Kategorie: Artikel

In der sich rasant entwickelnden Welt der künstlichen Intelligenz stehen Unternehmen vor der Herausforderung, generative KI-Technologien effektiv in ihre Geschäftsprozesse zu integrieren. Als KI-Experte möchte ich einen Einblick in die Schlüsselfaktoren für eine erfolgreiche Integration geben, mögliche Fallstricke aufzeigen und die Rolle der Mitarbeiter in diesem Transformationsprozess beleuchten.

Erfolgreiche Integration von generativer KI

Die Integration von generativer KI in Unternehmen erfordert zunächst eine solide Grundlage. Sauber aufgesetzte Geschäftsprozesse bilden das Fundament für eine erfolgreiche Implementierung. Darüber hinaus ist es unerlässlich, klare Regeln für den Einsatzbereich der KI zu definieren. Diese Regeln müssen nicht nur gesetzliche Regulierungen, Datenschutz und Sicherheitsaspekte berücksichtigen, sondern auch ethische Fragen adressieren. Insbesondere in Zeiten des Fachkräftemangels ist es wichtig, eine Balance zwischen der Unterstützung und dem möglichen Ersatz von Arbeitskräften zu finden.

Ein tiefgreifendes Verständnis für die Natur der Technologie sowie Kompetenz im Umgang mit ihr sind entscheidende Faktoren für den Erfolg. Unternehmen sollten daher in die Schulung und Weiterbildung ihrer Mitarbeiter:innen investieren, um diese Kompetenzen aufzubauen und zu fördern.

Vermeidung von Fallstricken

Bei der Integration von generativer KI in Unternehmensprozesse gilt es, einige häufige Fallstricke zu vermeiden. Zu hohe Erwartungen und ein uninformierter Rollout können zu Enttäuschungen und Ineffizienzen führen. Es ist ratsam, den oft überzogenen Marketingversprechen von KI-Anbietern kritisch gegenüberzustehen und stattdessen auf fundierte Analysen und realistische Einschätzungen zu setzen.

Ein weiterer häufiger Fehler ist die Einführung von KI ohne klare Zielsetzung und messbare Erfolgskriterien. Es reicht nicht aus, KI um ihrer selbst willen einzuführen. Stattdessen sollten Unternehmen konkrete Ziele definieren und Key Performance Indicators (KPIs) festlegen, anhand derer der Erfolg der KI-Integration evaluiert werden kann.

Die Frage „Wozu setzen wir KI ein?“ sollte im Mittelpunkt stehen und klar beantwortet werden, bevor ein Projekt gestartet wird.

Der KI-Werkraum: Ein innovativer Ansatz

Ein vielversprechender Ansatz für die Einführung generativer KI in Unternehmen ist unser Konzept des KI-Werkraums. Dieses Pilotprogramm zielt darauf ab, Mitarbeiter:innen aus verschiedenen Abteilungen, Hierarchieebenen und mit unterschiedlichen Erfahrungsniveaus zusammenzubringen, um gemeinsam die Potenziale der KI-Technologie zu erkunden und zu verstehen.

Dieser Ansatz fördert nicht nur einen Innovationsprozess „von unten“, sondern schafft auch Raum für wichtige Diskussionen über strategische und ethische Fragen. Die Ergebnisse sind beeindruckend: Mitarbeiter fühlen sich ermächtigt und motiviert, eigene Pilotprojekte in ihren Abteilungen zu initiieren. Diese werden dann von KI-Experten begleitet und kontinuierlich evaluiert, was zu einer nachhaltigen und mitarbeitergetriebenen Integration der KI-Technologie führt.

Der KI-Werkraum hat sich als besonders effektiv erwiesen, da er eine unglaubliche Motivation und ein Empowerment bei den Teilnehmenden auslöst. Die Mitarbeitenden selbst identifizieren Potenziale für den Einsatz von KI im Unternehmen und stoßen eigenständig Pilotprojekte an. Dieser Bottom-up-Ansatz führt zu einer breiten Akzeptanz und einem tieferen Verständnis für die Technologie in der gesamten Organisation.

Die entscheidende Rolle ihrer Mitarbeiter

Die Rolle der Mitarbeiter:innen bei der Integration und dem weiteren Einsatz von generativer KI in Unternehmen kann nicht hoch genug eingeschätzt werden. Aufgrund der statistischen Natur generativer KI ist es unerlässlich, dass qualifiziertes Personal alle Ergebnisse kontrolliert und freigibt. Dieser „Human-in-the-Loop“-Ansatz stellt sicher, dass die Qualität und Angemessenheit der KI-generierten Inhalte gewährleistet bleibt.

Darüber hinaus sind die Mitarbeiter entscheidend für das effektive Prompting, die Evaluierung und die kontinuierliche Optimierung der KI-gestützten Prozesse. Ihre Fachexpertise und ihr Verständnis des Unternehmenskontexts sind unerlässlich, um das volle Potenzial der generativen KI auszuschöpfen.

Auswirkungen auf die Belegschaft

Die Einführung von generativer KI hat das Potenzial, die Dynamik der Belegschaft und die Arbeitsaufgaben erheblich zu verändern. Hochqualifizierte Mitarbeiter:innen sehen in der Regel die Chance, Routineaufgaben abzugeben und zeitaufwändige Prozesse effizienter zu gestalten. Für weniger qualifizierte Mitarbeiter:innen kann KI als Befähigungstool dienen, das die Qualität ihrer Arbeitsergebnisse verbessert. Allerdings birgt dies auch Risiken, wenn nicht ausreichend in die Qualifizierung investiert wird, um die KI-generierten Ergebnisse angemessen zu beurteilen.

Es ist entscheidend, dass KI als Werkzeug und nicht als Automatisierungslösung verstanden wird.

Nur so kann verhindert werden, dass Mitarbeiter die KI als Bedrohung für ihre Arbeitsplätze wahrnehmen und sich gegen deren Einführung stemmen. Die Betonung sollte darauf liegen, dass KI ein Tool ist, das die Arbeit der Mitarbeiter unterstützt und ergänzt, anstatt sie zu ersetzen.

Vorbereitung und Unterstützung der Mitarbeiter

Um Mitarbeiter:innen bestmöglich auf die Veränderungen durch generative KI vorzubereiten, ist Qualifizierung der Schlüssel. Dies umfasst zwei Hauptaspekte:

1. Weiterbildung zur Stärkung der Fachkompetenz: Da einfache Aufgaben zunehmend von KI übernommen werden können, ist es wichtig, dass Mitarbeiter:innen ihre Expertise in komplexeren Bereichen ausbauen.
2. Aufbau von KI-Kompetenz: Mitarbeiter:innen sollten in die Lage versetzt werden, effektiv mit KI-Systemen zu arbeiten und deren Unterstützung optimal zu nutzen.

Diese Qualifizierungsmaßnahmen sind entscheidend für eine erfolgreiche Zusammenarbeit zwischen Mensch und KI. Sie ermöglichen es den Mitarbeitern, die Technologie als Unterstützung zu nutzen und gleichzeitig ihre eigenen Fähigkeiten weiterzuentwickeln.

Governance-Rahmen für generative KI

Ein effektiver Governance-Rahmen für generative KI, der sich auf die Mitarbeiterzentrierung konzentriert, sollte mehrere Schlüsselkomponenten umfassen:

1. Transparenz und Kommunikation: Offene Diskussionen über den Einsatz von KI-Technologien und leicht zugängliche Informationen für alle Mitarbeiter:innen.
2. Schulung und Weiterbildung: Umfassende Programme zur Vermittlung von KI-Grundlagen und spezifischen Anwendungsfällen.
3. Ethik und Verantwortung: Klare ethische Richtlinien und Verantwortlichkeiten für KI-basierte Entscheidungen.
4. Datenschutz und Sicherheit: Strikte Einhaltung von Datenschutzgesetzen und Implementierung robuster Sicherheitsmaßnahmen.
5. Inklusion und Vielfalt: Berücksichtigung verschiedener Perspektiven und Bedürfnisse bei der Entwicklung und Implementierung von KI-Lösungen.
6. Mitarbeiterbeteiligung: Einbeziehung der Mitarbeiter:innen in Entscheidungsprozesse und Etablierung von Feedback-Mechanismen.
7. Technische Infrastruktur: Bereitstellung notwendiger Ressourcen und Support-Services für den effektiven KI-Einsatz.
8. Leistungsüberwachung und -bewertung: Entwicklung klarer KPIs und regelmäßige Überprüfungen des Governance-Rahmens.

Ethische Erwägungen und Voreingenommenheit

Um ethische Aspekte und potenzielle Voreingenommenheit in KI-Anwendungen angemessen zu berücksichtigen, sollten Unternehmen folgende Maßnahmen ergreifen:

1. Entwicklung eines KI-Ethikkodex mit klaren Richtlinien zu Datenschutz, Fairness und Transparenz.
2. Förderung diverser Entwicklungsteams, um vielfältige Perspektiven einzubeziehen.
3. Sorgfältige Auswahl und Pflege von möglichst bias-freien Datensätzen.
4. Implementierung von Methoden zur Erklärbarkeit von KI-Entscheidungen (Explainable AI), soweit dies bei generativer KI und Deep Learning möglich ist.
5. Kontinuierliche Überwachung und regelmäßige unabhängige Audits zur Einhaltung ethischer Standards.
6. Einrichtung von Feedback-Mechanismen für Nutzer und betroffene Personen.
7. Umfassende Schulungsprogramme zu ethischen Aspekten und potenziellen Verzerrungen in KI-Systemen.
8. Festlegung klarer Verantwortlichkeiten für das ethische Management von KI-Projekten.
9. Durchführung umfangreicher Ethik- und Bias-Tests.
10. Sicherstellung der Compliance mit gesetzlichen und regulatorischen Anforderungen.

Es ist wichtig zu betonen, dass bei generativer KI und Deep Learning die vollständige Erklärbarkeit von Entscheidungen oft nur bedingt möglich ist. Dies stellt eine besondere Herausforderung dar, die bei der Implementierung und Nutzung dieser Technologien berücksichtigt werden muss.

Zukünftige Entwicklungen in der KI-Governance

Für die Zukunft sind weitere Entwicklungen im Bereich der KI-Governance notwendig, um Mitarbeiter:innen einzubeziehen und zu schützen. Diese sollten sich auf Transparenz, Partizipation, kontinuierliche Schulung und die Sicherstellung ethischer Standards konzentrieren. Nur so kann eine verantwortungsvolle und mitarbeiterzentrierte Integration von generativer KI in Unternehmen gewährleistet werden.

Die erfolgreiche Integration von generativer KI in Unternehmen erfordert einen ganzheitlichen Ansatz, der technologische, ethische und menschliche Aspekte gleichermaßen berücksichtigt. Indem Unternehmen ihre Mitarbeiter in den Mittelpunkt stellen, klare Governance-Strukturen schaffen und ethische Prinzipien konsequent umsetzen, können sie das volle Potenzial dieser revolutionären Technologie ausschöpfen und gleichzeitig eine faire und verantwortungsvolle Arbeitsumgebung gewährleisten.

Es ist entscheidend, dass Unternehmen die Integration von KI nicht als einen einmaligen Prozess betrachten, sondern als eine kontinuierliche Reise. Die Technologie entwickelt sich ständig weiter, und ebenso müssen sich die Strategien, Prozesse und Kompetenzen im Unternehmen anpassen. Nur durch eine fortwährende Bereitschaft zum Lernen, zur Anpassung und zur kritischen Reflexion können Unternehmen langfristig erfolgreich mit generativer KI arbeiten und dabei sowohl die Bedürfnisse ihrer Mitarbeiter:innen als auch ethische Standards berücksichtigen.

In meinem Beitrag „Messen wir künstliche Intelligenz falsch? Und verstehen wir überhaupt was große Sprachmodelle tun?“ habe ich mich schon einmal mit dem Phänomen des Grokkings beschäftigt. Zu diesem unglaublich faszinierendem Phänomen ist im letzten Monat ein sehr interessantes Paper erschienen: „Grokked Transformers are Implicit Reasoners: A Mechanistic Journey to the Edge of Generalization“ untersucht, ob Transformer-Modelle implizites logisches Denken über parametrisches Wissen erlernen können. Die Forscher haben darin nicht nur zeigen können, dass das Phänomen des Grokkings existiert, sondern auch tiefere Einblicke in die Funktionsweise von Sprachmodellen ermöglichen könnte.

Untersucht wurden die Modelle mit zwei Arten des logischen Denkens, Komposition (Verknüpfung von Fakten) und Vergleich (Gegenüberstellung von Attributen) und dabei konnte Grokking beobachtet werden, ein Phänomen, bei dem Modelle durch extrem langes Training über das bloße Überanpassen hinaus generalisieren können. Dabei wurde analysiert, wie Transformer-Modelle während des Trainings ihre internen Mechanismen anpassen, um zu verstehen, wie und warum sie generalisieren.

Hauptbefunde

1. Implizites logisches Denken: Transformer-Modelle können implizites logisches Denken erlernen, aber nur durch sehr langes Training (Grokking).
2. Unterschiedliche Generalisierungsfähigkeiten: Bei der Komposition scheitern die Modelle oft bei der systematischen Generalisierung, während sie beim Vergleich erfolgreicher sind.
3. Interne Mechanismen: Während des Grokkings bilden sich spezielle Mechanismen, die das logische Denken unterstützen, wie etwa die Bildung von Generalisierungskreisen im Modell.

Zusammengefasst zeigt das Paper, dass Transformer-Modelle implizites logisches Denken erlernen können, dies aber nur durch sehr umfangreiches Training möglich ist. Zudem identifiziert es Wege, wie diese Modelle und ihre Trainingsmethoden verbessert werden können, um ihre Generalisierungsfähigkeit zu erhöhen.

Die Studie hat zudem gezeigt, dass Transformer-Modelle durch das Grokking spezielle Mechanismen und Kreisläufe entwickeln, die ihre Fähigkeit zur Generalisierung verbessern. Diese sogenannten Generalisierungskreise ermöglichen es den Modellen, nicht nur bekannte Muster zu erkennen, sondern auch neue, unbekannte Aufgaben zu lösen, indem sie tiefere logische Strukturen verstehen.

Die mechanistische Analyse des Grokkings hat enthüllt, dass während des Trainings bestimmte Schichten und Zustände im Modell entstehen, die entscheidend für die Verarbeitung und Verknüpfung von Wissen sind. Diese Entdeckungen bieten wertvolle Hinweise darauf, wie die Architektur und das Training von Transformermodellen optimiert werden können, um ihre Leistungsfähigkeit weiter zu steigern.

Praktische Implikationen und zukünftige Entwicklungen

1. Verbesserung der Modelle: Das Paper schlägt vor, die Trainingsdaten und -methoden so anzupassen, dass das implizite logische Denken besser unterstützt wird.
2. Erweiterung der Modellarchitektur: Mögliche Verbesserungen der Transformatorarchitektur, wie z.B. das Teilen von Wissen über verschiedene Schichten hinweg, könnten die Generalisierungsfähigkeit verbessern.
3. Vergleich mit aktuellen Modellen: Das Paper zeigt, dass fortgeschrittene Sprachmodelle wie GPT-4-Turbo bei komplexen logischen Aufgaben versagen, während ein vollständig trainierter Transformer (der grokkt) fast perfekte Genauigkeit erreichen kann.

Diese neuen Erkenntnisse könnten weitreichende Auswirkungen auf die Entwicklung und Anwendung von KI-Technologien haben. Durch ein besseres Verständnis der inneren Mechanismen von Sprachmodellen können gezielte Verbesserungen an der Modellarchitektur und den Trainingsmethoden vorgenommen werden, um die Modelle robuster und zuverlässiger zu machen.

Die Entdeckung der Generalisierungskreise und der Mechanismen hinter dem Grokking könnte auch dazu beitragen, die Sicherheit und Vorhersehbarkeit von KI-Systemen zu erhöhen. Indem wir besser verstehen, wie und warum Modelle lernen, können wir gezielt Maßnahmen ergreifen, um unvorhersehbares Verhalten zu minimieren und die Kontrolle über die Systeme zu verbessern.

Fazit

Das Phänomen des Grokkings und die damit verbundenen Erkenntnisse sind ein wichtiger Schritt auf dem Weg zu einem tieferen Verständnis der Funktionsweise von KI-Modellen. Während die Technologie weiterhin beeindruckende Fortschritte macht, bleibt es entscheidend, die grundlegenden Mechanismen zu erforschen, um ihre Anwendung sicherer und effektiver zu gestalten. Nur durch kontinuierliche Forschung und Innovation können wir die enormen Potenziale der KI voll ausschöpfen und gleichzeitig die damit verbundenen Risiken in den Griff bekommen.

Passend zu den vielen unglaublichen AI Summary Fails, die in den letzten Tagen in den sozialen Medien kursierten, erschien heute ein Artikel von Rhiannon Williams im MIT Technology Review. Darin wurde kritisch beleuchtet, warum Googles neue KI-gestützte Suchfunktion namens AI Overviews fehlerhafte und teilweise gefährliche Empfehlungen gibt. Dieser Kritik möchte ich mich mit meinem Beitrag hier anschließen…

Google hat Anfang dieses Monats die Einführung seiner KI-gestützten Suchfunktion groß angekündigt und vollmundig versprochen, dass „Google das Googeln für dich übernimmt“. Die Funktion soll kurze, KI-generierte Zusammenfassungen liefern, die wichtige Informationen und Links über den Suchergebnissen hervorheben.

Doch trotz dieses Versprechens zeigt sich erneut, dass KI-Systeme von Natur aus unzuverlässig sind. Nur wenige Tage nach der Einführung in den USA teilten Nutzer Beispiele von Antworten, die bestenfalls seltsam waren. Die KI empfahl, Klebstoff auf Pizza zu geben oder täglich mindestens einen kleinen Stein zu essen. Außerdem behauptete sie, dass der frühere US-Präsident Andrew Johnson zwischen 1947 und 2012 Universitätsabschlüsse erworben habe, obwohl er 1875 starb.

Hier sind noch weitere „AI Summary Fails“, die ich in den letzten Tagen gesammelt habe:

Liz Reid, Leiterin der Google-Suche, gab an, dass Google technische Verbesserungen am System vornimmt, um die Wahrscheinlichkeit falscher Antworten zu verringern. Dazu gehören bessere Erkennungsmechanismen für unsinnige Anfragen und die Einschränkung satirischer, humorvoller und benutzergenerierter Inhalte in den Antworten.

Funktionsweise von „AI Overviews“

Um zu verstehen, warum die KI Fehler macht, muss man sich ansehen, wie sie optimiert wurde. AI Overviews verwendet ein neues generatives KI-Modell aus der Gemini-Familie von Google, das speziell für die Google-Suche angepasst wurde. Dieses Modell wurde in die Kern-Web-Ranking-Systeme von Google integriert, um relevante Ergebnisse aus dem Index der Websites herauszuziehen.

Schwächen des Systems

Große Sprachmodelle sagen einfach das nächste Wort in einer Sequenz voraus, was zu flüssiger Sprache führt, aber auch dazu, dass sie Dinge erfinden. Es wird vermutet, dass das Gemini-Modell in AI Overviews eine Technik namens Retrieval-Augmented Generation (RAG) verwendet, die es ermöglicht, spezifische Quellen außerhalb der Trainingsdaten zu überprüfen.

Dennoch ist RAG nicht narrensicher. Eine schlechte Antwort kann entstehen, wenn entweder der Abruf der Informationen oder die Generierung der Antwort fehlschlägt. So führte die Empfehlung, Klebstoff auf Pizza zu geben, auf einen Scherzbeitrag auf Reddit zurück. Das System erkannte den Beitrag als relevant für die Anfrage, hinterfragte jedoch nicht dessen Richtigkeit oder Intention.

Das System rechnet also derzeit einfach nicht mit Sarkasmus oder Ironie!

Fehlinformationen aus korrekten Quellen

Doch AI Overviews kann auch Fehlinformationen aus faktisch korrekten Quellen generieren. Ein Beispiel ist die Behauptung, dass Barack Obama ein muslimischer Präsident der USA sei, was auf einem Kapitel eines Buches beruhte, das jedoch eine andere Aussageabsicht hatte.

Lösungsansätze und Einschränkungen

Google plant, die Funktion weiter zu verbessern, aber die Unzuverlässigkeit von KI-Systemen bleibt bestehen. Google hat Trigger-Beschränkungen für bestimmte Anfragen eingeführt und zusätzliche Verfeinerungen für gesundheitsbezogene Anfragen vorgenommen. Techniken wie Reinforcement Learning aus menschlichem Feedback können helfen, die Qualität der Antworten zu verbessern. Außerdem könnten Sprachmodelle darin trainiert werden, zu erkennen, wann eine Frage nicht beantwortet werden kann.

Google reagiert auf Kritik an AI Overviews

In einem Beitrag auf der Google-Blogseite reagierte Liz Reid, Vizepräsidentin und Leiterin der Google-Suche, auf die jüngsten Fehlfunktionen der neuen KI-gestützten Suchfunktion AI Overviews. Der Beitrag erklärt ebenfalls, wie „AI Overviews“ funktioniert, welche Fehler aufgetreten sind und welche Maßnahmen Google ergriffen hat, um die Probleme zu beheben.

Liz Reid berichtet, dass Google AI Overviews vor einigen Wochen in den USA eingeführt hat. Laut Nutzerfeedback sind die Suchergebnisse mit AI Overviews zufriedenstellender, und die Nutzer stellen längere und komplexere Fragen. AI Overviews dient als Ausgangspunkt, um zu weiterführenden Webseiten zu gelangen, was zu qualitativ hochwertigeren Klicks führt. Die Nutzer verweilen angeblich länger auf diesen Seiten, da Google bessere Informationen und hilfreiche Webseiten findet.

Liz Reid erklärt darin auch die Funktionsweise von AI Overviews im Detail. Hier sind die wichtigsten Punkte:

• Integration mit Web-Ranking-Systemen: AI Overviews ist in Googles Kern-Web-Ranking-Systeme integriert und soll traditionelle Suchaufgaben erfüllen, wie das Identifizieren relevanter, hochwertiger Ergebnisse aus dem Google-Index.
• Unterschied zu Chatbots: Im Gegensatz zu Chatbots und anderen großen Sprachmodellen (LLMs), die lediglich basierend auf Trainingsdaten Ausgaben generieren, kombiniert AI Overviews die Fähigkeiten eines maßgeschneiderten Sprachmodells mit Googles Suchtechnologie. Es geht nicht nur darum, Text auszugeben, sondern auch relevante Links bereitzustellen, damit Nutzer weiter recherchieren können.
• Genauigkeit und Quellenangaben: AI Overviews ist darauf ausgelegt, nur Informationen anzuzeigen, die durch die besten Web-Ergebnisse gestützt werden. Dies reduziert das Risiko von „Halluzinationen“ oder erfundenen Inhalten, die bei anderen LLM-Produkten häufig auftreten.
• Fehlinterpretationen: Wenn AI Overviews Fehler macht, liegt dies oft an der falschen Interpretation von Anfragen oder sprachlichen Nuancen auf Webseiten oder an einem Mangel an qualitativ hochwertigen Informationen zu einem bestimmten Thema. Diese Herausforderungen treten auch bei anderen Suchfunktionen auf.

Reid betont, dass AI Overviews sich kontinuierlich weiterentwickelt und verbessert, basierend auf Nutzungsdaten und Feedback, um eine qualitativ hochwertige Sucherfahrung zu bieten.

Umgang mit Kritik

Reid geht auf die in den sozialen Medien geteilten seltsamen und fehlerhaften Überblicke ein und betont, dass einige dieser Screenshots gefälscht waren. Google nimmt das Feedback ernst und erklärt, dass man sich bemühe, immer genaue Informationen zu liefern. Einige Fehler resultierten aus der falschen Interpretation von Anfragen oder sprachlichen Nuancen im Web. AI Overviews wurde daraufhin so optimiert, dass nur Informationen angezeigt werden, die durch die besten Web-Ergebnisse gestützt werden.

Verbesserungen und Maßnahmen

Google hat umfassende Tests und Evaluierungen durchgeführt, bevor AI Overviews gestartet wurde. Dennoch traten einige ungenaue oder unhilfreiche Überblicke auf, insbesondere bei ungewöhnlichen Anfragen. Google identifizierte Bereiche, in denen Verbesserungen notwendig waren, wie die Fähigkeit, unsinnige Anfragen und satirische Inhalte zu interpretieren.

• Tests und Evaluierungen: Vor dem Start wurde AI Overviews umfangreich getestet, einschließlich Red-Team-Tests und Bewertungen mit typischen Benutzeranfragen.
• Nutzerfeedback: Millionen von Nutzern stellen neuartige Anfragen, die in Tests nicht abgedeckt werden konnten. Das Feedback hilft, Muster zu erkennen und das System zu verbessern.
• Technische Verbesserungen: Mehrere technische Verbesserungen wurden vorgenommen, darunter bessere Erkennungsmechanismen für unsinnige Anfragen, Einschränkungen für satirische und humorvolle Inhalte sowie die Begrenzung von benutzergenerierten Inhalten in den Antworten.

Besonderheiten und Einschränkungen

• Nicht für alle Themen geeignet: AI Overviews wird nicht für explizite oder gefährliche Themen angezeigt, und es gibt starke Schutzmaßnahmen für Nachrichten- und Gesundheitsthemen.
• Fortlaufende Überwachung und Anpassung: Google überwacht kontinuierlich das System und nimmt bei Bedarf Anpassungen vor, um die Genauigkeit und Zuverlässigkeit von AI Overviews zu gewährleisten.

Google bleibt angeblich also wachsam und überwacht kontinuierlich das Feedback und externe Berichte, um Maßnahmen bei Verstößen gegen Inhaltsrichtlinien zu ergreifen. Liz Reid betont, dass es bei Milliarden von täglichen Anfragen immer zu Fehlern kommen kann, aber Google lerne kontinuierlich aus diesen Fehlern, um die Sucherfahrung für alle zu verbessern.

Letztendlich sollte Google wahrscheinlich klarer machen, dass die Funktion experimentell ist und sich in der Beta-Phase befindet. Sie sollte aus meiner Sicht optional bleiben, bis sie ausgereift ist.

In einem aktuellen Artikel im Harvard Business Review wird das Thema LLMO aufgegriffen. Vielleicht hast Du bereits an anderer Stelle schon einmal von LLMO oder GenAIO gehört und Dich gefragt, was es damit auf sich hat? Da ich das für ziemlichen Unsinn halte, habe ich den Artikel einmal genauer unter die Lupe genommen. Immerhin ist der Artikel im HBR erschienen, ein ziemlich einflussreiches englischsprachiges Management-Magazin, in dem nicht jeder Möchtegern-Experte seine wirren Ideen veröffentlichen kann.

Obwohl der Artikel durchaus interessante Einblicke in die potenziellen Auswirkungen großer Sprachmodelle (LLMs) auf die Suchmaschinenoptimierung bietet, zeigt sich bei genauer Betrachtung, dass die Autoren offenbar grundlegende Missverständnisse über die Funktionsweise moderner Suchmaschinen und LLMs aufweisen, die den praktischen Nutzen ihrer Empfehlungen infrage stellen.

In solchen Fällen hilft es in der Regel, die Autoren näher zu betrachten, dann wird meistens schnell klar, wieso und mit welchem Ziel Unsinn verbreitet wird. Und siehe da: Neben einem Marketing-Professor sind die beiden weiteren Autoren, Jarvis Bowers und Mike Ensing zufällig COO und CEO einer Firma, die sich auf die Aufwertung von Marken mit LLMs und generativer KI konzentriert. Ihnen kann man also mindestens Voreingenommenheit und einen Interessenkonflikt unterstellen.

Was steht überhaupt in dem Artikel?

Der Artikel beschreibt zunächst, wie große Sprachmodelle (LLMs) die Sucherfahrung revolutionieren und welche Auswirkungen dies auf SEO haben wird. Im Gegensatz zu traditionellen Webbrowsern, die Suchanfragen mit Links beantworten, liefern LLMs direkte Antworten in natürlicher Sprache. Diese Entwicklung stellt ohne jede Frage für Marketer neue Herausforderungen, aber auch neue Chancen dar.

Es kommt zu einer Veränderung der Sucherfahrung: LLMs wie ChatGPT, Perplexity und Googles Search Generative Experience liefern direkte Antworten statt Links. Nutzer erfahren über Produkte und Marken durch KI-erzeugte, natürliche Sprache, bevor sie überhaupt auf eine Website gelangen.

Hierfür sind einige neuer Marketingstrategien notwendig. Marketer müssen beispielsweise überwachen, ob und wie ihre Marken in den KI-Zusammenfassungen erscheinen. Dabei ist es ist wichtig zu analysieren, wie positiv oder negativ ihre Marken dargestellt werden und wie sichtbar sie im Vergleich zur Konkurrenz sind.

Doch beim dritten Punkt, der Entwicklung neuer Optimierungstechniken greifen die Autoren aus meiner Sicht deutlich zu kurz. Sie postulieren, dass eine neue Disziplin, die LLM-Optimierung (LLMO), analog zur Suchmaschinenoptimierung (SEO) entstehen wird.

Richtig ist, LLMs nutzen andere Algorithmen und Faktoren als traditionelle Suchmaschinen, wobei sie Inhalte aus verschiedenen Quellen und Modalitäten (Text, Bild, Video) integrieren können.

Auch richtig ist, dass Studien zeigen, dass das Hinzufügen strategischer Textsequenzen zu Produktseiten die Wahrscheinlichkeit erhöhen kann, dass diese Produkte von LLMs empfohlen werden. Ein Beispiel dafür ist die Hervorhebung der Erschwinglichkeit eines Produkts, was zu häufigeren Empfehlungen führt. Dies trifft aber nur für bestimmte Modelle in engen Anwendungsszenarien zu und darf keinesfalls verallgemeinert werden.

Unzureichendes Verständnis moderner Suchmaschinen

Die Autoren scheinen jedoch nicht zu verstehen, dass moderne Suchmaschinen wie Perplexity, Bing und Google’s Search Generative Experience (SGE) keine Antworten ausschließlich auf Basis der Trainingsdaten der LLMs generieren. Vielmehr nutzen diese Suchmaschinen klassische Information Retrieval Systeme, das relevante Textabschnitte aus normalen Webseiten oder Reddit-Beiträgen extrahiert. Diese Abschnitte werden dann von einem LLM formuliert und präsentiert. Selbst Chatbots wie ChatGPT und Microsoft Co-Pilot greifen für Fragen zu Informationen häufig auf deren eingebaute Suchmaschinen-Schnittstelle zurück.

Dies bedeutet konkret, dass es keinen Bedarf für LLMO im naheliegenden Sinne gibt, wie die Autoren es beschreiben.

Die Autoren postulieren jedoch die Notwendigkeit einer neuen Disziplin namens LLM-Optimierung (LLMO). Sie gehen davon aus, dass Marketer die Trainingsdaten der LLMs direkt beeinflussen müssen, um die Sichtbarkeit und Darstellung ihrer Marken zu verbessern. In Wirklichkeit ist dies jedoch nicht der Fall.

Die entscheidende Rolle spielt hier die Optimierung der Dokumente, die für die semantische Suche relevant sind und die Texte liefern, die für das Retrieval-Augmented-Generation (RAG) genutzt werden. Marketer müssen sich darauf konzentrieren, Inhalte zu erstellen und zu optimieren, die von diesen Retrieval-Systemen bevorzugt werden, anstatt direkt die Trainingsdaten der LLMs zu beeinflussen.

Effizienz von RAG gegenüber direktem LLM-Training

Ein weiterer Punkt, den die Autoren unterschlagen, ist der Grund, warum Informationen über RAG eingefügt werden und nicht als Trainingsdaten permanent in ein LLM integriert werden. Die Integration aller relevanten Informationen als Trainingsdaten wäre ineffizient und unpraktisch. Das kontinuierliche Aktualisieren eines LLMs mit neuen Daten ist äußerst ressourcenintensiv und zeitaufwändig. Zudem würde das Modell enorm an Größe zunehmen, was die Verarbeitung und das Training verlangsamen würde.

Stattdessen ermöglicht RAG eine flexible und dynamische Aktualisierung der Informationen. Durch die Nutzung eines Information Retrieval Systems können aktuelle und relevante Daten in Echtzeit abgerufen und in die Antwortgenerierung eingebunden werden. Dies stellt sicher, dass die bereitgestellten Informationen immer auf dem neuesten Stand sind, ohne dass das gesamte Modell ständig neu trainiert werden muss.

Fazit

Aufgrund dieser Missverständnisse sehe ich die avisierten Auswirkungen auf den Arbeitsmarkt ebenso kritisch. Ich bezweifle, dass sich die Rolle von SEO-Spezialisten zu LLMO-Experten entwickeln wird.

Richtig ist jedoch, dass SEOs neue Optimierungsmethoden für RAG-Systeme und LLM-Zusammenfassungen beherrschen müssen. Richtig ist auch, dass die Optimierung von Inhalten zunehmend von LLMs übernommen werden wird, was die Nachfrage nach traditionellem SEO reduziert. Ebenso können wir davon ausgehen, dass neue Rollen entstehen, die sich auf die Optimierung und Verwaltung von Marken in (reinen) LLM-Umgebungen konzentrieren.

Zusammengefasst betont der Artikel die Notwendigkeit für Marketer, sich an die veränderte Suchlandschaft anzupassen, indem sie neue Optimierungsstrategien entwickeln und kontinuierlich lernen, um im Wettbewerb bestehen zu können.

Die vorgeschlagenen Maßnahmen der Autoren, wie das Hinzufügen strategischer Textsequenzen zu Produktseiten, um die Wahrscheinlichkeit einer Erwähnung durch LLMs zu erhöhen, sind in der Praxis nur begrenzt anwendbar. Da die Antworten der LLMs auf der Grundlage von Inhalten generiert werden, die durch semantische Suche extrahiert wurden, sollten Marketer vielmehr die Prinzipien der semantischen Suche und des Information Retrievals verstehen und anwenden. Dies bedeutet, dass die Inhalte so gestaltet werden müssen, dass sie für diese Systeme leicht zugänglich und inhaltlich relevant sind.

Insgesamt lässt der Artikel wesentliche Aspekte der modernen Funktionsweise von LLM-basierten Suchmaschinen außer Acht und bietet daher nur begrenzt umsetzbare Empfehlungen. Ein tieferes Verständnis der semantischen Suche und der Prinzipien des Information Retrievals wäre notwendig, um wirklich effektive Strategien zur Optimierung der Markenpräsenz in der Ära der LLMs zu entwickeln. Die Unkenntnis der Autoren in diesen grundlegenden Bereichen unterminiert die Glaubwürdigkeit und den praktischen Wert ihrer Vorschläge erheblich.

Wenn du vermeiden möchtest, die gleichen Missverständnisse zu haben wie die Autoren dieses Artikels und wirklich verstehen willst, wie moderne Suchmaschinen funktionieren und wie man sie effektiv beeinflusst, dann solltest du dich weiterbilden.

Genau dafür habe ich meinen neuen Onlinekurs „Die Zukunft der SEO!“ entwickelt. In diesem Kurs lernst du alles über die neuesten Entwicklungen in der Suchmaschinenoptimierung, einschließlich der Integration von Künstlicher Intelligenz und maschinellem Lernen.

Melde dich an und bereite dich optimal auf die Herausforderungen und Möglichkeiten der neuen SEO-Welt vor.

Sprachmodelle wie GPT-4 und Google Gemini müssen mit großen Mengen an Text gefüttert werden, um daraus Muster zu lernen, die dann erstaunliche Fähigkeiten aufweisen. Für das Training komplexer Sprachverarbeitungsmodelle greift man im wissenschaftlichen Umfeld gerne auf bekannte und öffentlich verfügbare Datensätze zurück. Dies ist insbesondere in der Forschung sinnvoll, denn so lassen sich Algorithmen besser mit deren Vorgängern und Konkurrenten vergleichen, die schließlich mit den selben Daten trainiert wurden. Da es sich in der Regel um nicht-kommerzielle Nutzung handelt, sehe ich hier auch keinerlei Probleme. Doch bei OpenAIs ChatGPT, GPT-3, GPT-3.5 und GPT-4 sowie Googles Gemini ist das längst nicht mehr der Fall.

Auch wenn ein Forschungspaper die grundlegenden Mechanismen hinter GPT-3 beschreibt, sind daraus mit der API und ChatGPT längst kommerzielle Produkte entstanden, die weder frei noch kostenlos zugänglich sind.

Anders als mein persönliches Rechtsempfinden in die kommerzielle Nutzung von unlizensierten Trainingsdaten jedoch seit der jüngsten EU-Urheberrechtsreform kein Problem!

Darin findet sich eine Erleichterung des Data und Textmining, genauer die §§ 44b für kommerzielle Zwecke und 60d UrhG-DE für wissenschaftliche Zwecke. Darin steht quasi: Solange nicht per Robots.txt eingeschränkt, dürfen öffentliche Daten und Werke auch zu kommerziellen Zwecken per Datamining verwertet werden.

Text und Data Mining ist künftig vergütungsfrei gestattet, beispielsweise um künstliche Intelligenz für kommerzielle Anwendungen zu trainieren (§ 44b UrhG). Ein Nutzungsvorbehalt des Urhebers bei online zugänglichen Werken ist nur dann wirksam, wenn er in maschinenlesbarer Form erfolgt. Die Vervielfältigungen sind zu löschen, wenn sie für das Text und Data Mining nicht mehr erforderlich sind.

Haufe

Auch andere Fachanwälte sehen das so:

„Rechtmäßig zugänglich″ sind Werke, deren Zugriff dem Nutzer, also demjenigen, der das Mining durchführt, rechtlich erlaubt ist. Das trifft z.B. auf frei im Internet zugängliche Werke wie öffentliche Websites zu.

Robin Schmitt

In der Praxis bedeutet dass, dass man alle Bots per robots.txt aussperren sollte und dann gewünschte Crawler wie beispielsweise GoogleBot explizit erlauben sollte. Ansonsten gilt es offenbar als Einverständnis zur Verwertung mittels Data Mining!

So sperrst Du alle Bots und Crawler aus (außer Google, bing und Co.)

Mit einer robots.txt-Datei kannst du festlegen, welche Crawler auf welche Dateien auf deiner Website zugreifen können. Die robots.txt-Datei muss dabei stets im Stammverzeichnis deiner Website liegen und exakt „robots.txt“ genannt werden.

Damit Du die Inhalte Deiner Website nicht zur Verwertung mittels Data Mining freigibst, solltest Du also zunächst sämtliche Inhalte für alle Crawler sperren und anschließend „gute Crawler“ wie Googlebot, Bingbot und die Bots der relevanten Suchmaschinen wieder den Zugriff erlauben.

Deine robots.txt könnte beispielsweise so aussehen:

# Block everything for all Crawlers
User-agent: *
Disallow: /

# Allow everything for Google Search
User-agent: Googlebot
Allow: /

User-agent: Googlebot-Mobile
Allow: /

User-agent: Googlebot-Image
Allow: /

# Allow everything for Bing Search
User-agent: Bingbot
Allow: /

# Allow everything for Ecosia Search
User-agent: EcosiaBot
Allow: /

# Allow everything for DuckDuckGo Search
User-agent: DuckDuckBot
Allow: /

# Allow everything for Yahoo Search
User-agent: Slurp
Allow: /

# Allow everything for Startpage Search
User-agent: StartpageBot
Allow: /

# Allow everything for Qwant Search
User-agent: Qwantify
Allow: /

# Allow everything for MetaGer Search
User-agent: MetaGerBot
Allow: /

Bitte beachte, dass nach jedem Block von Allow oder Disallow-Anweisungen immer eine Leerzeile folgt, bevor ein neuer User-agent adressiert werden kann!

Neben den in Deutschland nennenswerten Suchmaschinen gibt es auch andere wichtige Bots, die Zugriff auf deine Website benötigen könnten, um sicherzustellen, dass deine Inhalte gut verteilt und zugänglich sind. Hier sind einige weitere wichtige Bots, denen man in der robots.txt-Datei den Zugriff erlauben sollte:

# Allow everything for Google Ads Bots
User-agent: AdsBot-Google
Allow: /

# Allow everything for Bing Ads Bot
User-agent: AdIdxBot
Allow: /

# Allow everything for Social Media Bots to generate Previews
User-agent: facebot
Allow: /

User-agent: Twitterbot
Allow: /

User-agent: LinkedInBot
Allow: /

Möchtest Du gezielt die Archivierung deiner Seiten in das Internet Archive erlauben, solltest Du noch folgenden Code hinzufügen:

# Allow everything for Internet Archive
User-agent: ia_archiver
Allow: /

Künstliche Intelligenz (KI) liegt manchmal daneben und gibt falsche Antworten. Sie erfindet Fakten, Bücher und Webseiten. Oft wird dann gesagt, dass die KI „halluziniert“. Doch Aljoscha Burchardt, Research Fellow am DFKI und Xenia Kersting, Oberärztin in der Universitätsmedizin Mainz halten diesen Begriff für irreführend und schlagen eine präzisere Alternative vor.

Es ist mittlerweile üblich geworden, den Begriff „Halluzinieren“ zu verwenden, wenn große Sprachmodelle wie ChatGPT falsche Informationen generieren. Burchardt und Kersting halten diesen Begriff für unspezifisch und stigmatisierend. Sie argumentieren, dass er die Realität der Funktionsweise dieser Modelle nicht korrekt widerspiegelt und somit missverstanden werden kann.

Warum „Halluzinieren“ der falsche Begriff ist

Der Begriff „Halluzinieren“ warnt zwar Nutzer davor, den Ausgaben von Sprachmodellen blind zu vertrauen, da diese lediglich auf statistischen Vorhersagen basieren und keine garantierten Wahrheiten liefern. Sprachmodelle erzeugen ihren Output durch das Vorhersagen des nächsten wahrscheinlichen Wortes, ohne die Fähigkeit, die generierten Informationen zu überprüfen oder zu revidieren.

Der Begriff suggeriert jedoch, dass das System in einem Ausnahmezustand ist, ähnlich wie Menschen, die aufgrund von psychischen Erkrankungen, Drogen oder Extremsituationen halluzinieren. Dies könnte zu dem Irrglauben führen, dass Sprachmodelle „repariert“ werden können, um diese „Halluzinationen“ zu vermeiden. Tatsächlich gehört das Erfinden von Informationen jedoch zum Wirkprinzip dieser Modelle und macht sie gleichzeitig so leistungsfähig.

Ein Blick in die Psychiatrie

Im psychiatrischen Kontext bedeutet „Halluzinieren“ das Erleben von Sinnestäuschungen, wie das Sehen oder Hören von nicht existierenden Dingen. Sprachmodelle haben jedoch keine Wahrnehmung und ihre falschen Aussagen sind einfach nur das Ergebnis fehlerhafter statistischer Vorhersagen.

Stattdessen könnte man den Begriff „Konfabulieren“ verwenden, um das Verhalten von Sprachmodellen genauer zu beschreiben. In der Psychiatrie bedeutet Konfabulieren das Ausfüllen von Erinnerungslücken mit fiktiven Inhalten. Ähnlich füllen KI-Modelle ihre Wissenslücken spontan mit plausibel klingenden, aber falschen Informationen.

Mir persönlich gefällt dieser Begriff ausserordentlich, denn er schafft eine deutlich bessere Analogie.

Daneben plädieren die Autoren für einen präziseren und weniger stigmatisierenden Sprachgebrauch. Sie hoffen, dass dadurch nicht nur die Kommunikation über KI-Modelle verbessert, sondern auch Missverständnisse und Stigmatisierungen vermieden werden können.

Anstatt von „Halluzinationen“ zu sprechen, könnten wir sagen, dass das Modell den Text statistisch generiert hat. Durch eine verbesserte Aufklärung könnten Nutzer besser verstehen, dass die Inhalte zwar plausibel klingen, aber nicht immer korrekt sind. Zudem könnten die Schnittstellen der Systeme optimiert werden, indem sie Selbstzweifel ausdrücken, wie „ich glaube“, „ich meine“ oder „meines Erachtens“.

Quelle

Immer mehr Unternehmen drängen auf die Markteinführung von KI-Produkten, obwohl es viele Beweise dafür gibt, dass sie schwer zu kontrollieren sind und sich oft auf unvorhersehbare Weise verhalten. Dieses Verhalten ist besonders besorgniserregend, wenn man sich klar macht, dass niemand genau weiß, wie oder warum Deep Learning, die grundlegende Technologie hinter dem heutigen KI-Boom, funktioniert. Denn, es ist nach wie vor ein großes Rätsel, wie große Sprachmodelle wie Googles Gemini und OpenAIs GPT-4 lernen können, etwas zu tun, was ihnen nicht beigebracht wurde!

Klar ist bislang nur: Man kann ein Sprachmodell mit englischen Matheaufgaben trainieren und ihm anschließend französische Literatur zeigen, woraufhin es lernen wird, Matheaufgaben auch auf Französisch zu lösen. Diese Fähigkeiten widersprechen der klassischen Statistik, die uns eigentlich Erklärungen dafür liefern sollte, wie sich Vorhersagemodelle verhalten. Doch wie sich bei genauerer Betrachtung herausgestellt hat, wurden einige der bemerkenswertesten Durchbrüche bei Open AI „aus Versehen“ erzielt, die nun seit der Veröffentlichung von ChatGPT die Welt im Sturm erobert und gerade dabei ist ganze Unternehmen und Industrien vollkommen umzukrempeln. Offenbar geht die Firma, die sich einst der Schaffung sicherer und quelloffener AGI zum Nutzen der Allgemeinheit verschrieb, wenig Verantwortungsvoll mit Technologien um, die sie im Kern selbst nicht versteht.

Will Douglas Heaven, leitender Redakteur für KI der MIT Technology Review hat es in seinem Artikel wunderbar auf den Punkt gebracht, weshalb ich diesen hier auszugsweise wiedergeben möchte. Er schreibt darin:

„Große Sprachmodelle können verblüffende Dinge tun. Aber niemand weiß genau, warum. Und das ist ein Problem.“

Ich stimme ihm vollkommen zu. Genau das herauszufinden, ist nicht nur eines der größten wissenschaftlichen Rätsel unserer Zeit und ein entscheidender Schritt, um in Zukunft noch leistungsfähigere Modelle zu entwickeln, sondern auch mein Antrieb mich selbst in die KI-Forschung zu begeben.

Vor zwei Jahren versuchten Forscher bei OpenAI noch herauszufinden, was nötig wäre, um ein großes Sprachmodell dazu zu bringen, einfache Rechenoperationen durchzuführen. Sie wollten wissen, wie viele Beispiele für die Addition von zwei Zahlen das Modell sehen muss, bevor es in der Lage ist, zwei beliebige Zahlen zu addieren. Zu Beginn lief das nicht so gut, denn die Modelle merkten sich zwar die Summen, die sie in den Trainingsdaten sahen, aber sie konnten keine neuen Aufgaben lösen.

Aus Versehen ließen die beiden Forscher einige ihrer Experimente viel länger laufen, als sie eigentlich wollten. Aus Stunden wurden Tage und so wurden den Modellen die Beispielrechnungen immer und immer wieder gezeigt, und das weit über den Punkt hinaus, an dem die Forscher sonst längst aufgegeben hätten. Aber als die beiden zurückkamen, waren sie überrascht, dass das Experiment dennoch funktioniert hatten.

Sie hatten ein großes Sprachmodell darauf trainiert, zwei Zahlen zu addieren! Es hatte nur viel mehr Zeit in Anspruch genommen, als man dies für möglich gehalten hatte.

Die beiden taten sich sofort mit ihren Kollegen zusammen, um das Phänomen zu untersuchen und fanden heraus, dass Modelle in bestimmten Fällen zunächst nicht in der Lage waren, eine Aufgabe zu erlernen, und es dann plötzlich doch schafften, als ob eine Glühbirne angegangen wäre. Das entgegen allem, was man über die Art und Weise zu wissen glaubte, wie Deep Learning eigentlich funktionieren sollte. Sie nannten dieses Verhalten „Grokking“.

Hattie Zhou, KI-Forscherin an der Universität von Montreal und bei Apple Machine Learning Research, die nicht an der Arbeit beteiligt war, brachte es wie folgt auf den Punkt:

„Das ist wirklich interessant. Wie können wir jemals sicher sein, dass die Modelle aufgehört haben zu lernen? Denn vielleicht haben wir einfach nicht lange genug trainiert.“

Dieses merkwürdige Verhalten hat die Fantasie der breiteren Forschungsgemeinschaft beflügelt. Viele Leute hätten laut Lauro Langosco von der University of Cambridge zwar eine Meinung dazu, aber er glaube nicht, dass es einen Konsens darüber gibt, was genau vor sich geht. Dabei ist Grokking ist nur eines von mehreren seltsamen Phänomenen, die KI-Forscher:innen weltweit den Kopf zerbrechen lassen. Die größten Modelle, insbesondere große Sprachmodelle, scheinen sich so zu verhalten, wie es laut Lehrbuch eigentlich gar nicht sein sollte. Dies unterstreicht eine bemerkenswerte Tatsache beim Deep Learning, der grundlegenden Technologie hinter dem heutigen KI-Boom: Trotz des durchschlagenden Erfolgs weiß niemand genau, wie oder warum sie funktionieren.

Die größten Modelle sind inzwischen so komplex, dass die Forscher sie wie seltsame Naturphänomene untersuchen, Experimente durchführen und versuchen, die Ergebnisse zu erklären. Viele dieser Beobachtungen stehen im Widerspruch zur klassischen Statistik, die die besten Erklärungen für das Verhalten von Vorhersagemodellen geliefert hat.

Kann uns das egal sein?

In den letzten Wochen hat Google DeepMind seine generativen Modelle für die meisten seiner Verbraucheranwendungen eingeführt. OpenAI begeisterte die Menschen mit Sora, seinem beeindruckenden neuen Text-zu-Video-Modell. Und Unternehmen auf der ganzen Welt bemühen sich darum, KI für ihre Bedürfnisse zu nutzen. Die Technologie funktioniert.

Ist das nicht genug?

Aber herauszufinden, warum Deep Learning so gut funktioniert, ist nicht nur ein faszinierendes wissenschaftliches Rätsel. Es könnte auch der Schlüssel sein, um die nächste Generation der Technologie zu entwickeln und um die enormen Risiken, die damit verbunden sind in den Griff zu bekommen.

Bislang bin ich selbst immer davon ausgegangen, dass Wissenschaftler wissen, was sie tun. Sie würden die Theorien aufstellen und dann die Modelle bauen. Das war aber überhaupt nicht der Fall!

Die jüngsten Durchbrüche der Large Language Models in den letzten mehr als zehn Jahren beruhen eher auf Versuch und Irrtum als auf Verständnis. Die Forscher:innen kopieren, was bei anderen funktioniert und fügen eigene Ideen und Innovationen hinzu. Inzwischen gibt es viele verschiedene „Zutaten“, die den Modellen hinzugefügt werden können, und ein wachsendes Kochbuch mit Rezepten für ihre Verwendung. Mikhail Belkin, Informatiker an der University of California in San Diego sagt dazu „Es funktioniert, was erstaunlich ist. Wir sind verblüfft, wie mächtig diese Dinge sind“. Doch trotz ihres Erfolgs sind die Rezepte eigentlich mehr Alchemie als Chemie.

Grokking: Wieso trotzen LLMs der Statistik?

Heaven schreibt, das Problem sei, dass die KI im Zeitalter der großen Sprachmodelle der Lehrbuchstatistik zu trotzen scheint. Die leistungsstärksten Modelle sind heute gigantisch und bestehen aus hunderten Milliarden künstlicher Neuronen, jedes davon mit einem Parameter, also einem Wert des Modells, der während des Trainings angepasst wird. Die Statistik besagt laut Lehrbuch, dass sich die Leistung von Modellen mit zunehmender Größe zunächst verbessern und dann eigentlich verschlechtern sollte. Der Grund dafür ist die sogenannte Überanpassung auf Englisch Overfitting.

Wenn ein Modell auf einem Datensatz trainiert wird, versucht es, sein internes Modell als eine Art von Muster an diese Daten anzupassen. Dabei wird das Modell versuchen diese Daten zu verallgemeinern, was dazu führt, dass es zunächst nicht sehr genau ist, da es viele der Datenpunkte nicht berücksichtigt. Hier spricht man von Underfitting. Wenn man nun jedoch das Muster zu komplex macht, also jeden Datenpunkt der Trainingsdaten berücksichtigt, wird bei Tests mit den Trainingsdaten die volle Punktzahl erreichen, aber niemals verallgemeinern können und damit bei neuen, noch nicht bekannten Daten wahrscheinlich falsche Schlüsse ziehen. In diesem Fall spricht man von einer Überanpassung des Modells an die Daten, auf Englisch Overfitting.

Die klassische Statistik besagt, dass ein Modell umso anfälliger für eine Überanpassung ist, je größer es ist. Das liegt daran, dass ein Modell mit mehr Parametern, mit denen es spielen kann, leichter auf komplexe Grenzen stößt, die jeden Datenpunkt einbeziehen. Es gibt also immer eine Art „Sweet Spot“ zwischen Unter- und Überanpassung, den ein Modell finden muss, wenn es verallgemeinern soll. Doch das ist offenbar nicht das, was man bei den großen Modellen beobachtet. Das bekannteste Beispiel ist laut Heaven das Phänomen des doppelten Abstiegs:

Die Leistung eines Modells wird oft durch die Anzahl der Fehler dargestellt, die es macht: Wenn die Leistung steigt, sinkt die Fehlerquote. Jahrzehntelang ging man davon aus, dass die Fehlerquote erst sinkt und dann steigt, wenn die Modelle größer werden: Stell dir einfach eine U-förmige Kurve vor, bei der der Sweet Spot für die Verallgemeinerung am niedrigsten Punkt liegt. Doch offenbar fanden Belkin und seine Kollegen 2018 heraus, dass die Fehlerquote bestimmter Modelle mit zunehmender Größe erst sinkt, dann steigt, um schließlich wieder zusinken, auf ein vollkommen neues, noch niedrigeres Niveau (eine doppelt abfallende oder W-förmige Kurve). Mit anderen Worten: Große Modelle überwanden den Sweet Spot und das Overfitting-Problem, indem sie mit zunehmender Größe immer besser wurden.

Ein Jahr später war einer der OpenAI Entwickler, Barak erneut Mitautor einer Arbeit, die zeigte, dass das Phänomen des doppelten Abstiegs sogar noch häufiger auftritt, als viele dachten. (arxiv.org/pdf/1912.02292.pdf) Es tritt nicht nur auf, wenn Modelle größer werden, sondern auch bei Modellen mit großen Mengen an Trainingsdaten oder bei Modellen, die länger trainiert werden. Dieses Verhalten, das als „benign overfitting“ bezeichnet wird, ist noch immer nicht vollständig geklärt. Es wirft grundlegende Fragen darüber auf, wie Modelle trainiert werden sollten, um das Beste aus ihnen herauszuholen.

Doch Forscherinnen und Forscher haben Hypothesen gebildet, was ihrer Meinung nach vor sich geht. Belkin bespielsweise glaubt, dass eine Art Occam’scher Rasiermesser-Effekt im Spiel ist: Das einfachste Muster, das zu den Daten passt, also die glatteste Grenze zwischen den Datenpunkten, sei oft dasjenige, das am besten verallgemeinert. Der Grund dafür, dass sich größere Modelle am Ende bessere Leistungen zeigen, als sie eigentlich sollten, könnte darin liegen, dass größere Modelle eher auf die „richtige Kurve“ treffen als kleinere. Mehr Parameter bedeuten mehr mögliche Kurven, die man ausprobieren kann, nachdem man die wackeligste (overfitted) verworfen hat.

Diese Theorie schien die Grundlagen zunächst erklären, warum es funktioniert, aber dann haben andere Forscher Modelle gebaut, die 100 Sprachen sprechen konnten, und man musste sich eingestehen, im Grunde garnichts verstanden zu haben. Belkin selbst sagte dazu im Interview mit Heaven. „Es stellte sich heraus, dass wir nicht einmal an der Oberfläche gekratzt hatten.“ Bereits 2016 veröffentlichten Chiyuan Zhang vom MIT und Kollegen von Google Brain eine einflussreiche Arbeit mit dem Titel „Understanding Deep Learning Requires Rethinking Generalization“, jedoch war es 2021, also fünf Jahre später Zeit für eine komplette Neufassung der Arbeit, dieses mal unter dem Titel „Understanding Deep Learning (Still) Requires Rethinking Generalization“. Doch mittlerweile hat es, laut Zhang so viele Fortschritte gegeben, obwohl viel mehr Fragen auftauchen als gelöst werden.

Ist die KI-Emergenz nur ein Trugbild?

Kürzlich konnten Stanford-Forscher aufzeigen, dass die scheinbaren emergenten Fähigkeiten großer Sprachmodelle vielleicht doch nicht mehr als die Summe ihrer Teile sind. In der Studie versucht das Forscherteam um Rylan Schaeffer die Annahme zu entkräften, dass größere Modelle unvorhersehbare Fähigkeiten entwickeln könnten. Die Studie, die auf dem Preprint-Server arXiv veröffentlicht wurde, untersuchte 29 verschiedene Metriken zur Bewertung der Leistung von Modellen. Spannend ist: In 25 davon zeigten die KI-Modelle keine emergenten Eigenschaften, sondern eine kontinuierliche, lineare Steigerung der Fähigkeiten in Abhängigkeit von der Modellgröße.

Die Forschungsarbeit lässt vermuten, dass die Wahrnehmung von emergenten Fähigkeiten lediglich durch die Wahl der Bewertungsmetriken entstanden sein könnte. Schaeffer merkt darin an, dass harte Metriken in der Evaluierung, wie das „Exact String Match“ selbst kleine Fehler bei einfachen Rechenaufgaben so bewerten, als wären sie gravierende Fehler, also komplett falsch, was zu einer übertriebenen Darstellung der Fähigkeiten größerer Modelle führt. Interessanterweise wurde festgestellt, dass Forscher im Bereich der Bilderkennungsmodelle solche harten Metriken nicht verwenden, und folglich keine emergenten Eigenschaften feststellen.

Diese Erkenntnisse legen in der Tat nahe, dass die Entwicklung einer allgemeinen künstlichen Intelligenz (AGI) vorhersehbar bleiben wird, da die Fortschritte der Modelle nachvollziehbar und schrittweise erfolgen. Schaeffer betont, dass, sollte AGI realisiert werden, wir deren Eintreffen sehen können sollten, was bedeutende Implikationen für die zukünftige Entwicklung und Regulierung von KI-Technologien hat.

Doch diese Studie erklärt nicht das Phänomen des „Grokkings“

So interessant und richtig die Betrachtungen des Papers sind, ignoriert sie jedoch das Phänomen des „Grokkings“. Dieses Konzept beschreibt ein bemerkenswertes Phänomen, das bei tiefen neuronalen Netzwerken auftritt, wenn ein neuronales Netzwerk nach einer Phase des Lernens, die keine sichtbaren Fortschritte mehr zeigt, plötzlich und unerwartet ein tiefes Verständnis für ein Muster in den Daten entwickelt. Dieses tiefe Verständnis ermöglicht es dem Netzwerk, von einer anfänglich zufälligen Leistung bei der Generalisierung zu einer perfekten Generalisierung zu springen, wo es die Aufgaben korrekt und konsistent löst.

In der aktuellen Studie „Grokking: Generalization Beyond Overfitting on Small Algorithmic Datasets“ von Alethea Power et al. wurde beispielsweise untersucht, wie neuronale Netzwerke auf kleinen, algorithmisch generierten Datensätzen generalisieren. In dem speziellen Szenario, wird dieses Phänomen an kleinen, algorithmisch generierten Datensätzen demonstriert. Diese Datensätze bestehen typischerweise aus binären Tabellen, die das Netzwerk ausfüllen muss. Während des Trainingsprozesses lernt das Netzwerk nicht nur, diese Tabellen korrekt auszufüllen, sondern entwickelt auch ein tiefgreifendes Verständnis der binären Operationen, die zur Erstellung der Daten verwendet wurden. Das Netzwerk „erkennt“ also die logischen oder mathematischen Regeln, die den Datensatz definieren, was eine plötzliche und deutliche Verbesserung seiner Leistung zur Folge hat. Damit zeigt sich, dass die Netzwerke ein tiefgehendes Verständnis für bestimmte Muster im Datensatz entwickeln können, was zu einer signifikanten Verbesserung der Generalisierungsleistung führt – von zufälliger Chance bis hin zu perfekter Generalisierung.

Forscherinnen wie Alicia Curth, die an der Universität Cambridge Statistik studiert, gefällt es wenig, dass modernes maschinelles Lernen eine Art Magie ist, die sich über alle Gesetze hinweg zusetzen scheint. Ihr Team argumentierte kürzlich, dass das Phänomen des doppelten Abstiegs, bei dem die Modelle erst besser, dann schlechter und dann wieder besser zu werden scheinen, wenn sie größer werden, womöglich durch die Art und Weise entsteht, wie die Komplexität der Modelle gemessen wurde. Einfach die Anzahl der Parameter zu zählen, scheint zu einfach zu sein, um die Komplexität angemessen zu beschreiben, insbesondere da in sehr großen Modellen offenbar unterschiedliche Parameter unterschiedliche Funktionen übernehmen.

Dieses Phänomen tritt auf, obwohl das Netzwerk bereits den Punkt des Überfittings überschritten hat, was darauf hinweist, dass die Netzwerke eine Art von „Aha-Erlebnis“ und einer gewissen internen Reorganisation erreichen, bei dem sie die zugrunde liegenden Strukturen der Daten erkennen und effizient nutzen können.

Doch das eigentliche Problem geht noch viel tiefer

Denn ein besseres theoretisches Verständnis würde nicht nur helfen, noch bessere KI zu entwickeln, sondern auch sicherer! Im Moment sind die Fortschritte zwar schnell, aber vollkommen unvorhersehbar. Viele Dinge, die OpenAIs GPT-4 kann, waren selbst für die Leute, die es entwickelt haben, eine Überraschung. Die Forscherinnen und Forscher streiten sich immer noch darüber, was es leisten kann und was nicht. Ohne eine grundlegende Theorie sei es sehr schwer, eine Vorstellung davon zu bekommen, was wir von diesen Dingern erwarten können und selbst wenn wir die Modelle haben, ist es selbst im Nachhinein nicht einfach zu sagen, warum bestimmte Fähigkeiten entstanden sind!

Einer der beiden KI-Forscher, die per Zufall auf diese Fähigkeiten stießen, Boaz Barak arbeitet mittlerweile im Superalignment-Team von OpenAI, das vom Chefwissenschaftler des Unternehmens, Ilya Sutskever, gegründet wurde, um herauszufinden, wie man eine hypothetische Superintelligenz davon abhalten kann, sich gegen die Menschheit zu wenden. Barak sagt selbst im Interview mit Will Douglas Heaven:

„Wir sind eine sehr junge Wissenschaft. Die Fragen, die mich diesen Monat am meisten begeistern, können sich von denen unterscheiden, die mich nächsten Monat am meisten begeistern. Wir sind immer noch dabei, Dinge zu entdecken. Wir müssen noch viel experimentieren und uns überraschen lassen.“

Klingt das nicht vertrauenserweckend?

Künstliche Intelligenz: Hype und Wirklichkeit

Doch so langsam kommt Bewegung in die Debatte, denn auch die, gerne von OpenAI zu Marketing-Zwecken verwendeten Leistungsmessungen anhand menschlicher Tests werden zunehmend kritischer gesehen. So hat beispielsweise mein Lieblingsautor Will Douglas Heaven in seinem jüngsten Artikel für das MIT Technology Review kritisch die gängigen Methoden zur Bewertung künstlicher Intelligenz durch traditionelle menschliche Tests hinterfragt. Der äußerst lesenswerte Artikel schlägt dabei eine faszinierende Brücke zwischen der aktuellen KI-Forschung und traditionellen kognitiven Tests und regt dazu an, die Grenzen unserer Technologien und die Methoden, mit denen wir sie evaluieren, zu hinterfragen.

Er beginnt mit der faszinierenden Beobachtung von Taylor Webb, einem Psychologen an der Universität von Kalifornien in Los Angeles, der die beeindruckenden Fähigkeiten von OpenAIs Sprachmodell GPT-3 erlebte. Webb, der gewohnt ist, neuronale Netzwerke zu bauen, die spezifische Denkfähigkeiten simulieren, war erstaunt darüber, wie GPT-3 komplexe abstrakte Probleme lösen konnte, die typischerweise in IQ-Tests zu finden sind. Webb und sein Team publizierten ihre Erkenntnisse in Nature, wobei sie GPT-3’s Fähigkeiten in Analogieschlussfolgerungen bewerteten, eine Schlüsselkomponente menschlicher Vernunft. Interessanterweise schnitt GPT-3 in einigen dieser Tests besser ab als College-Studenten. Dies führt zu der aufregenden Frage, ob wir tatsächlich am Rand einer neuen Ära der künstlichen Intelligenz stehen, oder ob diese Ergebnisse trügerisch sind.

Heavens Artikel beleuchtet, dass trotz beeindruckender Testergebnisse erhebliche Zweifel an der Validität dieser Methoden bestehen. Er argumentiert, dass die Erfolge von GPT-3 und seinem Nachfolger GPT-4 – der sogar Teile des US-amerikanischen Medizinexamen bestand – möglicherweise weniger über echte Verstehensfähigkeit aussagen und mehr über die Fähigkeit der Modelle, aus ihrem umfangreichen Training mit Internettexten zu „lernen“.

Ein zentraler Punkt des Artikels ist die Diskussion über die Angemessenheit, Maschinen mit menschlichen Intelligenztests zu bewerten. Melanie Mitchell, eine Forscherin am Santa Fe Institute, äußert Bedenken über die Anthropomorphisierung dieser Technologien und die daraus resultierende Verzerrung in unserer Wahrnehmung ihrer Fähigkeiten. Sie fordert eine gründlichere und vielschichtigere Evaluierung.

Webb hat daher mittlerweile neue Testtypen entwickelt, um diese Modelle weiter herauszufordern, darunter eine Adaptation der Raven’s Progressive Matrices, die allgemein zur Bewertung des nichtverbalen Schlussfolgerns verwendet werden. Diese neuen Tests sind so konzipiert, dass sie die Herausforderung für die Modelle erhöhen, indem er die herkömmlichen visuellen Elemente der Tests in numerische Sequenzen umwandelte. Dadurch wurde sichergestellt, dass diese spezifischen Tests nicht in den Trainingsdaten der Modelle vorhanden waren, was die Wahrscheinlichkeit einer einfachen Reproduktion von gelernten Antworten verringert.

Die Ergebnisse dieser neuen Tests zeigten, dass, während die Modelle beeindruckende Leistungen in bestimmten Standard-Testformaten erbringen können, ihre Fähigkeit, echtes Verständnis und kreatives Problemlösen zu demonstrieren, begrenzt bleibt. Dies deutet darauf hin, dass die Modelle zwar komplexe Muster und Strukturen aus ihren Trainingsdaten erkennen und nachahmen können, aber Schwierigkeiten haben, wenn sie mit völlig neuen, unerwarteten Problemtypen konfrontiert werden, die nicht direkt aus den Trainingsdaten abgeleitet sind.

Diese Erkenntnisse werfen wichtige Fragen über die Grenzen der aktuellen KI-Technologien auf und zeigen, dass die Fähigkeit der Modelle, echtes menschenähnliches Denken zu simulieren, noch immer stark eingeschränkt ist. Sie betonen auch die Bedeutung der Entwicklung neuer und rigoroserer Testmethoden, um ein tieferes Verständnis der Fähigkeiten und Grenzen dieser fortschrittlichen maschinellen Lernsysteme zu gewinnen.

Im Zeitalter der künstlichen Intelligenz (KI) stehen wir an der Schwelle zu Entwicklungen, die das Potenzial haben, unser Verständnis von Technologie und Interaktion grundlegend zu verändern. Doch was geschieht, wenn die Grundlagen dieser revolutionären KI-Systeme in Frage gestellt werden? Ein spannendes Projekt namens „Knowing Machines“, initiiert von Christo Buschek und Jer Thorp, wirft ein kritisches Licht auf die Fundamente der generativen KI: Die Datensätze, auf denen diese Modelle trainiert werden.

Die neueste visuelle Story „Models all the Way“ wirft einen Blick auf LAION-5B, einen Open-Source-Datensatz, der zum Trainieren von KI-Modellen wie Stable Diffusion verwendet wird. Er enthält 5,8 Milliarden Bild- und Textpaare – eine zu große Menge, um die Inhalte der Bilder zu verstehen. Mit einer großartigen visuellen Aufbereitung verfolgen die beiden den Aufbau des Datensatzes, um seinen Inhalt, seine Auswirkungen und seine Verstrickungen besser zu verstehen.

Die Faszination großer KI-Modelle, die Bilder generieren, Hausaufgaben erledigen oder sogar Mondlandungen fälschen können, beginnt mit einem immensen Trainingsset. Milliarden von Bildern und Texten, gesammelt aus dem Internet, dienen als Baumaterial für die Welt, die durch die KI widergespiegelt wird. Die Zusammensetzung dieser Trainingssets ist von entscheidender Bedeutung, da sie maßgeblich beeinflusst, was ein Modell leisten kann und wie gut es dies tut. Dennoch haben nur wenige Menschen die Inhalte dieser Sets, die ihre Modelle speisen, gründlich untersucht. Wenn sie es tun, treten oft ernsthafte Probleme zutage, nicht selten mit schwerwiegenden rechtlichen Konsequenzen.

Ein beunruhigendes Beispiel lieferte eine Untersuchung der Stanford’s Internet Observatory, die mehr als 3.000 Bilder als Material für sexuellen Missbrauch von Kindern (CSAM) in einem der einflussreichsten KI-Trainingssets der heutigen Zeit identifizierte: LAION-5B. Entworfen als offene Datenquelle von der deutschen Non-Profit-Organisation LAION, zielte dieses Projekt darauf ab, ein umfassendes Abbild der Welt zu erschaffen und damit eine Art Wörterbuch aus Dingen und Konzepten für KI-Modelle bereitzustellen. Doch die Entdeckung von CSAM-Bildern in LAION-5B, so alarmierend sie auch sein mag, überrascht kaum angesichts der schieren Größe des Datensatzes und der daraus resultierenden Unmöglichkeit einer manuellen Überprüfung.

Wie untersucht man also ein Trainingsset, dessen Durchsicht mehrere Leben in Anspruch nehmen würde?

Der Schlüssel liegt darin, genau zu verstehen, wie es erstellt wurde: LAION-5B basiert auf einem noch größeren Datensatz von Common Crawl und enthält Daten von mehr als 3 Milliarden Websites. Hierin wurde schlicht nach eingebundenen Bildern samt deren ALT-Attributen gesucht und diese in einen Datensatz überführt.

Die Idee ist gut, denn der eigentlich Zweck des ALT-Attributs ist es, die Zugänglichkeit zu verbessern, insbesondere für sehbehinderte Nutzer, die Bildschirmlesegeräte verwenden. Doch in der Realität haben weniger als 40 % der Bilder im Internet haben ALT-Tags. Bei einigen Websites ist der Anteil jedoch viel höher.

SlidePlayer zum Beispiel scheint ALT-Tags automatisch hinzuzufügen, indem er sie mit Text aus den PowerPoint-Folien füllt, die er aufnimmt. Pinterest generiert die Bildunterschriften auf seinen Seiten aus den ALT-Tags, so dass die Nutzer/innen gelernt haben, sie zu schreiben, bevor sie ihre Bilder „anpinnen“. Shopify-Nutzer/innen haben oft einen hohen Google PageRank im Auge und schreiben ALT-Tag-Beschreibungen mit Blick auf die Suchmaschinenoptimierung (SEO).

All das bedeutet, dass ALT-Tags nur sehr selten die Beschreibung des Bildinhalts enthält, sondern vielmehr Artefakte der Funktionsweise des Internets und der Ambitionen der Ersteller*innen, insbesondere im Einzelhandel abbilden.

Der Inhalt eines ALT-Tags sollte beschreiben, was auf dem Bild zu sehen ist. Meistens beschreiben ALT-Tags jedoch, was Algorithmen sehen sollen, und nicht, was die Menschen sehen sollen.

Doch auch die Art und Weise, wie diese Daten kuratiert werden, beeinflusst entscheidend, welche Bilder und Texte in den Datensatz aufgenommen werden: Ein zentrales Element bei der Erstellung von LAION-5B war die Verwendung des CLIP-Modells (Contrastive Language–Image Pre-training) von OpenAI, um zu bewerten, wie gut ein Text zu einem Bild passt. Dieser Ansatz offenbart, wie sehr die Inhalte von LAION-5B nicht nur von menschlichen Sichtweisen, sondern auch von den Mechanismen des Internets und kommerziellen Logiken geprägt sind.

Die Sprachverteilung innerhalb von LAION-5B wirft ebenfalls Fragen auf, insbesondere die überrepräsentation des Englischen im Vergleich zu anderen Sprachen. Dies spiegelt eine kulturelle Schieflage wider, die in die trainierten KI-Modelle übergeht und damit eine englischsprachige Perspektive über andere kulturelle und sprachliche Sichtweisen stellt. Darüber hinaus weist die kuratorische Praxis von LAION auf ein grundlegendes Problem hin: die Abhängigkeit von numerischen Schwellenwerten, die oft schlecht verstanden werden und die Konstruktion von Trainingssets tiefgreifend beeinflussen können.

Ein weiterer kritischer Punkt ist die Ästhetik innerhalb der generativen KI. Sets wie LAION-Aesthetics, die darauf abzielen, Bilder von „hoher visueller Qualität“ zu enthalten, offenbaren, wie sehr die Konzepte von visueller Anziehungskraft durch die Vorlieben einer sehr kleinen Gruppe von Individuen und die von Datensatzschöpfern gewählten Prozesse beeinflusst werden können.

Mein Fazit

Die Diskussionen über Eigentum und Sicherheit, die generative KI-Modelle ausgelöst haben, finden ihren Ursprung in Trainingssets wie LAION-5B. Doch die statistische Herangehensweise dieser Sets an solche Themen wirft die Frage auf, ob die Verantwortung für die Auswirkungen der KI nicht zu sehr auf zukünftige Akteure abgewälzt wird. Die Öffentlichkeit von Datensätzen, wie es LAION praktiziert, ist grundsätzlich ein wichtiger und begrüßenswerter Schritt in Richtung Transparenz und Verantwortlichkeit, doch die Herausforderungen, die durch die statistische Kuratierung und die inhärenten strukturellen Voreingenommenheiten entstehen, bleiben bestehen.

In einer Welt, in der KI-Systeme zunehmend unser Leben prägen, ist die Untersuchung von Trainingssets ein entscheidendes Instrument, um Einblick und Verständnis in die komplexesten Systeme zu gewinnen, die je vom Menschen konzipiert wurden. Die Forderung nach Transparenz bei Datensätzen ist daher von größter Bedeutung, wenn KI-Systeme jemals für ihre Auswirkungen in der Welt zur Rechenschaft gezogen werden sollen.

Ich freue mich riesig, euch heute etwas ganz Besonderes vorstellen zu dürfen: Ein brandneues Paper, das gerade frisch als Pre-Print auf arXiv gelandet ist – und an dem ich mitgewirkt habe.

Was haben wir konkret untersucht?

In der Welt der Datenwissenschaften stoßen Forschende oft auf das knifflige Problem, mit unvollständigen Datensätzen arbeiten zu müssen. Die meisten herkömmlichen Algorithmen kommen mit diesen Lücken in den Daten einfach nicht klar. Bisherige Lösungen sahen so aus, dass sich Data Scientists an Experten wandten, um mit deren Hilfe die fehlenden Teile zu ergänzen – ein Vorgehen, das nicht nur zeitintensiv, sondern auch oft genug alles andere als praktikabel ist.

Stellt euch vor, eine Maschine könnte die Rolle eines Experten übernehmen – genau das haben wir erforscht. Wir wollten herausfinden, ob große Sprachmodelle (LLMs) das Zeug dazu haben, als Experten in verschiedensten Fachbereichen zu agieren. Diese Modelle, die mittels gigantischer Textmengen trainiert wurden, könnten ein tiefgreifendes Verständnis für eine breite Palette von Themen besitzen.

Unsere Untersuchung, die die Leistungen der LLM-Experten mit realen Daten und anerkannten statistischen Methoden zur Behandlung von Datenlücken vergleicht, hat einige spannende Erkenntnisse zutage gefördert. Die Ergebnisse zeigen: In vielen Fällen können LLMs genauso präzise Einschätzungen treffen wie herkömmliche Methoden, und das ohne die Notwendigkeit, sich auf menschliche Experten zu stützen. Diese Entdeckung eröffnet völlig neue Möglichkeiten für die Datenanalyse und könnte die Herangehensweise an das Problem des Expertenmangels radikal verändern.

Traditionell setzt man auf zwei Hauptstrategien im Umgang mit Lücken in Datensätzen: Die Ermittlung von Vorwissen (Prior Elicitation) und die Ergänzung fehlender Daten (Data Imputation).

Hier eine kurze Erläuterung beider Verfahren:

• Prior Elicitation zielt darauf ab, vorhandenes Expertenwissen systematisch zu erfassen, um Annahmen über bestimmte Modellparameter zu formulieren, die in Bayes’schen Workflows für die Datenanalyse benötigt werden.
• Data Imputation kommt zum Einsatz, wenn Datensätze Lücken aufweisen. Anstatt wertvolle Daten wegen einiger fehlender Informationen zu verwerfen, füllen Wissenschaftler diese Lücken mit statistisch plausiblen Werten auf. So werden die Datensätze vervollständigt und können für Analysen verwendet werden.

Data Imputation per LLMs

Unser Augenmerk bei der Imputation lag auf einem Experiment im Zusammenhang mit der OpenML-CC18 Curated Classification Benchmark, einem umfangreichen Datensatz, der 72 Klassifizierungsaufgaben aus den unterschiedlichsten Bereichen abdeckt – von der Kreditbewertung über die Medizin bis hin zum Marketing. Diese Vielfalt stellte sicher, dass unsere Experimente eine breite Palette an realen Szenarien simulieren und somit tiefgreifende Einsichten in die Effektivität der LLMs unter verschiedenen Bedingungen ermöglichen.

Ein zentraler Aspekt unserer Methodik war die künstliche Erzeugung von Datenlücken nach dem Prinzip „Missing at Random“ (MAR), um realistische Situationen nachzustellen, in denen Datenpunkte fehlen. Ziel war es, ein Setting zu schaffen, in dem normalerweise das Fachwissen von Experten gefragt wäre. Anschließend definierten wir für jeden Datensatz eine spezifische Expertenrolle, die wir nutzten, um das LLM für die Beantwortung von Fragen zu den fehlenden Daten zu initialisieren.

Für die eigentliche Datenimputation setzten wir auf eine Reihe von LLMs, darunter LLaMA 2 13B Chat, LLaMA 2 70B Chat, Mistral 7B Instruct und Mixtral 8x7B Instruct. Jedes dieser Modelle wurde separat evaluiert und mit drei traditionellen Ansätzen der Datenimputation verglichen: Mittelwert- und Modusimputation für kontinuierliche bzw. kategoriale Merkmale, k-Nearest Neighbours (k-NN) Imputation und Random Forest Imputation. Die Qualität der Imputation maßen wir anhand des „Normalized Root Mean Square Error“ (NRMSE) und des F1-Scores für kontinuierliche bzw. kategoriale Merkmale.

Diese methodische Vorgehensweise erlaubte es uns, nicht nur zu bewerten, inwiefern LLMs als Experten in der Datenimputation dienen können, sondern auch deren Effizienz im Vergleich zu herkömmlichen Methoden zu beurteilen.

Vergleich von LLMs und traditionellen Methoden

Unsere Untersuchung brachte überraschende Erkenntnisse zum Vorschein: Die Imputationsqualität der LLMs übertraf entgegen unserer Erwartung nicht durchgängig die der drei herangezogenen empirischen Methoden. Trotzdem zeigte sich, dass LLM-basierte Imputationen in bestimmten Bereichen, insbesondere im Ingenieurwesen und der Computer Vision, von großem Nutzen sein können. Besonders in Datensätzen wie ‚pc1‘, ‚pc3′ und ’satimage‘ aus diesen Domänen erzielten wir Imputationsqualitäten mit einem NRMSE von etwa 0,1. Ähnliche positive Ergebnisse wurden auch in den Feldern der Biologie und des Natural Language Processing (NLP) beobachtet.

Interessanterweise variierte die Leistung der LLM-basierten Imputation je nach Anwendungsbereich erheblich. Während die Sozialwissenschaften und Psychologie eher enttäuschende Ergebnisse lieferten, konnten in den Bereichen Medizin, Wirtschaft und Biologie bessere Erfolge verbucht werden. Bemerkenswert ist insbesondere die hohe Performance der LLM-basierten Imputation im Wirtschaftssektor.

Diese Befunde deuten darauf hin, dass LLMs in spezifischen Kontexten eine vielversprechende Alternative zu traditionellen Imputationsmethoden darstellen könnten, vor allem in Szenarien, in denen menschliche Expertise schwer zugänglich ist.

Die universelle Anwendbarkeit der LLM-basierten Imputation ist jedoch begrenzt, und es bedarf weiterer Forschung, um die Bereiche und Bedingungen zu ermitteln, unter denen diese Technik am effektivsten eingesetzt werden kann.

Die Ergebnisse suggerieren, dass LLMs basierend auf ihrem Trainingsdatensatz in der Lage sind, präzise Einschätzungen zu liefern, die in einigen Fällen mit den realen Daten übereinstimmen können. Diese differenzierten Ergebnisse unterstreichen, dass der Einsatz von LLMs für die Datenimputation vielversprechend ist, jedoch eine genaue Betrachtung der jeweiligen Domäne und des spezifischen Einsatzgebietes erfordert.

LLMs in der Prior Elicitation

Der zweite Teil unseres Projekts widmete sich der Frage, wie große Sprachmodelle (LLMs) im Bereich der Prior Elicitation eingesetzt werden können. Wir wollten herausfinden, welche Auswirkungen LLM-generierte Priorverteilungen auf die Datensammlung und die anschließende Analyse haben und wie effektiv diese im Vergleich zu herkömmlichen Methoden sind.

Unser Ansatz bestand darin, die Fähigkeiten der LLMs mit den Ergebnissen eines Experiments von Stefan et al. (2022) zu vergleichen. In diesem Experiment wurden sechs Psychologieforscher zu den typischen kleinen bis mittleren Effektgrößen und Pearson-Korrelationen in ihren Fachgebieten befragt. Ähnlich forderten wir LLMs auf, entweder einen einzelnen Experten, eine Gruppe von Experten oder einen Nichtexperten zu simulieren und Prioritätsverteilungen zu generieren, sowohl mit als auch ohne Bezugnahme auf das in der Vergleichsstudie verwendete Erhebungsprotokoll.

Eine besondere Herausforderung bestand darin, eine Methodik zu entwickeln, die es den Modellen ermöglicht, Expertenwissen in Bereichen zu generieren, in denen direkte quantitative Aussagen durch eingebaute Sicherheitsvorkehrungen eingeschränkt sind. Aufgrund ihres Alignments liefern herkömmliche Instruct- oder Chat-Modelle in der Regel keine quantitativen Informationen zu sensiblen Themen wie Gesundheitszuständen.

Um diese Einschränkungen zu überwinden, haben wir eine innovative Prompting-Strategie entwickelt. Statt nach spezifischen Mittelwerten oder Standardabweichungen zu fragen, baten wir die Modelle, ihre Einschätzungen in Form von Pseudocode für Stan-Verteilungen zu äußern, wie zum Beispiel y ∼ normal(120, 10), um eine Verteilung für den typischen systolischen Blutdruck einer zufällig ausgewählten Person anzugeben.

In unseren Experimenten zur Prior Elicitation spielte ChatGPT 3.5 eine zentrale Rolle, indem es seine Kenntnisse über akademische Elicitation-Frameworks, wie das Sheffield-Elicitation-Framework in Kombination mit der Histogramm-Methode, erfolgreich einsetzte. Diese Methoden wendeten wir an, um Priorverteilungen für die typische Tagestemperatur und den Niederschlag in 25 Klein- und Großstädten weltweit für den Monat Dezember zu erstellen.

ChatGPT griff auf sein umfangreiches, aus den Trainingsdaten gewonnenes Wissen zurück, um eine simulierte Diskussion unter Experten zu führen und eine parametrische Wahrscheinlichkeitsverteilung zu entwickeln. Dieses Vorgehen verdeutlicht, wie LLMs auch bei vorhandenen Beschränkungen effektiv für komplexe Aufgaben wie die Prior Elicitation eingesetzt werden können. Durch innovative Prompting-Strategien lassen sich LLMs als Quellen für Expertenwissen nutzen, was die Forschung in der Bayesschen Datenanalyse und weit darüber hinaus bereichert.

Ein wesentlicher Bestandteil unserer Analyse bestand darin, die „Konzentration“ oder „Breite“ der KI generierten Verteilungen im Vergleich zu realen Daten zu bewerten. Unser Ziel war es zu ermitteln, wie viele reale Datenpunkte benötigt würden, um die Vorhersagen der KI zu bestätigen oder zu widerlegen. Diese Untersuchung half uns, die Zuverlässigkeit der durch KI unterstützten Sammlung von Vorwissen im Vergleich zu traditionellen Methoden zu verstehen.

Ergebnisse der Prior Elicitation Experimente

Unsere Untersuchungen haben zu überraschenden Erkenntnissen geführt: Die Übernahme verschiedener Expertenrollen durch die LLMs hatte, entgegen unserer Erwartungen, keinen signifikanten Einfluss auf die generierten Priors. Unabhängig von der simulierten Rolle tendierten die künstlichen Experten dazu, vorsichtige Vorhersagen zu machen, wobei sie meist auf geringe Effekte hinwiesen. Eine Ausnahme bildete GPT-4, der sich mutiger zeigte und eher mäßig starke Effekte prognostizierte.

Besonders interessant war die Beobachtung der Beziehungen zwischen Variablen, wie dem Einfluss des Wetters auf unser Einkaufsverhalten. Hier offenbarten die LLMs eigene, teils unerwartete Perspektiven. Während einige Modelle eine „Badewannen“-Kurve zeigten, präsentierte GPT-4 eine gleichmäßigere, glockenförmige Verteilung.

Die Untersuchung des Vertrauens, das diese digitalen Intelligenzen in ihre eigenen Vorhersagen setzen, brachte weitere Unterschiede ans Licht. Einige Modelle äußerten sich zurückhaltend mit vorsichtigen Schätzungen, GPT-4 hingegen gab sich informationsreich. Das Mistral 7B Instruct Modell stach durch extrem hohe Zuversicht hervor und nutzte tausende von Datenpunkten.

Interessanterweise wichen die von den LLMs angebotenen Beta-Priors für Pearson-Korrelationen stark von denen echter Experten ab. GPT-4 lieferte eine symmetrische unimodale Verteilung, während andere Modelle eine rechtsschiefe „Badewannen“-Verteilung präsentierten.

In unserer meteorologischen Aufgabe untersuchten wir, wie viele reale Wetterbeobachtungen nötig wären, um präzisere Vorhersagen als die künstlichen Experten zu treffen. Dies half uns zu evaluieren, ob der Rückgriff auf digitale Assistenten oder traditionelle Wettermodelle die bessere Wahl für zukünftige Wettervorhersagen wäre.

Diese Ergebnisse verdeutlichen, dass LLMs zwar die Fähigkeit besitzen, Priors zu generieren, die in manchen Bereichen mit menschlichen Experteneinschätzungen konkurrieren können, in anderen Bereichen jedoch signifikante Abweichungen aufweisen.

Die Eignung von LLMs als Ersatz für menschliche Expertise bei der Erstellung von Priorverteilungen variiert je nach spezifischer Aufgabenstellung und dem verwendeten Modell, was die Komplexität und die potenziellen Grenzen dieser Technologie unterstreicht.

Fazit und Ausblick

Die Ergebnisse unserer Forschung enthüllen das beeindruckende Potenzial von großen Sprachmodellen (LLMs), Wissen aus einer Vielzahl von Quellen zu synthetisieren und gezielt in verschiedenen Anwendungskontexten einzusetzen. Besonders in Situationen, in denen die Expertise rar oder sehr kostbar ist, könnten sich LLMs als unschätzbare Ressource erweisen.

Unsere Studien zeigen, dass LLMs in Fachbereichen wie Medizin, Wirtschaft und Biologie bereits wertvolle Einblicke bieten können, die sich mit denen traditioneller Datenimputationsmethoden messen lassen. Darüber hinaus kann das von LLMs bereitgestellte Vorwissen, verglichen mit konventionellen Ansätzen und unter Abwägung von Kosten und Präzision, in bestimmten Szenarien eine hochwertige und kosteneffiziente Alternative darstellen. Die Nutzung von LLMs für die Prior Elicitation könnte somit in einigen Fällen eine vorzuziehende Option sein.

Zusammenfassend markiert unsere Forschung einen entscheidenden Schritt in Richtung einer verstärkten Integration von LLMs in die Datenwissenschaft. Die Aussichten sind vielversprechend, und mit weiteren Entwicklungen in Technologie und Methodik könnten wir am Beginn einer revolutionären Ära der Datenanalyse stehen, in der LLMs eine Schlüsselrolle einnehmen.

In meiner Artikelserie über WordPress habe ich bereits über Plugins und Themes geschrieben und mich nun intensiv mit Managed WordPress-Hostern beschäftigt. Klassische Webspace-Anbieter habe ich mit dem Blick auf ein WordPress-Hosting ebenfalls verglichen. Dabei haben wir die Anbieter selbst getestet und stellen Dir unsere Erkenntnisse vor.

Von Hostingpaketen für ein paar Euros pro Monat bis hin zu mehreren Hundert Euro für große Server ist der Markt unglaublich vielfältig und die Auswahl dementsprechend schwer. Meine Empfehlungen richten sich daher an alle, die sich nicht als Experten für Hosting begreifen und sich auch nicht im Detail damit auseinandersetzen wollen, sondern sich einfach ein gut funktionierendes Hosting für die WordPress-Website wünschen.

---

Das richtige WordPress-Hosting: Die besten Hoster im Überblick

In diesem Abschnitt findest Du Empfehlungen aus unseren Hosting-Tests. Diese fallen, je nach Seitentyp und Anforderungen, unterschiedlich aus.

Wähle einfach aus, was für Dich am besten passt, damit Du das richtige Hosting für dich findest:

Wenn Du wissen willst, wie ich zu dieser Einschätzung gekommen bin, findest Du alle relevanten Informationen und Faktoren weiter unten im ausführlichen Hosting-Test:

---

Managed WordPress-Hoster im Vergleich

Bei den sogenannten Managed WordPress-Hostings handelt es sich im Grunde um normale Hoster, die sich aber auf den Betrieb von Websites auf Basis von WordPress spezialisiert haben und sich permanente um die verwendete Software kümmern und über eingeschränkte Zugriffsrechte sicher stellen, dass kein Unfug auf dem Server passiert. Daher ist deren Stack voll auf WordPress ausgerichtet und häufig durch viel Erfahrung durchoptimiert. So kennen sich die Mitarbeiter (hoffentlich) auch selbst gut mit WordPress und dessen Tücken aus und können bei Last- und Pagespeed-Problemen oder der Auswahl des richtigen Plugins behilflich sein.

Dank Plesks WordPress Toolkit bieten viele WordPress-Hoster mittlerweile ein integriertes zentrales Management, ohne dass man selbst InfiniteWP oder andere Dienste nutzen müsste und ermöglichen mittels Staging und Sync zwischen Live-Website und Entwicklungsumgebung(en) hin und her zu synchronisieren. Dazu kommen noch automatische Backups, Updates, sowohl für den WP-Core als auch für Plugins und Hilfe bei Sicherheitsfragen und Unterstützung bei der Verbesserung von Ladezeiten.

Für wen ist ein echtes Managed WordPress-Hosting sinnvoll?

Ich würde Euch zu einem Managed WordPress-Hosting raten, wenn Ihr Euch selbst nicht mit Updates, Security, Backups oder Performance auskennt oder euch damit nicht auseinandersetzen wollt.

Auch empfehle ich Managed Hosting jedem, der Websites für Kunden erstellt, diese aber nicht selbst hosten möchte.

Somit ist aus meiner Sicht jeder KMU, der eine Website auf WordPress-Basis hat bei einem WP-Hoster am besten aufgehoben. Auch wenn Ihr einen WooCommerce-Shop habt, oder eine High-Traffic-Website mit WordPress betreibt, ist ein größeres Managed WordPress-Hosting-Paket bei einem guten Hoster eine solide Entscheidung!

Empfehlenswerte Hoster aus Deutschland oder der EU

Hier die besten Anbieter im Managed WordPress Hosting Ranking:

---

1. HostPress *Testsieger*

Dass es sich bei HostPress, das 2016 in Deutschland gegründet wurde, um einen reinen WordPress-Hoster handelt, merkt man direkt beim Namen und der WP-typischen CamelCase-Schreibweise. Dabei handelt es sich um echtes Managed WordPress-Hosting, d. h. HostPress kümmert sich um den WordPress-Core, die installierten Plugins und Templates. Die automatischen Updates erfolgen bei bekannten Sicherheitslücken durch die Mitarbeiter von HostPress. Natürlich kann man alle Instanzen zentral verwalten und manuelle Updates über das WordPress Toolkit von Plesk fahren. In einem Video-Interview mit dem Gründer erfährt man noch ein bisschen mehr über das Unternehmen.

Mittlerweile hat HostPress den ehemaligen Konkurrenten WP-Projects übernommen, den ich hier auch empfohlen hatte bzw. ist mit diesem verschmolzen. Hier sieht man, dass beide Unternehmen eine ähnliche Philosophie verfolgt haben!

Die Tarife von HostPress

Die Tarifstruktur bei HostPress ist relativ einfach: Es gibt einen Start–Tarif mit einer WordPress-Instanz und 5 GB Speicherplatz für 29 EUR im Monat, der laut HostPress für Seiten bis 100.000 Besucher monatlich empfohlen wird.

Der Plus Tarif ist noch eine ganze Ecke leistungsfähiger: Für nur 49 EUR im Monat bekommt man 15 GB Speicherplatz (auf SSDs) und Unterstützung für WooCommerce. Für größere Firmen mit mehreren Webseiten, Agenturen oder Resellern bietet HostPress spezielle Multitarife für das WordPress Hosting an. Bei 3 WordPress-Webseiten geht es mit 67 EUR monatlich los, 6 Webseiten kosten 113 EUR monatlich und 12 WordPress-Instanzen 149 EUR monatlich.

Als Reseller oder Agentur oder aber bei wirklich großen Webseiten und Onlineshops würde ich allerdings gleich zu einem Managed Cloud WordPress Server raten. Damit lassen sich beliebig viele WordPress Webseiten auf einem eigenem Managed WordPress Server verwalten. HostPress kümmert sich dabei um die technische Administration und stellt einen bereits komplett eingerichteten, dedizierten Server zur Verfügung. Durch die Serververwaltungsoberfläche Plesk kann im Grunde jeder so seinen eigenen Server administrieren und ist dennoch sicher und schnell unterwegs. Domains beginnen bei 18 EUR im Jahr (.de /.eu ).

HostPress bietet Neukunden einen kostenlosen Umzugsservice an, um die Wechselhürde zu senken und für den Kunden möglichst reibungslos zu gestalten!

Die Technik bei HostPress

HostPress stellt jeder Instanz dedizierte Serverressourcen in einem Hochverfügbarkeits-Cluster zur Verfügung. Alle Seiten werden komplett auf SSDs gehostet und mittels NGINX, HTTP/2 und PHP 7.4 inkl. OPcache und MySQL 5.7 betrieben.

Der eigens entwickelte Rocket Cache ist im Grunde ein NGINX-Microcache mit 5 Sekunden Ablaufzeit plus ein Pagespeed-Plugin für das Kombinieren und Minifizieren von CSS, JS und HTML, GZIP, dem Setzen von Expire Dates im HTTP-Header, Lazy Loading, dem Entfernen von Query Strings von statischen Ressourcen und einem eigenen Cache für Mobilgeräte sowie Datenbankoptimierungstools. Nichts, was es nicht bei einem guten WordPress-Pagespeed-Plugin auch gibt. HostPress bewirbt das System damit, dass es Lastspitzen abfangen und bis zu 80 Mio. Hits pro Tag vertragen soll.

HostPress hat zusätzlich noch ein paar tolle Sicherheits-Funktionen integriert, die quasi einem CDN ähneln, beispielsweise eine Bruteforce und DDoS-Protection sowie eine Web Application Firewall. Eine WAF setze ich bei meinem Hosting ebenfalls ein und halte die Filterung des Traffics mittels ModSecurity für eine wirklich gute Sache. Viele automatisierte Anfragen, die bestimmte Sicherheitslücken ausnutzen, werden somit bereits auf WAF-Ebene herausgefiltert und erreichen erst gar nicht den Webserver. In Sachen Sicherheit gibt es noch einen Outbound-Spam-Protector, der dafür sorgt, dass kein Spam über das WordPress versendet werden kann. Das integrierte Malware-Scanning und -Patching sorgt dafür, dass Schadsoftware erkannt wird und verschiebt die betroffenen Dateien in eine Quarantäne.

Was HostPress aus meiner Sicht einzigartig macht, sind die besonderen Leistungen, die man bei vielen anderen Hostern extra bezahlen oder sich selbst darum kümmern muss: Neben einem kostenlosen Umzugsservice hat das HostPress-Team wirklich einen exzellenten Support. So wird man bei Lastproblemen im Backend, oder schlechten Ladezeiten im Frontend nicht nur beraten, sondern HostPress nimmt direkt  Änderungen im Code vor und kann alle Optimierungen innerhalb der WordPress-Instanz unmittelbar umsetzen. Dazu wird die Erreichbarkeit deiner Webseite rund um die Uhr überwacht und es gibt selbstverständlich täglich automatische Backups.

Mein Fazit zu HostPress

HostPress setzt im Grunde auf einen identischen Stack, wie ich ihn auch im Einsatz habe. Plesk und das WordPress Toolkit ermöglichen eine komfortable Verwaltung inkl. Staging und Sync. Flotter und moderner Webserver NGINX mit PHP 7.x, OPCache und Microcache für eine gute Performance und deren WAF und CDN-Funktionen für zusätzliche Sicherheit. Alles in Allem macht HostPress wirklich einen guten Eindruck und ich war bei meinen Tests überaus zufrieden mit dem gebotenen Support und der Leistung der Server. Hier bekommt ihr ein rundes Paket aus Deutschland mit ausgezeichnetem Support. Definitiv eine Empfehlung! 

Mit dem Code „25-search-one“ sparst Du als Neukunde 25 € bei HostPress!

---

2. WP Pro Hosting von IONOS

Mittlerweile bietet der Hyperscaler IONOS, der zum 1&1-Konzern und damit zu United Internet gehört echtes Managed WordPress-Hosting mit den sogenannten „WP Pro“-Tarifen und die haben es im Gegensatz zum Shared Hosting wirklich in sich.

Die Tarif von IONOS

Los geht es im günstigsten Tarif One mit 10 GB SSD-Speicher, einem vCore und 2 GB RAM für nur 15 EUR im Monat. Da hier allerdings weder Varnish Cache, noch das CDN inklusive sind, eignet sich das Angebot aus meiner Sicht nur für kleine WordPress-Webseiten mit relativ wenig Traffic.

Deutlich besser ausgestattet ist der Advanced-Tarif für 40 EUR im Monat. Hier sind 40 GB SSD, 2vCores, 4 GB RAM inklusive. Außerdem lässt sich ein vorkonfigurierter Varnish Cache nutzen, sowie CloudFlare Pro als CDN und ein Malware Schutz ist ebenfalls integriert. Das sind gute Voraussetzungen um Webseiten zu hosten, die auch mal etwas mehr Traffic erhalten dürfen. Achtung: Dieser Tarif ist jedoch auf eine WordPress-Instanz beschränkt!

Wer bis zu 10 WordPress-Projekte in einem Paket hosten möchte, muss bei IONOS zum Agency-Tarif für 100 EUR im Monat greifen. Hier erhält man neben 100 GB SSD-Speicher satte 6 vCores und 10 GB RAM. Außerdem ist Plesks SEO-Toolkit bereits inklusive. Der Varnish Cache, das CDN, der integrierte Malware Schutz sowie unbegrenzt SSL-Zertifikate von Let’s encrypt stehen hier selbstverständlich ebenfalls zur Verfügung.

Die Technik von IONOS

Die Cloud von IONOS ist sehr leistungsstark und top angebunden. Man setzt hier auf einen modernen Stack mit NGINX, PHP 7.3 mit OPcache, Varnish Cache, HTTP/2, SSL-Zertifikat und automatischen Updates und Staging-Umgebung über Plesks WordPress Toolkit. Außerdem ist ein Malware Schutz und professionelles E-Mail Hosting ebenfalls kein Problem.

Mit über 1 Million WordPress-Websites auf den Servern von IONOS weiß man genau, was die Kunden bei der Erstellung ihrer Projekte brauchen. Was die garantierten Ressourcen wirklich wert sind wird unser Last- und Performancetest zeigen.

Mein Fazit zu IONOS

In Sachen Features kann IONOS mit den neuen WP Pro Tarifen, dank Plesks WordPress Toolkit zwar mit den WordPress-Spezialisten gleichziehen, allerdings schlägt sich das auch deutlich im Preis nieder.

Mit einer sehr ordentlichen Ausstattung ist das Advanced Paket 40 EUR im Monat für eine WordPress-Seite ein echter Preis-Leistungs-Tipp.

Spannend wird es, wie sich die WP Pro Tarife von IONOS im Vergleich mit dem Managed WordPress-Hosting von HostPress schlagen wird, denn dort erhält man vergleichbare Leistung für etwas mehr Geld (25 statt 15 EUR im kleinsten, 59 statt 40 im mittleren und 129 statt 100 EUR im größten Tarif). Der Support der Spezialisten von HostPress kann wahrscheinlich besser bei WordPress-spezifischen Fragen und Problemen helfen.

---

Shared-Hosting

Wie Ihr wahrscheinlich bei der Durchsicht der Managed WordPress-Hostings festgestellt habt, unterscheiden sich einige der WordPress-Hoster gar nicht so sehr von den Angeboten klassischer Webhoster. Die guten Hoster setzen nämlich sowieso auf NGINX mit HTTP/2 und PHP7 und einige klassische Webhoster können via Plesk und dessen WordPress Toolkit dieselben Funktionen bieten, die man von einem optimierten WordPress-Hoster erwarten würde. Ich habe hier mal exemplarisch ein paar Screenshots aus meinem Plesk von search-one.de angefertigt, damit Ihr seht, wie sowas aussehen kann:

Ich bin kein Fan von Shared Hosting ohne garantierte Ressourcen oder harte Limits, was die Anzahl der Kunden je Server angeht, denn man hat im klassischen Shared Hosting früher oder später immer ein Problem mit der Performance. Anfangs ist meist alles super, solange man auf einem neuen Server ist, der noch nicht mit Kunden vollgestopft wurde, aber nach und nach wird dann alles immer langsamer und schwerfälliger.

Für irgendeinen Mini-Blog oder eine Webseite mit wenig Traffic kann man sowas durchaus einsetzen, wenn Ihr mit Eurer Website aber Euer Einkommen erwirtschaftet (zumindest zum Teil), dann solltet Ihr aus meiner Sicht nicht am falschen Ende sparen und Eurer Website ein flottes Hosting spendieren!

Aber sehen wir uns mal die klassischen Hoster im Detail an: (Übrigens habe ich hier ausschließlich Hoster aus Deutschland aufgeführt, weshalb ich das Thema Datenschutz nicht mehr explizit anspreche.)

---

1. netcup *Preis-Leistungs-Sieger*

netcup wurde mir in persönlichen Gesprächen bereits mehrfach empfohlen und auch ein Blick auf die Auszeichnungen des Hosters aus Karlsruhe lassen auf eine hohe Kundenzufriedenheit schließen.

Ein eigenes WordPress-Hosting gibt es bei netcup zwar nicht, aber das ist auch garnicht notwendig. Denn dank Plesk und WordPress ToolKit ist alles Notwendige im normalen Shared Hosting installierbar. Dieser Vorteil macht die günstigen Share Hosting Tarife sehr attraktiv!

Die Tarife bei netcup

In allen Tarifen sind SSH Zugang, SSL-Zertifikate, NGINX-Proxy, WPTK und Domains inklusive.

Los geht es mit Webhosting 1000 mit einer .de-Domain und 50 GB SSD Speicherplatz. Bei Webhosting 2000 sind es 3 .de-Domains oder 1 Alternativdomain samt 150 GB SSD Speicherplatz. Darüber folgt Webhosting 4000 mit 6 .de-Domains oder 2 Alternativdomains und stolzen 500 GB SSD und ermöglicht neben PHP auch Ruby und NodeJS. Für sehr Speicherintensive Webseiten gibt es schließlich das Webhosting 8000 mit 12 .de-Domains oder 3 Alternativdomains samt 1.000 GB SSD Speicherplatz.

Die Technik bei netcup

In Sachen Technik bleiben im Grunde keine Wünsche offen. netcup ist bekannt dafür, als „Early Adopter“ aktuelle Features schnell seinen Kunden bereit zustellen. Webhosting-Kunden können sogar bereits auf die neueste PHP Version über das CCP von netcup wechseln. Dort findet sich beim Webhostingtarif der Menüpunkt „PHP-Einstellungen“. Dieser erlaubt einen schnellen Wechsel der PHP-Version, falls Deine WordPress-Website aktuell noch Probleme damit hat.

NGINX als Proxy sowie das WordPress-Toolkit in allen Shared Hosting Tarifen bei netcup inklusive.

Die Skalierbarkeit bei netcup ist hervorragend: Beansprucht eine Website mehr Ressourcen, werden diese automatisch bereitgestellt. Wird die Leistung dauerhaft benötigt, kann man ganz einfach und ohne Neuinstallation in einen höheren Tarife mit mehr Leistung upgraden. Die Hostingumgebungen sind auf sehr gute Ausfallsicherheit und Datensicherheit ausgelegt. Langsame Wirtsysteme oder schlechte Internetanbindungen gibt es bei netcup nicht. An der Hardware wird nicht gespart: Server kommen von DELL und HP, die Router und Switches beziehen wir von Juniper Networks.

Das Rechenzentrum von netcup in Nürnberg ist durch die Einbindung in den Anexia Backbone Europe mehrfach redundant an wichtige Knotenpunkte des Internets, wie dem DE-CIX, N-IX oder dem AMS-IX angebunden. Zu Anbietern wie Google, Amazon, Hetzner, Apple, Netflix und sogar der Deutschen Telekom hat netcup ein privates Peering mit 10 Gigabit. Das ist besonders wichtig für Webseiten mit vielen Besuchern aus dem Privatkundennetz der Telekom.

netcup bietet einen Appinstaller an, der WordPress auf Knopfdruck installiert und für automatische Updates sorgt das WPTK. Der Installer kann natürlich auch andere CMS installieren, für WordPress funktioniert er jedenfalls hervorragend.

Mein Fazit zu netcup

netcup ist sehr empfehlenswert! Hier bekommt man ein sehr schnelles und komfortables WordPress Hosting zu einem sehr guten Preis! Damit ist netcup mein Preis-Leistungs-Sieger im Bereich der klassischen Webhoster!

Der Support von netcup ist fix und kompetent. Nach spätestens 24 Stunden hat der Kunde garantiert eine Antwort, in der Regel liegt die Bearbeitungszeit für Support-Tickets jedoch deutlich unter 2 Stunden.

Besonders hervorheben möchte ich noch die Zufriedenheitsgarantie von netcup: Solltest Du in den ersten 30 Tagen mit Deinem Webhosting nicht zufrieden sein, kannst Du diesen stornieren und bekommst die komplette Grundgebühr erstattet.

---

2. IONOS by 1&1

1&1 hat als Hoster bei vielen keinen guten Ruf, ist aber nun mit seiner neuen Marke IONOS mit einer komplett neuen Infrastruktur am Start und hat mit seinen WP Pro Tarifen ein echtes Managed WordPress-Hosting im Angebot, die ich weiter oben beschrieben habe. Darüber hinaus bietet IONOS aber auch klassisches Shared Hosting, in dem sich WordPress ebenfalls installieren lässt.

Diese Tarife haben gegenüber dem Shared Hosting jedoch keine zusätzlichen Features. Der Unterschied zu den übrigen Shared Hosting Tarifen liegt in der höheren Performance der WordPress-Tarife.

Abgesehen davon, dass diese komplett auf SSD laufen (beim klassischen Hosting läuft der Webspace auf HDD, nur die Datenbank auf SSD), einfach mal zum Vergleich: Der größte Tarif aus dem klassischen Hosting (Tarif Premium für 20,- EUR/Monat) läuft auf dem gleichen Performancelevel wie der WP Essential. Das ist Level 3 mit 4,5 GB RAM garantiert. WP Business und WP Unlimited haben den höchsten Level 5, dort sind 9 GB RAM garantiert.

Die Technik bei IONOS

Einrichtung und Betrieb gelingen auch hier ohne Aufwand, der Stack setzt auf die bewährte Kombination von NGINX, PHP mit OPcache, HTTP/2, gzip und SSL-Zertifikat. Auf der Webseite ist es etwas schwierig den Unterschied zu dem „echten“ WordPress-Hosting zu finden, daher habe ich diese hier zusammen gestellt:

Im WordPress Shared Hosting bei IONOS muss man auf eine Staging-Umgebung, das komfortable Klonen und die Smart-Updates aus Plesks WordPress-Toolkit verzichten.

Sowohl die Anzahl der WordPress-Instanzen ist beschränkt, als auch die Anzahl der SSL Wildcard-Zertifikate!

Die Tarife bei IONOS

Die Tarife für die Shared-WordPress-Pakete beginnen bei Essential für nur 4 EUR im Monat mit 25 GB SSD-Speicher für eine WordPress-Seite (für bis zu 300 Website-Besucher pro Minute, inkl. 640 MB PHP Memory). Im Business-Tarif (für bis zu 500 Website-Besucher pro Minute, inkl. 768 MB PHP Memory) für 7 EUR im Monat gibt es 100 GB Speicher.

Für 18 EUR im Monat gibt es unbegrenzten Speicher im Unlimited–Tarif, der für bis zu 500 Website-Besucher pro Minute, inkl. 768 MB PHP Memory gut sein soll. Ab dem Business-Tarif bietet IONOS mit SiteLock auch einen Schutz gegen Malware und Sicherheitslücken im Unlimited Tarif ist auch das CloudFlare CDN inklusive Railgun integriert.

Mein Fazit zu IONOS Shared Hosting

Den Unlimited-Tarif halte ich mit 18 EUR für 200 GB SSD, 768 MB PHP Speicher auf NGINX-Basis und CloudFlare für ein absolutes Schnäppchen. Wie gut die Performance bei diesem Preis ist, lässt sich aktuell jedoch leider nur vermuten, da ich noch keine Zeit hatte hier einen ausführlichen Test durchzuführen.

Wer sich freut, dass man ja mehrere WordPress-Webseiten in einem Paket betreiben kann, muss 10 EUR im Monat für eine SSL-Flatrate hinzu rechnen. Denn im günstigen Essential Tarif und im Business-Tarif sind nur ein SSL-Zertifikat enthalten. Im Unlimited-Tarif sind es immerhin 3 SSL-Zertifikate, weshalb man dort nicht mehr als 3 WordPress-Instanzen sinnvoll betreiben kann.

Managed Updates lassen sich zwar, wie auch das CDN und sogar unlimitierte SSL-Zertifikate in den günstigen Tarifen gegen Aufpreis hinzu buchen, aber dann kann man aus meiner Sicht gleich auf die WP Pro Tarife wechseln!

---

3. ALL-INKL.COM

Der mit Abstand am häufigsten genannte Hoster in meiner Umfrage war erstaunlicherweise ALL-INKL.COM. Erstaunt war ich allerdings nur deshalb, weil sie kein dezidiertes WordPress-Hosting anbieten und weder NGINX noch Plesk einsetzen und damit auch nicht das WordPress Toolkit anbieten können!

ALL-INKL.COM ist ein bekannter und beliebter Hoster und relativ günstig für das Hosting mehrerer Webseiten auf einem Paket. Der Support ist ordentlich und ich würde sagen, ALL-INKL ist ein guter Deutscher Hoster und offensichtlich in meiner Peergroup, die sich um eigene Backup-Lösungen und die zentrale Verwaltung und Updates der WordPress-Instanzen selbst kümmert, sehr beliebt.

Ich habe mittlerweile selbst einen ALL‑INKL Business Webspace-Tarif bei ALL-INKL. gebucht und war anfangs vom guten Preis-Leistungsverhältnis begeistert, doch die Geschwindigkeit des Paketes ist mit der Zeit immer langsamer geworden!

Ohne Caching durch WP Rocket und CloudFlare wäre meine Webseite bei ALL-INKL viel zu langsam. Das Backend von WordPress ist zum Teil unerträglich langsam und das obwohl ich nur noch eine Hand voll Plugins verwende und die gesamte Installation extrem auf Effizienz getrimmt habe.

ALL-INKL. setzt auf klassisches Server-Sharding, was bedeutet, dass man zu Beginn eines neuen Tarifes auf einem nagelneuen Server landet, der noch nicht mit Kunden vollgestopft wurde. Im Business-Paket gibt es maximal 30 Kunden je Server, aber jeder dieser Kunden kann mehrere Domains und damit WordPress-Instanzen installieren und je nach Traffic und Größe kann das einen Server ausbremsen.

Tarife bei ALL-INKL.COM

Los geht’s bei ALL-INKL.COM im Bereich Shared Hosting im Privat–Tarif mit 4,95 EUR im Monat, wobei die ersten drei Monate kostenlos sind. Inkludiert sind 3 Domains, 50 GB Speicherplatz und maximal 5 MySQL-Datenbanken. Allerdings sind hier max. 100 Kunden auf einem Server untergebracht, also sollten Eure WordPress-Seiten dort nicht besonders viele Ressourcen beanspruchen. Bei mehr Traffic und Speicherbedarf geht es über 5 Domains mit 100 GB HDD im PrivatPlus für 7,95 EUR (max. 50 Kunden je Server), 10 Domains mit 250 GB Speicherplatz im Premium für 9,95 EUR (max. 50 Kunden je Server) bis hin zu 20 Domains mit 500 GB Speicherplatz im Business–Paket für 24,95 EUR (max. 30 Kunden je Server).

Natürlich bietet ALL-INKL.COM auch Managed Server, aber die sind aus meiner Sicht für den typischen WordPress-Nutzer oftmals nicht das Richtige.

Die Technik bei ALL-INKL.COM

Jeder ALL-INKL.COM Kunde kennt das KAS, den eigenen Administrationsbereich des Anbieters,  und der ist wirklich in die Jahre gekommen – nett gesagt. Darin sind, abgesehen von einer 1-Klick-Installation, keine WordPress-spezifischen Funktionen hinterlegt. Um Updates, Backups und zentrale Verwaltung muss man sich selbst kümmern, ebenso um die Performance-Optimierung.

In Sachen Stack ist ALL-INKL.COM ebenfalls in die Jahre gekommen. HTTP/2 wird erst ab Apache 2.4 unterstützt, d. h. wer einen älteren Webhosting-Tarif hat und sich auf einem Server mit einer älteren Apache-Version befindet, muss auf einen anderen Server umziehen. Bei einem Managed Server kann natürlich direkt ein Upgrade der Server-Software durchgeführt werden. Zumindest unterstützen alle Tarife die SSL-Erweiterung die Einbindung von kostenlosen „Let’s Encrypt“-Zertifikaten. Um WordPress auf einem ALL-INKL.COM-Shared-Hosting auf die Beine zu helfen, könnt ihr euch mal den folgenden Artikel ansehen. Mit Festplatten-Caching über ein Caching-Plugin kann man zumindest die Last vom Server nehmen. Object-Cache oder gar Redis stehen nicht zur Verfügung, dafür braucht man dann einen vServer. Nginx gibt es nicht, alles läuft unter Apache.

Mein Fazit zu ALL-INKL.COM

Wenn man 3 bis 20 WordPress-Instanzen mit sehr wenig Traffic sehr günstig hosten will, ist ALL-INKL.COM eine Überlegung wert, denn auf das kleinste Paket könnte man theoretisch drei Domains mit jeweils eigener WordPress-Instanz legen und landet so bei unter 2 EUR pro WordPress im Monat. Besonders viel Traffic solltet ihr allerdings nicht darauf haben, denn in diesem Tarif teilen sich jeweils 100 Kunden einen Server.

Bei größeren Websites mit mehr Traffic würde ich persönlich nicht zu ALL-INKL.COM raten, denn es handelt sich um Shared Hosting ohne garantierte Ressourcen und für 24,95 EUR bekommt man schon bei spezialisierten und damit aus meiner Sicht besseren Hostern ein ordentliches Paket! Ein echter Nachteil ist aus meiner Sicht das Fehlen von Plesk.

In Sachen Support gehört ALL-INKL.COM zu den besseren Hostern. Sie bieten sogar telefonischen Support und sind per E-Mail rund um die Uhr erreichbar. In den Berichten in meiner Umfrage waren alle Kunden mit dem Support zufrieden.

---

Nicht empfehlenswerte Hoster

Domainfactory

Domainfactory ist ein sehr bekannter und großer Hoster, der insbesondere mit Domainhosting groß geworden ist. In Sachen WordPress gibt es eine 1-Klick-Installation und SSD-Festplatten sowie tägliche Backups. Im Managed-Hosting-Paket Basic geht es bei 3,99 EUR im Monat für 25 GB SSD Speicher sowie 64 MB RAM und maximal 30 Sekunden CPU-Laufzeit los. Am oberen Ende steht das Managed-Hosting-Paket Ultimate für 39,99 EUR mit 400 GB SSD, 256 MB RAM und 120 Sekunden Scriptlaufzeit.

Die Technik bei Domainfactory

Domainfactory setzt im Shared Hosting auf einfachstes Apache-Hosting. Also nicht besonders schnell. PHP steht von 5.2 bis 7.2 zur Verfügung. Durch die SSD kann man immerhin mit einem WordPress-Caching-Plugin, das die Seiten als statische HTML-Dateien auf der Festplatte ablegt, etwas Stabilität und Geschwindigkeit zulegen. FastCGI und APCu stehen erst bei den dedizierten Servern (z. B. ManagedServer und ResellerDedicated) zur Verfügung. In den Shared-Hosting-Paketen ist eine Nutzung nicht möglich!

Der Serverstandort Deutschland ist allerdings aufpreispflichtig, dann kommt man offenbar ins Rechenzentrum der Konzernschwester Host Europe nach Köln. Ansonsten stehen die Server von Domainfactory im Rechenzentrum in Straßburg, also in Frankreich!

Mein Fazit zu Domainfactory (df)

Laut den Berichten in meiner Umfrage hat Domainfactory seit der Übernahme durch GoDaddy anscheinend stark nachgelassen. Das ehemalige Versprechen Hosting made in Germany gilt längst nicht mehr und die Preise sind aus meiner Sicht alles andere als attraktiv. Insbesondere für das Hosting von WordPress-Websites bietet df nicht mehr als andere Anbieter und ist daher nicht zu empfehlen.

---

Mittwald

Mittwald hat sich vor 10 Jahren insbesondere im Bereich TYPO3-Hosting einen Namen gemacht. Das eigene Webhosting wird als Einsteiger-Tarife als „genau richtig für kleinere Websites und Blogs“ präsentiert. Das kleinste Paket geht bei 4,99 EUR im Monat mit 50 GB SSD und 256 MB Arbeitsspeicher los. Für anspruchsvolle Websites solle man eher zu einem Managed vServer mit zugesicherter Leistung ab 29,99 EUR im Monat greifen. Bei einem stark frequentierten WordPress rät Mittwald zu dedizierter Hardware mit einem eigenen Managed Server ab 99,99 EUR im Monat.

Die Technik bei Mittwald

Wie viele Standard-Hoster setzt Mittwald auf PHP-FPM über Apache und MySQL 5.7 sowie SSD-Festplatten in allen Webhosting-Tarifen. Für die notwendige Geschwindigkeit sorgen OPcache und APCu. In Sachen Sicherheit hat man im Webhosting Paket L ein tägliches Backup der letzten sieben Tage und in größeren Paketen sogar 14 bis 28 Tage rückwirkend. Bei den Servern hat man natürlich die Möglichkeit, seinen eigenen Stack aufzubauen.

---

HostEurope

HE ist ebenfalls ein sehr großer und bekannter Hoster, der mittlerweile vom weltweiten Giganten GoDaddy übernommen wurde. Dort gibt es zwar kein echtes WordPress-Hosting, aber eben die Möglichkeit, WordPress als vorinstalliertes Paket auf einem klassischen Shared Hosting zu nutzen. Eine Staging-Umgebung für unkompliziertes Testen und Entwickeln ist ebenfalls inklusive. Los geht es mit dem Einsteigerpaket WP Basic für einen kleineren Blog für 4,99 EUR im Monat mit 25 GB Speicherplatz.

Den NGINX für eine schnellere Auslieferung von statischen Ressourcen, also eingebundenen Bildern, Videos etc. gibt es jedoch erst ab dem Paket WP Server für 39,99 EUR im Monat. Darin hat man dann auch 250 GB Speicherplatz und 4 GB für die MySQL-Datenbank auf der SSD.

Fazit: Ein stolzer Preis für die gebotene Leistung. Nicht wirklich zu empfehlen. Für 39,99 EUR bekommt man bei einem richtigen WordPress-Hoster deutlich mehr fürs selbe Geld.

---

Hostinger

Hostinger hatte ich lange garnicht auf dem Schirm, dabei gibt es das litauische Unternehmen bereits seit 2004. Damals sind die Gründer mit 000webhost.com angetreten, komplett kostenloses Hosting mit PHP, MySQL, cPanel und ohne Werbung anzubieten. Daraus ist ein echter Hosting-Gigant innerhalb der EU geworden. Hostinger hat mittlerweile 30 Millionen Nutzern in 178 Ländern.

Die Tarife bei Hostinger

Der Hauptgrund warum Menschen zu Hostinger wechseln sind die günstigen Preise. Auf den eigenen Shared-Hosting-Servern bietet Hostinger WordPress-Pakete bereits ab 0,99 EUR im Monat an. Hier bekommt man allerdings keinerlei Auskunft über zugewiesene Ressourcen oder bereitgestellte Leistung, was für mich immer ein Warnsignal ist! Diese Tarife sollte man also keinesfalls für eine professionelle Webseite, oder gar einen Onlineshop verwenden, dafür sind vielleicht die Cloud Hosting Tarife von Hostinger geeignet:

Hier geht es bei 3,99 EUR im Monat los. Wie man damit 100 Websites betreiben will, ist mir allerdings ein Rätsel. 25.000 Besuche monatlich sind weniger als 1.000 Besucher am Tag. Das WordPress Premium Paket für 17,99 EUR im Monat klingt schon ernstzunehmender. Damit sollen 300.000 Besuche abgewickelt werden, was 10.000 Besucher am Tag entspricht. Im größten Paket Cloud Global gibt es für 69,99 EUR im Monat dann doch noch ordentlich Leistung! Mit Hosting in der Google Cloud, 300 GB SSD-Speicher, 16 GB RAM und 8 CPU-Kerne also sicher ausreichend Leistung, und dafür verhältnismäßig günstig!

Die Technik bei Hostinger

Technisch setzt man dort auf den altbekannten Stack: HTTP/2, PHP7, NGINX und benutzerdefiniertes, vorinstalliertes Caching-Plugin. In Sachen Sicherheit greift hostinger auf die Dienste von BitNinja zurück, die Honeypots, Malware Detection & Removal, Intrusion Detection sowie IP Reputation und eine (D)DoS Protection bieten. Nichts besonderes, aber auch nicht schlecht.

Mein Fazit zu Hostinger

Bei diesen Preisen gehe ich schon davon aus, dass man mit hunderten anderen Kunden auf einem Shared-Hosting hockt und der Support darin besteht, bei Problemen mit Upgrades und Zusatzleistungen die Kosten nach oben zu treiben. Wenn ich mal ein wenig Zeit finde, werde ich das Hosting dort trotzdem mal auf Herz und Nieren testen. Günstig zum Einstieg ist es jedenfalls, aber ohne deutschsprachigen Support und ein gewisses Maß an Vertrauen bleibe ich skeptisch.

---

webgo

webgo habe ich früher gerne als günstigen Hoster empfohlen. Die SSD-Hosting-Tarife sind fair bepreist, Support und Technik sind in Ordnung. Allerdings haben sich hier die Berichte über Ausfälle und fehlende Backups eine Zeit lang überschlagen, weshalb ich aktuell leider nicht mehr guten Gewissens zu webgo raten kann.

---

Nicht EU-Datenschutzkonforme Hoster

Aufgrund des EuGH-Urteils zum Privacy-Shield-Abkommen besteht derzeit eine Rechtsunsicherheit für Hoster und Cloud-Anbieter, die ihren Hauptsitz oder ausschließlich Rechenzentren außerhalb der EU haben.

WPX – Kein Rechenzentrum in der EU

WPX.net, zweifelsohne einer der schnellsten WordPress-Hoster (WPX setzt auf Litespeed statt Apache oder NGINX), disqualifiziert sich leider für deutsche Kunden. WPX hat im Gegensatz zu den meisten internationalen Hostern keinerlei Upsells, von denen die meisten bei anderen Hosting-Unternehmen entweder völlig unnötig sind und/oder in der Hosting-Gebühr enthalten sein sollten.

Obwohl WPX wirklich ein tolle Firma mit ausgezeichtem Preis-Leistungsverhältnis ist UND seinen Hauptsitz in Bulgarien, also innerhalb der EU hat, setzt WPX ausschließlich auf Rechenzentrumsstandorte in den USA, UK und Australien und ist damit offenbar nicht EU-datenschutzkonform.

Unser australisches Rechenzentrum befindet sich in Sydney, Australien, während sich unser britisches Rechenzentrum in London befindet und unser US-Standort im größten Rechenzentrum der Welt liegt: Das Lakeside Datacenter in Chicago.

WPX ist außerdem der einzige Hoster weltweit (so weit ich weiß) mit einem eigenen CDN, ohne dabei auf Drittanbieter zurückzugreifen. Das CDN hat sogar zwei Knoten in Amsterdam und zwei in Frankfurt, aber wenn die zentralen Webserver, auf denen die Webseite läuft, nicht innerhalb der EU liegen, ist das in Sachen Datenschutz / DSGVO / TTSDG leider nicht ausreichend.

Bei WPX konzentriert man sich offensichtlich auf Kunden ausserhalb der EU, was angesichts der Größe des englischsprachigen Marktes auch nicht weiter verwunderlich ist. Deren GDPR Compliant Privacy Policy wurde seit Mai 2018 nicht mehr aktualisiert, trotz vieler rechtlicher Änderungen seit dem.

Wieso sollte man sich mit so vielen Ländern, Sprachen und Regulierung innerhalb der EU rumschlagen, wenn es auch einfacher geht 😉

---

Kinsta – US-Hoster

Kinsta wurde 2013 als reine WordPress-Hosting-Plattform gegründet. Das Team besteht aus erfahrenen WordPress-Entwicklern, die das beste WordPress-Hosting bauen wollten, das es auf dem Markt gibt. Und das merkt man auch! Daher hat Kinsta im Gegensatz zu vielen anderen Hostern auch kein Cpanel oder Plesk im Einsatz, sondern eine eigene Website-Verwaltung. Diese bietet im Grunde dieselben Funktionen, wie das Anlegen neuer Webseiten, Erstellen von Staging-Servern, Klonen von WordPress-Instanzen, etc.

So sieht das Ganze aus

Kinsta ist international aufgestellt, das Kernteam sitzt in London und Zürich, und der deutsche Markt wird erst seit Kurzem direkt adressiert. Daher ist der Support auf Englisch rund um die Uhr erreichbar, der Support in deutscher Sprache ist werktags zwischen 9:00 und 17:00 Uhr erreichbar. Bezahlt werden kann aktuell nur in US-Dollar, das Bezahlen mit Euro soll in Kürze angeboten werden.

Die Tarife von Kinsta

Wie Ihr schon in den Screenshots sehen könnt, hat Kinsta ein echt breites Angebot. Im Kern verbirgt sich dahinter aber immer dieselbe Leistung, jeweils in anderen Skalierungen. Los geht es mit dem Starter–Paket bei 35 USD im Monat für eine WordPress-Installation mit bis zu 25.000 Besuchern im Monat und 10 GB SSD-Speicher. Etwas happig, aber immerhin ist die Nutzung des CDN bereits inklusive. Dann skaliert das Ganze nach oben, beispielsweise werden im Business-1-Paket für 5 WordPress-Instanzen und 30 GB SSD mit bis zu 100.000 Besuchern 100 USD monatlich fällig, im Highend-Bereich sind wir dann im Tarif Enterprise 1 schon bei 675 USD im Monat, allerdings verträgt das Paket dann auch 1.000.000 Besucher und bis zu 60 WordPress-Instanzen mit 100 GB SSD! Die SSDs sind aus meiner Sicht auch mehr als ausreichend, denn Backups und die Staging-Umgebungen werden nicht berechnet, sind also inklusive.

Natürlich gibt es auch hier kostenlose Webseiten-Migration. Domains können über den integrierten Premium-DNS-Service Amazon Route 53 verwaltet werden. Das globale Anycast-Netzwerk von Amazon sorgt dabei für minimale DNS-Latenzen.

Die Technik bei Kinsta

Was Kinsta von den anderen Hostern unterscheidet: Es ist ein echter Cloud-Hoster, denn man setzt hier vollständig auf die Google Cloud Platform. Dort hat man die Auswahl zwischen 19 globalen Rechenzentren (natürlich auch mit einem Rechenzentrum in Frankfurt) und ist über den Premium-Tier (also die schnellste Anbindung) von Google angebunden. Besser geht es also nicht. Außerdem kann die Website so im Erfolgsfall problemlos mitwachsen und bekommt keine Probleme, wenn der Traffic mal durch die Decke geht!

Im Oktober 2019 hat kinsta nochmal eine Schippe drauf gelegt und die Ladezeiten aller gehosteter Webseiten um den Faktor 200% verbessert:

Der Hosting-Stack ist ebenfalls State of the Art, also Nginx mit Full-Page-Caching, HTTP/2, PHP 7, LXD-Container (eine OpenSource-Docker-Alternative) und MariaDB. Jede Website läuft vollständig isoliert mit automatischer Skalierbarkeit und hoher Verfügbarkeit über die Google Cloud. Für ältere Scripte steht auch noch PHP 5.6 zur Verfügung oder man geht direkt auf 7, 7.1, 7.2 oder 7.3 – also bleibt kein Wunsch verwehrt. Als Upgrades kann Nginx als Reverse Proxy dazugeschaltet werden. Zusätzlich gibt es noch eine Partnerschaft mit KeyCDN, oder man wählt Cloudflare Railgun, Elastricsearch oder Redis als Zusatzpaket für jeweils 100 USD je Monat und Seite. In Sachen Sicherheit gibt es Hardware-Firewalls, automatische Backups und die DDoS-Erkennung der Cloud. Jede Website wird rund um die Uhr überwacht und alle 2 Minuten mit New Relic auf ihren Status überprüft.

Mein Fazit zu Kinsta

Das Hosting von Kinsta wäre wohl das Ergebnis, wenn sich ein paar WP-Nerds zusammensetzen und aus den besten Diensten und der besten Software ein High-End-WordPress-Hosting zusammensetzen würden. NGINX mit FullPage-Cache und dem Helper-Plugin auf der Google Cloud und vorgeschaltetem CDN ist schon wirklich eine feine Sache. Hier wird in jedem Bereich einfach die optimale Lösung gewählt, was das Paket insgesamt aus meiner Sicht unschlagbar macht. Die Preise von Kinsta halte ich angesichts der gebotenen Leistung für absolut fair. Richtig geil ist der kostenlose Hack-Bereinigungsservice von Kinsta, d.h. wenn Ihre Website gehackt wird, wird diese sofort von Kinsta wieder repariert! Kinsta ein internationales Unternehmen mit Sitz in den USA und Büros in London und Budapest, bietet derzeit also (noch) keinen deutschen Support.

Ehrlicherweise bin ich kein Freund von Hosting in der Cloud, wenn man die flexible Skalierung nicht unbedingt braucht. Solltet ihr aber TV-Werbung schalten, oder in die Höhle der Löwen wollen, ist Kinsta meine erste Wahl in Sachen Highend-WordPress-Cloud-Hosting.

ACHTUNG: Aus Datenschutzgründen rate ich explizit zu einem Hosting innerhalb der EU, am besten direkt in Deutschland!

---

Siteground US-Hoster

Der US-Hosting-Anbieter Siteground hat neben klassischen Hosting-Paketen auch ein Managed WordPress Hosting im Angebot. Auf der Tarifseite wirbt Siteground damit, offiziell von WordPress.org empfohlen zu sein und tatsächlich findet sich auf einer Unterseite bei WordPress.org eine Auflistung von drei WordPress Web Hosting Anbietern, die ich natürlich umgehend in meinen Hosting-Vergleich aufgenommen habe.

Die Tarife von Siteground

Los geht es, bei jährlicher Zahlweise, mit dem StartUp-Tarif für 12,99 EUR (netto) im Monat. Darin enthalten ist eine WordPress Instanz mit etwa 10.000 Besuchern im Monat und 10 GB SSD-Speicherplatz. Allerdings fehlen hier die Premium WordPress Features, wie der sogenannte WordPress Special Cache sowie das Staging-System. Diese sind ab dem GrowBig-Paket für 22,99 EUR (netto) monatlich enthalten. Darin können beliebig viele WordPress Instanzen gehostet werden. Eingeschränkt wird das Paket durch 20 GB SSD-Speicherplatz, sowie der Leistung für etwa 25.000 Visits im Monat. Darüber gibt es nur noch das GoGeek-Paket für 39,95 EUR (netto) monatlich mit 40 GB SSD-Speicher und bis zu 100.000 monatlichen Besuchern. In jedem Account ist das CloudFlare CDN bereits enthalten.

Die Technik bei Siteground

Siteground verfügt über insgesamt sieben Datencentern auf drei Kontinenten und hat neben den Standorten in London und den Niederlanden mittlerweile sogar ein eigenes Data-Center in Frankfurt! Als Betriebssystem kommt CentOS zum Einsatz und eine Kombination aus Apache und NGINX liefert die Webseiten via HTTP/2 aus. Es kommen insgesamt drei Cache-Ebenen zum Einsatz (StartUp-Paket nur Ebene 1!): Statischer Inhaltscache, dynamischer Daten-Cache via NGINX, sowie ein Datenbank-Cache auf Basis von Memcached. Also nix Besonderes, aber ein solider Stack. PHP steht in den Versionen 7.4, 7.3, 7.2, 7.1, 7.0 und 5.6 zur Verfügung. Das integrierte Staging-System gibt es ab dem GrowBig-Paket – klar, denn hierfür benötigt man natürlich mehr als eine WordPress-Instanz. Als einziger Anbieter hier im Vergleich setzt Siteground auf CPanel statt auf Plesk oder eine eigene Lösung!

Als echter Managed-WordPress-Hoster bietet Siteground automatische WordPress-Software- und Plugin-Updates. Die integrierte Firewall soll Sicherheitsrisiken minimieren und das Siteground-Team führt selbstständig Patches gegen Exploits durch, und das sogar noch bevor die offiziellen Entwickler ein Sicherheitsupdate veröffentlichen! Der Support ist 24/7 via Telefon, Chat und Ticket-System erreichbar.

Mein Fazit zu Siteground

Technisch finde ich, dass Siteground nichts Besonderes bietet, aber ein solides Angebot an Managed WordPress Hosting-Paketen bietet. Siteground ist selbstverständlich DSGVO-konform und kann daher bedenkenlos verwendet werden. Scheinbar gefielen den Betreibern die neuen Richtlinien zur Verarbeitung personenbezogener Daten der EU so gut, dass diese nun für alle Nutzer gelten, unabhängig von ihrer Staatsangehörigkeit oder ihrem Standort. Sehr löblich wie ich finde. Ebenfalls cool finde ich, dass CloudFlare inkl. WAF und Dienste wie Sicherheitspatches in allen Paketen inklusive sind!

Wenn Ihr Euch noch die Aktionspreise sichern könnt und keinen deutschen Support braucht, ist Siteground aus meiner Sicht ein echtes Schnäppchen!

ACHTUNG: Aus Datenschutzgründen rate ich explizit zu einem Hosting innerhalb der EU, am besten direkt in Deutschland!

---

WP Engine US-Hoster

Bei WP Engine handelt es sich um ein echtes WordPress-Schwergewicht in den USA! Das Unternehmen wurde bereits 2010 mit dem klaren Fokus auf WordPress-Cloud-Hosting gegründet. Der größte reine WordPress-Hosting-Anbieter hat mittlerweile nicht nur das beliebte Genesis Framework übernommen, sondern auch gleich noch dessen Anbieter StudioPress samt 200.000 Kunden und sämtlichen Themes und im Oktober 2018 auch noch Array Themes und Atomic Blocks, einem Spezialisten für flexible Themes für Gutenberg. Darüber hinaus gehört auch der WordPress-Hoster flywheel zu WP Engine, der nach wie vor mit einem eigenen Angebot am Markt vertreten ist.

Tarife bei WP Engine

Los geht es bei WP Engine im STARTUP–Tarif zum Start einer kleinen Website oder eines Blogs für 28 EUR im Monat (aktuell nur 21 EUR mit dem Code wpe3free). Darin ist eine WordPress-Instanz enthalten, 10 GB Speicherplatz und 50 GB Traffic im Monat. Die Leistung soll für etwa 25.000 Besuche im Monat reichen. Wer mehr Traffic hat, bekommt im GROWTH–Tarif 10+ WP-Instanzen mit 20 GB Speicher und insgesamt maximal 100.000 Besuchern im Monat für 80 EUR. Eine richtig trafficstarke Seite oder eben 30+ WordPress-Instanzen mit maximal 400.000 Besuchern im Monat und 50 GB Speicher gibt es im Tarif Scale für 202 EUR im Monat.

Jeder Tarif hat isolierte Dev-, Stage-, Prod-Umgebungen, also die Möglichkeit, auf einer Entwicklungsumgebung neue Dinge zu programmieren, dann auf einer Staging-Umgebung sauber zu testen und anschließend auf die Produktiv-Umgebung, also die Live-Seite, zu überspielen. Sehr komfortabel.

Was richtig cool ist: Durch die Übernahmen des Unternehmens sind das Genesis Framework und alle (derzeit) 35 StudioPress-Themes im WP-Engine-Tarif enthalten. Dieses Framework habe ich auch in meinem Artikel Die besten WordPress Themes vorgestellt.

Die Technik bei WP Engine

Die Technik von WP Engine ist wirklich State of the Art. Webserver machen NGINX das Hosting natürlich PHP-7-fähig inkl. HTTP/2 und setzen auf den hauseigenen EverCache (Es kommt eine Kombination aus Memcached mit mcrouter und dem Varnish Cache zum Einsatz). Als Speichersystem hat WP Engine ein eigenes LargeFS (auf Gluster-Basis) entwickelt, das quasi unbegrenzten Speicherplatz auf Amazon S3 anbieten kann. Inklusive ist in allen Tarifen die Nutzung des weltweiten Content Delivery Networks (CDN). Obwohl WP Engine aus den USA kommt, kann man beispielsweise Frankfurt als Datencenter-Standort für die eigene Website auswählen. Die Cloud-Server kommen dabei aus der Google Infrastruktur und sind daher hervorragend weltweit angebunden.

In Sachen Sicherheit bietet WP Engine tägliche Backups und automatische WordPress-Updates. Ein eigenes System über AppArmor kann bösartiges Verhalten und Bedrohungen dynamisch erkennen und blockieren.

Nicht erlaubte Plugins

WP Engine hat als einer der wenigen Managed WP Hoster eine Liste nicht erlaubter Plugins, die die Stabilität des Systems gefährden oder zu ungewünschtem Verhalten führen können.

Laut WP Engine funktionieren die meisten Caching Plugins nicht mit deren eigener Caching Lösung. Daher werden Plugins wie WP Super Cache, WP File Cache, W3 Total Cache, WordFence, etc. automatisch deaktiviert. Das halte ich für nachvollziehbar und sinnvoll. Ich selbst nutze NGINX Full Page Cache und da würde ein Festplatten-Caching über ein Plugin nur eine unnötige weitere Schicht darstellen. Ebenso werden die üblichen Backup-Plugins deaktiviert, da diese in der Tat sehr ineffizient sind und WP Engine ohnehin jede Nacht Backups anfertigt. Darunter sind beispielsweise WP DB Backup, WP DB Manager, BackupWordPress und VersionPress.

Mein Fazit zu WP Engine

WP Engine ist ein Gigant unter den Managed WordPress Hostern. Mit allen Vor- und Nachteilen. Als einer der wenigen Hoster, bringt WP Engine einige Einschränkungen in Sachen Plugins mit sich, gewährleistet damit aber auch die Stabilität des Systems. Der Telefon-Support und der Chat-Support sind zu Deutschen Arbeitszeiten leider schlecht erreichbar und nicht besonders kompetent. Für wirklich trafficreiche Websites hat WP Engine als Gesamtpaket aus meiner Sicht kein gutes Preis-Leistungs-Verhältnis.

ACHTUNG: Aus Datenschutzgründen rate ich explizit zu einem Hosting innerhalb der EU, am besten direkt in Deutschland!

---

DreamHost US-Hoster

Auch der mehr als 20-Jahre alte Hoster DreamHost bietet unter dem Namen DreamPress ein Managed WordPress Hosting, das sogar von WordPress.org empfohlen wird.

Die Tarife von DreamHost

Preislich geht es bei 16,95 Dollar im Monat los. Dafür soll die Webseite 100.000 Besuche aushalten, allerdings noch ohne CDN. Für 24,95 Dollar im Monat bietet der DreamPress Plus Tarif dann eine WordPress-Instanz inkl. CDN und soll für rund 300.000 Besucher im Monat gut sein. Der Speicherplatz ist in allen Tarifen mit 30, 60 bzw. 120 GB SSD-Storage sehr groß bemessen.

Die großen DreamPress Plus- und Advanced-Pläne enthalten bereits Jetpack Professional, was DreamHost zu einer guten Wahl macht, falls man gerne Jetpack verwendet. Das Support-Team von DreamHost ist wirklich gut geschult besteht zum Teil sogar aus WordPress-Core-Entwicklern. Das bedeutet hier ist nichts ausgesourced und die Mitarbeiter kennen die Plattform in- und auswendig!

Die Technik bei DreamHost

DreamHost bietet eingebautes Caching, Staging und automatische tägliche Backups. Dazu gibt es einen kostenlosen Umzugsservice und automatische WordPress-Aktualisierungen für Core- und Sicherheitsupdates. Die integrierte Staging-Umgebung kann man beispielweise dazu nutzen, neue Plugins, Themen und Code auf sichere Weise zu testen, bevor die Änderungen live gehen.

Leider konnte ich ohne Testserver noch nicht mehr über den verwendeten Hosting-Stack bei DreamPress herausfinden. Mal sehen, wann ich Zeit finde, hier eine Testdomain anzulegen.

Mein Fazit zu DreamHost

In Sachen Managed WordPress Hosting sind die DreamPress-Pläne wirklich eine ordentliche Wahl für Benutzer aller Art. DreamPress ist ein vollständig gemanagtes Hosting, das speziell für WordPress entwickelt wurde. DreamHost stellt die Verfügbarkeit sicher, überwacht jede Website auf Probleme und führt Wartung, Updates und Backups durch. Der englische Support ist überaus kompetent und jederzeit erreichbar.

ACHTUNG: Aus Datenschutzgründen rate ich explizit zu einem Hosting innerhalb der EU, am besten direkt in Deutschland!

---

bluehost US-Hoster

Mit bluehost schließt sich der Reigen der von WordPress.org empfohlenen Hoster. Eigentlich handelt es sich bei bluehost um einen ganz normalen Webhosting-Dienstleister, zugegeben ein echtes Urgestein aus den vereinigten Staaten, das bereits seit dem Jahre 2003 im Hosting aktiv ist. bluehost unterstützt das Open Source Projekt WordPress bereits seit mehr als 10 Jahren und hat einige seiner Entwickler aus dem internen Entwicklungsteam der Vollzeit-WordPress-Core-Entwicklung gewidmet. Neuerdings bietet bluehost neben dem normalen WordPress Hosting auch eigene Managed WordPress Hosting Tarife an und qualifiziert sich damit für unseren großen Managed Hosting Vergleich.

Die Tarife von bluehost

Die Tarifstruktur ist etwas unklar, denn in sämtlichen Paketen sind unbegrenze WordPress Installationen, unbegrenzte Domains, unbegrenzte Subdomains, unlimitierter Speicherplatz und kein Traffic Limit enthalten?! Ebenso selbstverständlich sind tägliche automatische Backups und die Erkennung und Entfernung von Malware inkludiert.

Los geht es bei 18,15 EUR im Monat, allerdings nur, wenn man sich für 36 Monate bindet! Regulär kostet der kleinste Tarif 27,29 EUR monatlich:

Die Technik bei bluehost

US-Marketing-Typisch findet man über die eingesetzte Technik beim bluehost Managed WordPress Hosting sehr wenig heraus. Zumindest konnte ich nachlesen, dass ab dem WP Pro Paket SSDs zur Verfügung stehen und natürlich gibt es auch eine Staging-Umgebung zum Testen und Entwickeln.

Mein Fazit zu bluehost

Ich glaube bluehost ist wirklich kein schlechter Hoster und für ein US-Unternehmen mit einer WordPress-Webseite vielleicht wirklich gut geeignet. Das hauseigene Support-Team besteht daher tatsächlich aus engagierten WordPress-Experten und bietet einen ausgezeichneten, wenn auch englischsprachigen Support. Allerdings kann ich für Deutsche Kunden leider keine Empfehlung aussprechen.

ACHTUNG: Aus Datenschutzgründen rate ich explizit zu einem Hosting innerhalb der EU, am besten direkt in Deutschland!

---

Flywheel US-Hoster

Beim Anbieter Flywheel handelt es sich, ähnlich wie bei Kinsta, um echtes Cloud-Hosting. Das heißt Du musst Dir nicht die Ressourcen mit anderen Webseiten teilen, wie beim Shared Hosting. Die Plattform von Flywheel läuft auf der Google Cloud. Flywheel gibt es zwar bereits seit 2012, man setzt dort jedoch erst seit 2018 auf die Cloud. Damit ist die Firma international so erfolgreich, dass sie im Juni 2019 von WP Engine übernommen wurde und seit dem als Tochterunternehmen am Markt ist.

Die Tarife von Flywheel

Als Cloud-Hoster ist Flywheel nicht ganz billig. Aber durch die Übernahme von WP Engine kann Flywheel Einsteigern wieder den Tiny Tarif für 13 Dollar im Monat anbieten. 5.000 Besucher im Monat und 5 GB Speicherplatz sind zwar nicht viel, sollten kleinen Webseiten und Anfängern aber erstmal reichen. Eine einzelne Instanz im Tarif Starter mit 5 GB Speicher gibt es ab 25 Dollar mit Monat. Die Leistung der Instanz sollte laut Anbieter für etwa 25.000 Besucher im Monat ausreichen. Das sind weniger als 1.000 Besucher am Tag. Der Traffic ist dabei auf 50 GB beschränkt, was im Cloud-Hosting ebenfalls üblich ist und bei der Anzahl der Besucher locker ausreichen sollte.

Darüber bieten die Tarife Freelance für 115 Dollar bis zu 10 WordPress-Installationen und 100.000 Besucher monatlich mit 20 GB Speicher und 200 GB Traffic. Der Agency Tarif für 290 Dollar im Monat erlaubt maximal 30 WordPress-Seiten für 500.000 Besucher monatlich und stellt 50 GB Speicherplatz und 500 GB Bandbreite bereit.

Die Technik bei Flywheel

Als reiner WordPress-Spezialist, hat Flywheel seine Server für optimale Leistung abgestimmt und kümmert sich um Konfiguration und Caching, so dass man kein eigenes Caching-Plugin mehr einrichten muss. Die eigene Caching-Engine von Flywheel namens FlyCache wurde nach Aussagen der Entwickler speziell dafür entwickelt, WordPress-Sites zum Fliegen zu bringen. Obwohl ein Full-Page-Cache verwendet wird, ist WooCommerce auf Flywheel kein Problem, denn bestimmte Pfade können standardmäßig nicht gecached werden, so dass man nicht mit seltsamen Warenkorbproblemen oder lustigen 500 Fehlern konfrontiert wird. Dieser Cache wird mit dem CDN von fastly kombiniert und kann, ähnlich wie bei CloudFlare, zwischengespeicherte Inhalte von globalen Points of Presence (POP) bereitzustellen. Wenn ein Benutzer auf die Website zugreift, bekommt dieser also die Dateien von dem Server, der ihm geografisch am nächsten ist, was die Latenzen und Ladezeit verringert.

Mein Fazit zu Flywheel

Flywheel macht als internationaler Cloud-Hoster einen guten Job. Der englischsprachige Support ist 24/7 an 365-Tagen im Jahr erreichbar und die Server stehen direkt in den Rechenzentrum von Google, was natürlich die Anbindung sehr gut macht. Leider konnte ich über die verwendete Technik relativ wenig herausfinden, ebenso wie über die weitere Zukunft von Flywheel unter WP Engine.

Wer auf WordPress Hosting in der Google Cloud setzen will, ist aus meiner Sicht bei Kinsta besser aufgehoben, allerdings ist Flywheel aktuell etwas günstiger unterwegs.

---

Ich habe mir vorgenommen, bei nächster Gelegenheit Tests von WPX, Pressable, Cloudways, ithemes, Strato, Hetzner und alfahosting (wurde von dogado übernommen) durchzuführen und sämtliche Hoster einem Performance- und Support-Test zu unterziehen.

Vermisst Ihr sonst noch einen Anbieter? Dann ab damit in die Kommentare!

So findest Du das richtige Hosting für Dein WordPress

Ob man eine gute Wahl getroffen hat, zeigt sich beim Hosting leider oft erst nach etlichen Monaten. Bei Shared-Hosting-Umgebungen wird man zu Beginn zwar auf einen nagelneuen Server ohne Last gepackt, doch diesen teilt man sich mit immer mehr Kunden, wodurch er immer voller und langsamer wird. Aber Deine WordPress-Seite soll ja nicht nur am Anfang schnell sein, sondern auf Dauer flott und stabil bleiben. Daher habe ich mich dazu entschieden, die Technik ein wenig genauer unter die Lupe zunehmen. Dafür habe ich Testinstallationen durchgeführt und einen direkten Vergleich mit meinem aktuellen Hosting angestellt.

Hosting ist ein Hygienefaktor

Ein gutes Hosting ist unsichtbar, denn es funktioniert einfach. Man muss sich nicht damit auseinander setzten, solange alles läuft. Wenn ein Hoster auffällt, dann also negativ. Wenn etwas schiefgeht, eine Festplatte geht kaputt oder sonstige Probleme technischer Natur auftreten, dann kann der Hoster durch schnelle Reaktionszeiten und guten Support punkten.

Wenn die Ladezeiten schlecht werden, der Server nicht durchgehend erreichbar ist oder sich Ausfälle häufen, kann ein schlechter Hoster nicht nur Nerven, sondern auch richtig Geld kosten. Umsatzeinbuße durch Offline-Zeiten können ebenso entstehen wie Rankingprobleme bei Suchmaschinen durch langsame Ladezeiten! Letztlich sollte man das Thema Datensicherheit und Datenschutz nicht vernachlässigen, denn da kann der falsche Hoster oder ein unprofessioneller Umgang massive Schäden nach sich ziehen.

Hosting ist ein Hygienefaktor. Wenn alles gut ist, merkt man nichts davon. Wenn nicht, hat man oft ein echtes Problem!

Kai Spriestersbach

Backups & Sicherheit

Das Thema Backups, Rollbacks und Sicherheit ist extrem wichtig und wird leider immer wieder unterschätzt! WordPress ist – aufgrund der großen Verbreitung – ein beliebtes Ziel von Hackern und Bots, die automatisiert Schwachstellen und bekannte Sicherheitslücken ausnutzen. Oft merkt man das dann erst, wenn es zu spät ist und es bereits zu einem Datenverlust oder Webseitenausfall gekommen ist.

Kein System ist 100% sicher. Daher solltet ihr stets ein aktuelles Backup vorhalten und das Thema nicht auf den Hoster abwälzen! Ich habe selbst schon Fälle erlebt, wo großen Hostern komplette Backups der halben Kundschaft ab handen gekommen waren und nach einem Servercrash NICHTS mehr herstellbar war. Wer an diesem Punkt kein aktuelles Offsite-Backup hatte, also ein Backup AUSSERHALB des Systems des betroffenen Hoster, der musste seine Webseite im schlimmsten Falle neu aufbauen und wieder von vorne beginnen! Ein bekannter Hoster hatte erst 2019 einen massiven Ausfall, bei dem fast alle Kundenwebseiten für mehrere Tage nicht erreichbar waren und dann festgestellt wurde, dass die Backups offenbar nicht funktioniert haben.

Zwei extrem wichtige Tipps zum Thema Backup:

1. Macht IMMER einen Recovery-/Rollback-Test der Backups! Probiert also aus, ob ihr die Webseite aus dem Backup auch wirklich wieder herstellen könnt.
2. Legt Euch regelmäßig ein Offsite-Backup auf einem anderen Server oder zuhause an. So könnt ihr die Seite wiederherstellen, falls der Hoster Probleme mit den Backups bekommt.

Natürlich sollten bei intensiv genutzten Websites, an denen mehrere Redakteure parallel arbeiten, häufiger Offsite-Backups gefahren werden als bei einem Mini-Blog, der kaum neue Inhalte und Veränderung erfährt.

Tipps in Sachen Sicherheit

• Egal ob Managed Server oder voll-virtualisierte Umgebungen, alle Server müssen stets aktuell gehalten werden. Das bedeutet, dass das Betriebssystem, also der Linux Kernel sowie die verwendete Software und alle Module zügig aktualisiert werden.
• Der Hoster sollte sichere Passwörter erzwingen, unnötige Ports dicht machen sowie regelmäßig nach Malware, Schadsoftware und Viren scannen. Falls ihr mit mehreren Kunden auf einem gemeinsamen Server gehostet werdet, muss ein Zugriff zwischen den Kundenpaketen unterbunden werden. Eine Multi-Factor-Authentication wäre natürlich noch besser.
• In jedem Fall sollte eine Firewall auf dem Server eingesetzt werden und unsichere Module wie z.B. mod_perl entfernt werden. Ebenso ist es empfehlenswert nicht benötige Login-Methoden zu deaktivieren (z.B. SSH auf Shared Hosting oder unverschlüsselter FTP-Zugang).
• Im WordPress selbst sollten die Dateirechte restriktiv gesetzt werden und sowohl das CMS, als auch Plugins und Themes automatisch aktualisiert werden.
• Im Rechenzentrum kann eine WAF (Web-Application-Firewall) dazu dienen, Angriffe zu blockieren, bevor sie überhaupt den Server erreichen und der Hoster sollte eine Möglichkeit für die DDoS-Abwehr besitzen. Das kann selbstverständlich auch durch den Einsatz eines CDNs wie beispielsweise CloudFlare geschehen.

Was darf bzw. muss Hosting kosten?

In Sachen Budget kommt es natürlich darauf an, ob Du einen kleinen Blog, mehrere Projekte oder eine High-Traffic-Seite hohen Trafficzahlen hosten willst oder gar einen Onlineshop mit mehreren Buchungen pro Stunde betreibst.

Ein ordentliches Hosting für eine durchschnittliche WordPress-Webseite gibt es ab ca. 10 EUR im Monat. Rechnet man dann noch automatische Updates und einen anständigen Support dazu, liegt man bei mindestens 20 EUR für eine WordPress-Instanz.

Preise unter 10 EUR sind entweder zeitlich befristete Lockangebote, oder man teilt sich mit derart vielen anderen Kunden die Hardware, dass die Leistung, die man erhält für ein dynamisches CMS oft zu gering ausfällt.

Hosting für größere Webseiten oder Onlineshops, die entsprechende Ressourcen benötigen kosten monatlich 100 EUR aufwärts. Bei Webseiten mit sehr vielen Besuchern, geht ein ordentliches Hosting auch schnell mal in den mittleren dreistelligen Bereich, also 300-800 EUR im Monat! Das sollte allerdings auch nur notwendig werden, wenn Euere Webseite entsprechende Umsätze generiert und diese Kosten insgesamt einen kleinen Teil Eurer monatlichen Ausgaben ausmachen 😉

Es gibt viele unterschiedliche Ansätze an das Thema Hosting heranzugehen, eines steht allerdings fest: Kein Hoster kann zaubern. Die kochen alle nur mit Wasser.

Die Kosten für Server und Rechenzentren sind mehr oder weniger für alle Anbieter gleich. Natürlich haben die großen Anbieter gewisse Skaleneffekte oder Synergien, aber gerade die Kleineren Hoster und Spezialisten können dafür mit besserem Support oder maßgeschneiderten Lösungen punkten. Bei allzu günstigen Angeboten musst Du aufpassen, entweder die Leistung oder der Support ist schlecht (oder beides) oder es handelt sich nur um ein Lockangebot und im zweiten Jahr wird das Paket dann deutlich teuerer.

Mehr Leistung kostet auch mehr Geld. Ebenso Zuverlässigkeit, Sicherheit und Support.

Zugegeben, es fühlt sich krass an, 100 EUR aufwärts für das Hosting einer einzelnen Website auszugeben. Das ist mehr, als die meisten für einen DSL- oder Handyvertrag im Monat zahlen. Aber es ist auch klar: Wer so ein kostspieliges Paket braucht, hat eben auch viel Traffic zu stemmen. Mit einem entsprechenden Geschäftsmodell und Einnahmen ist man in der Regel jedoch froh, wenn alles stabil und zuverlässig läuft und man sich nicht weiter mit dem Thema Hosting im Tagesgeschäft auseinandersetzen muss.

Es sei an dieser Stelle auch gesagt, dass das, was Hosting wirklich teuer macht, ist der Support! Wenn ich also als Hoster lauter Kunden habe die wissen was sie tun und nur ab und zu mal eine Kleinigkeit benötigen, kann ich natürlich ganz anders kalkulieren als bei technisch nicht so versierten Kunden, die permanent Fragen haben oder Unterstützung brauchen und eventuell besser bei einer Agentur oder einem Webentwickler aufgehoben wären. Große Anbieter versuchen viele Fragen und Probleme über die Website mittels FAQ-, Foren oder Chatbots abzufangen oder betreiben gigantische Callcenter mit Leuten, die oft leider weniger Ahnung haben als man selbst.

Empfehlung in Sachen Support:

Ich würde eher zu einem Hoster gehen, bei dem man es direkt mit einem fähigen Support-Mitarbeiter, Sysadmin oder sogar dem Inhaber zu tun hat. Dafür bin ich auch bereit, den einen oder anderen Euro im Monat mehr ausgeben.

Wieviel Leistung brauche ich?

Grundsätzlich gibt es unzählige Hoster, die die Mindestvoraussetzungen von WordPress an einen Webspace erfüllen. Diese lauten:

• PHP-Version 7.4 oder höher.
• MySQL-Version 5.7 oder höher bzw. MariaDB-Version 10.3 oder höher.
• HTTPS-Unterstützung

Das ist tatsächlich schon alles.

Das Entwicklungsteam von WordPress empfiehlt entweder Apache oder Nginx als Webserver zum Betrieb von WordPress, aber jeder Server mit Unterstützung für PHP und MySQL ist im Grunde ausreichen. Dennoch kann nicht jede mögliche Umgebung getestet werden. Ältere PHP-Versionen werden außerdem nicht mehr gepflegt und können potentielle Sicherheitsrisiken für deine Website darstellen!

Für eine schnelle Website ist die Anbindung ebenso wichtig wie schneller Speicherplatz (auf SSDs / NVMe) ordentlich Arbeitsspeicher (achtet hier auch auf das PHP-Memorylimit und etwaige Caches im RAM) sowie ausreichend CPU-Kerne mit ordentlichen Taktraten für die Ausführung des PHP-Codes. Da sich PHP-Code nicht auf mehrere Kerne verteilen lässt, ist dies bei Traffic-starken Webseiten, die sich nicht cachen lassen besonders wichtig. Hier bringt ein CPU-Kern mit >3 GHz eine weit aus höhere Leistung als mehrere Kerne mit Taktraten unter 2 GHz! Wenn Deine Seite also beispielsweise einen Warenkorb hat oder anderweitig dynamische Inhalte bereit hält, wirst Du automatisch ein teureres Hostingpaket brauchen, da der Server nicht mehr alle Seiten fertig gerendert im RAM halten kann (sog. Full Page Caching). Sollte es sich bei deinem Hostingpaket um einen virtuellen Server handeln, sollte dieser mehr als 512 MB RAM haben, denn neben dem Betriebssystem müssen auch noch die Datenbankanwendung (MariaDB oder MySQL), die Datenbank selbst sowie alle Caches in den Arbeitsspeicher passen.

Du merkst also schon: Es gibt nicht DEN EINEN RICHTIGEN HOSTER FÜR ALLE!

Daher habe ich mich für eine möglichst transparente Darstellung der Anbieter und ihrer Tarife und Leistungen, mit den jeweiligen Vor- und Nachteilen aus meiner Sicht und einer Empfehlung nach Webseiten-Größe am Ende dieses Artikels entschieden.

Übrigens, solchen Marketing-Bullshit wie kostenlose SSL-Zertifikate und Traffic-Flat erspare ich Euch an dieser Stelle ebenso wie WordPress-1-Klick-Installationen, denn seien wir mal ehrlich: Wer in Zeiten von Let’s encrypt kein HTTP/2 & SSL for free anbietet, sollte am besten gar keine Kunden mehr haben!

Empfehlungen in Sachen DSGVO und Datenschutz

Hinweis: Ich bin kein Anwalt und das ist keine Rechtsberatung. Ich teile hier meine persönliche Meinung und Empfehlung, basierend auf der Einschätzung von Experten.

Seit dem der Europäische Gerichtshof EuGH in der Schrems-II-Entscheidung das sogenannte „Privacy Shield“-Abkommen für rechtswidrig und damit unwirksam erklärt hat, ist ein rechtssicheres Hosting bei einer nicht-EU-Firma offenbar nicht mehr möglich. Damit werden alle US-Hoster und Cloud-Anbieter, die ihren Hauptsitz nicht innerhalb der EU haben, zu einem unkalkulierbaren Abmahn- und Bußgeld-Risiko.

Daher gilt:

Finger weg von US-Hostern und anderen Anbietern ohne Sitz in Deutschland oder der EU!

So weit ich die Experten verstehe, ist es nicht mehr möglich, eine Webseite rechtssicher außerhalb der EU zu hosten!

Aktuell gibt es wohl noch Uneinigkeit darüber, ob EU-Standard-Vertragsklauseln (kurz SCC) oder sogenannte Binding Corporate Rules (kurz BCR) ausreichen, oder auch dies wegen der US-Gesetzgebung irrelevant ist. Denn selbst wenn der Hoster eine Tochtergesellschaft in Irland und ein Data-Center in Deutschland betreibt, hilft das nicht offenbar nichts. Durch den „Cloud Act“, den „Patriot Act“ und andere Mechanismen hätten die US-Mütter der EU-Tochterunternehmen quasi Durchgriffsrecht und es kann nicht sicher gestellt werden, dass keine personenbezogenen Daten in die Vereinigten Staaten übermittelt werden, die von Geheimdiensten und anderen Stellen ausgewertet werden.

Damit liegt offenbar eine, nach der Datenschutz-Grundverordnung (DSGVO) unzulässige Übermittlung vor. Der Bußgeldrahmen für einen derartigen Verstoß sieht bis zu 20 Millionen Euro für Personen und bis zu vier Prozent des Jahresumsatzes für Unternehmen vor.

Spätestens das Auskunftsgesucht, welches nach Art. 15 der Datenschutz-Grundverordnung jedem Verbraucher zusteht, stellt für Unternehmen, die auf ausländische Hoster setzen, ein echtes Problem dar.

Noch Fragen zum Thema WordPress Hosting?

Wieso solltest Du Dein WordPress in Deutschland hosten?

Seit dem der Europäische Gerichtshof EuGH in der Schrems-II-Entscheidung das sogenannte „Privacy Shield“-Abkommen für rechtswidrig und damit unwirksam erklärt hat, ist ein rechtssicheres Hosting bei einer nicht-EU-Firma offenbar nicht mehr möglich. Damit werden alle US-Hoster und Cloud-Anbieter, die ihren Hauptsitz nicht innerhalb der EU haben, zu einem unkalkulierbaren Abmahn- und Bußgeld-Risiko. Mit einem WordPress-Hosting aus Deutschland gehst Du auf Nummer sicher und hast außerdem einen deutschsprachigen Support.

Was kostet gutes WordPress Hosting?

In Sachen Preis kommt es extrem darauf an, ob ich einen kleinen Blog oder eine private Homepage betreibe oder mehrere Projekte, eine High-Traffic-Seite oder sogar einen Onlineshop mit hunderten Buchungen pro Stunde! Ein günstiges Hosting für eine kleine Webseite gibt es ab rund 6 EUR im Monat. Ein ordentliches managed WordPress-Hosting für eine Firmenseite geht bei rund 29 EUR los. Leistungsstärkere Pakete für größere Webseiten oder Onlineshops kosten schnell 100 EUR aufwärts. Bei echten Hightraffic-Webseiten geht ein ordentliches Hosting auch gerne in den guten dreistelligen Bereich, also 500-800 EUR im Monat!

Welches WordPress Hosting für Unternehmensseiten und Business-Websites?

Für eine Unternehmenswebseite die wirtschaftlich und sicher gehostet werden will, würde ich ein Business Paket bei einem deutschen Hoster mit gutem Support greifen. Hier kann ich besonders HostPress empfehlen. Denn insbesondere bei Firmen mit vielen E-Mail Accounts und wichtigen Daten auf der Webseite ist ein kompetenter Ansprechpartner, der gut erreichbar ist und die eigene Sprache beherrscht. Dazu kommen noch die Themen Auftragsdatenverarbeitungsvertrag und Datenschutz, also hier nicht am falschen Ende sparen!

Welches WordPress Hosting für große Seiten und Onlineshops mit WooCommerce?

Betreibst Du einen Shop mit WooCommerce oder ähnlichen Plugins? Da brauchst Du ein Hostingpaket mit richtig Leistung, denn sobald deine Webseite einen Warenkorb bietet, helfen die meisten Caching-Plugins und serverseitigen Mechanismen nichtmehr all zu viel. Du willst ja, das jeder Kunde seinen eigenen Warenkorb hat und nicht alle sich einen gecachten teilen müssen. Ebenso verhält es sich, wenn Du sehr viel Traffic, viele Inhalte oder viel Aktivität in Form von Kommentaren, einem Forum oder anderen Interaktionsmöglichkeiten bietest. Hier gilt: Finger weg von Shared-Hosting ohne garantierte Ressourcen! Du willst in jedem Fall automatisch tägliche Backups und auch ein CDN eine WAF und andere Sicherheitssysteme, die Deine Seite gegen Hacker-Angriffe abschottet. Besonders kann ich hier die Tarife von HostPress empfehlen.

Was ist Managed WordPress Hosting?

Bei den sogenannten Managed WordPress-Hostern handelt es sich um Hoster, die sich speziell auf den Betrieb von Websites auf Basis von WordPress spezialisiert haben. Daher ist deren Stack, also die eingesetzte Software und die Server-Architektur voll auf WordPress ausgerichtet und optimiert. Außerdem kennen sich die Mitarbeiter mit WordPress und dessen Tücken aus und können bei Pagespeed-Problemen oder der Plugin-Auswahl behilflich sein.

Welches WordPress Hosting für Anfänger und kleine Webseiten?

Für kleine Webseiten, Anfänger- und Hobbyprojekte würde ich stark nach dem Preis schauen, aber man will natürlich auch für wenig Geld einen soliden Hoster. Allerdings braucht man in der Regel nur ein E-Mail-Postfach, hat wenig Traffic und auch keine Business-kritischen Anwendungen oder Ähnliches laufen. Hier ist ein klassisches Shared-Hosting oder Webspace genannt vollkommen ausreichend. Dort teilt man sich mit vielen anderen Kunden einen großen Server oder gleich einen ganzen Cluster. Wenn es auf jeden Cent ankommt, würde ich zu einem sehr günstigen Hoster wie netcup oder IONOS gehen. Die günstigsten Pakete findest Du im Artikel.

Welches Hosting brauche ich für WordPress?

Grundsätzlich gibt es unzählige Hoster, die die Mindestvoraussetzungen von WordPress an einen Webspace erfüllen: PHP-Version 7.3 oder höher. MySQL-Version 5.6 oder höher ODER MariaDB-Version 10.1 oder höher. HTTPS-Unterstützung.

https://www.afaik.de/woocommerce-hosting

Der Lenkungsausschuss für Medien und Informationsgesellschaft (CDMSI) des Europarats hat seine „Guidelines on the responsible implementation of artificial intelligence systems in journalism“ am 30. November 2023 verabschiedet. Dies stellt eine EU-weit einheitliche Richtlinie für die verantwortungsvolle Implementierung von KI-Systemen im Journalismus dar, wobei der Schwerpunkt auf dem Schutz und der Förderung von Menschenrechten, professioneller Ethik und der demokratischen Rolle der Medien liegt.

Die umfangreichen Leitlinien behandeln verschiedene Aspekte der Nutzung von KI im Journalismus, einschließlich der Entscheidungsfindung über die Implementierung von KI-Systemen, der Identifizierung und Beschaffung solcher Systeme, der Integration in die professionelle Praxis und der Verantwortlichkeiten gegenüber dem Publikum. Sie bieten auch Anleitungen für externe Technologieanbieter, Plattformen und Staaten, um ein Umfeld zu schaffen, das die verantwortungsvolle Nutzung von KI im Journalismus unterstützt.

Die Dokumentation betont die Bedeutung der Achtung der Menschenrechte, der öffentlichen Werte und der journalistischen Ethik bei der Entwicklung und Anwendung von KI im Journalismus. Sie schlägt vor, dass die Entscheidung zur Implementierung von KI-Systemen nicht nur technologie- oder kommerziell getrieben sein sollte, sondern auch von der Mission geleitet werden sollte, die Ziele und Werte der Nachrichtenorganisation zu erreichen.

Darüber hinaus behandeln die Leitlinien die Rolle von Staaten bei der Schaffung von Rahmenbedingungen, die die verantwortungsvolle Nutzung von KI im Journalismus fördern, einschließlich der Unterstützung von Forschung und Entwicklung sowie der Gewährleistung des Wettbewerbs zwischen Technologieanbietern.

Diese Regeln unterstreichen die Bedeutung der Rolle von Journalismus in der Demokratie und Gesellschaft und betonen, wie KI als Werkzeug eingesetzt werden kann, um diese Rolle zu unterstützen und zu erweitern, indem sie neue Möglichkeiten in Forschung, Datenanalyse und Interaktion bietet.

Die wichtigsten Regeln für Journalistinnen und Journalisten

1. Demokratische und gesellschaftliche Rolle des Journalismus: Der Journalismus hat eine wichtige demokratische und gesellschaftliche Rolle, die Öffentlichkeit zu informieren und die freie Meinungsbildung zu ermöglichen​​.
2. Pluralistische Debatte: Der Journalismus soll ein Forum für pluralistische Debatten bieten​​.
3. Unterstützung durch KI: Künstliche Intelligenz (KI) kann Journalisten in ihrer gesellschaftlichen und demokratischen Rolle unterstützen​​.
4. Forschung und Datenanalyse: KI kann in der Forschung und Datenanalyse bis hin zur Produktion und Verbreitung von Nachrichten sowie der Interaktion mit dem Publikum unterstützen​​.
5. Digitale Technologien: Es wird empfohlen, die Chancen digitaler Technologien, einschließlich KI-Systemen, zu nutzen​​.

Das Dokument enthält jedoch detailliertere Informationen und möglicherweise zusätzliche Richtlinien und Grundsätze. Um sicherzustellen, dass alle relevanten Regeln berücksichtigt werden, wäre es am besten, das gesamte Dokument durchzugehen und die vollständige Liste der Empfehlungen und Best Practices zu überprüfen.

1. Technologieanbieter: Sie sollten ausreichende Vorwarnzeiten und Informationen über Produktänderungen oder Änderungen der KI-Infrastruktur und Software bereitstellen. Kleine Änderungen können manchmal große Auswirkungen auf die redaktionelle Autonomie der Nachrichtenorganisationen haben​​.
2. Plattformen: Diese, die Nachrichten verbreiten oder vermitteln, spielen eine wichtige Rolle bei der verantwortungsvollen Implementierung von KI-Systemen im Journalismus. Sie sollten unter anderem darauf achten, dass Inhalte für alle leicht zu finden und als vertrauenswürdige Quellen anerkannt sind, den Zugang zu Nachrichten nicht aufgrund politischer oder anderer Meinungen einschränken und Transparenz über ihre Systeme zur Personalisierung der Nachrichtenlieferung erhöhen​​.
3. Verpflichtungen der Staaten: Staaten haben eine positive Verpflichtung, günstige Bedingungen für die Verwirklichung der Menschenrechte und Medienpluralismus zu schaffen. Dazu gehören die Diversifizierung von Finanzierungssystemen zur Unterstützung von Projekten zur Entwicklung verantwortungsvoller journalistischer KI-Systeme und die Förderung des Zugangs und der Wahlmöglichkeiten zwischen Technologieanbietern, die journalistische Werte und Menschenrechte respektieren und fördern​​.
4. Beschaffungsrichtlinien: Staaten sollten unabhängige Aufsichtsbehörden, Nachrichtenmedien und Selbstregulierungsorgane ermutigen, Beschaffungsrichtlinien zu entwickeln, die standardisierte Klauseln für die verantwortungsvolle Beschaffung journalistischer KI-Systeme enthalten. Dies kann kleineren und lokalen Medienorganisationen helfen und ihre Verhandlungsmacht gegenüber Technologieanbietern stärken​​.
5. Pflichten der Plattformen: Plattformen sollten genügend Daten öffentlich zugänglich machen, um eine unabhängige Prüfung zu ermöglichen, die etwaige diskriminierende oder problematische Ansätze in Entscheidungen zur Inhaltsbeschränkung identifiziert. Sie sollten auch Inhaltsmoderation transparent gestalten, um zwischen illegalen Inhalten und legalen, aber schädlichen Inhalten zu unterscheiden​​.
6. Medien- und Informationskompetenz: Medien- und Informationskompetenzprogramme sollten Nutzer dabei unterstützen, die Online-Infrastruktur und -Wirtschaft zu verstehen und wie Technologie ihre Entscheidungen in Bezug auf Medien beeinflussen kann​​.
7. Wahrung der Privatsphäre und des Datenschutzes der Nutzer: Es sollte sichergestellt werden, dass die Sammlung und Verarbeitung von Daten im Einklang mit internationalen Standards zum Schutz personenbezogener Daten steht und dass Transparenz über die Verwendung von Daten für journalistische Zwecke herrscht​​.

Im Grunde ist das Dokument ein umfassender Leitfaden für die Implementierung von KI im Journalismus, mit dem Ziel, die positiven Möglichkeiten der Technologie zu nutzen und gleichzeitig mögliche Risiken und negative Auswirkungen zu minimieren.

Leider konnte ich aus persönlichen Gründen in diesem Jahr nicht persönlich beim 37. Chaos Communication Congress dabei sein. Doch dank des c3voc ist das auch nicht nötig, um die Vorträge von dort zu sehen, denn es finden sich mittlerweile bereits sämtliche Talks vom Kongress auf media.ccc.de. Da ich das Gefühl habe, dass in der Online Marketing Bubble dieser reichhaltige Schatz an unglaublich tiefem Wissen noch garnicht so bekannt ist, habe ich mich dazu entschlossen meine persönliche Auswahl an Talks dieses mal zu verbloggen.

Den Fokus lege ich, wie soll es auch anders sein, auf das Thema generative KI, insbesondere mit Blick auf dessen Auswirkungen auf die Gesellschaft, doch es geht natürlich auch um Sicherheit und Technikfolgenabschätzung.

Wie es sich für einen Hacker-Kongress gehört, mache ich den Anfang mit zwei KI-Hacking-Sessions, doch es sind auch Vorträge dabei, die spannende Gesellschaftliche Themen im Zusammenhang mit dem Thema künstliche Intelligenz beleuchten. Zu den ganzen Dystopien habe ich noch ein paar humoristische oder positive Vorträge zum Aufheitern in die Empfehlungsliste gepackt.

Mir ist klar, dass ihr die Vorträge niemals an einem Tag anschauen könnt, das habe ich auch nicht. Daher empfehle ich diesen Beitrag zu bookmarken und in den nächsten Wochen immer mal wieder einen Vortrag in Ruhe anzuschauen!

Viel Spaß!

???????? Hacking Neural Networks – Eine Einführung in das Hacking von Neuronalen Netzen

Jannes Queer führt die Zuhörer in die Welt der Neuronalen Netze und deren mögliche Schwachstellen ein. Er zielt darauf ab, ein grundlegendes Verständnis für die Funktionsweise und die aktuellen Angriffsmethoden auf Neuronale Netze zu vermitteln. Dabei wird eine Bandbreite von Techniken wie LastLayer Attack, Back-Dooring, Information Extraction, Brute Forcing, Neural Overflow, Malware Injection, Neural Obfuscation und Model Stealing beleuchtet. Jate demonstriert einige dieser Angriffe live, um zu zeigen, wie sie ausgenutzt werden können und welche Informationen dabei gefährdet sind. Neben der Vorstellung dieser Angriffsmethoden diskutiert der Vortrag auch mögliche Abwehrstrategien, obwohl diese oft nur einen teilweisen Schutz bieten. Insgesamt bietet der Vortrag einen umfassenden Einblick in die aktuellen Forschungsthemen und praktischen Herausforderungen im Bereich des Hacking von Neuronalen Netzen.

???????? KI – Macht – Ungleichheit. – Was ist die soziale Dimension von Nachhaltigkeit und warum ist sie durch KI gefährdet?

Rainer Mühlhoff beleuchtet die dunklen Seiten der künstlichen Intelligenz und deren Einfluss auf soziale Ungleichheit und Nachhaltigkeit. Er argumentiert, dass der Fokus auf den Ressourcenverbrauch von KI zu kurz greift und dass wir stattdessen die sozialen und ökonomischen Auswirkungen dieser Technologie betrachten müssen. Mühlhoff hebt hervor, dass KI auf der globalen Ausbeutung von sozialen und natürlichen Ressourcen beruht und diskutiert die Rolle von KI in der algorithmischen Diskriminierung, sozialen Selektion und der Schaffung eines neuen digitalen Kolonialismus. Er fordert eine bessere Regulierung von KI-Systemen, um den Zielen der Nachhaltigkeit gerecht zu werden und sozialer Ungleichheit entgegenzuwirken. Der Vortrag bietet tiefe Einblicke in die Notwendigkeit, KI-Systeme als soziotechnische Systeme zu verstehen und zeigt auf, wie sie globale Ungleichheit und Ausbeutung verschärfen können.

???????? Unsere Worte sind unsere Waffen – Wie wir Chatbots allein mit kreativer Wortfindung so manipulieren können, dass sie uns dienen (ja, social engineering funktioniert bei großen Sprachmodellen!)

Eva Wolfangel erforscht in dieser fesselnden Sitzung, wie Sprache, eine unserer mächtigsten menschlichen Fähigkeiten, genutzt werden kann, um große Sprachmodelle zu manipulieren und für unsere Zwecke einzusetzen, oft auf Weisen, die ursprünglich nicht beabsichtigt waren. Sie beleuchtet die dunklen Seiten dieser Technologien, einschließlich ihrer Biases und der Potenziale für Machtmissbrauch, und zeigt auf, wie wir diese mit unseren eigenen Fähigkeiten überwinden können. Mit Beispielen aus ihren eigenen investigativen Recherchen illustriert Wolfangel, wie sie Chatbots durch Social Engineering dazu gebracht hat, geheime Informationen preiszugeben und bei der Aufdeckung versteckter Daten zu assistieren. Die Zuhörer:innen werden nicht nur unterhalten, sondern lernen auch praktische Tricks für ihre eigenen Recherchen und Strategien zum besseren Schutz ihrer persönlichen Daten.

???????? NEW IMPORTANT INSTRUCTIONS – Real-world exploits and mitigations in Large Language Model applications

In diesem fesselnden Vortrag von Johann Rehberger dreht sich alles um die realen Risiken, die mit der raschen Entwicklung von KI und Großen Sprachmodellen (LLM) einhergehen. Es werden diverse Exploits und Schwachstellen aufgezeigt, die in gängigen LLM-Anwendungen wie ChatGPT, Bing Chat und Google Bard gefunden wurden, sowie die von den Anbietern implementierten Gegenmaßnahmen. Der Fokus liegt auf der Demonstration, wie mächtig, aber auch wie anfällig maschinelles Lernen sein kann, insbesondere wenn ein Angreifer in den Prozess eingreift.

Der Vortrag beginnt mit einer Einführung in LLMs, erläutert deren Funktionsweise und geht auf verschiedene Techniken der Prompt-Engineering ein. Dabei wird besonders auf die Bedeutung des Kontextfensters und dessen Ausnutzung für Gesprächsfortführung in Systemen wie ChatGPT eingegangen. Anschließend werden realweltliche Beispiele und Exploits vorgestellt, unterteilt in Kategorien wie Fehlausrichtungen, Jailbreaks/Direkte Prompt-Injektionen und Indirekte Prompt-Injektionen. Hierbei wird besonders auf indirekte Prompt-Injektionen eingegangen, bei denen unzuverlässige Daten in den Chat-Kontext eingefügt werden, und wie dies zu Fehlinterpretationen und Missbrauch führen kann. Der Vortrag vertieft schließlich die Taktiken, die Angreifer nutzen können, um LLMs auszutricksen, einschließlich der Verwendung von Verschlüsselung oder Sprachwechsel.

Mein absolutes Highlight ist die einfache Erklärung in der Einleitung des Vortrag was Prompt Engineering ist und wieso wir das trotz RLHF, Alignment und Co. wahrscheinlich auch noch in den kommenden Jahren brauchen, wenn auch weniger.

???????? Lass mal das Innere eines Neuronalen Netzes ansehen!

In einer Welt, in der künstliche Intelligenz immer mehr an Bedeutung gewinnt, entmystifiziert Annika Rüll in ihrem Vortrag die oft missverstandenen Neuronalen Netze. Sie bietet eine anschauliche Erklärung ihrer Funktionsweise, betont dabei, dass diese nur wenig mit menschlichen Gehirnen gemeinsam haben, und öffnet die metaphorische Black Box, um zu zeigen, wie Neuronale Netze Entscheidungen treffen. Rüll geht auf die politischen und ethischen Implikationen erklärbarer KI ein und beleuchtet, inwieweit diese umsetzbar sind. Sie thematisiert, wie diese Netze manchmal „schummeln“, um Vorhersagen zu treffen, und wie sie wiederum ausgetrickst werden können. Der Vortrag zielt darauf ab, ein fundiertes Verständnis von maschinellem Lernen zu schaffen und lädt die Zuhörer ein, kritisch über die Möglichkeiten und Grenzen von KI, einschließlich der Frage nach einem Bewusstsein, nachzudenken.

???????? Synthetic Sentience – Can Artificial Intelligence become conscious?

Trotz des rasanten Fortschritts der KI-Fähigkeiten bleibt die Kernfrage der künstlichen Intelligenz scheinbar unbeantwortet: Was ist nötig, um einen Geist zu erschaffen? Dieser Vortrag erkundet die Grenzen der KI: Empfindungsfähigkeit, Selbstbewusstsein und die Möglichkeit des Maschinenbewusstseins.

Nach vielen Versuchen, KI-Modelle zu entwickeln, die intelligenter als Menschen sind, stehen wir nun einer Familie von überraschend erfolgreichen Systemen gegenüber, die viele unserer Fähigkeiten durch Textvorhersage und Text/Bild-Korrelation nachahmen. Die Grenzen dieser Ansätze sind gegenwärtig unklar, und obwohl sie auf sehr unterschiedliche Weise funktionieren als unsere Gehirne, stellen sie die Frage, ob Bewusstsein, Verkörperung und Motivation notwendig sind, um allgemeine Intelligenz zu erreichen. Was sind die Unterschiede zwischen menschlichen (und tierischen) Geistern und der aktuellen Generation von KI-Modellen? Wenn wir Perspektiven auf Geist und Bewusstsein, die in der Neurowissenschaft, Philosophie des Geistes, theoretischen und therapeutischen Psychologie sowie zahlreichen kulturellen Traditionen entwickelt wurden, betrachten und in die Metaphysik und konzeptuellen Rahmenwerke der künstlichen Intelligenz übersetzen, könnten wir Einblicke in diese Frage gewinnen.

???????? Alternativlos, Folge 52 – Künstliche Intelligenz

Nicht vom 37c3 aber aus dem CCC-Umfeld: In diesem Zusammenhang muss ich außerdem auf die letzte, unfassbar interessante Folge 52 des Alternativlos-Podcasts von Frank & Fefe hinweisen. Darin haben die beiden sich mit Joscha Bach (siehe Folge 42) über künstliche Intelligenz unterhalten.

Selten durfte ich einem derart intelligenten Menschen (Joscha) bei seinen Überlegungen zu KI und deren Zukunft zuhören. Eine absolute Hörempfehlung, allerdings definitiv nichts für „nebenbei“. Ich habe den Podcast schon zweimal gehört und werde noch einen weiteren Durchlauf samt Pausieren, Googlen, verstehen, brauchen, um das Gesagte in seiner Tiefe wirklich zu begreifen!

???????? Rettet uns die KI? – Über die Zukunft der digitalen Inklusion

Casey Kreer beleuchtet die Rolle generativer KI-Systeme wie ChatGPT und Midjourney in der digitalen Barrierefreiheit. Diese Technologien versprechen, den Alltag von Menschen mit Behinderungen durch innovative Lösungen zu erleichtern, beispielsweise durch die Generierung von Alternativtexten für sehbehinderte Nutzer:innen oder Texte in Leichter Sprache für Menschen mit Lernbehinderungen. Doch trotz des Potenzials dieser KI-Systeme weist Kreer auf neue Herausforderungen hin, wie reproduzierten Ableismus und neue unsichtbare Barrieren, die die Inklusion beeinträchtigen können. Als Beraterin für digitale Barrierefreiheit und selbst sehbehindert, spricht sie aus Erfahrung und fordert eine kritische Begleitung der Entwicklung von KI-Tools, um eine wirklich inklusive digitale Zukunft zu gewährleisten.

Der Vortrag bietet einen unverfälschten „Reality Check“ und einen authentischen Einblick in den Alltag von Menschen mit Behinderung, diskutiert Möglichkeiten und Herausforderungen und betont die Notwendigkeit, technologischen Fortschritt mit menschlicher Vielfalt in Einklang zu bringen.

???????? KI im Klassenzimmer – ein Update! – Wie KI in der Schule wirklich entlasten könnte

Nina Galla beleuchtete in ihrem Vortrag die wachsende Rolle von Künstlicher Intelligenz in der Bildung. Sie knüpfte an ihre früheren Ausführungen von der #rC3 2020 (leider nicht online) an und skizzierte, wie KI nach dem Hype um ChatGPT nun realistisch Lehrkräfte entlasten könnte. Galla betonte die Bedeutung einer geplanten und wohlüberlegten Implementierung von KI in Schulen, um tatsächliche Entlastung zu erzielen.

Sie ging auf die Kooperationen zwischen Bundesländern, Schulen und EdTech-Unternehmen ein, die bereits mit Learning Analytics-Programmen und Intelligenten Tutor Systemen experimentieren. Galla hob hervor, dass trotz der technologischen Fortschritte die rechtliche Absicherung für den Einsatz von KI in Schulen noch aussteht. Sie informierte über die bald in Kraft tretende KI-Verordnung aus Brüssel, welche rechtliche Klarheit schaffen und den Rahmen für den sicheren und effektiven Einsatz von KI in Bildungseinrichtungen festlegen soll.

Abschließend diskutierte sie die technischen und pädagogischen Herausforderungen, die mit dem Einsatz von KI im Bildungsbereich einhergehen, und betonte, dass nur durch sorgfältige Planung, Beschaffung und Begleitung von KI-Technologien echte Entlastungseffekte erzielt werden können.

???????? Self-cannibalizing AI – Artistic Strategies to expose generative text-to-image models

Bei der Betrachtung generativer KI-Modelle, speziell der Text-zu-Bild-Modelle, tauchen Fragen über die Eigenheiten und Grenzen dieser Technologien auf. Dieser Vortrag entfaltet eine tiefgehende Analyse dieser Modelle, beginnend mit einem allgemeinen Verständnis aus der Perspektive von Künstlern und Programmierern. Er beleuchtet die Stable-Diffusion-Pipeline und stellt fest, dass viele Modelle auf ähnlichen, begrenzten Datensätzen und Algorithmen beruhen. Besonders bemerkenswert ist die Erkenntnis, dass große Datensätze mittels ästhetischer Vorhersagealgorithmen gefiltert werden, was zu einer starken Tendenz hin zu bestimmten Kunststilen führt und Fragen bezüglich der Diskriminierung aufwirft.

Der Vortrag geht auch auf die Contrastive Language-Image Pre-training (CLIP) Technologie ein, die Bilder und Texte verbindet, und deckt auf, wie diese auf großen Mengen von Text-Bild-Paaren basierenden Modelle möglicherweise Verzerrungen in die Datenbank einführen. Experimente mit „falschem Labeling“ enthüllen interessante Korrelationen, wie die Identifizierung des „glücklichsten“ Gesichts oder ethnischer Zugehörigkeiten auf Grundlage generierter Bilder.

Abschließend widmet sich der Vortrag der eigentlichen Bildgenerierung, insbesondere der Stable Diffusion Pipeline. Dabei wird aufgezeigt, wie generative KI-Modelle nicht nur Bilder aus Textbeschreibungen erzeugen, sondern auch vorhandene Bilder verarbeiten können. Dies führt zu der Erkenntnis, dass sich Bilder durch wiederholte Iterationen zunehmend in vorhersehbare Muster oder Farben verwandeln, was Fragen nach den inhärenten Tendenzen und Limitierungen dieser Modelle aufwirft.

???????? AlphaFold – how machine learning changed structural biology forever (or not?) – Getting first-hand insights into the impact of machine learning on life science

Im Jahr 2020 erschütterte eine besondere Ankündigung die wissenschaftliche Gemeinschaft: Google und ihr neuronales Netzwerk „AlphaFold“ triumphierten überraschend beim renommierten Wettbewerb zur Proteinstruktur-Vorhersage, dem Critical Assessment of Protein Structure Prediction (CASP). Dieser Sieg löste eine Welle der Begeisterung in der strukturellen Biologie aus und zog sogar die Aufmerksamkeit der Mainstream-Medien auf sich, mit Berichten, die 2020 als das Jahr kennzeichneten, in dem Maschinen begannen, uns in der Forschung zu überholen.

In seinem fesselnden Vortrag taucht Jan Gebauer in die Hintergründe dieser bahnbrechenden Entwicklung ein und bewertet den Einfluss des maschinellen Lernens auf die Wissenschaft, insbesondere auf die strukturelle Biologie. Nachdem Google 2021 die Methodik und den Quellcode von AlphaFold veröffentlichte, adaptierten Wissenschaftler weltweit das Tool, sodass nun fast jeder ohne Vorkenntnisse eigene Proteinstrukturen vorhersagen kann. Zwei Jahre nach seiner öffentlichen Veröffentlichung hat sich AlphaFold als unverzichtbares Werkzeug etabliert, obwohl wir mittlerweile auch seine Grenzen erkennen.

Der Vortrag beleuchtet AlphaFold und ähnliche maschinelle Lernverfahren, ihren Einfluss auf die Wissenschaft und insbesondere die strukturelle Biologie. Um ihre Bedeutung zu würdigen, erkunden wir die Rolle von Proteinstrukturen und deren Einfluss auf unseren Alltag. Wir betrachten, wie Proteinstrukturen vor AlphaFold gelöst wurden, und diskutieren die Konzepte der Proteinevolution, um die biologischen Grundlagen dieser Durchbrüche zu verstehen. Darüber hinaus werden die Feinheiten des neuronalen Netzwerks selbst und die notwendigen Trainingsdaten für seine beeindruckenden Fähigkeiten erörtert. Anhand von realen Beispielen aus der Praxis wird illustriert, wo AlphaFold Erfolge erzielt hat und wo es auf Herausforderungen stieß. Abschließend wagt Jan Gebauer einen Blick in die Zukunft und spekuliert über den potenziellen Verlauf dieser wissenschaftlichen Reise und ihre Fähigkeit, die Wissenschaft und unsere Herangehensweise an sie zu transformieren.

???????? A NEW HOPE – Ein Pep Talk für alle, die gerade verzweifeln

In diesem Vortrag tauchen Ruben Neugebauer, Johannes Bayer, Linus Neumann, Carla Reemtsma, Arne Semsrott, Lara Eckstein, Thomas Lohninger, Helena Steinhaus, Pia Klemp, Ela, Kirsten Rautenstrauch, Sebastian Jünemann und Tareq Alaows tief in die gegenwärtigen globalen Krisen ein. Die Klimakrise, politische Unruhen und die Auswirkungen der Digitalisierung auf die Gesellschaft werden thematisiert. Aktivist:innen, die sich gegen diese multiplen Krisen stemmen, teilen ihre Perspektiven und Hoffnungen. Sie berichten von ihren täglichen Kämpfen und Misserfolgen in verschiedenen Bereichen – von der Pflege und dem Datenschutz bis hin zum Straßenprotest. Diese Session bietet nicht nur eine Analyse der momentanen Lage, sondern zielt darauf ab, gemeinsam neue Strategien und Bündnisse zu schmieden, um Teilerfolge zu feiern und sich gegenseitig Mut zu machen. Ein inspirierender Austausch für alle, die in diesen herausfordernden Zeiten nach Hoffnung suchen.

???????? Fortbildung Cyber-Astrologie & KI-Karma – Mit Teilnahmeurkunde zum Selbstausdrucken

Zum Schluss möchte ich noch den ironischsten und kreativsten Vortrag des diesjährigen Chaos Communication Congress vorstellen: Katharina Nocuns „Fortbildung Cyber-Astrologie & KI-Karma – Mit Teilnahmeurkunde zum Selbstausdrucken“ war ein absolutes Highlight in diesem Jahr.

In diesem satirischen Seminar werden Teilnehmende in die Welt der digitalen Esoterik eingeführt. Sie lernen, wie man mit fragwürdigen Techniken aus der Esoterik-Szene, wie Digital Forecasting und Healing statt Patching, auf dem boomenden Markt für Digital-Spiritualität Fuß fasst. Zusätzlich werden innovative Konzepte wie belebte Netzwerke und Mental-Antivirus präsentiert, die auf homöopathischer Basis und feinstofflicher Unterstützungssoftware basieren. Als Bonus verspricht der Vortrag sogar einen limitierten feinschwingenden 5G-Sticker für die ersten Anmeldenden. Dieser Vortrag ist ein Muss für alle, die einen humorvollen Blick auf die Schnittstelle von Technologie und Okkultismus werfen wollen.

???????? Fnord-Jahresrückblick-Rückblick: 20 Jahre Fnord-Jahresrückblick!

Wie (mit Ausnahme der Corona-Jahre) in jedem Jahr, bringt der Fnord-Rückblick Struktur in die sich immer bizarr anfühlenden Welt, verteilt renommierte Awards und sucht nach den leichteren Momenten in der allgemeinen Flut aus schlechten Nachrichten. In dieser Ausgabe feiern Frank und Fefe außerdem ihr 20. Jubiläum, weshalb sie etwas weiter zurückblickten.

???????? Security Nightmares

Kein KI-Vortrag im eigentlichen Sinne, aber die Rückschau auf das, was sich im letzten Jahr im Bereich IT-Sicherheit getan hat mit Frank und Ron lohnt sich immer! Welche neuen Entwicklungen haben sich ergeben? Welche neuen Buzzwords und Trends waren zu sehen?

Wie immer wagen die beiden unterhaltsam den IT-Security-Alptraum-Ausblick auf das Jahr 2024 und darüber hinaus. Im Zuge von noch mehr Transparenz, Kritik & Selbstkritik und kontinuierlicher nachhaltiger Optimierung aller Prozesse wurden diesmal auch frühere Voraussagen hinsichtlich des Eintreffens der Weissagungen geprüft.

???????? Hurra, diese Welt geht unter!? – Welche kollektiven Erzählungen brauchen wir, um in der Klimakrise handlungsfähig zu sein?

Ein bewusst provokativer und tiefgreifender Vortrag, der die drängenden Fragen unserer Zeit aufgreift. Die Referenten Elenos, mischko, Daniel Domscheit-Berg und Becci stellen fest, dass die aktuellen kollektiven Narrative vom unendlichen Wachstum und der technologischen Unsterblichkeit in der heutigen Welt, in der Ökosysteme zusammenbrechen und Artensterben realer wird, nicht mehr greifen. Sie betonen die Notwendigkeit, neue Erzählungen von Endlichkeit und Verletzlichkeit zu entwickeln, die uns nicht lähmen, sondern zum Handeln motivieren.

Durch die Einbindung von zwei Aktivist:innen, die aus unterschiedlichen Perspektiven – Letzte Generation und Solarpunk – ihre Sicht auf die Klimakrise darlegen, wird ein breites Spektrum an Ideen und Ansätzen präsentiert. Sie beleuchten die Rolle des menschlichen Selbstbildes, der Technologie und der Körperlichkeit in ihren Erzählungen und wie diese Faktoren unsere Fähigkeit beeinflussen, auf die Klimakrise zu reagieren. Der Vortrag ist nicht nur eine kritische Auseinandersetzung mit den vorherrschenden Geschichten unserer Zeit, sondern auch ein konstruktiver Aufruf zum Handeln und zum Erzählen neuer Geschichten, die eine nachhaltige, gerechte und emanzipative Zukunft ermöglichen.

+ 7 weitere empfehlenswerte Vorträge vom 37c3

Leider gibt es das unterhaltsame Hacker-Jeopardy seit einigen Jahren nicht mehr auf dem Kongress, doch für alle, die noch nicht genug von interessanten Vorträgen haben, hier noch weitere empfehlenswerte Vorträge:

• Och Menno – Military Grade Bullshit
• Science Slam – Weltrettung braucht Wissenschaft
• Das Recht auf Selbstverteidigung im modernen Völkerrecht
• Ist die Demokratie noch zu retten? – Politikwissenschaftliche Demokratieforschung in der Krise
• Hacking the Climate – Mit Climate Engineering raus aus der Klimakrise?
• Social Engineering: Geschichte, Wirkung & Maßnahmen.
• Chatkontrolle – Es ist noch nicht vorbei!

In diesem Artikel möchte ich die – aus meiner Sicht – besten KI-Tools mit Euch teilen.

Es folgt eine Übersicht aller KI-Tools, die Du Dir anschauen solltest.

Hinweis: Durch die dynamische Entwicklung im Bereich generativer KI, kann sich die Liste der Tools täglich verändern.

KI-Chatbots & Suchen

KI-Chatbots und große Sprachmodelle sind dank des gigantischen Erfolges von ChatGPT in aller Munde. Es existiert mittlerweile eine vielzahl unterschiedlicher Modelle und Anbieter, die sich in Qualität, Zuverlässigkeit und Funktionen zum Teil jedoch noch erheblich unterscheiden.

1) 🇺🇸 Anthropics Claude

Claude ist die derzeit leistungsfähigste Chatbot-KI, die von Anthropic entwickelt wurde und hat ChatGPT für mich mittlerweile für viele Workflows abgelöst. Sie kann bei einer Vielzahl von Aufgaben assistieren, wie zum Beispiel beim Verfassen von Texten, bei der Durchführung von Analysen, beim Beantworten von Fragen, bei mathematischen Berechnungen, beim Programmieren von Code und mehr.

Das derzeitige Spitzenmodell „Claude 3.5“ legt die Messlatte für Intelligenz höher und übertrifft derzeit alle Modelle der Mitbewerber! Claude 3.5 Sonnet ist ab sofort kostenlos auf Claude.ai und in der Claude iOS App verfügbar, während Abonnenten der Claude Pro und Team Pläne mit höheren Nutzungslimits zugreifen können.

Besonders hilfreich finde ich die Integration der sogenannten Artefakte, quasi in sich abgeschlossene Inhalte, die Claude in einem eigenen Fenster anzeigt, das von der Hauptkonversation getrennt ist. Artefakte erleichtern insbesondere die Arbeit mit wichtigen Inhalten, die du vielleicht später ändern, erweitern oder referenzieren möchtest, wie zum Beispiel HTML-Code oder Artikel im Markdown-Format. Aber auch Skalierbare Vektorgrafiken (SVG), Diagramme und Flussdiagramme und sogar Interaktive React-Komponenten können direkt dargestellt und sogar separat geteilt werden.

Claude kann in seinem neuen Analysetool nun auch Code schreiben und ausführen. Das Tool hilft Claude, mathematisch präzise und reproduzierbare Antworten zu geben. Mit Artifacts lassen sich daraus dann interaktive Datenvisualisierungen erstellen.

Es ist natürlich auch über Anthropics API, Amazon Bedrock und sogar Google Cloud’s Vertex AI verfügbar. Das Modell kostet $3 pro Million Input-Token und $15 pro Million Output-Token, mit einem Kontextfenster von 200K Token.

Erst kürzlich wurde eine bahnbrechende neue Funktion in der öffentlichen Beta-Version eingeführt, die Computernutzung. Entwickler können Claude über die API anweisen, Computer so zu benutzen, wie Menschen es tun – indem sie auf einen Bildschirm schauen, einen Cursor bewegen, auf Schaltflächen klicken und Text eingeben. Claude 3.5 Sonnet ist das erste KI-Modell, das Computernutzung in der öffentlichen Beta-Version anbietet. In dieser Phase ist es noch experimentell – manchmal umständlich und fehleranfällig.

Nutzungsbedingungen: https://console.anthropic.com/legal/terms
Datenschutz: https://console.anthropic.com/legal/privacy

2) 🇺🇸 ChatGPT von OpenAI

1. ChatGPT Free: Dies ist eine kostenlose Forschungsvorschau von OpenAI und kann nach einer Registrierung kostenlos verwendet werden. Nach der Registrierung erhält man Zugang zu GPT-3.5 sowie eingeschränkten Zugang zu GPT-4o und erweiterten Datenanalysen, Datei-Uploads, Vision, Web-Browsing und benutzerdefinierten GPTs (Nur Nutzen, nicht Erstellen).
   
   Die Datenspeicherung und Nutzung zum Training weiterer Modelle kann hier nicht deaktiviert werden!
   
   Es gelten die allgemeinen Nutzungsbedingungen für Nutzer:innen in Europa https://openai.com/de-DE/policies/eu-terms-of-use/
2. ChatGPT PLUS: Die Bezahlversion (20 USD pro Monat) bietet Zugriff auf GPT-4o, o1-preview, Browsing via Bing, Bildgenerierung via DALL-E 3 sowie Datenupload, -analyse und die Erstellung eigener ChatBots (GPTs).
   
   Die Nutzung erfolgt unter den erweiterten Bedingungen für Business Accounts: https://openai.com/policies/business-terms.
   
   Die Speicherung von Chatverläufen kann deaktiviert werden. Eine Nutzung der Daten zu Trainingszwecken seitens OpenAI findet nicht statt. Dennoch werden alle eingegebenen oder hochgeladenen Daten zu Servern von OpenAI transferiert und das kalifornische Recht findet Anwendung.
3. ChatGPT Teams: Erweiterte Nutzung von GPT-4 (Mehr Anfragen + 128k Token Window), mehr Ressourcen für Codeausführung und Datenanalyse, sowie GPTs in eigenem Workspace teilen. Ab 50$ im Monat (Mind. 2 Accounts zu je 25$/Monat). Teamdaten sind standardmäßig vom Training ausgeschlossen. Inkl. Admin-Konsole für die Verwaltung des Arbeitsbereichs
4. GPT-4o via API: Das Sprachmodell GPT-4o lässt sich via API nutzen, beispielsweise im Playground: https://platform.openai.com/playground?mode=chat&model=gpt-4o. Die Abrechnung findet hierbei je Token statt, je nachdem welches Modell verwendet wird: https://openai.com/pricing
   
   Hier kommen die erweiterten Enterprise Privacy Terms zum Einsatz: https://openai.com/enterprise-privacy

3) 🇺🇸 Microsoft Copilot

Mit einem kostenlosen Konto von Microsoft können Sie unter Bing AI – Suchen direkt auf den KI-basierten Copilot zugreifen. Zusätzlich hat Microsofts mit “Copilot” einen eigenen KI-Chatbot veröffentlicht, der über die integrierte Suchfunktion relevantere Ergebnisse liefert. Bings Copilot überprüft dabei Ergebnisse aus dem gesamten Web, um die gesuchte Antwort zu finden und diese mittels GPT-4 zusammenzufassen.

Dieser Chatbot kann auch Bilder und via Plugins wie Suno sogar Musik generieren. Aktivieren Sie maximal 3 Plug-Ins gleichzeitig, um Restaurantreservierungen, Flüge und vieles mehr direkt im Copiloten zu nutzen.

Die Nutzung erfolgt nach folgenden Bedingungen: https://www.bing.com/new/termsofuse

4) 🇺🇸 Perplexity AI

Perplexity AI fungiert als extrem leistungsfähige Suchmaschine, die das Internet durchsucht, um eine Antwort zu geben, wenn ein Nutzer eine Frage eingibt. Sie kann auch Vorschläge und Quellen als Antwort auf Anfragen liefern. Sie wurde entwickelt, um das Internet in Echtzeit zu durchsuchen und aktuelle Informationen zu verschiedenen Themen bereitzustellen.

1. Perplexity Quick Search (kostenlos) ist ein Chatbot und eine Suchmaschine, die große Sprachmodelle verwendet, um präzise Antworten auf Fragen zu geben.
2. Perplexity Pro ($20 im Monat) erlaubt es zwischen den Modellen zu wählen und unbegrenzt Dateien hochladen und analysieren.
   
   Außerdem erhält man unbegrenzte Schnellsuchen und 600 Pro-Suchen pro Tag bei Perplexity Copilot, einem interaktiven Recherche-Assistenten für eine gründliche Recherche bei komplexen Anfragen mit genaueren Antworten. 50 Antworten pro Tag lassen sich mit Playground AI, DALL-E, SDXL und mehr visualisieren.

Es gelten folgende Nutzungsbedingungen: https://blog.perplexity.ai/legal/terms-of-service
Datenschutzerklärung unter: https://blog.perplexity.ai/legal/privacy-policy

5) 🇺🇸 Google Gemini

Googles Chatbot Gemini lässt sich mit einem Google Account kostenlos nutzen. Mittels Erweiterungen lässt sich auf auf Informationen aus Quellen wie Google Maps, YouTube, Google Flüge und Hotels auf Google zugreifen.

Außerdem gibt es eine Erweiterung für Google Workspace, also Gmail, Google Docs, Google Drive und Co. Damit lassen sich Inhalte zusammen fassen und nach Informationen in deinen Dokumenten suchen.

Datenschutz von Gemini: https://support.google.com/a/answer/14130944?hl=de#zippy=%2Cwie-sch%C3%BCtzt-gemini-meine-daten

6) 🇪🇺 Mistral Le Chat

Als einziges Europäisches Unternehmen positioniert sich das Pariser Start-up Mistral AI als datenschutzkonforme Alternative zu den OpenAI und Anthropic mit der Einführung eines eigenen Chatbots namens Le Chat. Dort erhält man Zugriff auf das leistungsstärkste Modell namens Large, das – anders als die kleineren Modelle – leider nicht mehr als Open Source veröffentlicht wurde. Es gibt mobile iOS- und Android-Apps sowie von ChatGPT bekannte Funktionen wie Websuche, Dokumentenverarbeitung, Code-Interpreter und eine Bilderzeugung, die auf dem Flux-Ultra-Modell von Black Forest Labs basieren.

Besonders ist die Funktion namens „Flash Answers“, die Antworten mit einer Geschwindigkeit verarbeitet, die die von Konkurrenzprodukten wie ChatGPT und Claude um das Zehnfache übersteigt!

Mit einem Kontextfenster von 32.000 Token unterstützt Mistral Large die Sprachen Englisch, Französisch, Spanisch, Deutsch und Italienisch. Neben einem europäischen Datenschutz bietet Mistral AI sogar eine Vereinbarung zur Datenverarbeitung und erfüllt damit als einziger Chatbot die Anforderungen der DSGVO bzw. TTDSG!

Natürlich gibt es einen kostenlosen Plan, sowie eine Pro-Stufe für 14,99 $/Monat, eine Team-Stufe für 24,99 $/Benutzer/Monat und eine Enterprise-Option mit benutzerdefinierter Bereitstellung.

Es gelten folgende Nutzungsbedingungen: https://mistral.ai/terms/#terms-of-use

7) 🇺🇸 Ecosia Chat

Die deutsche Suchmaschine Ecosia bietet auf Basis von OpenAI ebenfalls einen Chatbot mit Fokus auf Datenschutz innerhalb seiner Suche an. Die Nutzeranfragen werden im Hintergrund jedoch an OpenAI weitergeleitet. Diese Daten werden jedoch nicht dazu verwendet, das Modell von OpenAI zu trainieren. Laut Ecosia werden aber zumindest keine persönlichen Daten wie IP-Adresse und Standort des Nutzers an OpenAI weitergeleitet. Achtung: Alle Informationen, die man im Chat teilt, werden an OpenAI gesendet!

Es gelten folgende Nutzungsbedingungen: https://www.ecosia.org/privacy

8) 🇺🇸 You.com Chat

Die Suchmaschine You.com bietet einen kostenlosen Chatbot innerhalb seiner Suche auf Basis eines eigenen Sprachmodells an. Nach kostenloser Registrierung steht der Smart Assistant unbegrenzt zur Verfügung. Damit lassen sich Inhalte generieren, kreatives Schreiben üben, sowie Nachrichten & Live-Web-Ergebnisse abrufen.

Für $15 im Monat hat man, ähnlich wie bei perplexity unbegrenzt Zugriff auf GPT-4, Claude 3 Opus, Gemini 1.5 Pro, Llama 3, Dolphin 2.5 (unzensiert), den Genius-Assistent zur Lösung für komplexe, mehrstufige Probleme, den Recherche-Assistent für Analysen und Vergleiche mit umfangreichen Zitaten sowie den Kreativ-Assistent, um Ideen in Bildmaterial zu verwandeln. Außerdem sind unbegrenzte Datei-Uploads (PDFs, Bilder, Texte und mehr) möglich.

Es gelten folgende Nutzungsbedingungen: https://you.com/legal/terms

9) 🛡️ Chatbots auf dem eigenen PC / Mac (offline)

Mit LM Studio lassen sich freie LLMs wie Llama 2, Code Llama oder Mistral / Mixtral auf Mac, Windows und Linux installieren und nach dem Download sogar ohne Internetverbindung lokal nutzen. Modelle können über die In-App-Chat-Oberfläche oder einen OpenAI-kompatiblen lokalen Server via API offline genutzt werden.

Die Modelle unterliegen unterschiedlichen (zum Teil echten) Open Source Lizenzen, sind jedoch ihrer Präzision reduziert (4, 6, 7 oder 8-bit quantisiert) und damit in der Leistungsfähigkeit eingeschränkt. Für eine schnelle Textgenerierung ist leistungsstarke Hardware notwendig (M1, M2 oder GPUs mit viel Video-RAM). Beachte: Kein freies Sprachmodell ist so leistungsfähig wie die kommerziellen Top-Modelle GPT-4(o), Gemini 1.5 Pro oder Claude 3 Opus.

LM Studio wird von Element Labs, Inc. angeboten. Es gelten folgende Nutzungsbedingungen: https://lmstudio.ai/terms

---

Bilder KI Tools

Text-To-Image Modelle haben sich in den letzten 24 Monaten rasant entwickelt. Aktuelle Spitzenmodelle erlauben es, beliebige Bilder von Strichzeichnungen über klassische Gemälde und Comics bis hin zu fotorealistischen Motiven mittels einfacher Beschreibung in Textform zu generieren.

1) 🇺🇸 midjourney

Midjourney ist ein Programm und Dienst für generative künstliche Intelligenz, der vom unabhängigen Forschungslabor Midjourney, Inc. in San Francisco entwickelt und betrieben wird. Midjourney generiert Bilder aus natürlichsprachlichen Beschreibungen, sogenannten Prompts.

Die kostenlose Generierung nur über Discord und öffentlich möglich. Zum Teil lange Wartezeit.
Kommerzielle Nutzung: 200 Bilder für $10/Monat bzw. Unlimitierte Nutzung ab $30/Monat.

Es gelten folgende Nutzungsbedingungen: https://docs.midjourney.com/docs/terms-of-service
Datenschutzbestimmungen: https://docs.midjourney.com/docs/privacy-policy

2) 🇺🇸 Ideogram

Ideogram AI ist ein weiterer Text-zu-Bild-Generator, mit dem man Bilder mittels Anweisungen erstellen kann. Ideogram ist besonders gut geeignet, um (kurze) Texte in KI-Bildern zu rendern. Umfangreichere Texte werden auch hier leider noch nicht unterstützt. Tipp: 20 öffentliche Bilder / Tag sind in komprimierter JPG Qualität kostenlos. Außerdem lassen sich Bilder in Text umwandeln mit „Describe“ und man hat Zugang zur öffentlichen Community-Galerie. Für $16 im Monat lassen sich private Bilder generieren und man erhält unbegrenzte Generierungen, davon 1.000 ohne Warteschleife pro Monat.

Das neue Ideogram „Canvas“ genannt, ist ein neues Interface für die kreative Gestaltung und Bearbeitung von Bildern. Es bietet quasi eine unendliche digitale Leinwand, auf der Bilder organisiert, generiert, bearbeitet und kombiniert werden können. Nutzer:innen können eigene Bilder hochladen oder neue Inhalte direkt innerhalb von Canvas erstellen. Die nahtlose Bearbeitung erfolgt durch die fortschrittlichen Funktionen Magic Fill (Inpainting) und Extend (Outpainting):

• Mit dem Extend Tool lassen sich Bilder über ihre ursprünglichen Grenzen hinaus erweitern, ohne die Stil-Kohärenz zu verlieren. Ideal für Anpassungen an verschiedene Bildschirmgrößen und Bildkompositionen.
• Magic Fill ermöglicht das Bearbeiten spezifischer Bildbereiche, um Objekte zu ersetzen, Text hinzuzufügen, Fehler zu korrigieren oder Hintergründe zu ändern. Perfekt für detaillierte Anpassungen und Bildkombinationen.

Es gelten folgende Nutzungsbedingungen: https://ideogram.ai/tos

3) 🇺🇸 Runway ML Text to Image

Jede Text-zu-Bild-Erstellung kostet 5 Credits. Credits können mit einem Standard- oder Pro-Abo für jeweils umgerechnet $.01 erworben werden, wobei der Mindestbetrag $10 beträgt. Für das Herunterladen in höheren Auflösungen ist ein Standard ($12) oder Pro-Konto (ab $28) erforderlich.

Nutzungsbedingungen: https://runwayml.com/terms-of-use/
Datenschutzerklärung: https://runwayml.com/privacy-policy/

4) ⚖️ Adobe Firefly

Adobe hat eigene generative KI Modelle entwickelt und als Einziger Anbieter diese ausschließlich auf Basis lizenzierter Trainingsdaten erstellt. Damit erreicht Adobe eine bislang unerreichte Rechtssicherheit für die Nutzung der erstellten Bilder!

Adobe Firefly wurde in Adobes Creative Suite integriert. Es stehen neben klassischen Funktionen wie Text zu Bild auch generative Füllung innerhalb von Photoshop oder sogar für KI-generierte Vektorgrafiken in Illustrator zur Verfügung.

Mit einem kostenlosen Adobe Account lassen sich 25 Generative Credits pro Monat nutzen. Für 5,49 €/Monat erhält man 100 Generative Credits, Zugriff auf kostenlose Schriften von Adobe Fonts sowie mit Firefly erstellte Bilder ohne Wasserzeichen.

5) 🇺🇸 Magnific AI

KI-generierte Bilder sind in der Regel nicht besonders hoch aufgelöst. Hier hilft ein Upscaler & Enhancer für Bilder. Magnific AI nutzt fortschrittlichste KI-Technologie, die ein hochauflösendes Upscaling ermöglicht und nicht nur hochskalieren, sondern auch verbessern kann. Magnific kann dabei neue Details im Bild halluzinieren, also neu erschaffen – und das nach eigenen Vorgaben und Parametern.

Zusätzlich bietet Magnific eine sehr spannende Funktion namens Relight (aktuell noch in der Beta), die eine neue Szene aus einem Foto erstellt. Dabei wird also die Person, das Produkt oder die Objekte in einer anderen Umgebung, also quasi mit einem neuen KI-generierten Hintergrund ausgestattet. Das Besondere daran ist, dass nicht einfach nur das Objekt freigestellt und der Hintergrund ausgetauscht wird, sondern die Beleuchtung des Objektes und damit auch die Atmosphäre angepasst wird. Dabei wird das Licht extrem realisistisch an die neue Szenerie angepasst.


Kosten: Pro-Plan 39$/Monat, Premium-Plan 99$/Monat und Business-Plan 299$/Monat

Nutzungsbedingungen: https://magnific.ai/legal/
Datenschutz: https://magnific.ai/legal/#privacy

6) 🛡️ Offline Bildgenerierung mit Stable Diffusion

Stable Diffusion wurde von Forschern der CompVis Group an der Ludwig-Maximilians-Universität München und Runway mit einer Rechenspende von Stability AI und Trainingsdaten von gemeinnützigen Organisationen entwickelt.

Die verwendete CreativeML Open RAIL-M Lizenz erlaubt zwar die kostenlose Nutzung, allerdings nur für nicht-kommerzielle Zwecke, also für den persönlichen Gebrauch und die Forschung. Für $20 pro Monat lassen sich die Modelle zur kommerziellen Nutzung lizensieren, müssen jedoch noch selbst gehostet werden.

SD XL kann kostenlos ausprobiert werden unter https://nogpu-webui.com/
Das Modell besitzt jedoch sehr viele Hyper-Parameter, die eine längere Einarbeitungszeit erfordern.

Für die lokale Installation sind allerdings fortgeschrittene Fähigkeiten notwendig:
Mac: https://stable-diffusion-art.com/install-mac/
Windows: https://stable-diffusion-art.com/install-windows/

---

Audio KI Tools

Der erste große Block im Bereich Audio KI sind sogenannte Speech-To-Text-Modelle. Spracherkennung per Software gibt es zwar bereits seit den 90er Jahren, jedoch erlauben aktuelle Modelle eine nahezu fehlerfreie Transkription in beliebigen Sprachen und können sogar unterschiedliche Sprecher:innen identifizieren und markieren.

Hiermit können Podcast-Transkripte oder Textversionen von Meetings und Interviews erzeugt und mittels großer Sprachmodelle weiterverarbeitet, beispielsweise zusammengefasst oder umgeschrieben werden.

1) 🇺🇸 Whisper von OpenAI

Whisper ist ein automatisches Spracherkennungssystem (ASR), das anhand von 680.000 Stunden mehrsprachiger und multitaskingüberwachter Daten aus dem Internet trainiert wurde und unter MIT Lizenz (Open Source) steht.

Whisper steht unter anderem über die API von OpenAI zur Verfügung und unterstützt folgende Sprachen: Afrikaans, Arabic, Armenian, Azerbaijani, Belarusian, Bosnian, Bulgarian, Catalan, Chinese, Croatian, Czech, Danish, Dutch, English, Estonian, Finnish, French, Galician, German, Greek, Hebrew, Hindi, Hungarian, Icelandic, Indonesian, Italian, Japanese, Kannada, Kazakh, Korean, Latvian, Lithuanian, Macedonian, Malay, Marathi, Maori, Nepali, Norwegian, Persian, Polish, Portuguese, Romanian, Russian, Serbian, Slovak, Slovenian, Spanish, Swahili, Swedish, Tagalog, Tamil, Thai, Turkish, Ukrainian, Urdu, Vietnamese, and Welsh.

Whisper lässt sich als Open Source Modell auch lokal, d.h. offline nutzen!

Mit MacWhisper lassen sich die unter MIT License stehenden, freien Allzweck-Spracherkennungsmodelle von OpenAI mit dem Namen Whisper lokal auf dem Mac herunterladen und offline betreiben. MacWhisper selbst kostet 29$ einmalig.

Eine Installation unter Windows ist möglich, erfordert jedoch umfangreiche technische Fähigkeiten: https://github.com/openai/whisper/discussions/1463

2) 🇺🇸 Runway ML Speech-To-Text

Verwandelt Audiospuren aus Videos oder reine Sprachaufzeichnungen in Text. Liefert exakte und verständliche Transkriptionen.

Nutzungsbedingungen: https://runwayml.com/terms-of-use/
Datenschutzerklärung: https://runwayml.com/privacy-policy/

---

Der zweite Block stellt Text-To-Speech-Modelle dar, also klassische Sprachsynthese, die wir ebenfalls bereits seit den 90er kennen, nun jedoch in einer Qualität, die wir lange nicht für möglich gehalten haben.

1) 🇺🇸 OpenAI Text-To-Speech

OpenAIs Audio-API bietet mittlerweile auch eine Sprachschnittstelle, die auf deren TTS-Modell (Text-to-Speech) basiert. Sie verfügt über 6 integrierte Stimmen und kann verwendet werden, um Blog-Einträge vorzulesen, gesprochenes Audio in mehreren Sprachen zu produzieren oder Audio in Echtzeit zu generieren.

Hier kommen die erweiterten Enterprise Privacy Terms zum Einsatz: https://openai.com/enterprise-privacy

2) 🇺🇸 Elevenlabs Text-To-Speech

Kostenlose KI-Sprachsynthese von Elevenlabs. Erzeugt lebensechte Sprache in jeder Sprache und Stimme. Kann Sprecher:innen klonen und nachahmen!

Nutzungsbedingungen: https://elevenlabs.io/terms
Datenschutz: https://elevenlabs.io/privacy

3) 🇺🇸 Runway ML Text-To-Speech

Runway Text-to-Speech verwandelt Text in lebensechte, ausdrucksstarke Sprache. Liefert qualitativ hochwertige Voiceovers oder Erzählungen.

Nutzungsbedingungen: https://runwayml.com/terms-of-use/
Datenschutzerklärung: https://runwayml.com/privacy-policy/

4) 🇺🇸 Elevenlabs Video Dubbing

Übersetzt Videos und Sprache in 29 Sprachen in Sekundenschnelle mit Sprachübersetzung, Sprechererkennung und Nachvertonung.

Nutzungsbedingungen: https://elevenlabs.io/terms
Datenschutz: https://elevenlabs.io/privacy

---

Der dritte Block stellt mit Text-To-Sound & Music einen neuen Anwendungsbereich dar, bei dem Melodien, Rythmen, Töne und Geräusche bis hin zu ganzen Liedern mittels Textanweisungen generiert werden können.

Dieser Bereich ist, ähnlich wie Text-To-Video noch sehr neu und hochdynamisch. Die leistungsstärksten, bereits vorgestellten Modelle stehen derzeit noch nicht zur Verfügung.

Meta AIs neuestes Modell Voicebox steht derzeit leider noch nicht zur Verfügung. Googles MusicFX stehen aktuell nur wenigen ausgewählten Nutzer:innen in den USA über die AI Test Kitchen zur Verfügung. MusicFX basiert auf Googles MusicLM und nutzt die neuartige Wasserzeichen-Technologie von Google DeepMind, SynthID, um ein digitales Wasserzeichen in die Ausgaben einzubetten.

1) 🇺🇸 Suno AI

Suno generiert Musik per KI. Man braucht kein Instrument, nur etwas Fantasie. Auch in Microsoft Copilot als Plugin integriert.

Mit einem kostenlosen Account erhält man 50 Credits/Tag (10 Lieder) zur nicht-kommerziellen Nutzung. Kommerzielle Nutzung ab $8 je Monat.

Nutzungsbedingungen:  https://www.suno.ai/terms
Datenschutz: https://www.suno.ai/privacy

---

Video KI Tools

Text-To-Video Modelle sind ein relativ neues Phänomen und noch in einem sehr frühen, experimentellem Status. Diese Tools eignen sich derzeit noch nicht für den kommerziellen Einsatz. Allerdings sollten Sie sich mit den faszinierenden Möglichkeiten beschäftigen, denn eine Ausweitung der Qualität von Text-To-Image auf Text-To-Video ist nur noch eine Frage der Zeit, wie die Vorstellungen von OpenAIs Sora und Google Deepminds Veo zeigen.

1) 🇺🇸 OpusClip – KI Video Clipping Tool

OpusClip ist ein leistungsstarkes, KI-gestütztes Tool, das dabei hilft, aus langen Videos extrem effizient erfolgreiche Short-Form-Videos für Social-Media-Plattformen wie TikTok, Instagram, LinkedIn und Co. zu erstellen. Es wandelt automatisch lange Videos in virale Clips um und ermöglicht die Veröffentlichung auf allen gängigen Social-Media-Plattformen mit nur einem Klick. Unterstützt werden Video-Links von Plattformen wie YouTube, Google Drive, Vimeo, Zoom, Facebook, LinkedIn und vielen mehr.

Hauptfunktionen und Vorteile:

• Auto Reframe: Die KI passt Clips automatisch an verschiedene Seitenverhältnisse an, erkennt dabei Sprecher_innen und bewegte Objekte. Dies sorgt dafür, dass die Videos perfekt für jede Plattform optimiert sind.
• AI Curation: OpusClip identifiziert die überzeugendsten Hooks und Highlights in einem Video und arrangiert diese zu einem ansprechenden Kurzvideo. So wird sichergestellt, dass nur die besten Inhalte genutzt werden, um die Aufmerksamkeit der Zuschauer_innen zu fesseln.
• Animierte Untertitel: Automatisch generierte, animierte Untertitel mit über 97 % Genauigkeit und zahlreichen anpassbaren Vorlagen sorgen dafür, dass die Clips professionell wirken und besser verstanden werden.
• AI B-Roll: Die KI fügt kontextuell relevante B-Roll-Videos hinzu, sei es aus lizenzfreiem Material oder KI-generierten Visuals. Dies steigert die visuelle Attraktivität und Relevanz der Clips.
• Brand Templates: Nutzer_innen können verschiedene Markenvorlagen mit individuellen Schriftarten, Farben und Logos erstellen, um ein konsistentes und professionelles Erscheinungsbild zu gewährleisten.
• Social Post Scheduler: Durch die Möglichkeit, Clips automatisch auf Plattformen wie YouTube, TikTok, Instagram, Facebook, LinkedIn und X zu posten und zu planen, spart man wertvolle Zeit und kann Inhalte gezielt verbreiten.
• Virality Score: Ein KI-basierter Virality Score zeigt das Potenzial eines Clips, viral zu gehen, und hilft so, gezielt die erfolgreichsten Inhalte auszuwählen.
• Nahtlose Zusammenarbeit: Mit der Export-Funktion können Videos direkt in Adobe Premiere Pro exportiert werden, und Teams können über einen gemeinsamen Workspace effizient an Projekten zusammenarbeiten.

OpusClip revolutioniert für mich komplett die Erstellung von Short-Form-Videos, indem es den gesamten Prozess automatisiert und optimiert. Das Tool ermöglicht es mir innerhalb von Minuten, aus langem Videomaterial schnell und effizient virale Kurzvideos zu erstellen, die auf Plattformen wie TikTok, Instagram und LinkedIn maximale Reichweite und Engagement erzielen.

Durch die Kombination von KI-gestützter Analyse, automatischer Anpassung und sofortiger Veröffentlichung bietet OpusClip eine erhebliche Zeitersparnis und steigert die Erfolgsquote von Social-Media-Kampagnen. So wird aus jeder Videoaufnahme das volle Potenzial herausgeholt, ohne dass umfangreiche manuelle Bearbeitungen erforderlich sind. Bei kleinen Fehlern im Transkript oder bei der KI-basierten Auswahl der Szenen kann man selbstverständlich manuell Hand anlegen und entsprechend nachsteuern.

Tipp: Hier ist dein Link für 30 % Rabatt auf den ersten Monat eines Pro-Plans: opus.pro/afaik30

2) 🇺🇸 Pika.art

Pika ist eine relativ neue KI-Videoplattform, die es jedem ermöglicht, seine kreative Vision zum Leben zu erwecken. Das Unternehmen bietet vergleichbare Videoerstellungs- und -bearbeitungswerkzeuge wie RunwayML, das aktuell jedoch kostenlos und für jeden zugänglich ist.

Nutzungsbedingungen: https://pika.art/terms-of-service
Datenschutz: https://pika.art/privacy-policy

3) 🇺🇸 Runway ML Text-to-Video Gen3

Gen-3 Alpha wurde für die Generierung von Videos und Bildern trainiert und wird Runways Text-zu-Video-, Bild-zu-Video- und Text-zu-Bild-Werkzeuge, bestehende Steuerungsmodi wie Motion Brush, Advanced Camera Controls, Director Mode sowie zukünftige Werkzeuge für eine noch feinere Kontrolle von Struktur, Stil und Bewegung unterstützen.

Gen-3 Alpha wurde speziell mit sehr detailliert beschreibenden Untertiteln trainiert, die phantasievolle Übergänge und präzises Keyframing von Elementen in der Szene ermöglichen.

Über das Abonnement (ab 12$ im Monat) stehen außerdem Funktionen wie das Hochskalieren von Bildern zur Verfügung.

Nutzungsbedingungen: https://runwayml.com/terms-of-use/
Datenschutzerklärung: https://runwayml.com/privacy-policy/

---

Produktivitätstools

Neben klassischen Content-Generierungstools und Chatbots gibt es auch immer mehr spezialisierte Anwendungen, die einem im Alltag dabei helfen, bestimmte Aufgaben, schneller und besser zu erledigen.

1) 🇺🇸 Eraser.ai

Es gibt nun auch eine spezialisierte KI-Anwendung für visuelle Darstellungen, die zeigen, wie die einzelnen Systeme zusammenspielen. Denn ein Diagramm von Grund auf zu erstellen, kann viel Zeit und technisches Know-how erfordern.

Mit Eraser gibt es nun einen Kopiloten, der Diagramme mit einfachen Textanweisungen erstellen kann, unabhängig von der technischen Tiefe. Er verfügt über anpassbare Icons und intuitive Bearbeitungswerkzeuge für die Visualisierung von nahezu jedem komplizierten Prozess.

2) 🇺🇸 Napkin.ai

Ein richtig cooles Programm ist Napkin. Das Tool verwandelt Text in eine visuelle Darstellung, also ein Diagramm zur Visualisierung, damit man Ideen schnell und effektiv teilen kann.

Ähnlich wie bei Eraser braucht man keine komplexen Prompts, Napkin arbeitet direkt mit dem vorhandenen Text. Man fügt einfach Text ein, und der Rest geht ganz automatisch. Napkin erstellt automatisch die relevantesten Visualisierungen, du kannst dann diejenige auswählen, die deine Vorstellung am besten widerspiegelt. Die Visualisierungen sind editierbar, sodass du Inhalt und Stil anpassen kannst.

In der KI-Forschung herrschen seit Langem Uneinigkeiten darüber, ob künstliche Intelligenz eine Bedrohung für die Menschheit darstellen könnte. Diskutiert wird auch, ob wir uns auf dem Weg zu echter Intelligenz, also AGI, befinden oder ob die aktuellen Ansätze in eine Sackgasse führen. Es besteht die Vermutung, dass die Entlassung und Wiedereinstellung von OpenAIs CEO Sam Altman durch Sorgen um die Menschheitsicherheit veranlasst wurden. Möglicherweise hat OpenAI mit dem Q*-Algorithmus einen Durchbruch auf dem Weg zur künstlichen Superintelligenz erzielt. Die Geheimhaltung um diesen Algorithmus ist aus meiner Sicht besorgniserregend.

Welche Risiken sehen Wissenschaftler:innen?

Eine prominente Warnerin, Timnit Gebru, schrieb bereits vor einem Jahr einen sehr guten Artikel im WIRED Magazine, welchen negativen Einfluß diese Philosophie hat, in dem sie die KI-Forschungsagenda weg von mehr Sicherheit hin zur kommerziellen Ausbeutung verschiebt und damit laut Gebru ein schädliches System im Namen der Rettung der Menschheit schaffe. Dass dabei die umstrittene Tech-Persönlichkeit Sam Bankman-Fried im Zentrum steht, ist mit Blick auf dessen jüngste Verurteilung wegen Betrugs und Geldwäsche zwar interessant, aber es ist längst nicht nur SBF, der diese Agenda vorantreibt.

Das Paper „On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?“ identifiziert mehrere Gefahren, die von aktuellen generativen KI-Modellen, insbesondere großen Sprachmodellen, ausgehen:

1. Umwelt- und Finanzkosten: Die enormen Rechenressourcen, die für das Training großer Modelle erforderlich sind, verursachen hohe CO2-Emissionen und erhebliche Energiekosten. Diese Kosten und Umweltauswirkungen sind ungleich verteilt und wirken sich oft auf marginalisierte Gemeinschaften aus​​.
2. Problematische Trainingsdaten: Große, unmoderierte Internetdatensätze können stereotype und abwertende Assoziationen hinsichtlich Geschlecht, Rasse, Ethnizität und Behinderung kodieren. Diese Datensätze bilden oft hegemoniale Ansichten ab, wodurch Menschen am Rande der Gesellschaft weiter geschädigt werden​​.
   
   Die Trainingsdaten reflektieren möglicherweise nicht die dynamische Natur menschlicher Sprache und sozialer Bewegungen. Dadurch können Sprachmodelle veraltete oder weniger inklusive Perspektiven verfestigen​​.
   
   Außerdem können große Sprachmodelle dadurch verschiedene Arten von Vorurteilen widerspiegeln, einschließlich stereotyper Assoziationen und negativer Gefühle gegenüber bestimmten Gruppen. Diese Vorurteile sind oft ein Spiegelbild der Charakteristika der Trainingsdaten​​.
3. Fehlgeleiteter Forschungsaufwand: Die Konzentration auf große Sprachmodelle für Aufgaben, die natürliches Sprachverständnis erfordern, könnte zu einer Vernachlässigung der Entwicklung von Technologien führen, die effektiver auf sorgfältig kuratierte Datensätze und eine breitere Sprachvielfalt ausgerichtet sind​​.
4. Risiken und Schäden: Die scheinbar menschlichen Fähigkeiten von Sprachmodellen können zu einer Fehlinterpretation ihrer Ausgaben als sinnvoll und bedeutungsvoll führen. Dies birgt Risiken für die Verbreitung und Verstärkung von Vorurteilen, den Missbrauch durch böswillige Akteure und die Verbreitung inkorrekter Informationen, insbesondere wenn die Modelle in Systemen zur Textklassifizierung oder bei der Erweiterung von Suchanfragen eingesetzt werden. Darüber hinaus besteht das Risiko, dass Benutzer über die Modelle auf sensible oder falsche Informationen zugreifen​​.

Diese Punkte zeigen verdeutlichen, dass die Entwicklung und der Einsatz großer Sprachmodelle sorgfältig abgewogen und gesteuert werden sollte, um negative Auswirkungen auf die Gesellschaft zu minimieren.

Doch das ist nicht gerade zuträglich für die Gewinne an der Wall Street.

Big-Tech gegen die „freie“ Wissenschaft?

Gerade ist ein Paper erschienen, dass mit „Skill-Mix“ eine neue Bewertung von LLMs vorstellt, die die Fähigkeit zur Kombination von Fertigkeiten misst. Eine Evaluierung damit, zeigte erhebliche Unterschiede zwischen den Fähigkeiten unterschiedlicher Sprachmodelle, die nach Aussage der Forscher bislang nicht durch ihre Platzierung in den populären LLM-Ranglisten erfasst werden. Sie leiten aus den gezeigten Leistungen mittels einfachee Wahrscheinlichkeitsberechnungen sogar ab, dass die Leistung von GPT-4 bei der Kombination von mindestens fünf unterschiedlichen Fähigkeiten (k=5) sogar über das Verhalten eines „stochastischen Papageis“ hinausgeht. Das Sprachmodell kombiniere hierbei Fähigkeiten auf eine Weise, die es während des Trainings so garnicht gesehen haben kann.

Merkwürdigerweise zitiert das neue Paper bereits in dessen Abstract genau jenes Paper über dessen Veröffentlichung die leitende Wissenschaftlerin der KI-Sicherheitsabteilung bei Google, Timnit Gebru ihren Job verloren! Gebru wurde damals aufgefordert ihren Namen von der Arbeit zu streichen, in dem auf die Risiken von großen Sprachmodellen hingewiesen wurden, die für Googles Geschäft von zentraler Bedeutung sind. Wer verstehen möchte, was darin steht, ohne das Paper selbst lesen zu müssen, findet eine gelungene Einordnung beim MIT Technology Review.

Die Hauptautorin des Papers, Professorin Emily Bender befürchtete schon damals, dass das Vorgehen von Google einen abschreckenden Effekt auf die zukünftige KI-Ethikforschung haben könnte. Denn viele der Top-Experten für KI-Ethik arbeiten bei großen Technologieunternehmen, weil diese das Geld haben, aber somit entstehe ein Ökosystem, das nicht gerade die besten Anreize für den Fortschritt der Wissenschaft biete. Aus Angst um ihren Job ist Margaret Mitchell, die an dem Papier mitgearbeitet hat, nur unter dem Pseudonym Shmargaret Shmitchell als Autorin geführt und wurde im Nachgang der Kontroverse um Gebru ebenfalls entlassen.

Das aktuelle SKILL-MIX Paper, kann man in diesem Zusammenhang also auch als einen, von Google (über DeepMind) finanzierten Versuch verstehen, die Bedenken der Forscherinnen als irrelevant zu erklären.

Doch damit nicht genug.

Echter Altruismus vs. effektiver Altruismus?

Mittlerweile wird sogar die öffentliche Diskussion zwischen einigen der angesehensten Forschern zunehmend hitziger und die Einflüsse auf Regulierung und die Vergabe von Forschungsgeldern immer deutlicher. Die ganze Diskussion ist längst hochpolitisch, weil die großen Tech-Unternehmen und Milliardäre eigene Interessen verfolgen und unter dem Deckmantel des sogenannten effektiven Altruismus eine immer stärkere Lobby gegen Sicherheitsbedenken in der KI-Forschung eintritt.

Der Erfinder von Deep Learning und soetwas wie der Vater aktueller generative KI, Geoffrey Hinton, griff vor Kurzem Meta AIs Chef Yann LeCun an, in dem er ihm auf Twitter vorwarft, die Risiken von KI zu unterschätzen und seine eigene Meinung über die anderer Experten zu stellen:

https://twitter.com/geoffreyhinton/status/1728178632508780919?s=46

Die Diskussion die daraus entstand, ist durchaus lesenswert, auch wenn ich Twitter bzw. X seit der Übernahme durch Elon Musk weitestgehend meide.

In seinem neuesten Paper, „A Path Towards Autonomous Machine Intelligence“, präsentiert Yann LeCuns seine Vision, wie Maschinen lernen könnten, effizienter zu sein – ähnlich wie Menschen und Tiere – indem sie lernen, zu planen und zu überlegen. Der Schlüssel dazu liege in der Entwicklung eines autonomen intelligenten Agenten, der auf einem konfigurierbaren, vorhersagenden Weltmodell basiert, das durch intrinsische Motivation angetrieben wird und mittels selbstüberwachtem Lernen trainiert wird​​.

LeCun betont, dass dieses Dokument kein traditionelles wissenschaftliches Papier ist, sondern eher eine Darstellung seiner Vision für die Entwicklung intelligenter Maschinen. Er hebt hervor, dass viele der in seinem Papier beschriebenen Ideen bereits von anderen Autoren in verschiedenen Kontexten formuliert wurden. Ziel seines Ansatzes ist es, diese Ideen zu einem kohärenten Ganzen zusammenzufügen und die Herausforderungen auf dem Weg zu intelligenteren Maschinen zu identifizieren​​.

Meine Meinung

Ich sehe sowohl die Chancen, als auch die Risiken, die aktuelle und mögliche zukünftige Technologien wie generative KI für die Menschheit bereit halten. Allerdings ist es aus meiner Sicht für einen verantwortungsvollen Umgang mit KI vollkommen unerheblich, ob LLMs der Weg zu einer AGI sind, oder andere Ansätze am Ende zu diesem Ziel führen werden.

Die Analogien, die genutzt werden, um das Wesen und die Funktionsweise großer Sprachmodelle (LLMs) zu beschreiben, sind oft ebenso faszinierend wie irreführend. Eine Analogie, die mir besonders ins Auge fiel, ist die Vorstellung der Parameter eines LLMs als ein verschwommenes Abbild des Internets, über die ich im „The New Yorker“ stolperte. Diese Analogie habe ich auch in meinem Buch verwendet, aber sie ist am Ende nicht ganz zutreffen.

Das fiel mir erst kürzlich auf, als ich den hervorragenden Talk „Intro to Large Language Models“ von Andrej Karpathy, Mitbegründer von OpenAI und ehemaliger Sr. Director of AI bei Tesla auf YouTube anschaute, der darin einen anderen Vergleich zieht: Er sieht ein LLM als eine Art ZIP-Datei des Internets. Er weist zwar darauf hin, dass dieser Vergleich hinkt, da ZIP eine verlustfreie Kompression ist, während die Erzeugung von Parametern in einem neuronalen Netz verlustbehaftet ist.

Jedoch übersehen beide Analogien einen wesentlichen Punkt: Die in den Trainingsdaten vorhandenen Strukturen – Grammatik, Semantik und letztlich Wissen über die Welt – werden nicht einfach verlustbehaftet komprimiert, sondern in einer faszinierenden Art und Weise in den Gewichtungen der künstlichen Neuronen strukturiert abgelegt. Dies zeigt sich, wenn man einzelne Schichten und Neuronen eines LLMs betrachtet. Darin kann man teilweise deren Funktion entschlüsseln und mit Methoden der Dimensionsreduzierung (zum Beispiel PCA, t-SNE, LDA oder UMAP) visualisieren.

In den Strukturen der tiefen Schichten entsteht quasi automatisch eine Art systematisch generalisierte Repräsentation.

Kritiker behaupten oft, dass es bei großen Sprachmodellen „nur“ um die Vorhersage des nächsten Tokens geht und sie daher per se nicht als intelligent angesehen werden können. Doch um das nächste Wort wirklich exzellent vorherzusagen, insbesondere nach einer Frage, muss das LLM zwangsläufig in seinen internen Strukturen eine Repräsentation der Informationen abbilden.

Mit zunehmender Komplexität der Netze bildet sich aus meiner Sicht zwangsläufig eine Art mentaler Repräsentation der Realität – vorausgesetzt, die Trainingsdaten ermöglichen dies und das Optimierungsziel ist adäquat gesetzt!

Bei der aktuellen Komplexität von Modellen wie GPT-4 ist dies oft noch unzureichend, das ist klar. Ein Beispiel hierfür ist der sogenannte „reversal curse“: GPT-4 kann beispielsweise die Frage beantworten, wer Tom Cruises Mutter ist, aber nicht, wer der Sohn von Mary Lee Pfeiffer ist.

Dies zeigt, dass die Art und Weise, wie Wissen und Verständnis in diesen Modellen strukturiert sind, zwar fortschrittlich, aber noch nicht vollständig ist. Es bleibt spannend zu beobachten, wie sich diese Technologien weiterentwickeln und welche neuen Erkenntnisse und Fähigkeiten sie uns bringen werden.

Ich halte es daher für unvermeidlich, dass wir uns auf dem Weg zu einer AGI befinden, die Frage aus meiner Sicht ist nur noch wann und wie. Umso wichtiger ist es daher aus meiner Sicht, frei über mögliche Risiken forschen, publizieren und sprechen zu können!

Vielleicht brauchen wir bald sogar eine Registrierungspflicht für autonome KI, damit man deren Halter:innen rechtliche belangen kann. Damit kämen wir rechtlich dem Status von Hunde nahe, denn diese sind quasi-autonom und unterliegen rechtlichen Grenzen. Beispielsweise ist das Halten von bestimmten Kampfhunden reguliert oder Hunde müssen in bestimmten Bereichen an der Leine geführt werden. Langfristig laufen wir dann auf die Diskussion zu, ob wir autonome KI vollkommen verbieten oder den Agenten ab einem gewissen Punkt sogar Menschenrechte einräumen müssen.

Ich bin absolut fasziniert von Ethan Mollicks Artikel bei Substack. Mollick ist Professor an der renommierten Wharton School der University of Pennsylvania und wirft in seinem neuesten Beitrag „Reshaping the tree: rebuilding organizations for AI“ einen inspirierenden Blick auf die Zukunft von Organisationen, geprägt durch Künstliche Intelligenz (KI).

Er beginnt seine Reise in der Vergangenheit, bei der New York and Erie Railroad von 1855, und führt uns zu einer bahnbrechenden Erkenntnis: Die Art und Weise, wie wir Organisationen strukturieren, hat sich seitdem kaum verändert – bis jetzt! Mollick zeigt auf, wie KI diese veralteten Strukturen revolutionieren kann.

Besonders beeindruckend ist, wie Mollick KI nicht nur als Werkzeug, sondern als integralen Bestandteil des Arbeitsprozesses beschreibt. Bei Wharton Interactive, einem internen Startup, das er leitet, wird KI bereits genutzt, um alles von Kundensupport bis zur Softwareentwicklung zu verbessern. Diese Anwendung von KI spart nicht nur Zeit und Ressourcen, sondern verändert auch grundlegend die Art und Weise, wie wir über Arbeit und Organisation denken.

Mollicks Vision ist nicht nur innovativ, sondern auch pragmatisch. Er betont, wie wichtig es ist, dass Teams ihre eigenen KI-Methoden entwickeln und diese ständig an zukünftige Entwicklungen anpassen. Sein Artikel ist ein Weckruf für alle, die in der schnelllebigen Welt der Technologie und Organisation mithalten wollen. Er zeigt auf, dass wir am Beginn einer neuen Ära stehen, in der KI nicht nur ein Werkzeug, sondern ein fundamentaler Bestandteil unserer Arbeitswelt wird.

Er schlägt einige sehr einleuchtende Prinzipien für den Umgang mit KI in Organisationen vor:

1. Teams sollten ihre eigenen Methoden entwickeln, da KIs eher wie Teammitglieder als wie externe IT-Lösungen behandelt werden sollten.
2. Man sollte für die nahe Zukunft bauen, da fortgeschrittenere Modelle bald kommen werden.
3. Es gibt keine Zeit zu verlieren, da Organisationen, die zögern, schnell zurückfallen können.

KI verändert Organisationen bereits, und Manager müssen aktiv werden, um diese Veränderungen zu gestalten. Es mag zu früh erscheinen, Organisationen für KI umzugestalten, aber bald könnte es zu spät sein.

Ethan Mollick

Kurzum, Mollicks Artikel ist ein Muss für jeden, der sich für die Zukunft der Arbeitswelt interessiert. Seine Einsichten und Vorschläge könnten nicht nur die Art und Weise, wie wir arbeiten, verändern, sondern auch einen tiefgreifenden Einfluss auf unsere gesamte Gesellschaft haben. Ein wahrhaft inspirierender und aufschlussreicher Artikel!