtserkennung abhängig sind. Es gibt keinen Gesichtserkennungsanbieter in Europa wegen dieses Problems. Gleichzeitig sagt jeder: Okay, das ist die heikelste Art, Gesichtserkennung zu betreiben, aber man kann sie DSGVO-konform nutzen, man hat sie auf seinem Handy, man kann sie nutzen, aber es ist sehr schwer, sie in Europa zu produzieren. Und wenn wir nicht die gleiche Situation für große Sprachmodelle haben wollen, müssen wir die Regulierung, die kommt, sehr kritisch betrachten, um sicherzustellen, dass Europa auch äh europäische Unternehmen potenzielle Produzenten sind. Und zusammenfassend lässt sich sagen, dass die Europäische Union in Europa meiner Meinung nach natürlich sehr gut geeignet ist, äh äh demokratische Werte in KI zu integrieren und zu definieren, wie ethische KI funktioniert. Ich denke, es ist klar, dass wir über großartige Bildung und Humankapital dafür verfügen. Wir haben großartige Universitäten. Aber ich sehe auch, dass, wenn wir uns äh KI-Forschung ansehen, sie derzeit etwa 50.000 Dollar an Credits für Hyperscaler auf Hyperscalern kostet, um die richtigen Ergebnisse zu erzielen und auf einer AAR-Konferenz für KI und maschinelles Lernen zu publizieren. Die meisten Universitäten in Europa können diese Mittel nicht aufbringen, um in diesen äh Forschungsbereichen eine Top-Rolle zu spielen. Wir müssen also darüber nachdenken, wie wir diese großartigen Talente unterstützen können, um Forschung zu betreiben. Ich denke, es ist auch klar, dass wir in Europa in Bezug auf Recheninfrastruktur und Dateninfrastruktur investieren müssen. Derzeit gibt es nur sehr wenige Orte, an denen es möglich ist, große Sprachmodelle zu trainieren, im Vergleich zu den USA und Asien. Und das begrenzt auch die Gründung von Unternehmen, die dies tun und Anbieter werden. Ich denke, es ist sehr wichtig, dass wir als Europäer zusammenarbeiten und kooperieren. Ich denke, Europa ist mit der Anzahl der Sprachen, der Anzahl der verschiedenen äh äh Systeme, der Anzahl der verschiedenen Kulturen sehr einzigartig. Und ich denke, wir müssen uns vereinen, um dies auch zu einem Teil der GenAI-Roadmap zu machen, die wir verfolgen. Und natürlich, und das ist mein letzter äh Punkt hier, müssen wir die Regulierung, die wir schaffen, mit den Möglichkeiten in Einklang bringen, äh äh Innovation zu ermöglichen. Wenn wir also äh, wenn wir ehrlich zu uns selbst sind und sagen, okay, bestimmte Regulierungen sind notwendig, um ethische KI zu gewährleisten, dann müssen wir auch Mittel für europäische Unternehmen bereitstellen, um diese äh äh diese äh Leitplanken auszugleichen, um europäische Innovationen in diesem Bereich zu ermöglichen und nicht vollständig von Monopolen abhängig zu werden, die sich anderswo bilden. Und damit äh danke ich Ihnen vielmals. Danke, Sebastian.