Latest / Der HKA-Podcast / #04 HKA-Studiengang: Künstliche Intelligenz in den Ingenieurwissenschaften | Profs Friedrich und Bauer

Transcript

#04 HKA-Studiengang: Künstliche Intelligenz in den Ingenieurwissenschaften | Profs Friedrich und Bauer · Der HKA-Podcast

• 0:00
  Speaker 0: In diesem Podcast geht es um unseren neuen Studiengang Künstliche Intelligenz in den Ingenieurwissenschaften.
• 0:05
  Speaker 2: Diese Art von Studiegang ist so einzigartig und das denke ich schon sehr wertvoll.
• 0:12
  Speaker 2: später für die Praxis, also wenn die Studierende fertig sind weil solche Leute werden händering gesucht, die sowohl KI verstehen aber auch diesen Blick auf die Ingenieurswissenschafte im Endeffekt haben.
• 0:24
  Speaker 1: Man muss im Bewusstsein schaffen dass das was man da tut halt über eine Technologie läuft, die Technologie begreifen und dann auch begreifen.
• 0:33
  Speaker 1: Was mache ich denn da eigentlich?
• 0:36
  Speaker 1: Und wie mache ich es denn richtig?
• 0:37
  Speaker 1: Also was wäre der richtige Weg?
• 0:39
  Speaker 1: Und da immer wieder zu diskutieren – auch im Kleinen und im Großen in den verschiedenen Abstraktionsleveln – das hilft den Studis, da wirklich
• 0:48
  Speaker 1: vorwärtszukommen.".
• 0:51
  Speaker 1: Der HKA-Podcast Die Hochschule Karlsruhe zum Anhören mit Jan Holthaus.
• 0:57
  Speaker 0: Hallo zusammen!
• 0:58
  Speaker 0: Im Moment sprechen ja gefühlt alle ständig von künstlicher Intelligenz.
• 1:03
  Speaker 0: Meistens sind dann irgendwelche Tools damit gemeint, wie zum Beispiel der Textgenerator ChatGPT oder die Bildmaschine Mid Journey – aber KI Künstliche Intelligenze verbirgt sich auch ganz oft im Hintergrund und arbeitet ohne dass wir irgendwas davon mitbekommen!
• 1:17
  Speaker 0: Die KI gibt uns dann beispielsweise Empfehlungen für bestimmte Produkte oder sie hilft Softwareentwicklern als Fehleranalyse-Tool und verrichtet still und leise ihre Arbeit.
• 1:28
  Speaker 0: Auch im Maschinenbau und der Elektrotechnik wird künstliche Intelligenz angewandt.
• 1:32
  Speaker 0: Und zukünftig werden gerade in diesen Bereichen viele Fachkräfte benötigt.
• 1:36
  Speaker 0: Das ist für uns an der HKA einer der Gründe gewesen, hier einen neuen Studiengang ins Leben zu rufen – nämlich Künstlicheintelligenz in den Ingenieurwissenschaften!
• 1:45
  Speaker 0: Über diesen Studiengang habe ich mit zwei Professoren gesprochen.
• 1:48
  Speaker 0: Einmal mit Dr.
• 1:49
  Speaker 0: Christian Friedrich, er ist Prof.
• 1:51
  Speaker 0: for künstlicher Intelligenze in der Produktion.
• 1:55
  Speaker 0: Seine Fachgebiete als Professor sind Bildverarbeitung und neuronale Netzwerke.
• 2:00
  Speaker 0: Und ich habe zuerst mal Christian Friedrich gefragt, was bezogen auf das Studium hinter dem Begriff KI steckt?
• 2:06
  Speaker 2: Also ich denke bei uns steckt vor allem dahinter diese künstliche Intelligenz-Themen mit auch klassischer Ingenieusgesellschaftliche Themen zur Verbinde.
• 2:14
  Speaker 2: Ich meine künstlichen Intelligenzen sind ja unterschiedliche Methoden.
• 2:18
  Speaker 2: Heutzutage in der Medien kommt ja hauptsächlich dieses maschinelle Lerner vor, aber es sind auch ganz andere klassische Methode wie irgendwie symbolische Ansätze oder so interessant wo auch immer mehr Einzüge halte.
• 2:29
  Speaker 2: Aber auf allem auch das Verbinde mit den klassischen Themen aus der Physik, technische Mechanik, Elektrotechnik macht in unsere Bereiche sehr viel Sinn weil wir da sehr viel Wisse haben dass man irgendwo auch exakt modellieren können.
• 2:42
  Speaker 2: und warum sollten wir dieses Wisse eigentlich wegwerfen?
• 2:45
  Speaker 2: anstatt das komplett irgendwie zu lernen.
• 2:47
  Speaker 2: Also wir können auch diese Unsicherheit beispielsweise durch Lerner beibringen, aber im Endeffekt diese klassischen Modelle die wir auch haben, die sollte man für das Systemverständnis nutzen und es sind Sachen wo wird eine Studierende dabei bringen wollen?
• 3:01
  Speaker 2: Im Endeffek des Ganzen als Methode Baukast da anzusehen und dann halt in Bezug auf die Anwendung entscheidet zu können.
• 3:08
  Speaker 2: wie kombiniere ich jetzt die einste Ansätze um ein Problem zu lösen?
• 3:12
  Speaker 0: Können wir das noch ein bisschen konkreter machen, vielleicht an der Stelle?
• 3:14
  Speaker 0: Jan, was wäre so ein typisches Beispiel für die Anwendung von künstlicher Intelligenz im Bereich des Ingenieurwesens.
• 3:22
  Speaker 1: Ja wie der Christian schon gesagt hat diesen Werkzeugbaukasten dann bringen wir den Studierenden bei, denen nehmen sie dann auch damit und die Hoffnung ist dann später natürlich dass wollen jetzt irgendwelche künstlichen Intelligenzen eingesetzt werden um jetzt Ingenieure zu unterstützen dann genau können.
• 3:43
  Speaker 1: Was wäre das zum Beispiel?
• 3:46
  Speaker 1: Als Elektrotechniker muss man vielleicht mal einen Schaltplan designen oder als Maschinenbauer muss ich vielleicht irgendwie mal was konstruieren, aber was wäre denn wenn die künstliche Intelligenz mir dabei hilft sagt schau mal an dem Schallplan an der Stelle ist vielleicht noch etwas nicht ganz in Ordnung.
• 4:03
  Speaker 1: oder hey hier habe ich dir noch ein Tipp wie du den Schall planen an dieser Stelle noch besser machen könntest.
• 4:08
  Speaker 1: oder das gleiche bei einer Konstruktion Hier vielleicht die Stabilität an der Stelle ist noch nicht so ganz, oder hier könntest du die Vibrationen bekommen.
• 4:16
  Speaker 1: Ender das Dach in deren Richtung und erhastet da später einen Vorteil.
• 4:21
  Speaker 1: Und dann kann der Ingenieur oder die Ingenieurin genau dieses Wissen nutzen um dann das Produkt des Späters daraus entsteht.
• 4:29
  Speaker 1: Noch besser zu machen, schneller zu machen und vielleicht auch umweltfreundlicher zu gestalten weil ja vielleicht die Schaltung gedesignt wurde weniger Energie verbraucht oder das Produkt, was denn design wurde einfach länger hält.
• 4:41
  Speaker 1: Also beides auch sehr nachhaltige Themen, was man dann auch im Kopf behalten kann.
• 4:47
  Speaker 0: Verstehe ich das richtig?
• 4:48
  Speaker 0: Dass es darum geht die KI hilft sozusagen dem Ingenieur der Ingenieurin bei ihrer täglichen Arbeit.
• 4:56
  Speaker 0: tatsächlich also das heißt wenn ich jetzt als Ingenier beispielsweise an einem Motor irgendetwas entwickelt als Maschinenbauer Dann befrage ich so zu sagen die künstliche Intelligenz Optimier mir mal da irgendwas, baue mir mal den Motor so, dass der hinterher noch besser wird als ich mir den ausdenken könnte.
• 5:15
  Speaker 1: Ich fange mal damit an.
• 5:17
  Speaker 1: also eine KI wird den Menschen nicht ersetzen aber ein Mensch der KI nutzt wird einen anderen Menschen der KI nicht nutzen gerade im Ingenieursbereich in der Zukunft ersetzen weil wir dort genau diese Themen dass diese KI wirklich sehr viel Wissen mitbringt, dieses Wissen dann im Netz vereinigt und dann entsprechende Empfehlungen aussprechen kann.
• 5:43
  Speaker 1: Und das unterstützt dann den Ingenieur gerade – und die Ingenieurinnen gerade in den Routineaufgaben, die täglich anfallen!
• 5:52
  Speaker 1: Es wird noch eine sehr lange Zeit dauern bis KI auch ein Weltverständnis aufbauen kann wie wir Menschen das haben.
• 6:02
  Speaker 1: Diese Kreativität, die dann ein Ingenieur und Ingenieuren aufbringen können um jetzt neue Themen über den Tellerrand hinaus zu gucken das wirklich in die Welt zu bringen.
• 6:15
  Speaker 1: Das können wirklich nur noch Menschen und da brauchen wir die Menschen.
• 6:18
  Speaker 1: aber dann können wir mit der künstlichen Intelligenz die Zeit, die wir dafür haben entsprechend fokussieren weil wir die ganzen Routine Aufgaben entsprechend entlasten.
• 6:28
  Speaker 0: Im Studium muss ich ja auch irgendwie lernen dieser künstlichen Intelligenz beizubringen, irgendwie elektrotechnisch zu denken.
• 6:35
  Speaker 0: Das kann die ja wahrscheinlich einfach nicht von vornherein oder?
• 6:39
  Speaker 2: Man muss halt auf jeden Fall dieses Domäne wie sie dann nutze und dieses Domänem wie sie ins Modell bekommen, das heißt jetzt irgendwie ein Datengetriebenes Modell.
• 6:45
  Speaker 2: also von was die Jan geredet hat zum Beispiel irgendwelche neuronale Netzer oder so.
• 6:49
  Speaker 2: man muss halt im Endeffekt diese Informationen an einem gewissen Ebene abstrahieren damit das System dann genau diese Domäne mehr oder weniger erlangen kann.
• 6:58
  Speaker 2: Aber prinzipiell, wenn man die Daten dementsprechend aufbereitet ist es für viele Anwendungen möglich.
• 7:03
  Speaker 1: Ja und es ist auch so dass neuronale Netze von sehr vielen Leuten designt werden entworfen werden mit Daten gefüttert werden und dann halt auch trainiert werden, die dann auch zur Verfügung stehen was aber wichtig wird
• 7:19
  Speaker 0: also die stehen im Netz zur verfügung kann man sich runterladen diese modelle
• 7:24
  Speaker 1: Daten sehr viele Modelle, die einfach auch schon frei verfügbar sind.
• 7:28
  Speaker 1: Natürlich gibt es auch spezielle, die dann von Firmen intern gehalten werden.
• 7:33
  Speaker 1: aber wichtig wird doch jetzt dann nachdem diese Modelle mal trainiert sind, diese denn auch wirklich in die Anwendung zu bringen.
• 7:40
  Speaker 1: und genau dort setzt unser Studiengang an dass man wirklich auch mal versteht hey hat das Domänenwissen über die Ingenieurswissenschaften
• 7:47
  Speaker 0: und
• 7:48
  Speaker 1: über die Neuronalnetze mit dem Ziel dann das als Tool in die Welt zu bringen.
• 7:55
  Speaker 0: Das heißt, der Studiengang versucht so ein bisschen einerseits die Ingenieurdomäne den Studierenden beizubringen andererseits aber auch die Informatik-Domäne.
• 8:06
  Speaker 0: das sind ja zwei völlig unabhängige Wissenschaften.
• 8:08
  Speaker 0: zunächst mal was kommt da sonst noch alles in diesem Studiengang zusammen?
• 8:13
  Speaker 2: Ja ich meine es ist völlig unobhängig kann man das ja auch nicht sagen, dass es im Endeffekt Informatik kommt ja so ein bisschen von der Kybernetik und so her.
• 8:21
  Speaker 2: Und unsere Studierende lernen heute schon Sachen aus der Regnungstechnik.
• 8:25
  Speaker 2: Die Regnungstechnik hat ein bisschen anderes Ziel – man spricht ja nicht irgendwie von Autonomen oder von Systemen, die selbstständig entscheidend sind.
• 8:33
  Speaker 2: aber im Endefekt ist zielischer immer ein System auf gewisse Verhaltensweise anzupassen.
• 8:37
  Speaker 2: Von dem her als komplett unabhängig würde ich das jetzt nicht beschreiben.
• 8:43
  Speaker 2: Aber ich glaube, ein Vorteil den die Studierende da gerade bei uns haben ist im Endeffekt das ja wirklich dieses klassische Herangehen von dem Ingenieur was man in der Informatik halt nett hat.
• 8:52
  Speaker 2: Sei es technische Mechanik sei es Elektrotechnik auch wirklich mal erlernt.
• 8:55
  Speaker 2: und ich denke dieses Wiss ist ja extrem wichtig wenn man sich später entscheidet für solche Systeme wie welche Algorithmen nimmt man dass das System später irgendwie selbstständig etwas tut weil ohne dieses Domänewissen kann ich da gar keinen sinnvollen Entscheidungen dazu eigentlich treffen.
• 9:10
  Speaker 2: also ich komme Eigentlich aus der Robotik, ich mache sehr viele Robotikthemen und da ist es vor allem auch so.
• 9:16
  Speaker 2: Man hat ja eigentlich immer wenn ein robotisches System irgendwo mit Umwelt interagiert, das ist einfach physisch.
• 9:22
  Speaker 2: Und extrem viele Sachen kann man eigentlich gar nicht mehr klassisch lösen.
• 9:26
  Speaker 2: Das ist auch ganz klar, da helfe uns die Methode der KI.
• 9:28
  Speaker 2: Vor allem sei es so Perzeptionssache also Wahrnehmung aus Bilddater oder solche Geschichten.
• 9:34
  Speaker 2: Aber gerade wenn es dann auch wieder irgendwie um Interaktion geht, da macht das durchaus Sinn.
• 9:39
  Speaker 2: Im Endeffekt auch diese klassische Ansätze die eher Physik basiert also im klassischen Regelungstheorie kommen zu Nutzer und noch dort anzuwenden.
• 9:46
  Speaker 2: Und das ist das was wir unsere Studierende damit geben wollen.
• 9:50
  Speaker 0: Wir haben jetzt vorhin darüber gesprochen dass die künstliche Intelligenz dem Ingenieur oder der Ingenieuren dabei hilft Dinge zu entwickeln.
• 9:59
  Speaker 0: Es gibt aber noch einen ganz anderen Einsatzbereich für künstliche Intelligenz im Bereich der Ingenieurwissenschaften, nämlich dann später wenn es mal um die Fabrikation geht oder tatsächlich in der Fabrik irgendwas stattfinden soll.
• 10:09
  Speaker 0: An welchen Stellen kommt da die künstlische Intelligenze ins Spiel?
• 10:13
  Speaker 2: Also ich denke vor allem eines der stärk wachsendste Felderchef jedenfalls zur Inspektion also optische Inspection wo's zum Beispiel darum geht.
• 10:21
  Speaker 2: man hat bestimmte Bauteile und prüft die Bauteilung auf irgendwelche Defekte.
• 10:25
  Speaker 2: Ich meine da Spielverarbeitungen definitiv eines der Gebiete, wo er am stärksten wächst und wo man eigentlich gar nicht mehr ohne hier maschinelles Lernen mehr oder weniger erfolgreich sein kann.
• 10:38
  Speaker 2: Das liegt denke ich ja vor allem daran dass wir eigentlich gar kein Verständnis wirklich habe.
• 10:41
  Speaker 2: wie funktionierten die Wahrnehmungen eigentlich?
• 10:43
  Speaker 2: also wir haben eigentlich gar keine gute Modelle.
• 10:45
  Speaker 2: deswegen ist das ein perfektes Beispiel.
• 10:47
  Speaker 2: meiner Meinung nach.
• 10:48
  Speaker 2: Wir lernen hier direkt aus Daten mehr oder wenig in Anführungszeichen Black Box System.
• 10:53
  Speaker 2: Wenn man sich den Erfolg der Systeme anguckt, ist das auch einfach gerechtfertigt.
• 10:58
  Speaker 2: Man könnte mit klassischen Ansätzen gar nicht so gute Ergebnisse erzielen.
• 11:01
  Speaker 2: Andere Beispiele wo ich halt zu sehe vor allem in der Robotik wenn es umgeht, wie kann ich Bauteile montieren?
• 11:08
  Speaker 2: Wie kann ich das schneller machen?
• 11:09
  Speaker 2: im Endeffekt was wir heutzutage mache gerade in den robotischen Systeme.
• 11:13
  Speaker 2: Wir beschreiben oft die Bewegung wie muss sich der Roboter bewege?
• 11:16
  Speaker 2: aber das ist doch gar nicht das was ich tun möchte.
• 11:18
  Speaker 2: Ich möchte doch eigentlich dass der Robote mir eine Aufgabe löst.
• 11:20
  Speaker 2: Ich möchte ihn zum Beispiel sagen nehmen Bauteil A und legt es an Objekt B so dass im endeffekt jeder Robotik auch nutzen kann.
• 11:27
  Speaker 2: Und grad solche Themen können man eigentlich nur lösen indem wir KI-Systeme mit klassischer Ansätze mehr oder weniger verheiratet.
• 11:36
  Speaker 0: Okay, das heißt die klassische Bahnplanung?
• 11:39
  Speaker 0: Wenn ich das jetzt richtig verstanden habe könnte man beispielsweise in die Hände von einer künstlichen Intelligenz legen.
• 11:44
  Speaker 0: Bildbearbeitungen kann man künstliche Intelligenzen nutzen um schneller Dinge zu erkennen oder selbstständig Dinge zu erkennen?
• 11:51
  Speaker 0: Das ist mir noch nicht so ganz klar Denn optische Sensoren gibt es ja schon recht lange in der Industrie.
• 11:56
  Speaker 0: Wo spielt da wirklich die Künstlicheintelligenz eine Rolle?
• 11:59
  Speaker 1: Die optischen Sensoren die wandeln ja einfach nur Licht in Pixel um.
• 12:04
  Speaker 1: Und da hat man Pixel-Informationen, die entsprechend wieder Informationen über die Welt beinhaltet.
• 12:11
  Speaker 1: aber wie werte ich das aus?
• 12:12
  Speaker 1: Wie kann ich denn jetzt sagen ob eine Oberfläche zum Beispiel okay ist oder nicht?
• 12:17
  Speaker 1: ok also dann haben wir immer mit klassischen Methoden doch ein sehr große Herausforderung gehabt weil man verschiebt dann das Teil vielleicht nur einen Millimeter und dann ändern sich alle Pixel.
• 12:31
  Speaker 1: Wenn ich also klassisch beschreiben möchte, was jetzt ein guter oder schlechter Teil ist, dann wird es richtig schwer.
• 12:38
  Speaker 1: Was die künstliche Intelligenz dort macht, ist sie lernt nicht mehr nach bestimmten Regeln, die wir vorgeben müssen sondern wir lernen entsprechend kleine Details zu erkennen.
• 12:49
  Speaker 1: und egal wo die im Bild auftreten wer erkennen die einfach vielleicht Striche Kreise vielleicht Farben?
• 12:55
  Speaker 1: und dann setzt so ein künstliches neuronales Netz diese Features, wenn man so nennen möchte zusammen zu immer komplexeren Gebilden und kann dann zum Schluss sagen das ist ein Guteil oder ein Schlechteil.
• 13:09
  Speaker 1: Also gerade solche Klassifikationsaufgaben da ist die künstliche Intelligenz extrem stark.
• 13:15
  Speaker 1: Und gerade in den letzten Jahren mit den Convolutional Neural Networks also den Faltungsnetzwerken haben wir sehr viel auch ja sag ich mal Fortschritte gemacht genau in dem Bereich.
• 13:27
  Speaker 1: Was
• 13:27
  Speaker 0: sind denn Faltung Netzwerke?
• 13:29
  Speaker 1: Faltungsnetzwerke sind genau diese Dinge, oder diese Netzwerke die kleine Details.
• 13:35
  Speaker 1: Also solche geraden vielleicht auch Kreise in Bildern erkennen und da wird mit der Methode der Faltung gearbeitet.
• 13:45
  Speaker 1: Faltung ist ein mathematisches Konstrukt wo ich einen Template vielleicht über ein Bild schiebe wenn man es genauer betrachtet ist nicht die Faltung sondern die Korrelationen die dort.
• 13:57
  Speaker 1: aber man kann sich das so vorstellen, es gibt einen kleinen Filter der wird über das Bild geschoben und damit kann dann das neuronale Netz erkennen ob denn dieser Filter in diesem Bild vorkommt.
• 14:09
  Speaker 1: Dieser Filter ist ein Feature dass ich erkennen möchte wie zum Beispiel jetzt eine gerade oder einen Farbeindruck an einer Stelle und unsere Wahrnehmung funktioniert also unsere visuelle Wahrnehnung erstaunlich ähnlich oder man weiß nicht genau, aber von Katzen weiss man es.
• 14:28
  Speaker 1: Weil dort wurde es untersucht dass genau auch da so kleine Features erkannt werden und die dann im Gehirn zu größeren Feature-Blöcken zusammengesetzt werden.
• 14:38
  Speaker 1: Und dann sehe ich wenn mal irgendwo was Grünes ist wo vielleicht irgendwelche Rundungen noch mit dabei sind vielleicht irgendwie kleine Strukturen die ich noch erkennen kann Vielleicht irgendwas braunes noch dabei und irgendwann setzt sich das dann im Kopf Zu einem Baum zusammen.
• 14:54
  Speaker 1: Und genau so arbeiten auch diese neuronale Netze, wenn jetzt Korrelation bzw.
• 15:00
  Speaker 1: Faltung dort ganz am Anfang stattfindet und dann kann zum Schluss dort eine Klassifikation stattfinden ist das jetzt zb ein Baum?
• 15:09
  Speaker 1: Ist es jetzt eine Katze?
• 15:10
  Speaker 1: Ist das ein Auto?
• 15:11
  Speaker 1: oder wie in der Produktion ist es jetzt halt ein gutes Teil oder ein schlechtes Teil?
• 15:16
  Speaker 0: Es gibt noch einen weiteren Bereich, der mir eingefallen ist.
• 15:20
  Speaker 0: So ein bisschen in Vorbereitung auf unser heutiges Gespräch wo künstliche Intelligenz wohl auch eine Rolle spielen wird in Zukunft oder vielleicht auch zur Zeit schon spielt das ist diese sogenannte Predictive Maintenance.
• 15:31
  Speaker 0: also ich würde es mal übersetzen mit Vorhersage über den Ausfall- oder Verschleiß von Maschinen Ist das wirklich ein Bereich der auch sehr stark stattfindet?
• 15:42
  Speaker 2: Also es gibt schon einige Firmen, die seit Jahren mehr oder weniger irgendwo rein investieren und das als Geschäftsmodell sehen.
• 15:49
  Speaker 2: Und ich glaube, dass solche Ansätze schon auch immer mehr krummer werden.
• 15:53
  Speaker 2: Man hat ja so in der Achtziger-Ninziger relativ viel damit klassische Verfahren gearbeitet.
• 15:59
  Speaker 2: im Endeffekt, dass man halt stellt hier zum Beispiel eine große Maschine vor, wo ein Getriebe oder so drin ist, dass wir dann beispielsweise am Stromsignal schon sieht okay vielleicht ist da am Getrieber was kaputt weil der und der Defekt mehr oder menos auftritt.
• 16:11
  Speaker 2: Man hat aber dann doch oft bemerkt, dass diese Ansätze echt schwierig zu übertragbar sind.
• 16:16
  Speaker 2: Also ändert sich die Maschine ein bisschen.
• 16:19
  Speaker 2: Muss ich mehr oder weniger mein Modell wieder anpassen und lauter solche Geschichten?
• 16:22
  Speaker 2: Dann ändert es sich vielleicht andere Sachen mit über die Temperatur was nicht mit rein modelliert wurde.
• 16:28
  Speaker 2: Solche Ansätze... Und dann hat man gleich das Problem, dass die Ansätze nicht robust genug sind!
• 16:32
  Speaker 2: Ich glaube vor allem da bringen uns mehr oder menos diese Daten getriebener Ansätze.
• 16:37
  Speaker 2: Das maschinelle Lanner deutlich mehr weil im Endeffekt der eine bessere Generalisierung erreich.
• 16:44
  Speaker 2: Also das ist ja nicht alles, was die Jan vorhin gesagt hat.
• 16:46
  Speaker 2: wenn mich noch mal ganz kurz zurück auf diese CNNs Wenn man früher so etwas gemacht hat dann hat man sich auch per Hand im Endeffekt rausgesucht irgendeinen Filter Funktion oder irgendein Ansatz der im endeffekt die Features aus meiner Date extrahiert.
• 17:00
  Speaker 2: Auf Basis von den extrahierte Features haben wir da einen Klassifikator trainiert Was die CNN sehr machen.
• 17:06
  Speaker 2: sie lernen ja mehr oder weniger also im Endeffekt die einzelnen Filter, die die Features extrahieren.
• 17:11
  Speaker 2: Also sprich wir lernen quasi aus den Daten direkt den Extrakter der uns ermöglicht die Feature herauszuholen, die dann für die Erkennung relevant sind und ich denke das ist schon einer der große Vorteile.
• 17:24
  Speaker 2: wenn man es jetzt so sieht auf die neuere Architektur macht das durchaus sehr viel Sinn und wird uns helfen, gerade für solche Ansätze wie predictive maintenance auch besser generalisieren zu können.
• 17:37
  Speaker 0: Das heißt da geht es vor allem dann sicherlich auch um Geschwindigkeit möglichst schnell zu erfahren durch diese neuronalen Netze wo der Fehler liegen könnte und nicht erst wenn's schon zu spät ist?
• 17:46
  Speaker 2: Genau dass ich im Endeffekt voraussehen kann.
• 17:48
  Speaker 2: Es wäre aber zum Beispiel mit dem größere Maschinenbauunternehmer, so ein Projekt.
• 17:54
  Speaker 2: Da geht es zum Beispiel darum kann ich während so einem Fräsprozess also zum Zersparnungsprozess direkt aus dem Beschleunigungssignal rausfindet der in einem Werkzeughalter verbaut ist verschleißt die Schneider oder verschleisst hier nicht und können wir vielleicht voraussagen wie lange das noch dauert bis sie verschleißen?
• 18:11
  Speaker 2: sind durchaus Anwendungsfälle was davon der Firma kommt die durchaus praxisrelevant ziehen oder wirklich einen großen Markt irgendwo haben.
• 18:21
  Speaker 2: müssen wir eigentlich mit solchen Ansätzen arbeiten, weil wir kriegen das Problem klassisch nicht mehr gelöst.
• 18:25
  Speaker 2: Weil wir zu viele Parameter haben und zu viele Änderungen, die im Endeffekt ja nur noch akademisch für ein Prozess funktionieren aber nicht für eine reale Applikation.
• 18:34
  Speaker 2: Und da hilft uns die Ansätze aus der KI richtig viel.
• 18:38
  Speaker 1: Was auch spannend ist... Das ist einfach eine Vermutung, die ich anstelle.
• 18:43
  Speaker 1: Geht die Maschine denn jetzt bald kaputt?
• 18:47
  Speaker 1: Neuronale Netze sind genau so etwas, dass wir im Prinzip erweiterte Stochastik betreiben.
• 18:55
  Speaker 1: Also das wir sagen, wir nehmen Daten und überlegen uns dann jetzt was denn da drinstecken könnte und machen darüber eine Aussage.
• 19:04
  Speaker 1: also wie in der Stochastic.
• 19:05
  Speaker 1: ja was werden die?
• 19:06
  Speaker 1: Mittelwert zum Beispiel?
• 19:08
  Speaker 1: Nur viel viel komplizierter!
• 19:10
  Speaker 1: Wir haben nicht nur ein paar Dimensionen am Eingang sondern vielleicht hunderte oder tausende Dimensione in den Daten im Eingangen und haben dann auch wieder hunderte oder tausende Dimensionen am Ausgang.
• 19:22
  Speaker 1: Und genau dort diese erweiterte Stochastik, was man da mit modellieren können – das ist genau das, was künstliche Intelligenz ausmacht!
• 19:31
  Speaker 1: Du hattest ja auch zum Beispiel im Vorgespräch gefragt, was passiert denn wenn wir die Blackbox
• 19:35
  Speaker 0: öffnen?
• 19:36
  Speaker 1: Die Blackbox ist halt so... ich kann es auf der einen Seite beschreiben als diese Stochastic, dass wir von einer Datenwelt in eine andere Datenwelt wandeln oder ich kann versuchen dort wirklich tief einzusteigen und zu gucken, hey was machen denn die ganzen Neuronen?
• 19:52
  Speaker 1: Aber da braucht man auch wieder so ein Abstraktionslevel wo man halt mal drauf guckt.
• 19:58
  Speaker 1: Und wenn man das jetzt anwenden möchte wir lernen hier im Studiengang wirklich diese Grundlagen aber dann auch genau dieses abstrahieren.
• 20:05
  Speaker 1: also
• 20:06
  Speaker 0: wie
• 20:06
  Speaker 1: nutze ich so einen Netzwerk um es dann später auch wirklich einsetzen zu können.
• 20:11
  Speaker 1: Und Predictive Maintenance ist natürlich ein sehr spannendes Gebiet weil dann kann ich vielleicht die Maschine länger laufen lassen oder ich weiß, ich muss jetzt tauschen und keinen Ausfall verhindern.
• 20:23
  Speaker 1: Und das ist natürlich für viele Firmen Gold wert.
• 20:27
  Speaker 0: Lass uns mal auf die Inhalte des Studiengangs zu sprechen kommen also jetzt abseits von künstlicher Intelligenz was natürlich einen großen Anteil einnimmt?
• 20:35
  Speaker 0: Was passiert im Grundstudium?
• 20:36
  Speaker 0: Was habe ich da für Inhalter?
• 20:39
  Speaker 1: Also fangen wir mal an mit den Voraussetzungen dass die Studierenden mitbringen sollen.
• 20:46
  Speaker 1: Immer wird gedacht, ja ich brauche schon Mathematik und Digitaltechnik Informatik und Maschinenbaukenntnisse.
• 20:53
  Speaker 0: Das wäre ein bisschen viel verlangt für jemanden der Abitur macht.
• 20:55
  Speaker 1: Ich würde eher sagen kommen sie her und haben sie Interesse an dem Thema.
• 21:00
  Speaker 1: Haben Sie Spaß wirklich was Neues zu lernen?
• 21:04
  Speaker 1: Und wir sind dafür da um ihnen diese Themen beizubringen.
• 21:08
  Speaker 1: Es gibt auch von Anfang an Unterstützungsangebote falls ihr irgendwo Man hat dann Schwierigkeiten, gerade in der Mathematik bekommen oder halt in anderen Themen.
• 21:21
  Speaker 1: Wir haben mit Lernzentren überall dort das Ganze abgedeckt so dass sie wirklich einen rundum sorglosen Paket haben.
• 21:29
  Speaker 1: Was aber immer wichtig ist, ist dass sie eine Motivation haben und diese Motivations muss sie antreiben.
• 21:35
  Speaker 1: Den Rest kriegen wir hier zusammen.
• 21:38
  Speaker 0: Okay, also die Voraussetzung sollte in jedem Fall Neugier sein und auch sicherlich Interesse an Naturwissenschaften denke ich mal.
• 21:45
  Speaker 0: Also jemand der Physik toll findet Chemiebiologie vielleicht auch und natürlich auch vielleicht Martin nicht völlig uninteressant findet für denjenigen könnte das durchaus ein interessanter Studiengang sein.
• 21:56
  Speaker 0: was erwartet denn denjenigen oder diejenige hier in den ersten Semestern?
• 22:01
  Speaker 0: Also sicherlich Grundlagen wissen.
• 22:04
  Speaker 0: einmal, es ist ja ein sehr interdisziplinär aufgestellter Studiengang.
• 22:07
  Speaker 0: Sprich wir haben Anteile aus Maschinenbau, Mechatronik, Elektrotechnik, Informationstechnik... Das alles passiert im Grundstudium?
• 22:16
  Speaker 1: Wir fangen gleich im ersten Semester mit KI an.
• 22:20
  Speaker 1: also nicht das war erstmal hier ein ganzes Semester oder zwei Semester anfangen.
• 22:27
  Speaker 1: Natürlich ist Mathematik, Physik, Digitaltechnik auch ein Außenmaschinenbau sehr viele Themen gleich am Anfang mit dabei.
• 22:35
  Speaker 1: aber es startet auch sofort mit künstlicher Intelligenz also dass wir wirklich in dem Thema das sie gewählt haben auch anfangen können und dann ist der ganze Studiengang wirklich auf die Anwendung von der künstlichen Intelligenze ausgerichtet.
• 22:51
  Speaker 1: als es wird auch immer wieder geguckt Was kann ich denn wo, in welchem Bereich wir nutzen?
• 22:57
  Speaker 1: Und das führt sich durch das ganze Studium.
• 23:00
  Speaker 1: Also wie kriegen Sie eine ingenieurswissenschaftliche Denke und dass aber gleich verbunden mit den KI-Tools, dass sie wirklich immer wieder die Anwendung bringen können.
• 23:13
  Speaker 0: Und Anwendung ist hier wirklich wörtlich zu verstehen, das heißt es geht nicht nur darum dass man im Seminar oder in der Vorlesung sitzt und sich immer nur die Theorie anschaut sondern es gibt auch einen sehr starken Praxisbezug im Studium.
• 23:23
  Speaker 0: Wie sieht er denn ganz konkret aus?
• 23:25
  Speaker 0: was wird da gemacht?
• 23:26
  Speaker 2: Es gibt zum Beispiel vorlesungsbegleitend in unterschiedlich vorlesungenen Projekte, wo die Studierende dann mehr oder weniger halt ein Lerner diese Theorie und auch diese Kenntnisse was sie aus der Informatik haben.
• 23:37
  Speaker 2: Und auch dann Lerne zu programmieren mehr oder menos, dann auch mal solche Modelle mehr oder wenig selbst entwickeln, selbst anzupassen und damit halt auch dieses Verständnis Erlangen.
• 23:47
  Speaker 2: okay, wo sind die Grenzen von den Verfahren?
• 23:49
  Speaker 2: Was kann ich im Endeffekt tun um das zu verbessern.
• 23:52
  Speaker 2: Wie werde ich solche Systeme mehr oder weniger aus Richtung Verfügbarkeit, Richtung Genauigkeit, Richtung Robustheit all solche Themen.
• 24:01
  Speaker 2: Wo wird denn Studierende mitgegeben wollen?
• 24:03
  Speaker 2: weil ich denke dass ist nachher für die Praxis extrem wichtig.
• 24:08
  Speaker 2: Die Studierenden müssen das Handwerkzeug definitiv verstehen also gerade Mathe oder so.
• 24:13
  Speaker 2: das ist extrem wichtig.
• 24:13
  Speaker 2: aber wie Jan schon sagt ich denke auch Neugier ist der beste Treiber eigentlich, um ehrlich zu sagen.
• 24:20
  Speaker 2: Ich denke wenn jemand neugierig ist und Spaß an der Sache dann kann man sich hier mal durchwinden, wenn es mal nicht so gut läuft.
• 24:26
  Speaker 2: das ist ja immer so dass es nicht immer alles gerade ausgeht und ich denke auch völlig in Ordnung.
• 24:32
  Speaker 2: aber wenn wir diese Neuge hat und Spaß daran hat dann öffnet es auch viele Tore.
• 24:37
  Speaker 2: Und das wollen wir halt im Endeffekt in der Studierende, wie ich sage mal, lieber den Grundtag ermittgebe?
• 24:41
  Speaker 2: Wie kann man das machen um gerade auch diese Neugierde zu fördern und zum Aller später die Praxistauglichkeit sicherzustellen, dass die Studierenden mehr oder weniger direkt selbstständig Probleme lösen können?
• 24:54
  Speaker 1: Gerade das Thema Motivationen Spaß daran zu haben.
• 24:58
  Speaker 1: Es wird hier nicht sein, dass sie irgendjemand an die Hand nimmt und zieht.
• 25:03
  Speaker 1: also Sie müssen selber dieses Thema gerne haben und sich halt dann da durchbeißen.
• 25:09
  Speaker 1: Und wie Christian gesagt hat im Leben, ja selbst wenn man das macht was man sehr gern macht es läuft halt nicht immer ganz perfekt rund und man hat immer solche schwierigen Phasen und genau darüber hilft ihnen dann die Motivation drüber weg.
• 25:24
  Speaker 1: aber kommen sie einfach her haben so Spaß an der Sache und dann wird das auch schon werden.
• 25:30
  Speaker 0: Ja, ich muss auch sagen.
• 25:30
  Speaker 0: Ich habe ja manchmal Einblick in die einzelnen Labore Automatisierungstechnik oder auch in der Elektrotechnik.
• 25:35
  Speaker 0: Da sieht man immer Leute, die tüfteln, die vor einem Problem sitzen und tatsächlich mit einem, ich sage jetzt mal buchstäblich, mit einem Lötkolben, einem Rechner und einem Schraubenzieher auf wirklich dann Hands-on diese Probleme lösen.
• 25:48
  Speaker 0: Und ich glaube das ist ja total geil!
• 25:49
  Speaker 0: Macht ja total Spaß sowas.
• 25:51
  Speaker 1: Jemand hat mir gesagt bei uns landen wir als erste Hand dass der Lötkolben an einer Stelle heiß ist.
• 25:58
  Speaker 1: Aber das hat ja den ganz anderen Grund, weil oft ist die Theorie einfach gerade jetzt im Elektrotechnik-Bereich – ich denke Maschinenbau auch.
• 26:06
  Speaker 1: Das ist es genauso eher kryptisch, eher schwierig zu verstehen was da wirklich dahinter steckt.
• 26:14
  Speaker 1: und wir machen dann diese Labore aus dem Grund um den Studierenden das mitzugeben wie kann man denn diese Theorie in die Praxis umsetzen?
• 26:26
  Speaker 1: Und das dann zu erleben wenn Man dann aus der Vorlesung kommt, die Studis haben dann irgendwie so ein Bild was man da alles macht und dann probieren sie das im Labor aus.
• 26:36
  Speaker 1: Und dann dauert es meistens so ein paar Minuten und irgendwann, ah jetzt habe ich's kapiert!
• 26:41
  Speaker 1: So dieses... Jetzt ist der Groschen gefallen.
• 26:44
  Speaker 1: Und die Labore sollen einfach darüber anregen, dann nochmal anders drüber nachzudenken, dass nochmal anders zu erleben.
• 26:51
  Speaker 1: Das ist glaube auch unser großer Vorteil gerade gegenüber Universitäten, das wird diesen Praxisbezug auch real leben.
• 27:02
  Speaker 1: Also dass sie wirklich hier auch Labore machen wo sie wirklich in der Praxis auch was tun und nicht nur jetzt ganz theoretisch angehen.
• 27:10
  Speaker 0: Wenn sich jemand für dieses Thema begeistert, warum sollte er nicht Informatik Elektrotechnik oder Maschinenbaustudien oder Mechatronik sondern stattdessen diesen Studiengang wählen?
• 27:21
  Speaker 2: Weil wir von Anfang an diese Interdisziplinarität lebe zwischen der Ingenieurswissenschaft und der Informatik.
• 27:27
  Speaker 2: Wir bringen im Endeffekt genau diese Prille mit, dass man diese Methode aus den Ingenieurswissenschaften perfekt verheiraten kann – mit dem Methode von der KI.
• 27:36
  Speaker 2: Genau das ist das was wir unsere Studierende mitgeben.
• 27:39
  Speaker 2: Und ich denke dieser Art von Studiengang gibt es sich so einzigartig.
• 27:46
  Speaker 2: Also jedenfalls ist mir kein anderer bekannt.
• 27:49
  Speaker 2: Und das denke ich schon wirklich sehr wertvoll später für die Praxis, also wenn die Studierende fertig sind, weil solche Leute werden eigentlich händeringen gesucht, die sowohl KI verstehen aber auch diesen Blick auf die Ingenieurswissenschaften im Endeffekt haben und im EndeFFekt halt gerade physikalische Zusammenhänge zu verstehen und die geeigneten Algorithmen dafür zu entwerfen.
• 28:09
  Speaker 2: was wirklich einzigartig ist.
• 28:12
  Speaker 2: Und ich denke, dass wir da ein echt gutes Team sind und da echt tolle Labore haben einige Forschungsprojekte wo genau in diese Blickrichtung mehr oder weniger investiert wird und wo die Studierende auch schon von Anfang an eine Mitarbeiter können studentische Projekte.
• 28:27
  Speaker 0: Das heißt, ich habe auch als Studentin oder Student direkt die Möglichkeit bei Forschungsprojekten, die real sind mitzuwirken.
• 28:34
  Speaker 2: Also in Teilprojekte mache ich das schon so bei mir, dass sich im Endeffekt also zum Beispiel als studentische Hilfskraft oder so... ...dass die Leute dann da mitarbeiten können und dann wirklich kleine Aufgabestellungen von denen Dr.
• 28:45
  Speaker 2: Rande Teilprojekt bekommen und dann auch wirklich direkt betreut wird davon Dr.
• 28:50
  Speaker 2: Randt den wirklich die größere Projekte haben.
• 28:52
  Speaker 2: Und ich denke es ist wirklich toll weil das meistens oder eigentlich fast immer realer Problemstellungen sind und die Studierende dann von Anfang an eigentlich schon in diese Denke reingeführt werden.
• 29:04
  Speaker 1: Ja also wir haben ja sehr viel auch über diese Labore hinausgehenden Praxistätigkeiten, wie der Christian sagt Also Projektarbeiten Dann aber auch im Praxissemester Und auch eine Abschlussarbeit also die Bachelor thesis und Die kann natürlich auch dann entweder in dem Unternehmen Oder bei uns halt eben in einem Labor, in einer Forschungstätigkeit ausgeführt werden.
• 29:29
  Speaker 1: Und das macht also mir immer sehr viel Spaß dort mit Studierenden zusammenzuarbeiten um die dann halt auch an diese Denke heranzuführen.
• 29:39
  Speaker 1: was brauche ich denn eigentlich um jetzt wirklich ingenieurswissenschaftlich zu denken zu arbeiten?
• 29:46
  Speaker 1: Weil gerade zumal beschreiben was mache ich denn Das klingt immer so trivial.
• 29:56
  Speaker 1: Aber das wirklich mal in der Praxis zu tun und auch gefordert zu werden, dass zu verbalisieren ist schon schwierig.
• 30:03
  Speaker 1: Und dann haben wir hier Leute gerade in der Abschlussarbeit die sehr gut ausgebildet sind wie jetzt eine praktische Umsetzung vor sich geht.
• 30:14
  Speaker 1: Das klappt meistens super aber danach auch dann die Studies zu pushen auch mal zu überprüfen was habe ich denn jetzt eigentlich gemacht?
• 30:23
  Speaker 1: Also die ganze Verifikation, das dann auch in den Praxistätigkeiten mit rüber zu bringen.
• 30:29
  Speaker 1: Weil da kann ich auch für meine Arbeit einstehen wenn ich das verifiziert habe
• 30:33
  Speaker 2: und
• 30:34
  Speaker 1: dass es für mich auch immer wichtig genau in den Praxistätigten das zu leben, dass sich auch weiß Ich hab jetzt was Gutes gemacht weil ich es verifizieren konnte und dann auch objektiv belegen kann Das ist wirklich gut!
• 30:47
  Speaker 0: Das heißt, als Studierender hat man hier die Möglichkeit auch während des Studiums schon enge Kontakte zu Firmen zu knüpfen.
• 30:54
  Speaker 0: Sei es jetzt im Praxissemester was normalerweise ja auch extern in einer Firma stattfindet oder in der Abschlussarbeit – du hast es gerade gesagt!
• 31:00
  Speaker 0: In welchen Branchen oder in welchen Arbeitsbereichen finden die Studierenden dann hinterher ein Job?
• 31:07
  Speaker 0: Was sind so die typischen Betätigungsfelder für KI-Ingenieure?
• 31:13
  Speaker 2: Ich denke vor allem eine der haupten Windungsfeldern wird auf jeden Fall der Maschinenbau sei, weil es Automatisierungstechnik.
• 31:20
  Speaker 2: Weil da gibt's immer mehr Lösungen oder weniger wo ich KI-Systeme mit integriere.
• 31:26
  Speaker 2: Ich denke das ist ein sehr großes Anwendungsgebiet wo die Studierende ihren Platz finden werden und auch ihren Weg gehen weil es gerade dieses Anwendunggebiet erfordert im Endeffekt beide Wälder zu kombinieren.
• 31:39
  Speaker 2: dann Medizintechnik wird was sei, was auch immer stärker wächst.
• 31:44
  Speaker 2: Gerade wenn es um Diagnose-Systeme geht solche Geschichte, Computer-Tomographie, was in diese Richtung Anwendungen werden mit Sicherheit viele aus dem Automotive getrieben sein.
• 31:56
  Speaker 2: Da bitte ich jetzt nicht der Experte da kann der Jan bestimmt doch irgendwie zwei drei Sachen dazu sagen.
• 32:00
  Speaker 2: aber ich denke auch das wird ein Anwendungsgebiet sein wo ich immer mehr Perzeption und so in die Systeme reinbekommen Noch ein immer größerer Autonomiegrad.
• 32:08
  Speaker 2: Also ich denke, langweilig wird eine Studierende definitiv nett werden.
• 32:12
  Speaker 1: Ja wenn man das noch ein Stück weit erweitert im Prinzip die ganzen klassischen Ingenieursbereiche wo wirklich Dinge entwickelt werden und dort können unsere Absolventen dann hin um jetzt die KI auch noch in diese Bereiche reinzubringen.
• 32:29
  Speaker 1: also wie kann ich das was bisher auch schon gemacht wurde noch mit KI unterstützt tun?
• 32:35
  Speaker 1: Um halt dann diese Entwicklungsaufgaben von den Routine-Aufgaben zu befreien und auch an vielen Stellen immer wieder kleine Helferchen zu bekommen, die mich in der täglichen Arbeit unterstützen.
• 32:52
  Speaker 1: Wir haben schon wirklich Bereiche gerade im Automotive Bereich, wenn es ums autonome Fahren geht wo auch sehr viel mit neuronalen Netzen künstlicher Intelligenz gearbeitet wird auch wichtig werden.
• 33:08
  Speaker 1: Wobei wir dort vielleicht auch Bereiche haben, wo schon sehr viele Experten sich genau um viele Jahre auch schon darum kümmern.
• 33:15
  Speaker 1: wie bringe ich denn dort Themen in die Anwendung?
• 33:18
  Speaker 1: Also da gibt es sicherlich auch Berührungspunkte, wobei
• 33:24
  Speaker 0: das
• 33:25
  Speaker 1: wahrscheinlich eher sehe ich in den klassischen Bereichen was jetzt die Ingenieurswissenschaft heute schon macht und das aber dann zu erweitern.
• 33:34
  Speaker 1: Das weiterzubringen in die Richtung Wie bringe ich dort KI rein?
• 33:39
  Speaker 1: Und das sehe ich auch als große Chance, gerade für Baden-Württemberg.
• 33:44
  Speaker 1: Wir sind das Land der Tüftler und wie cool wäre es denn wenn man irgendwas tüftelt an irgendetwas arbeitet, wenn nicht immer so ein paar Unterstützer dabei haben die mir dann auch immer wieder Ideen geben Haar machst doch so oder hier ist vielleicht noch nicht ganz so toll und das könntest du nur da besser machen.
• 34:03
  Speaker 1: also Genau für Baden-Württemberg dann halt auch einen sehr großen Vorteil, weil wir halt auch sehr viel Mittelstand haben.
• 34:11
  Speaker 1: Sehr viele kleine Unternehmen und dort die KI reinzubringen.
• 34:16
  Speaker 1: Dort die Prozesse vielleicht ein Stück weit zu verändern Das könnte auch ein sehr spannendes Betätigungsfeld werden.
• 34:24
  Speaker 0: Jetzt hast du Jan vorhin gesagt dass künstliche Intelligenz keine Jobs ersetzen wird.
• 34:30
  Speaker 0: wenn ich dich richtig verstanden habe gibt Leute die sehen das anders.
• 34:34
  Speaker 0: es gibt zum Beispiel ganz viel Kritik in letzter Zeit, wenn es um KI geht und künstliche Intelligenz geht.
• 34:40
  Speaker 0: Zum Teil auch von Leuten die da selber dran mitgearbeitet haben.
• 34:43
  Speaker 0: ein sicherlich berühmtes Beispiel ist Jeffrey Hinton.
• 34:47
  Speaker 0: das ist so ein Pionier in der KI Forschung der irgendwie da ausgestiegen ist und sich jetzt als Mahner hinstellt.
• 34:54
  Speaker 0: Und sagt singemäß, dass es schwierig sein könnte
• 34:58
  Speaker 0: K.I.,
• 34:59
  Speaker 0: davon zu überzeugen immer das Richtige zu tun.
• 35:02
  Speaker 0: Es könnte zwar einerseits könnte KI Sklavenarbeit überflüssig machen, sagt er aber auch, sie könnte aber noch viel mehr
• 35:10
  Speaker 0: wegnehmen.".
• 35:11
  Speaker 0: Wie steht ihr dazu?
• 35:13
  Speaker 0: Sind diese Warnungen berechtigt?
• 35:15
  Speaker 1: Also man muss solche Warnung schon ernst nehmen!
• 35:19
  Speaker 1: darüber nachdenken und drüber sprechen.
• 35:22
  Speaker 1: Das wird auch gemacht, also immer mehr.
• 35:24
  Speaker 1: wenn man mal den politischen Diskurs und auch den technologischen Diskurse in der Richtung anschaut, wird das mehr.
• 35:31
  Speaker 1: von daher sind solche Mahner denke ich auch wichtig.
• 35:35
  Speaker 1: aber auf der anderen Seite sollte man auch nicht den Teufel an die Wand mahlen weil mit jeder neuen Technologie wenn man einmal zurückguckt gab es genau solche Warnungen.
• 35:45
  Speaker 1: Also ich denke gerade mal die Robotik da kann eine Christiane noch was sozusagen Da hat es auch geheißen, aber wir werden alle arbeitslos.
• 35:53
  Speaker 1: Wir müssen nichts mehr machen.
• 35:54
  Speaker 1: und was passiert ist, dass wir ganz viele neue Jobs bekommen haben die halt anspruchsvoller sind, die spannender sind wie einfach eine monotone Tätigkeit das einfach auszuführen.
• 36:09
  Speaker 1: auf der anderen Seite wenn man mal den Arbeitsmarkt anguckt wir haben derzeit eher ein Fachkräftemangel nicht eher sondern sehr stark und er wird sich in den nächsten Jahren, wenn die ganzen Babyboomer in Rente gehen auch noch verstärken.
• 36:24
  Speaker 1: Da könnte KI genau wieder helfen um jetzt diese, sag ich mal Jobs sie dann wegfallen vielleicht nicht zu ersetzen aber halt auf eine andere Art und Weise auszufüllen Und... Dann ist es so Wenn wir jetzt mal in die Zukunft gucken.
• 36:44
  Speaker 1: Wir haben jetzt einen Arbeitsumfeld wo wir KI gestützt arbeiten.
• 36:49
  Speaker 1: als Mensch sollten wir immer dabei die letzte Instanz behalten.
• 36:57
  Speaker 1: Und ich glaube dann ist es auch wiederum so, dass wenn wir noch zum Schluss sagen müssen oder als Mensch wir sagen ob das jetzt gut oder schlecht ist Dann haben wir auch einen sehr großen Bereich wo uns gerade der Jeffrey gemahnt hat Auch gleich mit weggenommen Wo wir dann die Gefahr rausnehmen Wenn wir sage mal KI eher als Erweiterung als Unterstützung vom Mensch begreifen und nicht als Ersatz, dann haben wir da eine sehr tolle Zukunft
• 37:26
  Speaker 2: vor uns.
• 37:27
  Speaker 2: Eine der kritische Sachen wo man definitiv sehen muss sind die ganze Fake-Newserzeugungen und im Endeffekt dass ich im Endefekt Bilder gerade über so generative KI Ansätze Bilder generieren kann für Fake-Videos generieren können.
• 37:39
  Speaker 2: Ich denke das wird immer wichtiger dass wir da schauen können wie können wir am Endeffekter kennen?
• 37:44
  Speaker 2: was ist im endeffekt synthetisch generiert?
• 37:47
  Speaker 2: Was ist wirklich die Wahrheit, um da diesen Bias, den ich ja irgendwie dann gesellschaftlich politisch vermitteln?
• 37:52
  Speaker 2: Dass wir da echt aufpassen was da passiert.
• 37:55
  Speaker 2: Aber sonst würde ich fast behaupten dass es extrem wichtiger für Europa ist, dass wir diese gesamte Geschichte nicht überregulieren weil im Endeffekt wird uns die Technologie für viele Sachen helfen.
• 38:08
  Speaker 2: und Es ist einfach so, wenn neue Sachen kommen hat man immer Kritik.
• 38:12
  Speaker 2: Das ist ja gut so dass es Kritik gibt weil ohne Kritik wird über nichts diskutiert und man nimmt alles so hin.
• 38:17
  Speaker 2: also das ist ja wichtig die prosen Konzene oder wenige zu erörtern das ist definitiv der Fall.
• 38:22
  Speaker 2: aber ich denke wir müssen hier echt aufpassen dass wir da am Ball bleiben und da eine neue Technologie mit reinbringen.
• 38:29
  Speaker 2: weil gerade wenn man es zum Beispiel wieder auf die Robotik bezieht Man kann da ganz klar sehen, der wird ja arg gemahnt.
• 38:35
  Speaker 2: Okay ist wenn ganz viele Leute arbeitslos?
• 38:37
  Speaker 2: Aber man kann eine ganz klare Korrelation sehen zwischen steigender Roboterdichte und Arbeitslosigkeit die nach unten geht.
• 38:44
  Speaker 2: Wer da immer mehr Automatisierung braucht vor allem, wenn wir sieht das wir immer mehr auch an Produktionskapazitäten zurückholen nach Europa wird es extrem für uns wichtig dass wir da auch wirtschaftlich und effizient automatisieren können.
• 38:58
  Speaker 2: Und genau da helfen uns die Technologie.
• 39:02
  Speaker 2: einfach wichtig, um diesen Hochlohnstandard Deutschland und Europa sinnvoll behalten zu können.
• 39:08
  Speaker 2: Deswegen würde ich da nicht nur malen, sondern wirklich gucken, dass wir damit unsere Technologie weiterkommen.
• 39:12
  Speaker 2: Klar die kritische Sache muss man schon beachten aber von daher eigentlich eher Technologieauferheit.
• 39:19
  Speaker 0: Wie bringt ihr euren Studierenden bei diese Kritik im Hinterkopf zu behalten?
• 39:25
  Speaker 0: Inwieweit findet sowas wie vielleicht auch eine technik folgen?
• 39:28
  Speaker 0: Abschätzung im studium statt
• 39:31
  Speaker 1: Über Technik folgen?
• 39:33
  Speaker 1: ist es eigentlich sinnvoll immer nachzudenken, wenn ich Technologie entwickle.
• 39:38
  Speaker 1: Also nicht nur, wenn's um KI geht.
• 39:42
  Speaker 1: Gerade bei der KI, wie wir das schon genannt haben Arbeitslosigkeit vielleicht auch noch weitergehend mit Massenüberwachung oder
• 39:49
  Speaker 2: jetzt
• 39:49
  Speaker 1: solche Themen.
• 39:50
  Speaker 1: Wie kann ich Wahlen beeinflussen bis hin zu irgendwelchen Killer Robotern?
• 39:56
  Speaker 1: Man muss darüber nachdenken.
• 39:59
  Speaker 1: aber Jede Technologie, die bisher entwickelt wurde, lässt sich gut und schlecht einsetzen.
• 40:07
  Speaker 1: Wie der Christian gesagt hat ... Wir sollten hier KI nicht überregulieren, aber wir sollten auch entsprechende Gesetze schaffen, die in der Richtung Sicherheit bieten wie wir das für andere Technologien haben um irgendwelchen Wirköpfen die Möglichkeit zu nehmen die Wahl zu beeinflussen.
• 40:31
  Speaker 0: Aber an welcher Stelle findet es im Studium statt?
• 40:33
  Speaker 0: Also gebt ihr den Studierenden sozusagen auch eine gewisse Ethik mit auf den Weg, wenn es um die Anwendung von KI geht?
• 40:42
  Speaker 1: Gehen wir mal zur der Ethik!
• 40:44
  Speaker 1: Ich will noch einen Punkt fertig machen.
• 40:48
  Speaker 1: Es gibt schon im KI-Bereich und im Datenbereich sehr viele Ethikthemen.
• 40:53
  Speaker 1: Da sollte man sich auch daran halten.
• 40:55
  Speaker 1: das ist doch wichtig weil nicht alles was möglich ist auch richtig.
• 41:00
  Speaker 1: Aber wenn man halt an große Firmen anguckt, ich möchte jetzt keine nennen aber wir müssen mal über den Teich drüber gucken.
• 41:08
  Speaker 1: die halten sich halt nicht daran.
• 41:10
  Speaker 1: Die schnorren alle Daten weg was irgendwie geht und wo bleibt da die Ethik?
• 41:15
  Speaker 1: Also diese sollten auch in der Richtung anfangen.
• 41:18
  Speaker 1: Und wie finde das im Studium Anwendung?
• 41:22
  Speaker 1: Man muss immer wieder darüber reden!
• 41:23
  Speaker 1: Man muss das Thema bewusst machen Abstraktionen, die wir da bekommen.
• 41:30
  Speaker 1: Also sagen wir mal so, irgendjemand kommuniziert mit seinem Handy und dann muss man ja überlegen wie kommuniziere ich dort?
• 41:38
  Speaker 1: Weil jemand steckt ja dahinter es gibt ja auch keine Cloud Es gibt nur andere Computer.
• 41:45
  Speaker 1: Und Man muss sich dort halt auch im Bewusstsein schaffen dass das was man da tut halt über eine Technologie läuft Die technologie begreifen und dann auch begreifend Was mache ich denn da eigentlich?
• 41:58
  Speaker 1: Und wie mache ich es dann richtig, also was wäre denn ein der richtige Weg und da immer wieder zu diskutieren auch im kleinen und im großen in den verschiedenen Abstraktionsleveln.
• 42:08
  Speaker 1: Ich glaube das hilft den Studis da auch wirklich vorwärtszukommen.
• 42:13
  Speaker 2: Ja wir müssen da wirklich aufpassen weil im Endeffekt da steckt ein gewaltiges wirtschaftliches Potenzial hintert eine Technologie und es wird einfach extrem wichtig diese zu integrieren.
• 42:25
  Speaker 2: Deswegen glaube ich, wie durfte da in Europa nicht das Spielfeld aller... also im Endeffekt links vom Teich und rechts in Asien komplett überlassen.
• 42:35
  Speaker 2: Sondern wir müssen gucken, dass wir am Ball bleiben.
• 42:37
  Speaker 2: Im Endeffekte ist es die einzige Währung, die wir haben.
• 42:40
  Speaker 2: Unser Geistiges Gut, das in Produkte zu bringen – und das ist auch extrem wichtig für den Wohlstand hier!
• 42:45
  Speaker 0: Aber dann sag mal, woran liegt das denn?
• 42:47
  Speaker 0: Dass jetzt eigentlich alles was in Sachen KI passiert.
• 42:50
  Speaker 0: Passiert nicht in Deutschland sondern immer in den USA oder vielleicht auch noch in Asien.
• 42:55
  Speaker 0: Woran liegt dass?
• 42:55
  Speaker 0: Ich
• 42:56
  Speaker 2: denke also es ist ja schon so, dass sehr viele Grundlageforschung auch in Europa entstanden sind.
• 43:03
  Speaker 2: Eine der Probleme die wir glaube ich immer irgendwie in Europa oder vor allem in Deutschland habe ist aus dieser Grundlage im Endeffekt direkt Kommerzialisierung zu machen.
• 43:12
  Speaker 2: Da ist, denke ich, ein Punkt.
• 43:14
  Speaker 2: Auch das, gerade wenn man sich jetzt in der USA guckt, Krisikokapital.
• 43:19
  Speaker 2: Wenn man da sieht was im Endeffekt an VCs unterwegs sind und was da im Endefekt auch an Kapital in verrückte Idee gesteckt wird...
• 43:27
  Speaker 0: Also VCs sind Venture Capital Firmen die Geld geben für Projekte ins Start-ups investieren und zwar meistens im Millionenbereich.
• 43:35
  Speaker 2: Genau!
• 43:35
  Speaker 2: Und da ist ja in Europa natürlich schon so dass.
• 43:40
  Speaker 2: Das ist mittlerweile auch in Europa und auch in Deutschland, der sich einiges getan hat.
• 43:44
  Speaker 2: Aber ich denke das ist auch ein großer Grund.
• 43:46
  Speaker 2: Ein weiterer große Grund ist die Milliarde an Forschungsgelder, die man in den USA oder in China mehr oder weniger zur Verfügung hat.
• 43:55
  Speaker 2: Das ist in Deutschland ja gar nicht in diesem Umfang möglich.
• 44:00
  Speaker 2: Und das denke ich sind schon so Punkte wo uns da auch Bremser ... zu oft diese konservative Brille aufhaben.
• 44:10
  Speaker 2: Ja, wir wollen das irgendwie aber dann auch zu viel Bedenken haben anstatt einfach mal zum Macher und natürlich wird man da irgendwie oft genug scheitern.
• 44:19
  Speaker 2: Aber ich denke ohne Scheitern gibt es halt auch keinen Fortschritt.
• 44:21
  Speaker 2: also Man muss dieses Scheidern auch wagen Und im Endeffekt darf er rankommen weil sonst passiert einfach nichts.
• 44:26
  Speaker 2: Es gibt für solche Hochrisikoprojekt Keinen zugestellten ist dass man von Anfang an weiß dass man danach erfolgreich sein wird.
• 44:33
  Speaker 2: aber Wir müssen diesen Weg einfach gehen und das denke Ich ist extrem wichtig.
• 44:37
  Speaker 1: Ja, ein Thema haben wir ja auch schon angegangen mit unserem Studiengang.
• 44:42
  Speaker 1: Das war genau hier jetzt Leute ausbilden die das können was wir brauchen und das ganze von Anfang an mit dieser Unterstützung diese auch hier bekommen wirklich auch in kleinen Gruppen das zu lernen Und dann mal wirklich die von der Pieke auf Die neuronale Netze die Anwendung dann auch zu lernen glaube ich dass ist eine große Chance Studierenden hier bieten
• 45:07
  Speaker 0: können.
• 45:07
  Speaker 0: Mit diesem Studiengang künstliche Intelligenz in den Ingenieurwissenschaften, also vielleicht wirklich die Marktlücke aus dem Land der Tüftler, wie du es vorhin beschrieben hast ein Land der KI-Tüftel zu machen.
• 45:19
  Speaker 0: Christian Friedrich und Jan Bauer vielen herzlichen Dank für dieses Gespräch.
• 45:25
  Speaker 2: Danke dir!
• 45:26
  Speaker 0: Wer Interesse hat den Studiengang Künstliche Intelligence in den ingenieurwissenschaften näher kennen zu lernen auf unserer Website gibt's alle Infos dazu.
• 45:34
  Speaker 0: Da kann man sich zum Beispiel auch mal den kompletten Stundenplan runterladen, um einen kleinen Überblick über die Inhalte
• 45:48
  Speaker 1: zu bekommen.