Gut, wir kommen, wie gesagt, zum dritten Teil und so eine Art, so interpretiere ich das aufgrund des Titels. So ein bisschen Erkenntnisse aus der ganzen KI, aus diesem Umfeld, Erfahrungen etc.

Und ich freue mich darauf, was ihr uns erzählt. Ich hoffe, das ist schon an. Ja, vielen Dank habe ich gesagt. Ja, hier, die meisten unserer Talks beginnen mit einem Bild. Das sind KI-generierte Bilder, wie freundliche Roboter einen Globus in der Hand haben. Und beginnen möchten wir mit zwei Zitaten. Hier ist ein Zitat von Steve Coase.

Ich kenne ihn nicht persönlich, ich weiß nicht, in welchem Kontext er es geschrieben hat, aber das ist eine ziemlich negative Sichtweise darauf, was KI vielleicht eine Bedrohung darstellt. Für Programmierer, aber auch Schriftsteller und Künstler. Dagegen Bill Gates stellt heraus, dass letztlich AI wirklich auch ein Potential mitbringt,

um halt wirklich echt drängende Probleme unserer Zeit anzugehen und zu lösen. Und vor diesem Dualismus letztlich wollen wir auch diesen Talk halten. Der Talk heißt KI, GISS, EO und FOSS, Erfahrungen und offene Fragen rund um artificielle Intelligenz.

Genau, und damit kann man mich hören. Ich höre das hier schlecht. Fangen wir auch mal an, uns vorzustellen. Ich bin Carmen Tawalika, arbeite bei der Firma Mundialis. Bin dort seit fast neun Jahren angestellt, seit Anfang an. Bin Entwickler, bin mittlerweile auch Technical Lead, Umweltmanagementbeauftragte.

Ich habe nicht so einen schicken Titel wie Jonas. Ich möchte auch noch mal unterstreichen, dass ich keine KI-Expertin in dem Sinne bin. Ich beschäftige mich gern mit dem Thema, wir machen in der Firma auch Dinge damit. Aber das ist jetzt ja auch explorativ und offene Fragen entwickelnd. Und genau, einfach spannend, dass Themen fällt.

Ja, mein Name ist Marc, ich bin Geschäftsführer von Terrestris, dem Geschwisterunternehmen von Mundialis. Und ja, habe als Entwickler gestartet, mittlerweile wie gesagt Geschäftsführer. Ich interessiere mich auch für dieses KI-Thema, natürlich wie eigentlich vermutlich alle Leute. Also zumindest alle Leute, die hier sind, das macht ja auch Sinn.

Ja, auch ich bin kein ausgewiesener Experte, was das angeht. Aber ich vermute, dass wir alle uns ein gewisses Maß an Einstellungen und Know-How geben sollten und müssen. Und das macht auch mega Spaß, um halt Dinge, die um uns herum definitiv passieren werden, einfach ein bisschen besser einordnen zu können. Ja, Mundialis? Kurz zu den Firmen. Mundialis ist die Firma, bei der ich arbeite.

Wir entwickeln freie Geodaten, benutzen freie Open Source-Software und entwickeln diese auch. Und machen das alles kundenorientiert und maßgeschneidert. Ja, genau. Das machen wir alle, generisch und maßgeschneidert, was es halt eben gerade sein soll. Also sowohl Open Source-Basisentwicklung, aber auch Lösungen für Kunden, die genau das abdecken, was die eben eben wollen.

Bei uns der Schwerpunkt auf GIS-Teil und bei der Mundialis hauptsächlich Earth Observation. Wer da Fragen zu hat, wir haben einen tollen Stand unten, ein bisschen versteckt, aber man findet ihn. Ja, über was wollen wir eigentlich sprechen heute? Wir wollen ein paar Begriffe klären, denn die vorangegangenen Talks haben das meines Wissens noch nicht ganz gemacht.

Was ist eigentlich KI und so weiter und so fort, finde ich auch in Ordnung, ist vielleicht auch schon Allgemeinwissen. Dann wollen wir uns ein paar Beispiele anschauen und jeweils gucken, mit welcher Software oder welchen Produkten denn da quasi KI im Einsatz ist. Und dann das Wichtigste, vielleicht gibt es da eigentlich nicht offene Fragen, denn da haben die Vorgänger Talks, die ja auch alle zu dem Themenkomplex irgendwie zuzurechnen, sind ja schon ein paar aufgeworfen tatsächlich, fand ich cool.

Ja, bitte, was ist denn überhaupt, was für Begriffe wollen wir denn klären, Carmen? Also nochmal ganz grundsätzlich, KI, das ist ja mittlerweile ein Modewort, gibt es eigentlich schon relativ lange. Und das ist eigentlich so ein Überbegriff über die ganzen Unterthemen. Also KI oder auch auf Englisch AI, Artificial Intelligence, Künstliche Intelligenz, ist quasi das Sammelsurium.

Ein Subset davon ist das maschinelle Lernen, was es auch schon seit den 50er Jahren tatsächlich gibt. Und davon wiederum ein Subset ist das Deep Learning. Das ist so Ende der 60er rum entstanden, also eigentlich nichts Neues.

Aber wenn wir heute KI sagen, dann ist das schon irgendwie ein Modewort geworden. Die Abgrenzung davon ist so ein bisschen, man versucht menschliche Intelligenz nachzumachen. Bei maschinellen Lernen ist dann schon selbstständiges Lernen dabei. Und bei dem Deep Learning wird dann versucht, menschliches Lernverhalten zu imitieren.

Und das wird gemacht, indem man neuronale Netze verwendet, die wiederum versuchen, die menschliche Gehirnstruktur zu imitieren. Neuronale Netze versuchen das wie gesagt, aber nicht alle neuronale Netze sind auf Deep Learning zu beziehen. Deep Learning heißt Deep, weil die neuronale Netze, die da verwendet werden, einen Input haben, einen Output.

Und dazwischen sind sogenannte Layer und je mehr das sind und auch sogenannte Hidden Layer dabei sind, dann wird das halt Deep und tief. Und es gibt aber auch Netze, die dann nicht zu Deep Learning an sich zählen. Da gibt es dann auch noch Architekturen, zwei Hauptarchitekturen, CNN und RNN.

Das CNN, das wird dann auch viel für Klassifikationen verwendet, also auch irgendwie räumlich verortbar. Und RNN hat dann hauptsächlich eine Zeitkomponente, also wenn man das irgendwie in einen Zeitverlauf betrachten möchte und damit das lernen möchte.

Und um jetzt wieder zu diesem Hype zurückzukommen, wir haben ja gerade gehört, das ist eigentlich schon relativ alt. Warum ist das gerade wieder so aktuell und trendy? Weil jetzt vor einigen Jahren Large Language Models entwickelt wurden. Vielleicht sind sie auch schon ein bisschen älter, da bin ich gar nicht ganz sicher. Auf jeden Fall haben die jetzt mit GPT 3 und auch 4 einfach nochmal ein großes Anwenderfeld gefunden,

sodass die breite Masse das auch nutzen kann mit JetGPT und einfach jeder Zugriff darauf hat, mit KI auf einmal interagieren zu können und das verwenden zu können. Und das halt auch so ein bisschen unbekannte birgt, was da jetzt eigentlich mit passieren könnte.

Und als letztes, was wir noch definieren möchten, das ist die artificielle generelle Intelligenz. Da ist die Frage, kommt das an den Anfang oder ist das die Zukunft, weil das ist eigentlich so der Kern, warum Menschen an KI forschen, weil sie eben den Traum haben, etwas zu entwickeln, was die eigene Intelligenz nachbilden kann oder vielleicht sogar irgendwann übertrumpfen kann.

Gleichzeitig hat man da große Angst davor, deshalb ist das natürlich auch irgendwie ein Thema in vielen Filmen. Also irgendwie Utopie, Dystopie kann irgendwie beides sein. Also ja, steht so ein bisschen über allem drum herum.

Ja, dann kommen wir direkt zu den Beispielen. Auf dieser Konferenz haben wir jetzt direkt in dem Blog ja schon ein paar Beispiele gesehen, wo halt diese ganzen Begriffe, die wir gerade eben uns übrigens KI unterstützt oder mit KI Hilfe uns auch selber erschlossen haben, kann ich auch nur jedem empfehlen, das ist tatsächlich sehr gut. Ja, eine ganze Menge von Vorträgen, die das entweder im Titel halten oder

aber wir wissen, dass da entsprechende Ansätze verfolgt werden und darüber berichtet wird. Das ist jetzt ja echt nur ein kleiner Ausschnitt. Also das Thema zu ignorieren auf der Konferenz ist relativ hart, glaube ich, und das sollte auch gar nicht so sein. Ich gehe nochmal zurück. Ja, stimmt, ja.

Da war nämlich ganz wichtig, wir haben diese Folie erstellt und dann ist uns gestern bei der Abendveranstaltung erst aufgefallen, ganz unten der Workshop, den wir heute Vormittag gemacht haben, ist ja eigentlich auch KI. Aber für uns ist das halt irgendwie schon so gang und gäbe, Klassifikation zu berechnen. Aber eigentlich ist es ja sogar ein Thema. Und deshalb habe ich es noch schnell dazu geschrieben, weil es natürlich auch irgendwie dazu gehört. Und deshalb wollte ich das auch direkt als erstes Anwendungsbeispiel zeigen.

Das ist Maschinelles Lernen, also ML. Und da ist ein Beispiel mit Kraskis, wie man das berechnen kann. Da gibt es ein Kraskis-Modul RLearnML2 heißt das. Das passiert auf der Python-Bibliothek Scikit-Learn. Und da kann man dann Trainingsdaten erstellen, irgendwie automatisiert, regelbasiert.

Das dann trainieren mit einem Krass-Modul und das dann auch anwenden. Und da verwenden wir jetzt am liebsten den Random Forest Classifier. Und dann kann man somit eben Bilder klassifizieren. Also ein ganz Standard, fast schon praktisches Anwendungsbeispiel für Machine Learning in unserem Arbeitsumfeld.

Ja, also bei Terrestris haben wir relativ viel mit Open Layers und solchen Webgist Sachen zu tun. Und hier sieht man jetzt einen ganz kleinen Text, den ich formuliert habe. Das ist quasi ein Prompt, den ich dann später Chat-GPT geben werde. Letztlich bitte ich quasi Chat-GPT mir den Code dafür zu generieren. Eine Karte, die auf Hamburg zentriert sein soll.

Und wenn man auf die Karte draufklickt, soll dann möglichst die aktuelle Koordinate angezeigt werden. Also nicht das Allertrivialste, aber jetzt auch vielleicht nicht das Allerkomplexeste. Und ich bin schon zu langsam im Scrollen, denn er generiert eigentlich schneller, als ich scrollen kann, halt diesen Code. In diesem Video sieht man dann noch kurz, wie ich das jetzt markiere.

Auch da stelle ich mich reichlich unbeholfen an hier. Jetzt habe ich es kopiert, wunderbar. Man wird gleich sehen, dass eigentlich die Zeit, die ich brauche, um Local Host einzutippen in den Browser, länger dauert, als es gedauert hat, den Code zu generieren. Ich füge das in so eine HTML-Datei ein. Das muss ich halt derzeit noch machen. Es ist kein Agent dahinter. Solche KI gibt es auch, die dann Aktionen durchführen können,

auf meinem Computer oder sonst irgendwo. Und die HTML-Datei ist jetzt geschrieben. Jetzt muss ich nur noch dafür sorgen, dass da irgendwie ein Web-Server aufgemacht wird. All das hat nichts mit KI zu tun. Aber jetzt kann ich diese Adresse dort im Browser aufrufen. Dann schauen wir mal, ob die KI das in dem Fall korrekt gemacht hat.

Sie sehen es, die angekündigte Local Host-Schwäche. Übrigens auch ein scharfes S noch reingeschrieben. Aber okay, man sieht, die Karte ist zentriert auf Hamburg. Und ich klicke jetzt da auf Koordinaten. Und die werden angezeigt. Wie gesagt, sicherlich nicht das krasseste Beispiel, aber durchaus auch,

wenn man diesen Prompt richtig generiert hat. Sie haben vielleicht gemerkt, dass ich da unten Ressourcen explizit benenne, die er verwenden soll. Per Default hat er in meiner ersten Antwort, das ist natürlich der zweite Versuch schon gewesen, das hinzubekommen, hat er halt Ressourcen verwendet, die in der Form einfach nicht funktionieren würden. Dann noch ein weiteres Anwendungsbeispiel.

Das ist die Prognose von El Nino. Da ist diesmal Deep Learning involviert mit einem CNN-Netz, also mit einer Architektur. Und dafür wird die Python-Bibliothek PyTorch verwendet. Und das kann man sich als Beispiel auch angucken in einem Jupyter-Notebook. Das öffne ich jetzt nicht. Das ist hier verlinkt.

Das ist auch in den Pre-Talks-Folien verlinkt. Also der ganze Talk, da können Sie sich auch die Folien dann angucken. Und da kann man eben dieses Jupyter-Notebook exemplarisch mal durchspielen. Inputdaten sind auch Open Source. Am besten, wenn man eine GPU hat. Und bei diesen Grafiken kann man dann sehen, dass die Prognosen eigentlich schon relativ gut vorhersagen,

ob ein El Nino kommen könnte oder nicht. Das ist natürlich nicht beliebig weit in die Zukunft möglich, sondern relativ nah. Aber das ist eben auch ein sehr schönes anschauliches Beispiel, wofür man das verwenden kann. Das nächste Video wieder von mir. Jetzt geht es wieder um JavaScript letztlich.

Also hier wird Segment Anything. Da oben ist die URL auch eingeblendet gezeigt. Ich habe kurz die Benutzungsbedingungen akzeptiert. Ich habe jetzt hier ein Random-Bild von irgendeinem Webportal geklaut. Wer es erkennt, das ist die Bodenübersichtskarte in irgendeinem Maßstab. Ich habe mir nichtmals die Müll gemacht. Das ist so halbtransparent eingetragen, hier das irgendwie rauszunehmen.

Und da oben ist auch schon dieses blaue Schildchen. Das wird im Browser quasi die Segmentierung on the fly festgestellt. Das klappt mal gut, das klappt mal schlecht. Und das war tatsächlich der erste Entwurf. Für irgendeinen Geodatensatz, also in dem Fall einen Screenshot, den ich gemacht habe irgendwo, da reingepackt.

Und man kriegt echt ruckzuck schöne erste Ergebnisse. Nicht mehr auch tatsächlich. Zusammengefasst, oder eine kleine Übersicht nochmal über Kraskes und Peißenmodule, die man verwenden kann für sowohl Machine Learning als auch Deep Learning.

RLearn MM2 und Scikit-Learn wurde auch schon in der Klassifikation genannt. Vielleicht noch als kleiner Hinweis. Scikit-Learn und auch RLearn ML2 können auch ein Netz verwenden. Das MLP, das heißt Multilayer Perceptron, das ist so eins der einfachsten Netze, die es gibt. Das ist auch noch kein Deep Learning Netz,

das ist noch Machine Learning. Und auch noch weitere Bibliotheken, also TensorFlow, PyTorch. Da gibt es auf jeden Fall einiges schon, was man verwenden kann. Ja, also wie gesagt, wir sind ja auf einer Konferenz, in der es auch um Software geht, mit dem Geobezug halt. Und Software will halt programmiert werden. Und da gibt es eine ganze Menge an Tooling drum herum,

wir sind hier immer noch bei den Produkten, oder Software-Tools, die einem helfen können, diese Software-Programmierung vorzunehmen oder zu überprüfen. Wofür kann man das machen? Das steht in der Mitte. Man kann sich Mockups machen lassen, man kann sich Code-Vorschläge geben lassen, Unit-Test-Dokumentation. Da gibt es reichlich Beispiele, wie einem bei der Kunst des Programmierens geholfen werden kann.

Und es gibt auch reichlich Tools, die das machen. Ich möchte hinweisen auf das, was da mit Devon beschrieben ist. Also GitHub Copilot kennen Sie vielleicht, das ist dann eingebaut sogar in die Sourcecode-Verwaltung. Dieses Devon, wer das noch nicht gehört hat, da rechts ist ein YouTube-Video auch verlinkt. Die Überschrift dieses Videos hier, AI just officially took our jobs, I hate you Devon.

Die Zielrichtung von dieser Software ist letztlich den Software-Developer komplett obsolet zu machen. Verkürzt gesagt verbindet sich diese AI mit einem GitHub-Repo, checkt es aus, versteht den kompletten Code,

beschafft sich die Dependenzen. Das ist ein Agent auch tatsächlich. Das heißt, das kann agieren in meiner Welt. Also wenn da drin steht, du musst halt noch, weiß ich nicht, irgendeine C-Bibliothek nachinstallieren oder so, dann findet es raus, wie ich das machen kann und macht das auch in seinem Kontext. Und es ist schon echt beeindruckend, was damit geht. Allerdings auch, es scheitert auch an vielen Aspekten durchaus, aber das ist auch gerade erst losgegangen mal wieder.

Also wir sind da mittendrin, glaube ich, dass da wirklich noch viele, viele Dinge passieren. Kann man sich gerne anschauen. Einige Leute wollten jetzt dann auch anschließend lieber einen T-Shop öffnen, anstatt weiter zu coden, weil halt wirklich viele Leute davon echt deprimiert sind. Aber ich glaube, das ist ein bisschen verfrüht, das schon deprimiert zu sein. Womit wir beim Highlight dieses Talks aufkommen,

also bei dem, worum es uns eigentlich geht, weil wir sind keine Experten, wir glauben aber, es gibt eine ganze Menge offene Fragen, die wir echt als Community mal besprechen und irgendwie in die Runde bringen sollten. Ich beginne mal mit diesen drei Fragen. Also wie ist das eigentlich mit der Überprüfbarkeit

von dem, was eine KI uns gibt, von mir aus, mit dem Quelltext oder aber auch mit dem, was irgendein Modell intern halt nutzt, also aus irgendwelchen Trainingsdaten generiert und dann seine Entscheidungen trifft. Also mich persönlich und viele andere hier vielleicht auch hat an Open Source und freier Software immer gereizt, dass man halt eben auch lernen kann, okay, wie macht man das denn eigentlich? Also ich habe jetzt irgendeine coole Applikation

von irgendjemandem gesehen und kann mir einfach anschauen, wie ist denn dieses Problem dort angegangen worden und wie haben die das gemacht. Das kann ich bei dem Code teilweise, bei AI-Sachen auch, aber wie eine AI zu einer Entscheidung kommen ist, das kann oftmals nichtmals der Entwickler der AI deterministisch bestimmen, sondern es ist halt nicht mehr verstehbar in Gänze.

Schon jetzt? Schon nicht mehr. Deshalb gibt es ja auch so viele Beispiele, wo irgendwelche Chatbots irgendwelche seltsamen Anwandungen machen und die entweder sagen, wir wissen nicht, warum das das gemacht hat. Also es ist nicht ganz klar in dem Fall. Wie ist es mit der Lizenzierung von KI-generiertem Code? Eben war die Frage, glaube ich, wie ist der Ur hat, hat eine KI eine Urheberschaft?

Das ist eine gute Frage. Da rechts ist so ein Bild, wo so ein Roboter halt irgendwie so einen grünen GPL-Code, vor dem ja manche Leute tatsächlich Angst haben, weil sie dann meinen, es sei infektiös und man müsste damit auch weitere Sachen machen. Wie ist es denn, wenn ich in meinem Softwareprodukt unter Lizenz A einen Codevorschlag bekomme, vielleicht einen größeren, relevanten? Ab wann ist es das? Und ich füge das ein. Was ist dann los?

Was geschieht denn dann eigentlich mit meinem Code? Das sind offene Fragen. Ich kann das nicht beantworten alles, aber ich hoffe, dass da gleich eine große Diskussion zu losgeht. Auch ganz aktuell ist es sicherlich noch so eine gewisse Rechtssicherheit, die noch fehlt. Auch da kam eben die Frage nach, ich weiß den Begriff nicht mehr genau, aber ich glaube, es ging auf jeden Fall darum,

ist das denn ein Datensatz, der vom LGNN publiziert wird, hat er eine gewisse hoheitliche Kraft. Und das ist, glaube ich, auch noch nicht so ganz geklärt gewesen. Und da möchte ich darauf hinweisen, dass dieser EU-AI-Act auch am 13.3. diesen Jahres ratifiziert wurde, dass es zumindest schon mal einen groben Rahmen gibt. Der wird natürlich auch kontrovers diskutiert. Bitte, bitte da auch echt mitmachen.

Das ist echt eine gesellschaftliche Aufgabe, der wir uns irgendwie stellen sollten. Ganz viele Sachen, da müssen wir wirklich noch zwei Minuten. Dann schnell weiter offene Fragen. Der AI-Act ist auch eine ganz gute Überleitung zu Umweltthemen, weil einer der Kritikpunkte ist, dass die nicht so sehr berücksichtigt werden.

Das ist dann, wenn man die negative Seite anguckt, könnte das sein, KI braucht unglaublich viel Rechenpower. Jetzt wird zum Beispiel mit Shared GPT ganz viel mehr KI benutzt, weil das jeder benutzen kann. Das heißt, wir haben viel mehr CO2-Emissionen und auch ein ganz großes Thema ist der Wasserverbrauch, weil nämlich das auch alles gekühlt werden muss.

Also könnte vielleicht KI klimaschädlich sein. Ich muss mich mehr beeilen. Dann als Zitat, Probleme kann man niemals mit derselben Denkweise lösen, durch die sie entstanden sind, von Albert Einstein. Da kann man sich jetzt fragen, ist KI jetzt die Denkweise die gleiche, die diese Probleme auch überhaupt erst erschaffen hat, oder kann sie vielleicht auch helfen, diese Probleme zu lösen,

indem man vielleicht KI zur Hilfe nehmen kann, um diese Probleme anzugehen und auch Ideen zu entwickeln und Lösungen bereitzustellen. Und da gibt es auch eben viele Beispiele, die solche Ansätze verfolgen. Und vielleicht noch ein ethischer Aspekt, den ich sehr interessant fand.

Unten links, ich kann ja auch da, ist ja das Bild, das hat eine generative AI erzeugt. Und da habe ich einfach mal eingegeben, zeige mir mal Software-Developer, die einer Conference attenden. Also ist jetzt ein bisschen Deutsch-Englisch gemischt. Aber ja, was da halt rauskommt, zeigt halt wenig Diversität,

sehr viel Stereotype, die da wiederholt werden. Also könnte schon irgendwie auch ein ethisches Problem sein, wo man auch ein bisschen aufpassen muss. Dabei auch schon der Aspekt, dass man gucken muss, was man für Daten reingibt, um das alles zu trainieren, dass das halt auch irgendwie zu unserer Welt passt. Ja, schönste Folie hier vielleicht, also aus unserem Talk. Im Hintergrund sieht man Architektur,

die tatsächlich mittels KI generiert wurde, also der Entwurf dafür, und dann wurde es gebaut und hat eine Oper hier, glaube ich, dann ausstaffiert. Und wiederum da drüber, oben rechts diese Balkendiagramme, das ist die Akzeptanz von Artikeln. Also gefällt einem Leser, also der Zielgruppe etwas, was wir vielleicht, also von Artikeln halt zumindest,

gefällt einem Leser, einer repräsentativen Menge von Lesern, der KI generierte Text besser als der von einem Menschen generierte. Und die Antwort in dem Fall, ja, alle ganz gut, aber der KI-Text ist der beste. Da sollte man sich auch dieser Sache einfach mal stellen. Und damit sind wir natürlich auch schon beim Fazit. Also es ist eine Umwälzung, ganz sicher.

Aber ich glaube, wir sollten echt in die Diskussion gehen von diesen Fragen und anderen Fragen und überlegen, wie wir halt diesen Paradigmenwechsel oder das neue Paradigmen, was hinzukommt, wie wir das zu unseren, also zu der Menschheit, um jetzt mal pathetisch zu werden, also wie die Menschheit davon wirklich das meiste rausholen kann. Ja, ein letzter Satz von dir.

Oh, das kam jetzt plötzlich. Ja, immer zwei Seiten zu betrachten, immer reflektieren, was man tut, und vor allem wichtig, viel Bewusstsein da reinzubringen, dass man einfach aufpasst, was man tut. Und die Chancen sieht. Vielen Dank. Gibt es Fragen, Diskussionen?

Herzlichen Dank für einige. Ich denke, Fragen, die uns in naher Zukunft und auch in mittler Zukunft sicher beschäftigen werden. Ich bin spontan bei einem Vortrag in den Sinn gekommen,

auch so diese, irgendwo löst das ja auch Angst aus, oder? Und was passiert mit der Gesellschaft? Was passiert mit uns? Und ich mag mich erinnern, wir fahren dieses Jahr ja 20 Jahre oben Streetmap. 2004 kam diese Idee auf. Und wenn ich heute die Tagesschau sehe

oder sonst so eine, sage ich jetzt mal, eine Sendung, die einen gewissen Niveau oder wie man dem auch immer sagen will, hat, dann kommen bei Kartografiedarstellungen, heißt das häufig Contribute OpenStreetMap, oder? Also die klassische Karte von früher, die wurde durch ein Produkt ersetzt, das eigentlich von Freiwilligen ursprünglich erstellt wurde.

Klar, mittlerweile gibt es auch Sponsoren. Aber wer hätte das vor 20 Jahren gedacht, oder? Und ich stell mir vor, so wie damals eine Welle kam, die das eigentlich, diesen ganzen Bereich der Geodatenaufbereitung, die ja damals

ausschließlich entsprechenden Autoritäten vorbehalten war, wie sich das verändert hat, könnte ich mir vorstellen, kommt jetzt so eine neue Welle über diese künstliche Intelligenz, die auch da ihren Beitrag leisten wird. Und wer weiß, wo wir vielleicht in 20, aber in 10 Jahren schon stehen werden und so weiter. Nichtsdestotrotz

sind ja all die Ämter nicht verschwunden, oder die vor 20 Jahren noch diese Exklusivität hatten. Also ich bin da auch sehr gespannt, wie sich das entwickelt miteinander, nebeneinander etc. Und ich glaube, es ist ein Blick in die Kristallkugel, wenn wir jetzt schon versuchen, diese Fragen zu beantworten. Aber ich glaube, die Verantwortung hinter dem Ganzen ist, scheint mir

äußerst wichtig. Und dann, wie ihr gesagt habt, auch dieser legale Aspekt. Was ist am Schluss rechtsverbindlich, oder? Gerade wenn es je nachdem um Schäden und so weiter geht. Also das vielleicht nur so, was ihr alle bestimmt hören wolltet. Eine der meist geleigten Fragen war,

werden Geografen, Kartografen oder Neo- Geografen irgendwann durch Künstliche Intelligenz ersetzt? Werden Neo-Geografen mit KI ersetzt? Ist das die Frage? Ja, gute Frage. Ich weiß es nicht. Also um das von dir eben genannte

Beispiel zu nennen, ich glaube, mit der Angst vielleicht einfach noch. Ich glaube damals, als Openshippen losgingen, haben sie vielleicht sicherlich belächelt worden. Das ist glaube ich bei KI sicherlich am Anfang auch irgendwie gewesen. Wie soll das denn irgendwie funktionieren? Ich glaube ganz sicher, dass auch einige Vermesser, also die beruflich das gemacht haben, was andere Leute als Hobby gestartet haben, die haben

zwischenzeitlich bestimmt auch Angst gehabt. Und Mensch, was ist denn da los? Verlier ich meine Relevanz? Und das ist da ähnlich drin. Ich glaube nicht, dass da die Relevanz so zeitnah weg ist. Zumindest wenn wir uns auf diesen Wandel, den wir irgendwie gerade mitmachen, irgendwie einlassen. Also wenn wir ihn nur ignorieren. Und ich bin froh, dass wir das nicht tun. Wir haben ja reichlich Beispiele. Wir müssen aber auch noch mehr darüber diskutieren, was wir wollen,

wo wir Grenzen setzen und und und. Ich glaube, dann bleiben wir sehr relevant. Das hoffe ich doch mal, auch für mich. Also ich bin noch positiv gestimmt. Ich könnte mir vorstellen, dass durch die ganzen Technologien wie so eine Markterweiterung auch geschieht, oder? Dass man vielleicht an KI plötzlich Dinge tut, erhebt, was weiß ich was,

an die man bisher noch gar nicht gedacht hat. Und dass so quasi nicht der Kuchen irgendwie wegfällt, sondern dass er einfach größer wird. Und jeder hat so sein Stück. Ich weiß es auch nicht. Eine nächste Frage war, ist eure Meinung nach Maschinenlernen gleich KI? Oder nutzt ihr das eher als Modebegriff? Weil heutzutage ohnehin alles KI ist.

Ja, also die offizielle Definition, die ich so gefunden habe, die sagen ja schon, dass Maschinenlernen Teil von KI ist. Aber natürlich ist es auch eigentlich ein Tool, was halt klug Aufgaben erfüllen kann.

Also da steht dann gar nicht mehr so sehr im Fokus, ist das jetzt menschliche Intelligenz oder nicht, sondern das erfüllt halt ganz toll die Aufgabe zu klassifizieren in dem Fall. Das war auch tatsächlich noch eine kleine Diskussion, was ich vorhin erwähnt hatte mit unserem Vortrag. Der hieß ja irgendwie Oberflächenklassifikation mit Actinia. Wenn wir da noch mit KI dahinter

geschrieben hätten, wären dann doppelt so viele Leute da gewesen. Also ja, man kann das irgendwie in die Waagschale werfen, so das ist alles schon recht alt und jetzt ist es halt gerade wieder ein Modewort geworden. Ja, auf jeden Fall. Habt ihr Fragen aus dem Publikum?

Ich sehe keine, sonst müsstet ihr etwas deutlicher winken.

Ja, dann danke ich einfach nochmal. Bitte nicht vergessen um 16 Uhr das Gruppenfoto. Ich gehe davon aus, dass es draußen stattfindet. Dann zieht euch vielleicht entsprechend warm an. Und dann danach die Pause nochmal. Herzlichen Dank euch beiden für den Vortrag.