『Der künstliche Intelligenz Podcast』のカバーアート

Der künstliche Intelligenz Podcast

Der künstliche Intelligenz Podcast

著者： Martin Benes
無料で聴く

【Amazonプライム会員限定】今ならプレミアムプランが4か月 月額99円。

10月19日まで。※適用条件あり
Wie verändert Künstliche Intelligenz unser Leben – heute und morgen? Im künstliche Intelligenz Podcast tauchst du ein in die spannende Welt von KI, maschinellem Lernen, Deep Learning und neuronalen Netzen. Wir zeigen, wie intelligente Systeme Entscheidungen treffen, Unternehmen effizienter machen und unseren Alltag revolutionieren – verständlich, praxisnah und immer aktuell. Von Sprachmodellen wie ChatGPT über Robotik und Smart Factories bis zu KI in Medizin, Forschung, Bildung und kreativen Projekten – jede Folge liefert Einblicke in Trends, Chancen, Risiken und die Technologien der Zukunft. Gleichzeitig beleuchten wir gesellschaftliche, ethische und politische Fragen: Datenschutz, Deepfakes, KI-Regulierung und globale Wettläufe im Bereich künstlicher Intelligenz. Ob Einsteiger oder Profi: Begleite uns auf einer Reise durch die digitale Transformation und entdecke, wie KI unsere Arbeitswelt, Wirtschaft und Gesellschaft nachhaltig verändert. Jede Episode inspiriert, informiert und macht die Welt der künstlichen Intelligenz greifbar.Martin Benes 個人的成功 自己啓発
エピソード
  • Gesundheitsdatenbanken: Chancen für die Forschung

    Gesundheitsdatenbanken: Chancen für die Forschung
    2026/10/12
    ---werbung---🎙️ Du hörst Podcasts – warum nicht bald deinen eigenen haben? Mit KI geht’s einfacher, als du denkst. Jetzt unverbindlich auf die Founderliste! 🚀👉 https://podcast-mit-ki.systeme.io/home---werbung---Gesundheitsdaten werden zur Forschungsinfrastruktur Gesundheitsdatenbanken gehören inzwischen zu den wichtigsten digitalen Infrastrukturen der modernen medizinischen Forschung. Sie sammeln, strukturieren und verknüpfen Informationen, die unter anderem aus elektronischen Patientenakten, Registern, klinischen Studien, Laboruntersuchungen, Bildgebung, Genomsequenzierungen oder epidemiologischen Erhebungen stammen können. Dadurch entsteht eine Datenbasis, mit der wissenschaftliche Fragestellungen untersucht werden können, die mit einzelnen Studien oder kleinen Patientengruppen nur schwer zu beantworten wären. Die Weltgesundheitsorganisation betrachtet Daten ausdrücklich als Grundlage fundierter Maßnahmen im öffentlichen Gesundheitswesen und betont den wissenschaftlichen und gesundheitspolitischen Nutzen des Datenaustauschs. Gleichzeitig betreibt die WHO zahlreiche Datenbanken, die Informationen zu Krankheiten, Impfungen, Arzneimitteln, medizinischen Technologien, Gesundheitssystemen und Forschung bereitstellen. (Weltgesundheitsorganisation) Die Bedeutung solcher Systeme wächst insbesondere deshalb, weil Gesundheitsversorgung zunehmend digital stattfindet. Elektronische Gesundheitsakten erzeugen kontinuierlich strukturierte und teilweise longitudinal verfügbare Informationen. Für die Forschung kann dadurch ein Perspektivwechsel entstehen: Nicht nur speziell für eine Studie erhobene Daten werden ausgewertet, sondern zunehmend auch Daten, die ursprünglich im Rahmen der medizinischen Versorgung oder anderer Prozesse entstanden sind. Dabei muss zwischen der primären und der sekundären Nutzung von Gesundheitsdaten unterschieden werden. Die primäre Nutzung betrifft beispielsweise die Behandlung eines Patienten. Die sekundäre Nutzung bezeichnet dagegen die spätere Verwendung bereits vorhandener Daten für andere Zwecke, etwa wissenschaftliche Forschung, Gesundheitspolitik oder Innovation. Genau diese sekundäre Nutzung steht im Zentrum zahlreicher aktueller Initiativen. Von einzelnen Datensätzen zu vernetzten Datenräumen Der wissenschaftliche Wert einer Gesundheitsdatenbank hängt nicht allein von der Menge der gespeicherten Informationen ab. Entscheidend ist auch, ob Daten aus unterschiedlichen Quellen miteinander vergleichbar und technisch nutzbar sind. Unterschiedliche Formate, medizinische Begriffssysteme, Dokumentationsstandards und nationale Regelungen können die Zusammenführung erheblich erschweren. Die Europäische Kommission beschreibt die fehlende Interoperabilität als eine zentrale Herausforderung der digitalen Gesundheitsversorgung. Gesundheitsdaten werden in unterschiedlichen Einrichtungen und Formaten gespeichert, wodurch der Austausch zwischen Systemen erschwert wird. Das betrifft nicht nur Patienten und medizinisches Personal, sondern auch Forscher, die für wissenschaftliche Untersuchungen auf qualitativ hochwertige und möglichst vergleichbare Daten angewiesen sind. (Public Health) Eine wichtige Entwicklung besteht deshalb in der Standardisierung. Internationale Initiativen wie die Global Alliance for Genomics and Health, kurz GA4GH, arbeiten an technischen Standards und Governance-Modellen für den verantwortungsvollen Austausch genomischer und gesundheitsbezogener Daten. Dazu gehören unter anderem standardisierte Datenmodelle, Schnittstellen, Zugriffsmechanismen und Verfahren für die Beschreibung genetischer Varianten. (ga4gh.org) Die Standardisierung ist besonders bei genomischen Daten relevant. Genetische Informationen können in Verbindung mit klinischen Daten wichtige Erkenntnisse über Krankheiten, Krankheitsrisiken oder mögliche Therapieansätze liefern. Damit solche Daten jedoch institutions- und länderübergreifend analysiert werden können, müssen Computer die verwendeten Begriffe und Strukturen eindeutig interpretieren können. Standards wie die von GA4GH entwickelten Spezifikationen sollen genau diese technische Interoperabilität verbessern. (ga4gh.org) Der European Health Data Space als wichtiger Schritt In Europa ist der European Health Data Space, kurz EHDS, eine der bedeutendsten aktuellen Entwicklungen. Die entsprechende EU-Verordnung wurde am 5. März 2025 im Amtsblatt der Europäischen Union veröffentlicht und trat am 26. März 2025 in Kraft. Sie schafft einen gemeinsamen rechtlichen und technischen Rahmen für die Nutzung und den Austausch elektronischer Gesundheitsdaten innerhalb der Europäischen Union. (Public Health) Der EHDS verfolgt dabei zwei miteinander verbundene Ziele. Zum einen soll der Zugang von Menschen zu ihren eigenen elektronischen Gesundheitsdaten verbessert und der Austausch dieser Daten über Grenzen hinweg erleichtert werden. Zum anderen soll die sichere Weiterverwendung bestimmter ...
    続きを読む 一部表示
    20 分
  • KI-gestützte Diagnosen: Validierung und Vertrauen

    KI-gestützte Diagnosen: Validierung und Vertrauen
    2026/10/05
    ---werbung---🎙️ Du hörst Podcasts – warum nicht bald deinen eigenen haben? Mit KI geht’s einfacher, als du denkst. Jetzt unverbindlich auf die Founderliste! 🚀👉 https://podcast-mit-ki.systeme.io/home---werbung---Von der Mustererkennung zur klinischen Entscheidung Künstliche Intelligenz entwickelt sich zu einem zunehmend wichtigen Werkzeug in der medizinischen Diagnostik. Systeme auf Basis von Machine Learning und Deep Learning können medizinische Bilder analysieren, Labor- und Patientendaten auswerten, diagnostische Wahrscheinlichkeiten berechnen oder Ärzte bei der Erstellung von Differenzialdiagnosen unterstützen. Mit dem Aufkommen leistungsfähiger Large Language Models hat sich das Anwendungsspektrum zusätzlich erweitert. Moderne Systeme können medizinische Informationen in natürlicher Sprache verarbeiten und daraus diagnostische Hypothesen oder Entscheidungshilfen ableiten. Die Weltgesundheitsorganisation (WHO) sieht bereits heute Anwendungen von KI unter anderem in Diagnostik und klinischer Versorgung. (Weltgesundheitsorganisation) Dabei ist zwischen verschiedenen Formen medizinischer KI zu unterscheiden. Ein spezialisiertes System zur Erkennung auffälliger Strukturen in einer Röntgenaufnahme erfüllt eine andere Aufgabe als ein Sprachmodell, das aus einer Krankengeschichte mögliche Diagnosen ableitet. Ebenso unterscheiden sich Systeme zur Früherkennung, Triage, Risikobewertung, Prognose und Therapieunterstützung erheblich. Die FDA weist deshalb darauf hin, dass unterschiedliche medizinische Anwendungen unterschiedliche Bewertungsmaßstäbe und Referenzstandards erfordern. (U.S. Food and Drug Administration) Die zentrale Frage lautet daher nicht mehr ausschließlich, ob eine KI eine Diagnose erstellen kann. Entscheidend ist vielmehr, ob ihre Ergebnisse unter realen klinischen Bedingungen zuverlässig, nachvollziehbar und sicher genug sind, um in medizinische Entscheidungen einbezogen zu werden. Die Validierung beginnt mit der richtigen Fragestellung Die Leistungsfähigkeit eines KI-Systems lässt sich nicht sinnvoll anhand einer einzigen Kennzahl beurteilen. Ein Modell kann beispielsweise bei der Erkennung einer bestimmten Erkrankung eine hohe Trefferquote erreichen, gleichzeitig aber bei bestimmten Patientengruppen deutlich schlechter funktionieren. Auch die klinische Bedeutung eines Fehlers hängt von der jeweiligen Anwendung ab. Ein System, das Patienten mit hoher Wahrscheinlichkeit einer weiteren Untersuchung zuführt, stellt andere Anforderungen als ein System, das eine lebenswichtige Diagnose ausschließt. Deshalb muss zunächst präzise definiert werden, wofür ein System eingesetzt werden soll. Die sogenannte Intended Use beschreibt den vorgesehenen Zweck und bildet eine wesentliche Grundlage für die spätere Bewertung. Die WHO nennt die klare Festlegung des vorgesehenen Einsatzes, externe Validierung, Datenqualität, Dokumentation und Risikomanagement ausdrücklich als wichtige Elemente einer verantwortungsvollen Regulierung von KI im Gesundheitswesen. (Weltgesundheitsorganisation) Besonders wichtig ist die Trennung zwischen Entwicklung und Validierung. Ein Modell kann auf einem großen Datensatz hervorragende Ergebnisse erzielen, ohne deshalb automatisch in einer anderen Klinik oder bei einer anderen Bevölkerungsgruppe ebenso zuverlässig zu funktionieren. Unterschiede bei Geräten, Untersuchungsbedingungen, Patientengruppen, Dokumentationsweisen oder Versorgungssystemen können die Ergebnisse beeinflussen. Externe Validierung ist deshalb ein wesentlicher Bestandteil der Vertrauensbildung. Sie untersucht, ob die Leistungsfähigkeit eines Modells auch außerhalb der Daten gegeben ist, mit denen es entwickelt oder optimiert wurde. Gerade bei medizinischer KI ist diese Übertragbarkeit entscheidend, weil ein System nicht nur unter idealisierten Forschungsbedingungen funktionieren muss, sondern in einer heterogenen klinischen Realität. Genauigkeit ist nicht dasselbe wie klinischer Nutzen Die Diskussion über KI-Diagnostik konzentriert sich häufig auf die Frage, ob ein Algorithmus besser als ein Mensch diagnostizieren kann. Diese Betrachtung greift jedoch zu kurz. In der Medizin zählt nicht allein die diagnostische Genauigkeit eines einzelnen Systems, sondern die Frage, ob seine Verwendung tatsächlich zu besseren Entscheidungen und besseren Ergebnissen für Patienten führt. Ein Modell kann beispielsweise eine Krankheit auf Bildern sehr zuverlässig erkennen, ohne dadurch automatisch die Behandlung zu verbessern. Umgekehrt kann eine KI mit einer Ärztin oder einem Arzt besonders wertvoll sein, obwohl sie selbst nicht in jedem Fall die beste Diagnose liefert. Sie kann beispielsweise zusätzliche Differenzialdiagnosen vorschlagen, relevante Informationen hervorheben oder auf Zusammenhänge aufmerksam machen, die andernfalls übersehen werden könnten. Eine 2025 in Nature Medicine veröffentlichte randomisierte Studie untersuchte den Einsatz von GPT-4...
    続きを読む 一部表示
    18 分
  • KI in der Fotografie: Bildbearbeitung auf Autopilot

    KI in der Fotografie: Bildbearbeitung auf Autopilot
    2026/09/28
    ---werbung---🎙️ Du hörst Podcasts – warum nicht bald deinen eigenen haben? Mit KI geht’s einfacher, als du denkst. Jetzt unverbindlich auf die Founderliste! 🚀👉 https://podcast-mit-ki.systeme.io/home---werbung---Von manueller Retusche zur intelligenten Bildbearbeitung Die digitale Fotografie war schon immer eng mit automatisierter Bildverarbeitung verbunden. Belichtungsautomatik, Autofokus, automatische Weißabgleiche und kamerainterne Bildoptimierung haben viele Entscheidungen bereits vor Jahren von der Fotografin oder dem Fotografen auf die Software übertragen. Mit modernen Verfahren des Machine Learning und der generativen künstlichen Intelligenz erreicht diese Entwicklung jedoch eine neue Stufe. Software kann heute nicht mehr nur Helligkeit, Farbe oder Schärfe anhand vordefinierter Regeln verändern, sondern Bildinhalte erkennen, voneinander unterscheiden und teilweise neue Bildbestandteile erzeugen. Damit verändert sich die Bedeutung von „Bildbearbeitung auf Autopilot“. Gemeint ist nicht eine vollständig selbstständige Maschine, die jedes Foto ohne menschliche Beteiligung perfekt fertigstellt. Vielmehr werden immer größere Teile des Bearbeitungsprozesses automatisiert. Programme erkennen Personen, Gesichter, Himmel, Gebäude oder andere Bildbereiche, erstellen daraus Masken und wenden darauf passende Korrekturen an. Generative Verfahren können zusätzlich störende Objekte entfernen oder Bildbereiche anhand des vorhandenen visuellen Kontextes neu erzeugen. Diese Entwicklung ist inzwischen in professioneller Bildbearbeitungssoftware ebenso angekommen wie in Smartphone- und Cloud-Anwendungen. Adobe integriert beispielsweise generative Funktionen und automatische Auswahlverfahren in Lightroom und Photoshop. Auch andere Anbieter wie Capture One setzen auf KI-gestützte Maskierung, automatische Zuschnitte, Retusche und die Übertragung von Bildlooks. (Adobe) Was KI bei einem Foto tatsächlich erkennt Die Grundlage vieler heutiger KI-Funktionen bildet die automatische Analyse eines Bildes. Ein neuronales Netzwerk kann darauf trainiert werden, charakteristische Strukturen in Bildern zu erkennen und bestimmte Bildbereiche voneinander zu unterscheiden. Für die praktische Fotobearbeitung bedeutet das beispielsweise, dass eine Software nicht mehr darauf angewiesen ist, dass der Benutzer eine Person pixelgenau mit einem Pinsel markiert. Stattdessen kann die Anwendung versuchen, die Person automatisch vom Hintergrund zu trennen. Moderne Systeme können dabei teilweise noch feiner unterscheiden und beispielsweise Haut, Haare, Augen oder andere Gesichtsbereiche separat erkennen. Capture One beschreibt entsprechende KI-gestützte Maskierungsfunktionen, mit denen sich unter anderem Personen, Haut, Haare und Gesichtselemente automatisch auswählen lassen. (Capture One) Technisch handelt es sich dabei um eine Form der Bildsegmentierung beziehungsweise Objekterkennung. Das System analysiert nicht im menschlichen Sinn, was auf einem Foto „bedeutet“, sondern verarbeitet visuelle Muster und Wahrscheinlichkeiten, die es während des Trainings gelernt hat. Die Software entscheidet anhand dieser Modelle, welche Pixel wahrscheinlich zu einem bestimmten Objekt oder einer bestimmten Kategorie gehören. Diese Unterscheidung ist wichtig. Eine KI „versteht“ ein Foto nicht zwangsläufig so, wie ein Mensch eine fotografische Szene versteht. Ihre Ergebnisse beruhen auf statistischen Mustern und Modellen. Deshalb können automatische Auswahlverfahren trotz erheblicher Fortschritte fehlerhaft sein, insbesondere bei ungewöhnlichen Perspektiven, schwierigen Lichtverhältnissen, Bewegungsunschärfe, sehr feinen Strukturen oder stark überlappenden Objekten. Maskieren wird zur automatisierten Aufgabe Eine der wichtigsten Veränderungen betrifft das Maskieren. In klassischen Bildbearbeitungsprogrammen war die präzise Auswahl eines Motivs häufig eine zeitaufwendige Arbeit. Haare, transparente Materialien, komplexe Konturen oder Personen vor unruhigen Hintergründen konnten eine erhebliche manuelle Nachbearbeitung erfordern. KI-basierte Maskierung verschiebt diesen Aufwand. Die Software erstellt zunächst automatisch eine Auswahl, die anschließend weiterhin verändert werden kann. Der Fotograf muss dadurch nicht mehr jeden Bereich selbst markieren, sondern kontrolliert und korrigiert das Ergebnis. Capture One ermöglicht beispielsweise KI-Auswahlen für verschiedene Bildbereiche und erlaubt es, mehrere Masken miteinander zu kombinieren. Masken können hinzugefügt, voneinander abgezogen oder miteinander geschnitten werden, während die Bearbeitung weiterhin editierbar bleibt. (Capture One) Auch Adobe Lightroom setzt auf automatische Erkennung. Die Software kann unter anderem Personen und Objekte für lokale Bearbeitungen erkennen. Die aktuellen Funktionen umfassen darüber hinaus automatische Verbesserungen bestimmter Bildbereiche und generative Verfahren zur Entfernung von störenden ...
    続きを読む 一部表示
    15 分
adbl_web_anon_alc_button_suppression_t1
まだレビューはありません