Talk Science To Me
TU Graz
Beschreibung
Podmon Kategorien
Upgrade dein Konto, um kontextuelle Kategorien zu sehen!
Veröffentlichungshistorie
Episodenübersicht
Talk Science to Me #64: Umweltschutz mit KI?
Bilateral Software Engineering und Hybride KI
Es geht um die Verbindung von Software Engineering und künstlicher Intelligenz, um Synergien zu nutzen. Ziel ist kostengünstige, nutzerfreundliche Software sowie leistungsfähige AI-Systeme, die sich gegenseitig unterstützen. Die Hybridisierung soll sowohl die Entwicklung als auch die Prüfung von AI-Systemen verbessern und damit zukünftig belastbare, effiziente Anwendungen ermöglichen.
Effizienz, Energie und Qualität von AI-Systemen
Es werden Algorithmen und ML-Modelle eingesetzt, um Softwareprozesse zu optimieren und Energieverbrauch zu senken. Fokus liegt auf schnellerer Lösungsfindung, realistischen Leistungsmetriken und der Reduktion unnötigen Rechenaufwands. Large Language Models spielen eine Rolle, doch Transparenz und Architekturverbesserungen bleiben zentrale Aufgaben der Forschung.
Recommender-Systeme, Erklärungen und Nachhaltigkeit
Recommender-Systeme unterstützen Entscheidungen in Bereichen wie Finanzdienstleistungen oder Energieberatung. Erklärungen zu den Empfehlungen sind entscheidend für Vertrauen und Akzeptanz. Die Systeme können Nachhaltigkeitsziele der UN unterstützen, etwa durch beratende Funktionen, die Versprechungen und Risiken verständlich machen.
Requirements Engineering, Neuausrichtung der Arbeit und Zukunft
Guten Anforderungsmanagement kommt erst durch klare, strukturierte Texte zustande. KI-Tools helfen, Textqualität, Konsistenz und Personalisierung zu verbessern, wodurch Kosten reduziert und Kundenzufriedenheit erhöht werden kann. Zukünftig bilden Agentenbasierte Systeme komplexe Aufgaben ab, und Routinearbeiten könnten stärker von AI unterstützt oder übernommen werden.
Talk Science to Me #63: Wie machen wir KI fairer?
Barrierefreiheit, Inklusion und Datenlücken
Der Fokus liegt darauf, wie Datensysteme inklusiv gestaltet werden können: Welche Gruppen unterrepräsentiert sind, welche Daten fehlen und wie Sensorik, Bewegungseinschränkungen oder neurodiverse Bedürfnisse stärker in Algorithmen sichtbar gemacht werden können. Ein konkretes Beispiel sind POI-Recommender, die Barrierefreiheit von Orten wie Zugängen, WCs oder Parkplätzen berücksichtigen, sowie sensorische Belastungen, damit Empfehlungen sinnvoll nutzbar werden.
Personalisierung, Transparenz und neue Herausforderungen
Personalisierungsalgorithmen helfen, werden aber oft zur Engagement-Optimierung genutzt, was negative Folgen für Nutzer haben kann. Es wird untersucht, wie Datenlage und Systemgestaltung diese Effekte beeinflussen, welche Transparenz nötig ist und wie Empfehlungen so angepasst werden, dass unterschiedliche Bedürfnisse – auch von neurodiversen Nutzern – angemessen berücksichtigt werden.
Foundation Models, Bias und Regulierung
Große generative Modelle bieten breite Kontextwissen, bringen aber neue Biasrisiken und Abhängigkeiten von Datenzentren mit sich. Unterschiede zwischen Sprachen, Übersetzungsqualität und Datenzugang beeinflussen Forschungsfragen. Regulierung in verschiedenen Regionen und regulatorische Prozesse wie Datenzugang für Forschung sind zentrale Themen, ebenso wie der Nutzen von Simulationen und partizipativen Ansätzen.
Zukunftsausrichtung: Werteorientierte KI als Werkzeug
KI wird als unterstützendes Werkzeug gesehen, das Arbeitsprozesse verändern kann, aber Expertise voraussetzt. Fokus liegt auf werteorientierten Designentscheidungen, Wohlbefinden, Autonomie und Zugang zu Informationen. Potenziale liegen in personalisierten Systemen, die unterschiedliche Bedürfnisse adressieren, sowie in Innovationen wie exoskelettartigen Anwendungen, die unabhängig vom Einsatz an Standards gemessen werden.
Talk Science to Me #62: Big Data und KI
Technologischer Fortschritt und Edge-Deployment
In der Forschung zeigen sich schnellere, effizientere Modelle, die auch ohne zentrale Cloud betrieben werden können. Open-Weight-Ansätze ermöglichen Downloads und lokale Nutzung, was Forschung und Lehre begünstigt. Gleichzeitig wächst das Verständnis, wie man Modelle domänen- oder anwendungszweckgerichtet anpasst, vom Feintuning bis zum Komplettbau. Diese Entwicklung verändert die Abhängigkeiten von großen Anbietern und eröffnet vielfältige Einsatzmöglichkeiten auf mobilen oder industriellen Geräten.
Wissen, Daten und Data Governance
Der Umgang mit Daten bleibt zentral: Mehr Daten bedeuten oft bessere Ergebnisse, auch wenn die Qualität variiert. Transparenz über Datenquellen, Trainingsdaten und potenzielle Bias-Risikien gewinnt an Bedeutung. Initiativen für sichere Datenräume und nachvollziehbare Trainingsquellen werden diskutiert, um Fairness zu fördern und Miss- oder Desinformationsrisiken besser zu verstehen. Kritik richtet sich auf Bias, Zensur und die Notwendigkeit messbarer Fairness-Kriterien.
Wissenschaft, Lehre und Interdisziplinarität
Die Dominanz von NLP-Methoden hat zu einer stärkeren Gewichtung sprachwissenschaftlicher und informatikspezifischer Perspektiven geführt. ESL-Konferenzen zeigen eine Verschiebung von linguistischen Sessions hin zu datengetriebenen Ansätzen. Dennoch bleibt linguistisches Wissen wertvoll, insbesondere bei Fairness, Fallacies und Diskursanalyse. Neue Technologien fordern Ingenieurskompetenz, Datenaufbereitung und praxisnahe Umsetzung stärker in den Vordergrund.
Tool-Charakter, Agentic AI und Sicherheit
Große Sprachmodelle werden primär als Tools verstanden, die Arbeitsprozesse unterstützen und effizienter machen. Autonome Agenten bleiben ein Forschungsthema, da Qualitätssicherung und Entscheidungslogik anspruchsvoll sind. Techniken wie Watermarks, Stil- oder Prompt-Mechanismen zeigen, wie Outputs identifizierbar oder manipulativ beeinflusst werden können, was wichtige Implikationen für Verantwortung, Sicherheit und Regulierung hat.