Der Winter kommt … zumindest hier bei uns zu Hause in Weilheim in Oberbayern. Am Tag nach dem Ende der Machine Learning Week Europe hatten wir den ersten Schneefall. Das Leben ist eingefroren – zumindest draußen. Auf LinkedIn hingegen heizt sich die Diskussion auf: Platzt die KI-Blase, und steht der nächste KI-Winter bevor?
Ich nutze die winterliche Ruhe, um meine Eindrücke und Erkenntnisse von Machine Learning Week Europe, die ich am Montag und Dienstag vergangener Woche in Berlin moderieren durfte, mit Ihnen zu teilen. Auch dort wurde häufig gefragt: (Wann) wird die KI-Blase platzen?
Die meisten waren sich einig, dass es sich um eine Blase handelt: Überzogene Erwartungen an KI erweisen sich als verfrüht. Innovation und Transformation brauchen Zeit – und Geld! Ein ChatGPT-Abonnement reicht nicht für Disruption. Was in vielen Vorträgen und Diskussionen während der zwei Konferenztage deutlich wurde: Tooling ist der erste und einfache Schritt. Danach kommt die harte Arbeit: Training, Anpassung und Testen.
Was die fast 50 Fallstudien, Deep Dives und Keynotes ebenfalls gezeigt haben: KI ist so viel mehr als generative KI. Nicht jedes Problem erfordert ein LLM als Lösung. Der Trend in diesem Jahr war sehr klar: keep it simple, stupid. Wenn eine einfache lineare Regression das Problem löst, dann ist das die Lösung (zum Beispiel für den neuen Schufa-Score). Punkt.
Wenn ein LLM eine bessere Leistung liefert, zum Beispiel als Empfehlungs-Engine für Newsletter wie bei DIE ZEIT, dann ist das LLM das richtige Werkzeug für die Aufgabe. Zu entscheiden, welches Tool die richtige Lösung ist, erfordert sehr viel Erfahrung: Prof. Dr. Sven Crone brachte in seiner bemerkenswerten Keynote „Was hat KI je für das Forecasting getan? Anekdoten und Fallstudien aus den vergangenen zwei Jahrzehnten.“ 20 Jahre Forecasting-Erfahrung auf die Bühne. Seine ernüchternde Schlussfolgerung: Oft scheitert es noch immer an fehlenden Daten.
Eine weitere auffällige Beobachtung: LLM wurde hauptsächlich für interne Use Cases eingesetzt. Denn der größte Aufwand bei LLM liegt im Betrieb: LLMOps (Input-, Modell- und Output-Monitoring) machten oft den Hauptteil der Kosten aus. Bei internen Lösungen ist das Risiko von Prompt Injections geringer, und es gibt immer einen HITL, also einen Mitarbeiter im Loop.
Gleich zu Beginn der Konferenz zeigte die Keynote „Von Assistenten zu Agenten: KI bauen, die handelt und nicht nur antwortet“ von Farah Ayadi (Principal Product Manager bei feedly), dass der Schlüssel zum KI-Erfolg nicht der System-Prompt, sondern das Systemdesign ist. Selbst mit klugem Prompt Engineering bleibt ein einzelnes LLM nichts weiter als ein stochastischer Papagei. Intelligenz entsteht durch intelligentes Kontext-Engineering und agentisches Design. Entscheidend sind Informationen (Kontext) und Funktionen (Tools) und wie die Agenten miteinander kommunizieren und zusammenarbeiten, um ein bestimmtes Ziel zu erreichen.
Fazit der Konferenz: Von Winterblues war nichts zu spüren. Im Gegenteil: Die Experimentierphase ist vorbei, jetzt geht es um den produktiven Einsatz. Ja, der Winter kommt – sowohl saisonal als auch wirtschaftlich –, aber KI beginnt gerade erst zu blühen.
Dieser Blogpost wurde machinell übersetzt.
