Norman: Florian, sag uns doch noch einmal kurz ein paar Sätze über dich, für alle die, die das Interview mit dir noch nicht gehört haben. Vielleicht kannst du dich noch einmal kurz vorstellen.

Florian: Ich bin schon seit der Jugendzeit im Bereich der Künstlichen Intelligenz unterwegs, damals hieß es zwar nicht so, aber mich hat schon immer Robotik und diese autonome Handlung von Robotern stark interessiert. In der Jugendzeit habe ich Carrera Bahnen gebaut, mit Autos, die sich selbst optimieren. Ich habe dann auch automatisierte Trading-Methoden aufgebaut und bin dann über die Forschung zu der Startup-Szene gerutscht, wo ich auch heute hauptsächlich noch unterwegs bin.

Man kann mich buchen, um Teams aufzubauen oder um reinzuschauen, wo man noch verschiedene Taktiken mit der KI implementieren kann. Es kommt jetzt immer mehr, seit zwei Jahren, dazu, dass Unternehmen Anfragen stellen: Wie kann ich das Unternehmen überhaupt optimieren oder wo gibt es Potenziale? Das ist das, was ich jetzt schon stark fokussiere in die Zukunft. Ich sehe da einen sehr starken Trend, dass Unternehmen diese Bedürfnisse jetzt auch verspüren und auch langsam in Handlungsbedarf kommen. Das ist auf jeden Fall das Gebiet, aus dem ich komme.

Norman:  Jetzt haben wir schon ein Interview zusammen geführt und irgendwie hat es uns miteinander verbunden. Wir sprechen derzeit auch über ein paar Projekte, die wir zusammen machen wollen. Was ich großartig finde, das muss ich an dieser Stelle wirklich einfach einmal sagen, ist, dass du dich bereit erklärt hast, hier mit mir regelmäßig auch die neue Podcast-Staffel “The Art of Al” zu produzieren - das finde ich sehr cool. Was ist deine Motivation dahinter?

Florian:  Ersteinmal kann ich das so zurückgeben. Ich finde, dass Podcast ein super Format ist - ich finde dein Format sehr gut. Ich finde die Souveränität und die Qualität, mit der du an die Sache rangehst, sehr sehr gut. Es zeigt auf jeden Fall, dass Podcast Zukunftspotenzial hat - immer geballtes Wissen auf’s Ohr. Die Einladung kam ja auch von dir und ich muss sagen, das war für mich fast ein no brainer, dass wir das zusammen machen. Ich denke, die Qualität stimmt, der Rahmen stimmt und der Informationsbedarf ist da. Also habe ich gedacht: Okay, let’s do it. Das ist für mich der Ansporn gewesen.

Norman:  Jetzt wollen wir Unternehmen ein bisschen auf die Sprünge helfen - sage ich einmal ganz salopp - um einfach ein Verständnis, für das Thema Künstliche Intelligenz, zu gewinnen. Du hast vorhin schon gesagt, wie Unternehmen durch die KI Prozesse optimieren können. Bevor wir dort einsteigen: können wir es noch ein bisschen aufklappen und etwas ausdifferenzieren? Was bedeutet das, einmal auf Hardware- und auf Softwareseite?

Florian:  Die Hardware, das ist eigentlich fast alles. Ich kenne kein Unternehmen, das nicht rein cloudbasiert arbeitet. Es gibt zwar Unternehmen, die hauen sich da Grafikkarten von NVIDIA in den Serverraum oder  auf den Schreibtisch, aber es ist schon meistens so, dass die ganzen Anwendungen in der Cloud gerechnet werden. Das heißt, man nimmt zum Beispiel von Amazon oder von Google oder von Microsoft - immer beliebter, weil die teilweise günstigere Preise haben als Google - Cloudlösungen, wo man dann mit seinen entsprechenden Frameworks arbeitet. Es gibt zum Beispiel das sogenannte “Machine Learning Framework” , die man dann auf diese Hardware rechnen lässt.

Der größte Wandel ist auf der Hardware- und der Softwareseite. Es fängt an, wie Teams agieren, wie die Zyklen sind, Sprints, also das ganze Team formt sich auf der Seite. Das ist jetzt von der Softwareseite die Entwicklung. Man muss viel mehr Hand in Hand arbeiten - man braucht zum Beispiel Regularien oder Regeln für die Datenbanken. Da müssen die Entwickler möglichst einen guten Zugriff haben.

Dann gibt es ganz andere Entwicklungszyklen, also man programmiert jetzt nicht mehr so hart Features. Zum Beispiel: Wenn man eine Website macht, dann pflegt man dort einen Button ein und pflegt - sagen wir einmal - ein neues Formular ein, sondern es ist eigentlich schon so, dass man viel optimiert - teilweise kleine Parameter verändert, um dann bessere mathematische Modelle rauszubekommen. Das ist das, was der große Wandel ausmacht, daß heißt, mit diesen klassischen Softwaremethoden kommt man heute nicht mehr so weit, sondern auch da muss eine neue Form rein, auch von der Führung, von Mitarbeiterverantwortung und komplett neue Entwicklerrollen.

Norman:  Jetzt hast du schon Teams angesprochen. Wie sieht so ein Team aus, bzw. vielleicht auch in welchem Stufenmodell kann man sich so ein Team für ein Unternehmen aufbauen? Ist es auch ein rein externes Team? Macht es Sinn, das intern zu haben?

Florian:  Das kommt wirklich ganz darauf an. Bei Startups kann man sozusagen starten mit einem Data-Science-Team. Das wäre klassisch jemand, der sich gut mit Hardwaredatenbanken auskennt, der da die Skalierung hinbekommt, wenn man schon auf Daten zugreifen kann. Das ist auch das große Problem, dass viele Startups eben nicht auf große Daten zugreifen können - das heißt, man würde davor noch jemanden hinsetzen, der diese Datenbeschaffung macht und dann hat man hinten das Team raus.

Wenn man ein oder zwei Experten hat im Bereich der Data-Science und schaut, was man aus den Daten machen kann; wie man die Daten bearbeiten kann; wie man die Filter reinigen kann, sodass wir dann daraus mathematische Modelle erstellen können, also in Form von Machine Learning.

Machine Learning ist nichts anderes als eine Matrix, theoretisch eine lineare Algebra und da geht es darum, wie man die Daten mathematisch so formuliert, dass sie dann letztendlich für die Automatisierung zugeführt werden können.

Das kleinste Team, was ich empfehle, sind eigentlich drei Leute, die einerseits Datenbank, Hardware, dann eine Person, die die Insides aus den Daten zieht und neue Aufgaben reguliert, also als Ziele definiert, was wir sozusagen automatisieren und verbessern wollen. Dann jemanden, der Data-Scientist ist oder ein Machine Learning Expert, der dann in dem Bereich reingeht, um die Modelle aufzubauen und diese dann dort zu optimieren.

Norman:  Wo finde ich diese Leute? (lacht)

Florian:  Das ist tatsächlich ein ziemlich großes Problem. Ich denke, das ist auch ein großes Manko, dass man keine richtige Titel dafür hat. Zum Beispiel, als ich gesagt habe, Datenreinigung extrahieren, das wäre ein Featture-Extraktor - das ist eben die Frage, wie nennt man das?

Ein Data-Scientist sollte eigentlich alles abdecken. Ich denke, dass die Krux an der ganzen Sache ist, dass man für jede Branche jemanden hat und für jede Daten- und jedes Softwareteam ganz feine Nuancen an Experten braucht. Man kann ganz grob sagen, wir haben hier einen Data-Scientist, der kann sozusagen alles abdecken, aber meiner Erfahrung nach ist es, dass ein Data-Scientist immer nur spezielle Gebiete hat. Der kennt sich zum Beispiel gut aus in Image Recognition, also Bilderkennung, oder es gibt jemanden, der sich mit Natural Language Processing auskennt. Bei Natural Language Processing sind zum Beispiel sehr viele da, die mit JAVA arbeiten. Da gibt es gute Datensätze, also zum Beispiel von IBM. Die meisten Leute,  bekommt man zum Beispiel aus IBM. Die haben schon eine langjährige Erfahrung und dort kann man gute Talente herbekommen.

Die Experten zu interviewen, also das Talentmanagement, ist ein großer Punkt im Bereich der AI. Ich mache es regelmäßig so, dass es eigentlich dreistufig mindestens ist. Das erste ist, der CV. Man hat erst einmal so einen leichten Teammatch, also erst einmal macht man einen Skypecall.  Die zweite Stufe ist eine Aufgabe innerhalb von ein/zwei Tagen lösen. Also nicht so, dass es erst alles auf dem Papier steht und dann erst zum Interview einladen, um dann wirklich in die Thematik oder in die Unternehmensproblematik einzugehen. Beispielsweise: Wir wollen eine Fertigungsstraße optimieren, -  oder so was -  dass wir dann da ein Beispiel rausnehmen, also bestimmte Roboterbewegungen, bestimmte Sensoren, um dann in die Diskussion reinzukommen. Das sind die drei Mindeststufen, die ich empfehle. Manchmal würde ich da sogar noch mehr zwischen packen.

Talentmanagement ist auf jeden Fall wichtig und man kann nicht einfach sagen, wie zum Beispiel bei den Informatiker, der sich zum Beispiel im Web auskennt oder für den guten Fulllstack, den beispielsweise ein JavaScript Developer hat oder ähnliches. Da kann man sagen, ein JavaScript Developer kann auf jeden Fall mehr als 80% aller Webseiten mit seinem Wissen abdecken. Das haben wir bei Machine Learning überhaupt nicht. Es gibt verschiedene Frameworks für verschiedene Bereiche. Zum Beispiel: Ist der ein Experte in Parallelberechnungen, also kennt er sich überhaupt damit aus wie die Infrastruktur ist usw.?

Norman:  Gibt es Plattformen, auf denen ich mit solchen Leuten Kontakt aufnehmen kann? Oder kennst Du Communities oder gibt es Companies/Agenturen, die sich darauf spezialisiert haben?

Florian: Headhunters gibt es extrem viele und kommt immer mehr. Bei LinkedIn ist es wie wild. Es nervt schon, wenn da jeden Tag vier/fünf Anfragen kommen, mit irgendwelchen Introductions, aber auch nicht nur aus Deutschland. Es ist wirklich international das Problem, dass man die Leute versucht zu finden. Ich sehe das auch, aber ich sehe eben genau das Problem, dass diese Headhunter die Arbeit an dieser Stelle nicht so gut erledigen. Die können nicht genau wissen und fühlen, was da gebraucht wird.

Ich gebe da mal ein ein Beispiel: Ich selbst habe lange Zeit mit einem Headhunter zusammengearbeitet, um selber Leute zu bekommen. Wir haben lange Gespräche geführt, er kam aus London und wir hatten uns sogar einmal persönlich getroffen. Ich habe ihm alles erklärt, Machine Learning auf einem Blatt Papier und genau gesagt, was ich brauchte. Da ging es um NLP usw. Da meinter er “alles klar, schauen wir mal”. Dann hat er mir die ersten CV’s geschickt. Die gingen gar nicht in die Richtung und dann habe ich immer wieder angepasst, das war sozusagen ein Trainingsverfahren. Es war selbst nach einem halben Jahr so, dass Leute oder Kandidaten dabei waren, die einfach gar nicht gepasst haben. Zum Beispiel waren Statistiker dabei, die null Erfahrung in der Programmierung mit Python hatten. Die Programmiersprache war jetzt nicht die einzige Filterung, aber ich merke, dass es gerade in der Programmierung schwierig ist zu recruten und in AI zu recruten ist dann noch einmal ein anderes Level. Das ist das, was ich nur kurz sagen wollte. Es ist irgendwie sehr schwierig, da Talente zu bekommen.

Ich gehe tatsächlich so vor: Ausschreibungen, Meetups, die in diesem Bereich zielen und ansonsten Netzwerke. Wir haben mittlerweile ein großes Netzwerk, auf das ich auch wirklich bauen kann und es gibt viele - und das empfehle ich auch Neuentwicklern oder denen, die mich fragen, was ich empfehlen würde, wie wir vorgehen: Werdet Freelancer an der Stelle und arbeitet projektbasiert.  

Norman:  Das ist eine richtige Herausforderung vor der tatsächlich so eine HR-Abteilung im Unternehmen steht. Also das a) dass Wissen selbst nicht zu haben, weil das eben nicht mehr der Marketingleiter ist, der gesucht wird oder der Vertriebsleiter, wo man sich vielleicht noch auskennt, sondern dass völlig neue Aufgabenfelder besetzt werden müssen, mit echten Spezialisten.

Florian:  Ja, aber das ist eigentlich auch meine Erwartungshaltung. Wenn man jetzt nur die Sekretärin sucht, die von München nach Hamburg zieht und jetzt statt bei Microsoft bei IBM arbeitet: Klar, da hast du keine große Arbeit, aber ich meine, wer 10% vom Jahresgehalt verlangt, der kann erst einmal wirklich lernen, wie  die Technik funktionier und wie kann ich besser vorfiltern. Das ist zumindest die Erwartung, die ich an einen guten Headhunter habe.

Norman:  Lass uns doch einen halben Schritt zurückgehen. Aus der Perspektive des Unternehmens gesprochen: Wenn ich mich jetzt einmal in so einen Unternehmenslenker hineindenke, dann ist für mich die große Frage, ab wann macht es tatsächlich Sinn, mich mit Künstlicher Intelligenz auseinanderzusetzen? Also noch der Step, bevor ich darüber nachdenke, so eine Infrastruktur aufzubauen mit Personal, mit internen oder externen Leuten?

Florian:  Künstliche Intelligenz ist selbst eine sehr sehr teure Angelegenheit. Das heißt, ich würde hier differenzieren: Ist es ein Unternehmen, was jetzt IT basiert ist, was langfristig bestehen willen? Ein ganz einfaches Beispiel wären jetzt die Steuererklärungsunternehmen, also so eine Software für eine Steuererklärung - ich glaube da gibt es über 20.000 Lösungen auf dem deutschen Markt allein - und du willst da vorankommen, dann ist es auf jeden Fall ein AI Thema wo du einsteigen muss, egal wie teuer es ist.

Wenn du eine Assembly Line hast, sagen wir einmal ein Verpackungsunternehmen oder ein Logistiklager, da würde ich sagen, dass man das outsourcen kann. Ich würde gar keine interne Abteilung oder einen internen Entwickler mit reinnehmen.

Und Unternehmen, bei denen ich sagen würde, die brauchen sie überhaupt nicht - das wären dann die klassischen Unternehmen, wie die Handwerksberufe oder soetwas. Da gibt es nichts, wo ich sagen würde, da müsste man mit AI einsteigen.

Aber lass und bei der IT bleiben: Bei IT Softwareunternehmen gehe ich davon aus, dass die erfolgreichen Unternehmen zu 50% im Jahre 2018 AI implementiert haben werden.

Norman:  Ist AI ein Privileg der großen Firmen, die sich das tatsächlich leisten können?

Florian:  Es ist Segen und Fluch in einem. Bei der Autoindustrie kaufen die sich einerseits Teams ein, also sodass die sagen, es gibt ein Startup-Team. Die sind in dem speziellen Bereich schon Experten. Die kaufen einfach dieses Startup und holen sich die Expertise damit. Allerdings ist eigentlich der Trend in Deutschland, dass viele diese ganz klassischen Forschungsabteilungen haben, also zum Beispiel Daimler oder Audi usw. Die kooperieren mit Universitäten oder holen sich dann die Doktoranden aus den Universitäten in das Unternehmen rein. Was ich hier beobachte ist, dass genau diese organisatorischen Sachen, das wirtschaftliche Arbeiten ein Produkt aus der Wissenschaft zu machen, ein großes Problem ist.

Ich bin jetzt ein bisschen entglitten, kannst du mir noch einmal deine Frage nochmal sagen? (beide lachen)

Norman: Ich war mit meinen Gedanken schon in einer ganz anderen Sphäre unterwegs - nämlich bei meiner nächsten Frage… Also die Frage war: Ist AI ein Privileg der großen Unternehmen, die sich das dann leisten können?

Florian:  Das ist es tatsächlich. Wenn man ohne wirklich gutes Backup oder einem Team, was schon Vorleistungen aus der Wissenschaft hat, halt schon einen Code mitbringen kann, ist es ganz schön hart.

Aber es gibt immer wieder und das erstaunt mich, wirklich ausgewiefte, einfache Algorithmen, als Beispiel das Patent. In München gibt es jetzt ein Startup, die machen Patente - wenn man bei Google Patent AI und München eingibt, kommt man darauf - die haben jetzt ein ordentliches Funding bekommen, nachdem die sozusagen was veröffentlicht haben. Die haben schon ein erfolgreiches Startup. Die haben nämlich eine Patentdatenbank, bei der man jetzt Patente suchen kann. Es ist ein “pain in the ass” wenn man ein Patent anmelden will. Ich selbst habe ein internationales Patent und es ist wirklich extrem schwierig diese Recherche zu betreiben, ob es diese Idee schon gibt. Die haben da  jetzt wohl eine ziemlich gute Lösung gefunden und ich war erstaunt. Das kann man eigentlich aus der Forschung mit reinnehmen und dann ausbauen, ohne das man jetzt fünf Jahre nur entwickeln kann und man hätte noch keine Lösung mit herausgebracht.

Norman:  Um ein bisschen Licht am Ende des Tunnels zu zeigen, für die Unternehmen, die jetzt nicht die großen Big Player oder Bluechip Unternehmen Deutschlands sind: Wenn ich es richtig verstanden habe oder korrigiere mich gerne, bedeutet Künstliche Intelligenz  - und da gibt es unterschiedlichste Definitionen, bzw. auch Sichtweisen, was konkret Künstliche Intelligenz ist - nicht nur ein regelbasierter linearer Ablauf eines Systems, sondern es ist tatsächlich die Komponente wichtig, dass das System auch selbst lernt und zum Beispiel Assoziationen machen kann? Soweit richtig vereinfacht dargestellt?

Florian: Ich würde erst einmal überlegen, aus welcher Sicht. Wenn du ein AI Produkt hast, zum Beispiel eine Speech Recognition Software. Man kann AI als eine Unit sehen, also Spracherkennung - Siri zum Beispiel. Es ist wirklich so: Man redet etwas hinein, das ist eine Blackbox und es kommt ein Ergebnis raus. Da würde ich dir zustimmen. Ansonsten gibt es immer noch viele, gerade in der Assembly Line oder Prozesse.

Es gibt ja auch Prozessoptimierung in Unternehmen, da hat man schon mehrere Blöcke, die linear sein können, zum Beispiel: Sagen wir mal, wir haben ein Paket. Es gibt eine Station, da wird die Ware in ein Pappkarton gepackt, in der nächsten Station wird der Deckel zugemacht. In der dritten wird verklebt und in der vierten wird das Etikett darauf geklebt. Das sind alles mechanische Elemente. Wenn wir aber jetzt sagen, wir wollen zum Beispiel  aufgrund der größe des Paketes erkennen, was für ein Portokleber oben drauf kommt, dann wären die ersten drei Stationen immer noch maschinell, also linear und es wäre nur eine Station mit Künstlicher Intelligenz, also dynamisch. Das heißt: Du hast letztendlich immer noch ein lineares System, aber du hast einzelne Blöcke automatisiert und damit dynamisches Verhalten in einem eigentlich vorhersehbaren Prozess. Du kannst dadurch am Ende sagen, ob es erfolgreich war oder nicht. Das ist messbar.

Was viele Leute sagen und wo sie große Fragezeichen haben, ist gerade bei den Autos. Das Auto kann man auch als große Blackbox sehen, wenn es mit Künstlicher Intelligenz fährt, weil man letztendlich ein Ziel eingibt - das ist die Eingabe. Man fährt über die Straße, die ganzen Straßen sind auch Eingabedaten. Und die Ausgabe ist sozusagen: wird ein Unfall verursacht oder nicht. Da ist die große Gefahr, dass man teilweise nicht vorhersagen kann, wie die Systeme untereinander agieren. Gerade in der deutschen Autoindustrie oder große Forschungslabors, die mit der Autoindustrie zusammenarbeiten, steht die Sicherheit von Anfang an ganz oben. Das heißt, gegenüber anderen Mitstreitern ist diese Herzschiene mit drin.

Norman:  Was ich ganz interessant finde ist, es muss nicht immer die große Verpackungsstraße sein, die da optimiert wird oder dieser Prozess. Wenn ich an das Thema Service denke, dass ich dann zum Beispiel mit KI Bots arbeiten kann, um Serviceanfragen, vielleicht noch vor dem Callcenter abzufangen über eine Website oder über ein Messenger oder sowas. Kannst du einen Ausblick geben, wo  wir da heute stehen? Ist das zum Beispiel eine Geschichte, wo ich als Unternehmen mit vergleichsweise wenig Budget schon in dieses Thema einsteigen könnte?

Florian:  Definitiv und da gibt es auch schon Startups und Unternehmen, die so etwas anbieten. Ich betreue ein Startup, das genau diese Sachen macht. Von einem großen Mobilfunkanbieter in Deutschland haben die zum Beispiel Zugriff auf die Daten und Zugang zu Customer, also Beispiel die Infohotline. Da gibt es jetzt eine Infobox auf der Website, wo man sagen kann, dass man keinen Handyempfang hat oder meine Mailbox ist nicht erreichbar usw. Die sind jetzt also schon erfolgreich dabei und rund 80% der Serviceanfragen können automatisiert beantwortet werden, sodass die Kunden auch mit der Antwort zufrieden sind.

Man kennt es teilweise auch so: “Sind sie zufrieden mit der ihrer Antwort gewesen? Wenn ja, dann wird das sozusagen optimiert. Teilweise steckt Machine Learning dahinter, dass man wirklich damit trainieren kann. Das heißt, man gibt die Suche ein - das ist eigentlich wie bei Google. Man kann sich vorstellen, man sucht etwas bei Google und Google wird am Ende fragen “Sind Sie zufrieden mit ihrer Ergebnissuche?” - nur das man hier einen Smiley nach oben oder unten am Ende macht. Das sind Millionen Beiträge, die die jetzt dadurch sparen, natürlich über das Jahr gesehen.

Norman:  Das heißt, ich muss jetzt nicht gleich das große Team aufbauen und mich da auch mit Investitionen in ein gewisses Risiko begeben, sondern ich kann tatsächlich, wie du sagst, mit Startups arbeiten, die zum Beispiel diverse Bots einsetzen? Natürlich je nachdem wie das Szenario in meiner Company ist, also wo ich gegebenenfalls optimieren könnte.

Florian:  Deswegen meinte ich, dass nächstes Jahr alle IT-lastigen Unternehmen  zu 50% Künstliche Intelligenz implementieren werden und damit impliziere ich jetzt einfach, dass man Schnittstellen von Experten oder Unternehmen nutzt , die diese Dienstleistung anbieten. Es macht keinen Sinn, alles neu zu entwickeln.

Ich bleibe als Beispiel immer bei der Spracherkennung, weil es die meisten Leuten kennen. Da macht es keinen Sinn, eine neue Sprachdatenbank aufzubauen. Da können nur Größen wie Microsoft oder Google oder Apple wirklich auf Daten zugreifen oder einkaufen. Ich glaube in der Wissenschaft ist die größte Sprachdatenbank 2 TB oder so groß ist. Wenn du überlegst, dass Google und Apple mit jeder Aufnahme, die du tätigst, deine Sprache sozusagen auf den Server speichern und die dann für weitere Anwendungen verwenden können. Das heißt, mit jedem Siri-Befehl, Echo oder Amazon zum Beispiel, also mit  jeder Suche die du jetzt machst, können die diese Daten verwenden. Damit werden diese Unternehmen immer stärker und werden im Speech Recognition Bereich zu Monopolen. Das ist halt sehr sehr schwer. Du kannst ja gegenrechnen: Wenn du als Startup in diesen Bereich reingehen würdest, was du dann investieren müsstest, um so einen Pool aufzubauen und erst einmal eine Strategie zu finden, um so etwas zu machen und wie dann die einzelnen Taktiken immens teuer werden.

Norman:  Das zeigt wieder die Macht auch der Monopole, also der Plattform generell, natürlich in verschiedenen Bereichen.

Florian:  Ich sage auch immer gerne, dass jede Interaktion im Bereich  mit einem AI, Startup oder Unternehmen, ist indirekt auch ein Votingverfahren. Mit jeder Tasteneingabe in Google gibst du eine Stimme für Google an, weil Google dadurch natürlich schlauer und intelligenter wird. Das ist in AI allgemein so - deswegen sage ich immer, dass dieser First Mover Advantage nicht zu unterschätzen ist. Deswegen: Je früher desto besser! Aber man muss nicht - und das war die Ursprungsfrage - selber ein eigenes Team aufbauen, sondern man kann auf Ressourcen, Netzwerke zugreifen. Mit einer intelligenten Implementierung oder mit der Nutzung der vorhandenen Ressourcen kann man das schon gut aufbauen. So ist es auch, wie ich es hauptsächlich empfehlen würde.

Norman:  Spannend! Wir haben jetzt einfach mal das KI Feld gepflügt, was ist ganz cool finde, für eine erste Podcast-Kick-off-Folge, die wir hier auch haben, um einmal kurz einzutauchen, in die ein oder anderen Themen. Wir werden uns natürlich in den nächsten Folgen auf ein Thema festlegen und vielleicht auch den ein oder anderen Interviewpartner haben, den wir beide dann einladen und auf Herz und Nieren prüfen und unsere Fragen stellen.

Wir haben jetzt über Netzwerke gesprochen, wir haben über den Teamaufbau gesprochen, wir haben kurz über das Thema Chancen für Unternehmen gesprochen, natürlich auch ein bisschen angerissen, was KI ist. Du hattest in einem unserer letzten Gespräche gesagt, dass es gar nicht so wirklich klar ist, welche Kompetenzen wir zum Thema KI in Deutschland haben. Kannst du da noch ein paar Sätze verlieren?

Florian:  Ich finde es immer witzig, dass manche sagen, dass USA uns so stark voraus ist. Die USA ist, wie in jedem Startup-Bereich oder Marketing-Bereich, sehr stark im Verkaufen. Die machen mittlerweile gute Produkte. Wenn ich mir die Webdesign anschaue, sind die beispielsweise sehr gut, aber in KI ist Deutschland absolut unterschätzt. Ich glaube, dass Deutschland tatsächlich die Speerspitze ist.

Das haben wir auf jeden Fall dem Deutschen Forschungszentrum der Künstlichen Intelligenz zu verdanken, wo auch Google zum Beispiel drin ist und auch andere Größen, die einfach da mit reininvestiert haben. Wir haben eine tolle Forschung. In Kaiserslautern, Saarbrücken, Bremen, Berlin haben wir zum Beispiel gute Standorte für Robotik, Spracherkennung und AR - Augmented Reality. Der Masterstudiengang in Ulm  hat ein sehr schönes Programm. Man lernt nicht nur AI, sondern man lernt auch Logik, Psychologie und Informationstechnologie, speziell zu den Themen, die für Künstliche Intelligenz angewendet werden können. Das sucht seinesgleichen in anderen Ländern. Da gibt es im Bereich AI auch was, aber ich finde, dass wir in Deutschland sehr gut aufgestellt sind, was den Bereich Künstliche Intelligenz angeht. Die Forschungslabore allgemein, jetzt auch durch die Autoindustrie und auch durch die militärische Forschung - wo ich lange Jahre in den Teams saß - die haben in die Forschung und auch angewandte Forschung investiert. Beim Militär war es meistens so, dass man sich nicht mehr Waffen vorstellen muss, es geht auch um die Erkennung von Gefahren, von Terrorangriffen oder zum Beispiel Gefahrmittelerkennung - oder Drohnen, wo wir schon lange Jahre dran sind. Zum Beispiel sind die wissenschaftliche Arbeiten meistens nicht öffentlich und da tut sich auf jeden Fall auch einges unter der Hand.

Norman:  Vielleicht können wir mit diesem Podcast helfen, diese Sachen auch sichtbar zu machen.

Florian:  Ja genau, ich werde einfach mal meine Universitätsprofessoren fragen, ob wir nicht mal alle diese Millitärforschungen veröffentlichen (lacht) Nee, ich gebe dir auf jeden Fall recht - lass uns das als Ansporn für den Podcast nehmen, um so vielleicht ein bisschen Motivation zu machen, dass wir da sehr gut aufgestellt sind. Aber mehr im Sinne von “Make the world great again” und nicht “Germany only”.

Norman:  Genau wie du sagst, die Quelle ist nicht über dem Teich, sondern wir sitzen eigentlich darauf. Das fand ich einfach so spannend und für mich war das auch ein ganz anderes Bewusstsein, was du in mir geschärft hast, einfach einmal zu sagen “Lass uns was finden, lass uns mal wirklich schauen, wo  die klugen Köpfe in unseren eigenen Reihen sind, die tatsächlich daran glauben, dass wir für die Weltgemeinschaft was machen können”.

Sehr sehr schön, Florian. Wir haben uns vorgenommen, eine halbe Stunde zu sprechen. Da sind wir jetzt auch angekommen, vielleicht machen wir zwei noch den Aufruf, jetzt am Ende dieser Podcast-Folge, uns eine E-Mail zu schicken oder uns bei Facebook oder auf der Website zu besuchen oder auch unser Messengerservice zu nutzen, um uns Fragen zu stellen und uns die Themen, die die Community spannend findet, zu schicken.

Florian:  Das finde ich sehr gut - in einen Dialog zu kommen und ich bin da auch sehr motiviert und bestrebt, da zu unterstützen, wo es immer geht.

Norman:  Super, dann möchte ich mit einem Satz schließen, den ich vor ein paar Monaten im Podcast hatte. Da hatte der Gast zu mir gesagt: “Es war mir ein inneres Blumenpflücken”. (beide lachen)

Florian: Ein sehr schönes Bild!

Norman: Florian, vielen Dank für deine Zeit! Ich freue mich auf unsere nächsten Folgen mit ganz konkreten Themen.

Florian:  Ich danke auch. Wir sehen uns beim nächsten Mal - Tschüss.

Norman: Bis bald, Florian. Ciao!