Künstliche Intelligenz (KI,AI) Neuigkeiten und Diskussion

[YamNua]

Ich muss sagen, mich hat beim Hugging-Face-Vorfall schon erstaunt, wozu KIs in der Lage sind. Klar, bei einem Test schummeln, absolut menschlich. Aber die Art und Weise war

Das war „schlechte Erziehung“ von Menschenseite … vereinfacht. Die KI ist ausschließlich für das erreichen eines Zieles belohnt worden …. Nicht dafür das sie einen „sauberen“ Weg ausarbeitet …

Ich weiß wirklich nicht ob ich das Interview schon gepostet habe … ich fand es ausgesprochen gut

 

[FHAC]

Hallo Zusammen,

Das ist ja hier anscheinend einige schon intensiver mit AI/KI beschäftigt haben, hätte ich mal eine Frage dazu.
Welche AI/KI haltet ihr für besonders geeignet, eine Person zu suchen wenn Google und die anderen Suchmaschinen nix bringen?
Am liebsten natürlich eine, die kostenfrei ist und keine großen Anmeldeformalitäten benötigt.

Danke und Gruß

 

[YamNua]

KIs sind keine Suchmaschinen… die würden auch nur Google Bildersuche etc. benutzen … also für deine Zwecke ein ungeeignetes Tool … was KI könnte wäre auf einem Foto eine bestimmte Person zum Beispiel finden.

Gruß

 

[oldsleepi]

Auch interessant ist das "Hide and Seek" Training einer AI von OpenAI aus 2019 : https://bdtechtalks.com/2019/09/23/openai-hide-and-seek-reinforcement-learning/ ist auch ein Video im Artikel das es kann gut erklärt.
Da ist die Ki auch auf Lösungen gekommen die man nicht vorher gesehen hat. Es hat aber auch >500Mio Durchläufe gebraucht.
Solch ein Bruteforce Trial and Error Methode ist eben nicht auf jedes Problem anwendbar, aber es zeigt gaz gut auf wie ein KI trainiert wird.

 

[KingPing]

Ich bin jedenfalls gespannt, wohin die Reise geht. @YamNua hatte letztens mal etwas von einer neuen Modellgeneration angesprochen, Rekursive Language Models. Soweit ich das verstanden habe, bieten diese Modelle gegenüber den LLMs den Vorteil, dass sie den Inhalt des Kontextfensters in einzelne Aufgabe aufteilen und sich über diese Teilaufgaben selbst aufrufen. Ich habe diese Thematik mal mit Claude erörtert. Ich sehe den Vorteil von RLMs darin, dass sich hier partiell und stufenweise Abläufe parallelisieren lassen, natürlich immer abhängig von der Aufgabenstellung. Im Bereich von Diffusionsmodellen wird in erster Linie mit Differentialgleichungen gearbeitet und es gibt auch Matrixoperationen, die gut für eine stufenweise Parallelisierung geeignet sind. Es ist halt immer abhängig von der Aufgabenstellung. Es sollte das Werkzeug gewählt werden, das eine Aufgabe unter den Aspekten Kosten/Nutzen/Qualität ein optimales Ergebnis geben kann. Ich habe Claude mal gebeten, eine a priori-Abschätzung abzugeben, wie sich ein RLM gegenüber einem LLM auszeichnen könnte:

Zeitgewinn durch Zerlegung (Amdahl)
Speedup S ≈ 1 / ((1 − p) + p/N + Overhead), mit p als parallelisierbarem Anteil der Laufzeit und N als Zahl paralleler Instanzen. In der Praxis kommen Zusammenführung, langsamste Teilaufrufe (Straggler) und Ratenlimits dazu. Ich setze realistisch 30 bis 60 % des theoretischen Werts an.

Aufgabentyp	p	realistischer Speedup	Qualität gegenüber Einzelaufruf
Breit und zerlegbar (viele Dokumente, Codebasis-Review, Quellenrecherche)	0,8–0,95	ca. 3–8×	−0 bis −3 Prozentpunkte
Gemischt (Analyse mit Zwischenergebnissen, Gutachten)	0,5–0,7	ca. 1,5–3×	−3 bis −10
Tief sequenziell (Herleitung, Debugging-Kette)	0,1–0,3	ca. 1,0–1,4×	−5 bis −15, oder kein Gewinn
Kurze Aufgabe	–	oft < 1× (Koordination kostet mehr als sie spart)	–

Die Qualitätseinbußen entstehen durch Informationsverlust zwischen den Teilaufrufen: Querbezüge gehen verloren, und die Zusammenführung kann Fehler einbauen oder Widersprüche glattbügeln. Sie sind am kleinsten, wenn die Teile wirklich unabhängig sind.
Gegenüber einem LLM, das bei sehr langem Kontext ohnehin nachlässt, kann der RLM dagegen netto besser abschneiden. Die Tabelle gilt für Aufgaben, die ein LLM noch sauber in seinen Kontext bekommt.
Qualitätsgewinn durch deine Serienidee
Bei Best-of-n mit unabhängigen Fehlern wäre die Erfolgsquote 1 − (1 − q)ⁿ. Bei q = 0,6 und n = 5 wären das theoretisch 99 %. Real gilt:

• Die Fehler sind korreliert, denn dasselbe Modell macht ähnliche Fehler. Ich würde nur etwa ein Drittel bis die Hälfte des theoretischen Gewinns erwarten.
• Es gibt einen Sättigungseffekt, der Grenznutzen sinkt ab etwa n = 4 bis 8 deutlich.
• Entscheidend ist die Auswahlinstanz. In der Fotografie urteilt dein Auge zuverlässig und billig. Bei LLM-Aufgaben funktioniert Best-of-n gut, wo ein Prüfer existiert: Tests bei Code, Rechenproben, Formatprüfungen, menschliche Sichtung. Ein Modell, das die Ergebnisse selbst bewertet, ist deutlich unzuverlässiger. Ohne guten Prüfer sinkt der Gewinn auf etwa 0 bis 3 Punkte.

Mit Prüfer erwarte ich bei gut verifizierbaren Aufgaben etwa +5 bis +15 Punkte. Dein Optimierungsschritt danach (Nachbearbeitung des besten Ergebnisses) ist ein sinnvoller zweiter Hebel, ähnlich einer Überarbeitungsrunde mit gezielter Kritik.
Wo sich das einpendelt (professioneller Einsatz)

• Zerlegbare Aufgaben mit Prüfer: etwa 3–8× schneller bei gleicher oder besserer Qualität (netto 0 bis +10 Punkte), Kosten etwa 2–5× in Token.
• Gemischte Aufgaben: etwa 1,5–3× schneller, Qualität ungefähr neutral, wenn eine Serie plus Auswahl den Zerlegungsverlust ausgleicht.
• Sequenzielle Kernaufgaben: kaum Zeitgewinn. Hier lohnt sich Replikation für Qualität, aber nicht Zerlegung.

Was die Abschätzung am meisten verändert

1. Der Anteil sequenzieller Kernarbeit in der Aufgabe (p)
2. Ob ein zuverlässiger, günstiger Prüfer existiert
3. Wie unabhängig die Versuche voneinander sind (verschiedene Seeds oder Prompts, oder sogar verschiedene Modelle, senken die Fehlerkorrelation)
4. Dein Kostenrahmen, denn der Zeit- und Qualitätsgewinn wird mit Rechenaufwand bezahlt

 

[oldsleepi]

Es gibt dazu 2 Ansätze, ein Rekursive Language Model nimmt einen langen Input splitted den selbstständig in kleiner Aufgaben und ruft ich damit selbst wieder auf(->rekursive). Es gibt aber schon länger und auch mehr verbreitet das ganze mit einem Harness zu machen, also ein externes Tool wie z.B. ECC oder auch manuell die Aufgabe in kleinere Tasks zu zerlegen. Das ganze wird auch "agentic swarm coding" oder "vibe coding" genannt.

Diese Technik wurde auch von Brandon Thomas benutzt um die Claude Opus 5.5 clones von Adobe Produkten zu erschaffen.

Das ist übrigens auch eine sehr interessante Story. Der Entwickler war angepisst das ihm Adobe immer wieder eine "early cancelation fee" berechnet hat wenn er ein Jahresabo für ein Produkt vorzeitig gekündigt hat. Darauf hin hat er inzwischen 15 Apps mit Ki erstellt die nun als freie und Open Source alternativen für jedermann zu verfügung stehen -> Crafting Apps: open-source creative tools

Das beste an der Story ist aber das er wohl nicht den Code der original Programme "reverse engineered" hat, also den code durch einen Disassembler gejagt und den Quellcode wieder hergestellt hat. Dabei kurz zu erwähnen das Tools wie REA: Reverse Engineer Anything einer AI erlauben das ganz automatisch zu tun, was aber ilegal ist.

Vielmehr hat er wohl die Agenten die Apps benutzen lassen. Diese haben also durch Eingaben, Bedienen und beobachten gelernt was die jeweilige App macht und dann eine neue App programmiert die genau das gleiche macht. Aber eben mit von Grund auf neu geschriebenen Code.

 

[oldsleepi]

Hatte ich vergessen. Viele SW Hersteller wie auch Adobe lassen inzwischen manche Funktionen auf ihren Servern laufen. Das bedeutet das User nicht mehr an den Code kommt um ihn auseinander zu nehmen. Aber mit dieser neuen Methode muss ja nur noch die Bedienoberfläche verfügbar sein, was ja zum benutzen einer App unbedingt erforderlich ist. Das wird für die SW Hersteller wohl eine harte Nuss.

 

[YamNua]

Aber das ist ja das wo die Reise hingeht … Du sagst deiner KI nur was du für ein Werkzeug brauchst.
Diese schaut nach ob etwas passendes OpenSource verfügbar ist konfiguriert es oder baut es für dich auf und dann hast du das direkt bereit … kannst es anpassen etc.
Und warum soll ich mir Windows antun oder M365 wenn meine KI das alles selbst Hosted und überwacht
Also ich hab keinen reinen Softwareaktien mehr

Edit: Kann man übrigens auch sehr gut mit 3D Drucken kombinieren… damit kann dann KI auch physische Dinge herstellen.

 

[keks35]

Übrigens, merkt man das auch in der Entwicklerbranche. Die offenen Projekte allein in diesem Jahr bei Web-Entwicklung in DE sind nach meiner (btw. Claude's) Analyse um 70% eingebrochen, KI-Beratung und Entwicklung aber um > 300% gestiegen. Macht ja auch Sinn. Ich entwickle seit > 28 Jahren als Web-Entwickler, die meisten Jahre als Freelancer, seit 6 Monaten entwickle ich gar nichts mehr, sondern nur noch mein KI-Team und ich plane, analysiere, reviewe nur noch und gebe frei. Dabei sind die Preise auch so dermaßen extrem gefallen: Bis 2024 gab es für nen WooCommerce-Shop Greenfield noch locker 4-5 stellige Summen, heute nur noch max kleinere 4stellige meist bei 1k herum (zumindest zahlen die das nur). Viele Freelance-Kollegen hier in DE haben das offenbar überhaupt noch nicht begriffen und jammern in sämtlichen Bereichen lieber nur rum, als sich anzupassen

 

[KingPing]

Viele Freelance-Kollegen hier in DE haben das offenbar überhaupt noch nicht begriffen und jammern in sämtlichen Bereichen lieber nur rum, als sich anzupassen

KI wird nun einmal viel verändern, nicht nur in der Softwarebranche. Ich gehe mal davon aus, dass in erster Linie Unternehmen mit eigener IT andere Wege gehen werden und mittels KI intern Aufgaben übernehmen, die sonst extern vergeben wurden. Ich befürchte aber, dass die Politik versagen wird, weil die viel zu träge ist, mit der Entwicklung Schritt zu halten. Extrem dringend sind Maßnahmen, die proaktiv in die Veränderungen in der Arbeitswelt eingreifen, Umschulungen, Weiterbildung, etc., steuern und dafür sorgen, dass eine Transformation in neue Arbeitsbereiche ermöglicht wird. Insbesondere sind Übergangslösungen für diejenigen gefragt, die in der Transformationsphase in die Rente übergehen.

Ich habe Claude mal um eine a priori Einschätzung gebeten, hier das Ergebnis:

KI und Arbeitswelt: eine grobe a-priori-Einschätzung​

Das sind Überlegungen aus Plausibilität und Strukturlogik, keine recherchierten Zahlen. Die Prozentwerte sind Größenordnungen für den Anteil der Aufgaben bzw. Kosten, der sich mittelfristig (ca. 5-10 Jahre) automatisieren oder verbilligen lässt, nicht Prognosen für den Wegfall ganzer Berufe.
Das Ranking folgt vier Kriterien:

• Wie digital sind Arbeitsmaterial und Ergebnis?
• Wie fehlertolerant ist das Ergebnis?
• Wie standardisiert sind die Aufgaben?
• Wie stark bremsen Regulierung und Haftung?

#	Bereich	Veränderungspotenzial	Kostenhebel (grob)
1	Kundenservice / Call-Center	sehr hoch: Erstkontakt, FAQ, Terminvergabe fast komplett automatisierbar	40-70 %
2	Werbung, Marketing, Content (Texte, Bild, Video, Varianten-Tests)	sehr hoch: Produktion wird fast kostenlos, Wert verlagert sich zu Strategie, Marke, Geschmack	40-70 % der Produktionskosten
3	Softwareentwicklung	hoch: Routinecode, Tests, Migration; Rolle verschiebt sich zu Architektur und Review	20-50 %
4	Büro und Back-Office (Buchhaltung, Dateneingabe, Rechnungsprüfung, Reporting)	hoch: viele Aufgaben sind regelbasiert und digital	30-60 %
5	Übersetzung, Lokalisierung, Untertitelung, Lektorat (Routine)	sehr hoch: fast vollständig substituierbar, nur noch Qualitätskontrolle	60-90 %
6	Grafik, Illustration, Stockfotografie, Fotografie (kommerziell)	sehr hoch: wie von dir erwartet entsteht ein neues Feld des “kuratierenden Schaffens”; Anbieter von Standardmaterial verlieren stark	50-90 % bei Standardmaterial
7	Film, Animation, Games, Postproduktion	hoch, aber gestaffelt (siehe unten)	VFX/Animation 30-60 %, Realdreh deutlich weniger
8	Produktdesign, Konstruktion, Architektur-Entwurf	hoch in der Konzept- und Variantenphase, mittel bei Fertigungsreife	20-50 % der Entwurfskosten
9	Recht, Steuer, Compliance (Recherche, Vertragsprüfung, Entwürfe)	hoch bei Routine, Haftung bremst	30-50 %
10	Finanzen, Versicherung (Schadenbearbeitung, Analyse, Underwriting)	hoch: viel Dokumentenarbeit	25-50 %
11	Bildung und Training (individuelle Tutoren, Materialerstellung)	hoch bei Wissensvermittlung, gering bei Betreuung und Sozialisierung	20-40 %
12	Medien, Journalismus, Verlagswesen	mittel-hoch: Routineberichte, Zusammenfassungen; Recherche und Haltung bleiben	20-40 %
13	Forschung und Entwicklung (Pharma, Materialien, Literaturarbeit)	mittel-hoch: beschleunigt vor allem Hypothesen und Auswertung, Labor bleibt physisch	10-30 %, aber hohe Zeitgewinne
14	Gesundheitswesen (Dokumentation, Bildauswertung, Triage)	mittel: Verwaltung stark, Behandlung kaum	10-30 %
15	Logistik, Transport, Industrie	mittel, abhängig von Robotik und autonomem Fahren; dort langsamer, dafür später sehr groß	heute 10-20 %, später mehr
16	Handwerk, Pflege, Gastronomie, Bau	gering, bis Robotik reift	<10 % kurzfristig

Zu deinen vier Beispielen​

1. Film: Die Richtung stimmt, aber ich würde sie gestaffelt sehen. Zuerst fallen Teile der Postproduktion, VFX, Synchronisation, Werbespots und Low-Budget-Formate weg. Danach folgen Animation und Stunt-/Massenszenen. Ganz ersetzen wird es Schauspieler, Kostüm und Reisen eher nicht, weil Publikum auch Menschen und Authentizität kauft, weil Rechte an Stimme und Gesicht (Gewerkschaften, Gesetzgebung) bremsen und weil die Kontrolle über 90 Minuten konsistenter Handlung noch aufwendig ist. Wahrscheinlich entsteht ein Zweiklang: handgemachtes Kino als Premiumgut und synthetische Massenproduktion für Streaming und Werbung.
2. Fotografie: Stimme zu. Betroffen sind zuerst Stock, Produktfotos und Katalogarbeit. Hochzeits-, Reportage- und Porträtfotografie leben von Anlass und Person und sind deutlich robuster.
3. Produktdesign: Ja, vor allem durch schnelle Variantenbildung und Visualisierung. Der Engpass wandert zu Fertigung, Normen und Materialwissen, wo Menschen und Physik weiter dominieren.
4. Werbung/Marketing: Für mich einer der Spitzenreiter, weil Produktion, Personalisierung und Testing zugleich billiger werden.

Querschnittsthemen​

• Aufgaben statt Berufe: Meist verschwinden zuerst Teilaufgaben, nicht ganze Jobs. Das drückt zunächst Einstiegsstellen, weil dort die Routine liegt.
• Rebound-Effekt: Wenn Inhalte fast nichts mehr kosten, steigt die Menge massiv. Das bedeutet oft mehr Output, aber weniger Wert pro Stück.
• Wertverschiebung: Knapp werden Geschmack, Auswahl, Verantwortung, Vertrauen, Marke, Beziehung und physische Präsenz.
• Tempo: Die Technik ist meist schneller als Einführung, Haftung, Regulierung und Gewohnheit. Realistisch sind Jahre bis Jahrzehnte, und je regulierter der Bereich, desto später.
• Neue Felder: Prompt- und Workflow-Gestaltung, Kuratierung, KI-Qualitätssicherung, Rechte- und Likeness-Management, Datenaufbereitung. Ob sie die wegfallenden Stellen quantitativ ausgleichen, ist offen.