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
  • Künstliche Kreativität und Urheberrecht

    Künstliche Kreativität und Urheberrecht
    2026/09/21
    ---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---Wenn künstliche Intelligenz zur Kreativmaschine wird Generative künstliche Intelligenz hat die Herstellung von Texten, Bildern, Musik, Videos und Software grundlegend verändert. Systeme auf Basis großer Sprachmodelle und anderer generativer Modelle können innerhalb weniger Sekunden Inhalte erzeugen, für deren Erstellung Menschen früher erheblich mehr Zeit und teilweise umfangreiche technische Kenntnisse benötigten. Damit wird künstliche Intelligenz zunehmend zu einem Werkzeug kreativer Arbeit. Gleichzeitig stellt sie das Urheberrecht vor Fragen, die in dieser Geschwindigkeit bislang kaum beantwortet werden mussten. Der Begriff „künstliche Kreativität“ ist dabei zunächst eine technische und gesellschaftliche Beschreibung, kein eigenständiger Rechtsbegriff. KI-Systeme erzeugen Inhalte auf Grundlage erlernter statistischer Zusammenhänge in großen Datenmengen. Sie verfügen nicht über ein menschliches Urheberbewusstsein und sind nach gegenwärtigem Urheberrecht grundsätzlich nicht selbst als Urheber anzusehen. Rechtlich entscheidend ist daher häufig nicht allein, dass eine KI einen Inhalt erzeugt hat, sondern welchen menschlichen Beitrag es bei seiner Entstehung gab und welche geschützten Werke bei der Entwicklung und Nutzung des Systems eine Rolle gespielt haben. Die zentrale Frage lautet damit nicht nur, ob ein bestimmtes KI-Bild, ein Text oder ein Musikstück kreativ wirkt. Es geht vielmehr um zwei voneinander zu unterscheidende Ebenen: Erstens um die rechtliche Zulässigkeit der Nutzung urheberrechtlich geschützter Inhalte für das Training von KI-Modellen und zweitens um die Frage, ob und unter welchen Voraussetzungen ein von einer KI erzeugtes Ergebnis selbst urheberrechtlich geschützt sein kann. Diese beiden Fragen werden derzeit weltweit intensiv diskutiert. In der Europäischen Union sind inzwischen konkrete Regelungen für Anbieter sogenannter General-Purpose AI, also KI-Modelle für vielfältige Einsatzbereiche, in Kraft. Gleichzeitig beschäftigen Gerichte und Gesetzgeber in den USA, Großbritannien und anderen Ländern mit unterschiedlichen rechtlichen Ansätzen die Frage, wie bestehendes Urheberrecht auf generative KI angewendet werden kann. (Digitale Strategie Europa) Das Grundproblem: Kreativität ohne klassischen menschlichen Schöpfungsprozess Das klassische Urheberrecht ist historisch auf menschliche geistige Schöpfung ausgerichtet. Ein Mensch schreibt einen Roman, komponiert ein Musikstück, fotografiert ein Motiv oder gestaltet ein Bild. Die technische Unterstützung kann dabei sehr umfangreich sein, ohne dass dadurch automatisch die menschliche Urheberschaft verloren geht. Generative KI verschiebt diese Grenze. Ein Nutzer kann beispielsweise eine Beschreibung eingeben und daraufhin ein vollständiges Bild oder einen längeren Text erhalten. In einem anderen Fall kann der Nutzer zahlreiche Anweisungen geben, Entwürfe auswählen, einzelne Bestandteile verändern, das Ergebnis mehrfach überarbeiten und schließlich eine eigene Fassung erstellen. Technisch können beide Prozesse als „KI-generiert“ bezeichnet werden. Urheberrechtlich können sie jedoch unterschiedlich zu bewerten sein. Diese Unterscheidung ist besonders wichtig, weil Urheberrecht nicht einfach danach fragt, welches Werkzeug verwendet wurde. Entscheidend ist vielmehr, ob eine ausreichende menschliche schöpferische Leistung vorliegt. Ein Computerprogramm, eine Kamera oder ein digitales Grafikprogramm wird nicht deshalb selbst zum Urheber, weil es wesentlich an der Entstehung eines Werkes beteiligt war. Auch bei KI-Systemen steht deshalb zunehmend die Frage im Mittelpunkt, welchen Anteil die menschliche Gestaltung tatsächlich hatte. Die US-amerikanische Copyright Office hat diese Problematik in ihrem Bericht zur künstlichen Intelligenz ausdrücklich untersucht. In Teil 2 des Berichts von Januar 2025 kommt die Behörde zu dem Ergebnis, dass generative KI die bestehenden Grundsätze des Urheberrechts grundsätzlich nicht überflüssig macht. KI-generierte Ergebnisse können demnach urheberrechtlich geschützt sein, wenn ein Mensch ausreichend bestimmte expressive Elemente des Werkes geschaffen oder bestimmt hat. Die bloße Eingabe eines Prompts reicht nach dieser Einschätzung grundsätzlich nicht aus. Zugleich kann der Einsatz von KI als Hilfsmittel oder die Einbindung KI-generierter Bestandteile in ein insgesamt menschlich geschaffenes Werk den Schutz des Gesamtwerks nicht automatisch ausschließen. (U.S. Copyright Office) Der Prompt allein macht noch keinen Urheber Besonders kontrovers ist die Bedeutung des sogenannten Promptings. Ein Prompt kann sehr detailliert sein und eine KI zu einer bestimmten Bildkomposition, einem bestimmten Schreibstil oder einer ...
    続きを読む 一部表示
    26 分
  • Kommunale KI-Projekte: Wie Städte Künstliche Intelligenz für Verwaltung, Mobilität und Bürgerservice einsetzen

    Kommunale KI-Projekte: Wie Städte Künstliche Intelligenz für Verwaltung, Mobilität und Bürgerservice einsetzen
    2026/09/14
    ---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--- Künstliche Intelligenz entwickelt sich zunehmend zu einem wichtigen Bestandteil der digitalen Transformation von Städten und Gemeinden. Während KI lange Zeit vor allem mit Industrie, Forschung oder großen Technologieunternehmen verbunden wurde, setzen heute auch kommunale Verwaltungen auf intelligente Systeme, um Verwaltungsprozesse effizienter zu gestalten, den Bürgerservice zu verbessern und städtische Infrastruktur besser zu steuern. Dabei reicht das Spektrum von digitalen Assistenten über Verkehrsmanagement bis hin zur Analyse großer Datenmengen für die Stadtplanung. Kommunale KI-Projekte unterscheiden sich häufig von Anwendungen in der Privatwirtschaft. Städte müssen neben technischen Anforderungen auch rechtliche Vorgaben, Datenschutz, Transparenz und den gleichberechtigten Zugang zu öffentlichen Dienstleistungen berücksichtigen. Gleichzeitig stehen viele Kommunen unter erheblichem Druck, mit begrenzten personellen und finanziellen Ressourcen eine wachsende Zahl an Aufgaben zu bewältigen. KI wird deshalb vielfach als Werkzeug verstanden, das Mitarbeitende unterstützt, nicht jedoch als Ersatz für behördliche Entscheidungen. Warum Kommunen auf Künstliche Intelligenz setzen Städte erzeugen täglich große Mengen an Daten. Verkehrssysteme, Energieversorgung, öffentliche Gebäude, Bürgeranfragen, Umweltmessungen und Verwaltungsverfahren liefern kontinuierlich Informationen, die bislang oft nur begrenzt ausgewertet werden konnten. Moderne KI-Verfahren ermöglichen es, Muster in diesen Daten zu erkennen, Prognosen zu erstellen oder Routineaufgaben zu automatisieren. Besonders attraktiv ist der Einsatz von KI dort, wo standardisierte Abläufe regelmäßig wiederkehren. Dazu gehören die Bearbeitung häufig gestellter Bürgerfragen, die Unterstützung bei Dokumentenmanagement, die Analyse von Verkehrsströmen oder die Optimierung kommunaler Dienstleistungen. Gleichzeitig wächst das Interesse an generativer KI, etwa zur Unterstützung bei der Erstellung von Verwaltungsentwürfen oder bei der internen Wissensverwaltung. In den meisten europäischen Kommunen befinden sich solche Anwendungen jedoch noch in Pilot- oder Testphasen. Barcelona als Vorreiter datenbasierter Stadtentwicklung Die spanische Metropole Barcelona zählt seit Jahren zu den international bekanntesten Smart-City-Standorten. Die Stadt verfolgt einen datenorientierten Ansatz, bei dem digitale Technologien zur Verbesserung kommunaler Dienstleistungen eingesetzt werden. Sensoren erfassen beispielsweise Informationen über Verkehr, Umwelt oder Energieverbrauch. Die gewonnenen Daten dienen als Grundlage für Analysen und Entscheidungen. Barcelona legt dabei besonderen Wert auf Datenschutz und digitale Souveränität. Im Rahmen verschiedener Smart-City-Initiativen wurden offene Datenplattformen aufgebaut, auf denen zahlreiche kommunale Datensätze öffentlich verfügbar sind. KI wird unter anderem genutzt, um Verkehrsflüsse zu analysieren, den Energieeinsatz zu optimieren und kommunale Dienstleistungen effizienter zu gestalten. Dabei steht nicht allein die technische Innovation im Vordergrund, sondern auch die Frage, wie digitale Technologien im öffentlichen Interesse eingesetzt werden können. Helsinki entwickelt KI mit Fokus auf Transparenz Die finnische Hauptstadt Helsinki gehört ebenfalls zu den europäischen Städten, die digitale Verwaltung und KI früh miteinander verbunden haben. Gemeinsam mit der Universität Helsinki entstand unter anderem der weltweit bekannte Online-Kurs "Elements of AI", der das Verständnis von Künstlicher Intelligenz in der Bevölkerung fördern soll. Im kommunalen Bereich setzt Helsinki auf datenbasierte Stadtentwicklung sowie digitale Verwaltungsprozesse. Die Stadt verfolgt das Ziel, KI-Anwendungen nachvollziehbar und transparent einzusetzen. Öffentliche Informationen über algorithmische Systeme sollen Bürgerinnen und Bürgern ermöglichen nachzuvollziehen, wo automatisierte Verfahren eingesetzt werden und welche Aufgaben sie übernehmen. Dieser Ansatz wird häufig als Bestandteil einer vertrauenswürdigen öffentlichen Digitalisierung betrachtet. Amsterdam testet KI unter klaren ethischen Leitlinien Amsterdam verfolgt bei der Einführung von KI einen vergleichsweise vorsichtigen Ansatz. Die Stadt veröffentlichte Leitlinien für den verantwortungsvollen Einsatz algorithmischer Systeme und beteiligt sich an europäischen Initiativen zur transparenten Nutzung von KI im öffentlichen Sektor. Besondere Aufmerksamkeit gilt der Vermeidung von Diskriminierung sowie der Nachvollziehbarkeit automatisierter Entscheidungen. Amsterdam gehört außerdem zu den Städten, die öffentliche Register für eingesetzte Algorithmen unterstützen oder veröffentlichen...
    続きを読む 一部表示
    24 分
  • BONUSFOLGE: Robo-Guru: Wie professionelle Robotik zum strategischen Werkzeug für Unternehmen wird

    BONUSFOLGE: Robo-Guru: Wie professionelle Robotik zum strategischen Werkzeug für Unternehmen wird
    2026/09/07
    ---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---Professionelle Robotik erreicht den Unternehmensalltag Robotik wird zunehmend zu einem praktischen Bestandteil betrieblicher Prozesse. Während Roboter lange Zeit vor allem mit industriellen Fertigungsanlagen verbunden waren, hat sich das Einsatzspektrum deutlich erweitert. Heute übernehmen autonome Systeme unter anderem Reinigungsaufgaben, transportieren Waren, unterstützen Serviceprozesse, navigieren durch Gebäude oder werden für Empfangs- und Kommunikationsaufgaben eingesetzt. Die Plattform Robo-Guru positioniert sich in diesem Umfeld als herstellerunabhängige Vergleichs- und Beratungsplattform für professionelle Robotik im deutschsprachigen Raum. Nach eigenen Angaben richtet sich das Angebot insbesondere an Unternehmen, die Roboter nicht nur technisch bewerten, sondern auch hinsichtlich ihrer wirtschaftlichen Eignung für einen konkreten Anwendungsfall beurteilen möchten. Das Spektrum reicht von Reinigung und Logistik über Service und Inspektion bis hin zu humanoider Robotik. Damit verschiebt sich auch die zentrale Frage bei der Einführung von Robotik. Entscheidend ist nicht mehr ausschließlich, ob eine Maschine technisch autonom arbeiten kann. Für Unternehmen wird vielmehr relevant, ob sie unter den konkreten Bedingungen eines Betriebs zuverlässig funktioniert, welche Aufgaben sie tatsächlich übernehmen kann, welche laufenden Kosten entstehen und wie sich die Investition über die Nutzungsdauer wirtschaftlich auswirkt. Robo-Guru konzentriert sich auf den professionellen Robotikmarkt Auf der Plattform werden derzeit 24 Robotermodelle in einem zentralen Verzeichnis geführt. Die verfügbaren Systeme lassen sich unter anderem nach Robotertyp, Einsatzbereich, Aufgabe, Bodenart, Hersteller, Anschaffungsart, Preis und möglicher Einsatzfläche filtern. Zu den erfassten Kategorien gehören Transportroboter, Empfangsroboter, Serviceroboter, Reinigungsroboter, Desinfektionsroboter, Roboterhunde und humanoide Roboter. Die Auswahl zeigt zugleich, wie heterogen der Markt für professionelle Robotik inzwischen ist. Im Katalog finden sich beispielsweise Systeme von Gausium, Pudu, Keenon, LionsBot, Nexaro, OrionStar, Autoxing, Sparkoz, IKitbot und weiteren Herstellern. Die auf der Plattform ausgewiesenen Preise reichen je nach Modell und Kategorie von mehreren Tausend Euro bis in den höheren fünfstelligen Bereich. Diese Bandbreite ist ein wichtiger Hinweis darauf, dass „der Roboter“ als allgemeine Produktkategorie für betriebliche Entscheidungen zu unspezifisch ist. Ein autonomer Saugroboter für ein Büro verfolgt andere technische und wirtschaftliche Ziele als ein Scheuersaugroboter für eine Produktionshalle oder ein Serviceroboter in einem Hotel. Die Einsatzumgebung entscheidet daher wesentlich darüber, welche Technologie sinnvoll ist. Robo-Guru ordnet Systeme unter anderem den Bereichen Büro, Industrie und Logistik, Einzelhandel, Hotel und Gastronomie, Gesundheitswesen, Schulen und Universitäten sowie weiteren gewerblichen Einsatzfeldern zu. Reinigungsrobotik ist derzeit besonders weit entwickelt Ein großer Schwerpunkt des Angebots liegt auf autonomen Reinigungsrobotern. Das ist kein Zufall. Reinigungsaufgaben weisen mehrere Eigenschaften auf, die sie grundsätzlich für Automatisierung geeignet machen. Arbeitsabläufe wiederholen sich, Flächen lassen sich definieren und viele Tätigkeiten folgen vergleichbaren Prozessmustern. Moderne professionelle Reinigungsroboter können je nach Modell saugen, wischen, kehren oder scheuersaugen. Entscheidend ist dabei nicht nur die eigentliche Reinigungsmechanik. Ein wesentlicher Teil der technologischen Entwicklung betrifft Navigation, Hinderniserkennung, Kartierung und autonome Routenplanung. Der Nexaro NR 1700 beispielsweise wird auf Robo-Guru als professioneller Saugroboter beschrieben, der mit Lasernavigation, KI-gestützter Kartierung und umfangreicher Sensorik arbeitet. Das System kann laut Plattform Hindernisse und Personen erkennen und seine Route entsprechend anpassen. Eine integrierte Mobilfunkverbindung soll zudem einen Betrieb unabhängig von der lokalen WLAN-Infrastruktur ermöglichen. Andere Systeme setzen auf noch umfangreichere Sensorik. Beim Gausium Mira wird beispielsweise eine Kombination aus 3D-LiDAR, 2D-Laser, 3D-Kameras und Millimeterwellenradar beschrieben. Diese Sensoren dienen dazu, die Umgebung zu erfassen, Hindernisse zu erkennen und die Navigation auch in belebten oder veränderten Umgebungen zu ermöglichen. Beim LionsBot R5 steht wiederum die Fähigkeit im Mittelpunkt, auch in engen und verwinkelten Bereichen autonom zu navigieren. Das System verfügt laut Robo-Guru über eine 360-Grad-Wendemöglichkeit und eine KI-gestützte Navigation, die Hindernisse erkennen und Routen ...
    続きを読む 一部表示
    21 分
  • KI in der Sozialpolitik: Wer profitiert, wer verliert?

    KI in der Sozialpolitik: Wer profitiert, wer verliert?
    2026/09/07
    ---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--- Künstliche Intelligenz entwickelt sich zunehmend zu einem Werkzeug, das auch die Sozialpolitik verändert. Während KI lange vor allem mit Industrie, Forschung oder digitalen Geschäftsmodellen verbunden wurde, findet sie inzwischen immer häufiger Anwendung in Bereichen wie Arbeitsvermittlung, Verwaltung, Gesundheitsversorgung, Sozialberatung und der Analyse gesellschaftlicher Entwicklungen. Die zentrale Frage lautet dabei nicht nur, was KI technisch leisten kann, sondern auch, wie ihre Nutzung soziale Chancen verteilt und welche Gruppen möglicherweise benachteiligt werden. Der Einsatz von KI in der Sozialpolitik steht im Spannungsfeld zwischen dem Versprechen einer effizienteren Verwaltung und der Sorge vor neuen Formen sozialer Ungleichheit. Befürworter sehen die Möglichkeit, staatliche Leistungen schneller, zielgerichteter und individueller bereitzustellen. Kritiker warnen hingegen davor, dass algorithmische Systeme bestehende Vorurteile aus Daten übernehmen können oder dass automatisierte Entscheidungen Menschen in besonders sensiblen Lebenssituationen nicht ausreichend berücksichtigen. Die Bedeutung des Themas wächst, weil Regierungen weltweit digitale Verwaltungsprozesse ausbauen und gleichzeitig die Entwicklung leistungsfähiger generativer KI-Systeme voranschreitet. Sprachmodelle wie GPT-basierte Systeme, Anwendungen aus dem Bereich des maschinellen Lernens und automatisierte Datenanalysen eröffnen neue Möglichkeiten, werfen aber auch grundlegende Fragen nach Transparenz, Kontrolle und Verantwortung auf. Wie KI heute in der Sozialpolitik eingesetzt wird Der Einsatz von KI in sozialen Bereichen befindet sich in vielen Ländern noch in einer Entwicklungs- oder Erprobungsphase, dennoch gibt es bereits zahlreiche Anwendungen. Besonders häufig wird KI eingesetzt, um große Datenmengen zu analysieren, Verwaltungsprozesse zu automatisieren und Mitarbeiterinnen und Mitarbeiter öffentlicher Einrichtungen bei Entscheidungen zu unterstützen. Ein wichtiger Anwendungsbereich ist die Arbeitsmarktpolitik. Arbeitsagenturen und Jobcenter nutzen zunehmend digitale Systeme, um Arbeitsuchende zu beraten, Weiterbildungsangebote vorzuschlagen oder Vermittlungsprozesse zu unterstützen. Dabei handelt es sich meist nicht um vollständig autonome Entscheidungen, sondern um Systeme, die Sachbearbeiterinnen und Sachbearbeiter mit Informationen versorgen oder bestimmte Muster in Daten erkennen sollen. Auch im Bereich der sozialen Verwaltung spielt KI eine wachsende Rolle. Behörden prüfen Möglichkeiten, Anträge automatisierter zu bearbeiten, Dokumente mithilfe von Sprachverarbeitung auszuwerten oder Bürgerinnen und Bürger durch digitale Assistenten schneller mit Informationen zu versorgen. Gerade bei häufig wiederkehrenden Verwaltungsabläufen können solche Systeme Zeit sparen und Mitarbeitende entlasten. Im Gesundheits- und Pflegebereich werden KI-Anwendungen ebenfalls zunehmend relevant. Sie können medizinische Daten analysieren, Risiken erkennen oder Pflegeprozesse unterstützen. Obwohl Gesundheitspolitik nicht ausschließlich zur klassischen Sozialpolitik zählt, überschneiden sich beide Bereiche stark, insbesondere wenn es um Versorgung, soziale Teilhabe und den Zugang zu Leistungen geht. Internationale Organisationen wie die Europäische Union, die Organisation für wirtschaftliche Zusammenarbeit und Entwicklung (OECD) und die Vereinten Nationen beschäftigen sich intensiv mit der Frage, wie KI verantwortungsvoll in öffentlichen Diensten eingesetzt werden kann. Gleichzeitig entwickeln Technologieunternehmen wie Microsoft, Google und IBM KI-Lösungen, die auch für öffentliche Institutionen relevant sind. Wer von KI in der Sozialpolitik profitieren kann Ein wesentlicher Vorteil von KI liegt in der Möglichkeit, Verwaltungsprozesse effizienter zu gestalten. Staatliche Einrichtungen stehen in vielen Ländern vor der Herausforderung, mit begrenzten Ressourcen eine wachsende Zahl komplexer sozialer Aufgaben zu bewältigen. Automatisierte Systeme können dabei helfen, Routineaufgaben schneller zu erledigen und Fachkräfte von zeitaufwendigen Tätigkeiten zu entlasten. Für Bürgerinnen und Bürger kann KI vor allem dann Vorteile bringen, wenn sie den Zugang zu staatlichen Leistungen erleichtert. Digitale Assistenten können Informationen rund um die Uhr bereitstellen, Formulare verständlicher erklären oder Menschen durch komplizierte Verwaltungsverfahren führen. Besonders Personen, die Schwierigkeiten mit traditionellen Behördenwegen haben, könnten von niedrigschwelligen digitalen Angeboten profitieren. Auch soziale Fachkräfte könnten durch KI Unterstützung erhalten. Wenn Systeme beispielsweise relevante Informationen schneller zusammenführen oder ...
    続きを読む 一部表示
    21 分
  • Arbeitszeitmodelle im KI-Zeitalter

    Arbeitszeitmodelle im KI-Zeitalter
    2026/08/31
    ---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--- Die zunehmende Verbreitung von Künstlicher Intelligenz verändert nicht nur einzelne Arbeitsprozesse, sondern wirft auch grundlegende Fragen zur Organisation von Arbeitszeit auf. Während frühere technologische Entwicklungen vor allem körperliche oder standardisierte Tätigkeiten automatisierten, unterstützen moderne KI-Systeme zunehmend wissensbasierte Aufgaben. Dadurch verändern sich Arbeitsabläufe, Anforderungen an Beschäftigte und die Art, wie Unternehmen Arbeitszeit planen und bewerten. Arbeitszeitmodelle stehen deshalb stärker im Fokus von Unternehmen, Politik, Wissenschaft und Sozialpartnern. Diskutiert wird unter anderem, ob Produktivitätsgewinne durch KI langfristig zu kürzeren Arbeitszeiten führen könnten oder ob sich stattdessen die Anforderungen an Erreichbarkeit, Flexibilität und kontinuierliche Weiterbildung erhöhen. Einheitliche Antworten existieren bislang nicht, da die Auswirkungen von Branche, Unternehmensgröße, Qualifikationsniveau und dem konkreten Einsatz von KI abhängen. Der Wandel der Arbeitswelt durch Künstliche Intelligenz Künstliche Intelligenz wird heute in zahlreichen Bereichen eingesetzt. Unternehmen nutzen maschinelles Lernen, generative KI, Datenanalyse und Automatisierung, um Prozesse effizienter zu gestalten. Besonders verbreitet ist der Einsatz bei der Erstellung von Texten, der Programmierung, der Datenanalyse, der Kundenkommunikation, der Dokumentenverarbeitung sowie bei der Unterstützung administrativer Aufgaben. Große Technologieunternehmen wie OpenAI, Microsoft, Google, Anthropic, Meta oder Amazon entwickeln leistungsfähige KI-Plattformen, die zunehmend in Bürosoftware, Cloud-Dienste und Unternehmensanwendungen integriert werden. Gleichzeitig investieren Industrieunternehmen, Softwarehersteller und spezialisierte Anbieter in KI-Lösungen für Produktion, Logistik, Gesundheitswesen oder Finanzdienstleistungen. Mit dem zunehmenden Einsatz solcher Systeme verschiebt sich der Schwerpunkt vieler Tätigkeiten. Beschäftigte verbringen weniger Zeit mit routinemäßigen Aufgaben und konzentrieren sich stärker auf Kontrolle, Bewertung, kreative Entscheidungen oder den Umgang mit komplexen Fragestellungen. Dieser Wandel beeinflusst unmittelbar die Gestaltung der Arbeitszeit. Produktivität als zentraler Einflussfaktor Ein wesentlicher Grund für die Diskussion über neue Arbeitszeitmodelle liegt in den möglichen Produktivitätssteigerungen durch KI. Zahlreiche wissenschaftliche Studien zeigen, dass KI bestimmte Tätigkeiten beschleunigen oder qualitativ verbessern kann. Besonders deutlich werden diese Effekte bei standardisierten Wissensarbeiten, Programmierung, Recherche oder der Erstellung erster Textentwürfe. Die tatsächlichen Produktivitätsgewinne unterscheiden sich jedoch erheblich zwischen verschiedenen Tätigkeiten. Während sich manche Aufgaben nahezu vollständig automatisieren lassen, erfordern andere weiterhin menschliche Erfahrung, soziale Kompetenzen oder komplexe Entscheidungen. Deshalb führt der Einsatz von KI nicht automatisch zu einer proportionalen Reduzierung der Arbeitszeit. Hinzu kommt, dass neue Technologien häufig zunächst zusätzliche Aufgaben erzeugen. Mitarbeitende müssen Ergebnisse überprüfen, KI-Systeme korrekt einsetzen, Datenschutzanforderungen beachten oder neue Arbeitsprozesse erlernen. Kurzfristig kann dies den Arbeitsaufwand sogar erhöhen, bevor langfristige Effizienzgewinne entstehen. Flexible Arbeitszeitmodelle gewinnen an Bedeutung Bereits vor dem breiten Einsatz moderner KI hatten flexible Arbeitszeitmodelle an Bedeutung gewonnen. Homeoffice, mobiles Arbeiten, Gleitzeit und Vertrauensarbeitszeit wurden insbesondere durch die Digitalisierung und die Erfahrungen während der COVID-19-Pandemie stärker verbreitet. Künstliche Intelligenz verstärkt diese Entwicklung. Viele Aufgaben können ortsunabhängig erledigt werden, während KI-Assistenten bei Terminplanung, Dokumentation oder Kommunikation unterstützen. Dadurch wird es für Unternehmen einfacher, Arbeitszeiten individueller zu gestalten. Gleichzeitig entstehen neue Herausforderungen. Wenn KI-Systeme rund um die Uhr verfügbar sind und Arbeitsprozesse beschleunigen, kann dies den Erwartungsdruck erhöhen. Beschäftigte könnten sich stärker verpflichtet fühlen, jederzeit erreichbar zu sein oder schneller auf Anfragen zu reagieren. Arbeitswissenschaftler weisen deshalb darauf hin, dass technische Möglichkeiten nicht automatisch zu einer besseren Work-Life-Balance führen. Die Diskussion über die Vier-Tage-Woche Ein häufig diskutiertes Modell im Zusammenhang mit Produktivitätsgewinnen ist die Vier-Tage-Woche. Internationale Pilotprojekte in verschiedenen Ländern haben untersucht, ob sich Arbeitszeit ...
    続きを読む 一部表示
    26 分