κyberneti
Notizen

Notizen aus der Praxis.

Kurz, auf Deutsch, aus Projekten. Zuerst hier veröffentlicht, dann auf LinkedIn diskutiert.

  1. NotizWas ist KI? Drei Antworten, und nur eine davon steht im Gesetz.AI und KI meinen dasselbe, aber im Projekt oft nicht dieselbe Sache. Alltag, Fachwelt und KI-Verordnung ziehen die Grenze an verschiedenen Stellen. Warum das vor dem Kickoff geklärt sein sollte.
  2. NotizWissen in zwei Köpfen: AI als TransportmittelWarum AI in einem Projekt zum Wissenserhalt nur das Transportmittel war und was US-Atomkraftwerke gerade über strukturierte Daten und Menschen im Loop lernen.
  3. NotizFür mich beginnt die eigentliche Arbeit an einem Modell erst mit dem Deployment.Im CRISP-DM-Leitfaden reicht Deployment vom Abschlussbericht bis zum produktiven Prozess. Für Enterprise AI zählt nur der Betrieb: MLOps, Monitoring und benannte Verantwortung.
  4. NotizIch habe Modelle mit hervorragenden Metriken gesehen, die geschäftlich wertlos waren.CRISP-DM trennt technische Bewertung im Modeling von der Evaluation gegen das Geschäftsziel. Vier Prüfpunkte aus der Praxis und das Zusammenspiel mit dem Business Value Check.
  5. NotizIch starte jedes Modeling mit dem langweiligsten Modell, das mir einfällt.Jedes Modeling beginnt mit einer langweiligen Baseline und einem Testdesign vor dem Training. Ein komplexeres Modell muss seine höheren Betriebskosten rechtfertigen.
  6. NotizDer größte Aufwand steckt nicht im Modell, sondern in der Datenaufbereitung.Der größte Aufwand steckt oft in der Data Preparation. Warum ich sie von Anfang an als versionierte Pipeline behandle, mit derselben Logik für Training und Inferenz.
  7. NotizDas wichtigste Element in meinen AI-Projekten steht in keinem CRISP-DM-Leitfaden.Der Business Value Check ist meine Erweiterung von CRISP-DM: vier Fragen am Ende jeder Iteration, damit kein endloser PoC entsteht. Weiter, umsteuern oder stoppen.
  8. NotizIch glaube keiner Datenbeschreibung, bis ich die Daten selbst gesehen habe.Zwischen „Die Daten haben wir“ und einem nutzbaren Datensatz liegt viel Arbeit. Ein Discovery-Sprint mit echten Daten zeigt, ob sie die Nutzenhypothese tragen.
  9. NotizIch frage im Kickoff zuerst nicht nach den Daten, sondern nach der Entscheidung.Business Understanding wird am häufigsten abgekürzt. Dabei reicht eine Seite: Entscheidung, Baseline, Erfolgsmessung, realistischer Nutzen und ein Abbruchkriterium.
  10. NotizDie meisten AI-Projekte, die ich scheitern gesehen habe, hatten kein Modellproblem.Warum AI-Projekte selten am Modell scheitern: die sechs Phasen von CRISP-DM, kurze Iterationen und der Business Value Check als eigene Erweiterung.
  11. NotizSeit ein paar Wochen darf ich mich Databricks Certified Machine Learning Associate nennen.Beim Databricks-Zertifikat hat mich die Gewichtung überrascht: Der größte Prüfungsblock ist die Plattform, nicht die Modellentwicklung. Das deckt sich mit dem, was ich in Projekten sehe.
  12. NotizDie häufigste Frage in KI-Erstgesprächen lautet: Welches Modell nehmen wir?Die Frage, die Geld spart, lautet nicht: Welches Modell? Sondern: Auf welcher Stufe gehört dieser Fall gelöst? Meine Eskalationslogik aus Regeln, klassischem ML und LLM.
  13. NotizIch schaue mir gerade RF-DETR anRF-DETR gegen YOLO: Der Abstand schrumpft von elf auf 2,4 Punkte, sobald es um die Übertragung auf reale Daten geht. Warum eine Benchmark-Tabelle keine Architekturentscheidung trägt.
  14. NotizIch habe zuletzt wieder eine Diskussion über Token-Preise geführt.Ein Kundenservice-Agent in einer Bank: 20 bis 25 Prozent der Laufkosten sind Tokens, 70 bis 75 Prozent menschliche Aufsicht. Warum die Vollkosten pro Geschäftsvorfall die richtige Messgröße sind.
  15. NotizVersicherer müssen gerade nicht eine Regulierung umsetzen.Solvency II, IDD, DSGVO, DORA und KI-Verordnung beschreiben oft dieselben Systeme. Das übliche Ergebnis: fünf Projekte, fünf Dokumentensets. Warum eine gemeinsame technische Basis mehr bringt.
  16. Notiz"Können Sie erklären, warum Ihr Modell diesen Antrag abgelehnt hat?"Diese Frage stellt künftig nicht nur der Kunde. EIOPA erwartet erklärbare Ergebnisse und nachvollziehbare Trainingsdaten. Drei Prüffragen, warum Erklärbarkeit eine Architekturentscheidung ist.
  17. Notiz83 Prozent der Banken arbeiten mit provisorischen KI-Infrastrukturen.Eine Erhebung unter deutschen Banken bestätigt, was ich in Projekten vorfinde. Warum erfolgreiche Piloten zu Provisorien in Produktion werden und der Übergang zur Plattform eine eigene Aufgabe ist.
  18. NotizDie Hochrisiko-Pflichten wurden verschoben. Für Versicherer ist das keine Entwarnung.Seit dem 2. August 2026 gelten die Transparenzpflichten der KI-Verordnung, die Hochrisiko-Pflichten erst ab Dezember 2027. Warum Versicherer die Zeit für die Architektur nutzen sollten.
  19. NotizIch halte die Debatte offen gegen geschlossen für falsch gestellt.Offen oder geschlossen ist keine Lagerfrage, sondern eine Auswahlfrage. Was der Mozilla Report dazu zeigt und warum die Lizenzfrage von der eigenen Rolle im Betrieb abhängt.
  20. NotizIch komme aus der Computer Vision.Der größte Widerstand galt im Projekt nicht dem neuronalen Netz, sondern klassischer Bildverarbeitung. Warum ich Vision-Aufgaben in Eskalationsstufen von unten nach oben durchdenke.
  21. NotizBei KI ist nicht der Output die BotschaftEin Community-Radio startet mit KI-generierten Stimmen. Warum jeder KI-Einsatz zwei Botschaften sendet: den Inhalt und die Entscheidung, ihn zu automatisieren.
  22. NotizIch begleite gerade eine ML-Pipeline auf dem Weg nach Azure DatabricksDer Data + AI Summit zeigt: Die Plattform zieht dort nach, wo Projekte kippen. Ein Modell zum Laufen zu bringen ist der einfache Teil, es zu betreiben und zu steuern der schwere.
  23. NotizNicht das Modell ist das Problem. Das Modell war noch nie das Problem.Der neue HBR-Report zeigt viele kleine Effizienzgewinne, aber kaum neu gedachte Geschäftsprozesse. Was fehlt, liegt eine Ebene tiefer: bei Prozessen und Organisation.
  24. NotizWer mich fragt, welches KI-Coding-Tool ich nutze, bekommt eine unbefriedigende Antwort.GitHub Copilot CLI, OpenAI Codex CLI und Claude Code: Welches Tool ich nutze, hängt von Projektkontext, Token-Budget und Aufgabenphase ab. Multi-Model ist einfach Ressourcenplanung.
  25. NotizAm Wochenende habe ich für ein privates Projekt mit DeepSeek V4 Pro und Flash entwickelt.DeepSeek V4 Pro und Flash in meinem Coding-Workflow: solide Ergebnisse zu einem Bruchteil der Token-Kosten. Warum Open-Weight-Modelle nützlich sind und klare Struktur dabei besonders zählt.
  26. Notiz"Kein einzelnes Modell ist optimal für jede Aufgabe."Modellauswahl wird zur Architektur-Entscheidung: Komplexes an Frontier-Modelle, Hochvolumiges an Open-Weight-Modelle. Die Orchestrierung dazwischen ist das eigentliche Engineering-Problem.
  27. NotizIn AI-Projekten wird über Modellarchitektur, Hyperparameter und Infrastruktur diskutiert.Labelqualität entscheidet darüber, was ein Modell lernt. Was ein Annotationshandbuch leistet: Konsistenz, explizite Grenzfälle und weniger teure Nachannotation.
  28. NotizIn der Fertigung steckt das wertvollste Wissen oft in den Köpfen.AI-Projekte in der Fertigung machen sichtbar, wie viel Wissen nur in Köpfen liegt. Warum ein Annotationshandbuch dieses Wissen sichert und über das einzelne Projekt hinaus wirkt.
  29. NotizDie meisten AI-Governance-Programme scheitern nicht an fehlenden Werten.AI-Policies, die nach Monaten veraltet sind, haben ein Formatproblem. Reid Blackman schlägt konkrete Worst-Case-Szenarien statt abstrakter Werte vor. Das gilt besonders für regulierte Branchen.
  30. NotizEnterprise AI scheitert selten an der Technologie.Ein HBR-Beitrag über BBVA zeigt, wie KI-Adoption gelingen kann. Drei Muster aus meinen Projekten: Schatten-KI als Nachfragesignal, das Management als Hebel, dezentrale Experimente.
  31. Notiz22% des gemergten Codes in Unternehmen sind mittlerweile AI-generiert.Die Frage, die ich Entscheidern stelle: Wissen Sie, wie viel Prozent Ihres Codes von KI generiert wurden? Und wenn ja, messen Sie die Fehlerrate dieses Codes separat?
  32. Notiz79% der Unternehmen haben Schwierigkeiten bei der AI-Einführung79 % der Unternehmen haben Schwierigkeiten bei der AI-Einführung, nur 29 % sehen signifikanten ROI. Warum das ein organisatorisches Redesign ist und kein Technologie-Rollout.
  33. NotizSeit einigen Wochen arbeite ich intensiv mit der GitHub Copilot CLI im Azure-StackGitHub Copilot CLI im Azure-Stack: von Code über Docker-Image bis Deployment in einer Konversation. Warum Qualität an der Disziplin im Prozess hängt und nicht am Modell.