Transkript: Natural Language Processing mit spaCy

Hallo, liebe Hörerinnen und Hörer, willkommen beim Python Podcast.

Heute in einer Jubiläumsepisode und zwar Episode Nummer 30.

Natürlich sind wir hier mit dem Jochen da und ich bin der Dominik.

Hallo Dominik.

Und heute haben wir auch einen besonderen Gast und da ist das die Ines.

Genau, hallo Ines.

Ja, wollen wir die Ines mal vorstellen, Jochen?

Ja, normalerweise, genau, sagen wir Leute nochmal, sie sollen sich selber vorstellen, aber ja, vielleicht ist es ja auch gar nicht mal gar nicht so schlecht, wenn wir das machen.

Ich habe irgendwo gelesen, dass es besser ankommt, wenn man von jemand anders vorgestellt wird.

Das kommt wahrscheinlich darauf an, von wem man vorgestellt wird.

Das tut mir jetzt sehr leid, dass ich das

Inus ist Explosion, also wer ist Inus bitte?

Genau, also wir kamen drauf, weil ich von einem Hörer eine Mail bekommen habe, der sich dafür interessierte, irgendwie ein bisschen mehr über Machine Learning, Natural Language Processing, beziehungsweise halt Spacey zu hören.

Und da dachte ich so, oh ja, das stimmt, das wollte ich doch auch selber schon mal gerne machen.

Und hab dann halt irgendeine Mail an Ines geschoben über.

Ines, was was mit Spacey zu tun?

Und genau, ja.

Ines Nix.

Also genau, wir bei Explosion, wir entwickeln Spacey, eine Open Source Bibliothek für Natural Language Processing in Python.

Und daran arbeiten wir, daran arbeite ich seit ein paar Jahren.

Und ja, damit verbringe ich auch einen Großteil meiner Zeit und wir entwickeln auch andere Produkte und Tools, hauptsächlich für Softwareentwickler, die mit Machine Learning und vor allem auch mit NLP arbeiten.

Also quasi wir entwickeln Software für Softwareentwickler, um quasi den Alltag ein bisschen schöner und produktiver zu gestalten.

Das hört sich spannend an.

Ich würde vielleicht wahrscheinlich, dass wir so ein bisschen mit einer Einleitung anfangen, für Menschen, die uns noch nicht so folgen können, weil die vielleicht dem Thema noch nicht ganz so tief drin sind.

Vielleicht nochmal so ganz kurz die Beruflichkeiten klären, was ist denn jetzt überhaupt so das NLP und was macht man damit?

Und was für Features würde man denn mit sowas wie Spacey machen wollen und sowas vielleicht?

Ja, also grundsätzlich die Idee ist, wir als Menschen produzieren unglaublich viel Text.

Und wir produzieren Text viel, viel schneller, als dass Computer schneller und effizienter werden, das Internet ist voll mit Text, alles ist Text.

Und wenn wir viel Text haben, kommen wir irgendwann an einen Punkt, wo wir einfach ein bisschen mehr über diesen Text herausfinden möchten.

Zum Beispiel, ja, und auch weiter, was ein bisschen über Stichwortsuche oder reguläre Ausdrücke hinausgeht.

Also du möchtest zum Beispiel wissen, wer macht was, wer ist das Subjekt, wer ist das Objekt, was für Personen kommen vor, was für Firmen, was für Konzepte, worum geht es hier, warum geht es hier nicht, und so weiter.

Also ich kann den Kontext von einem Text erfassen, ist das richtig?

Genau, also du möchtest, genau, also du kannst natürlich in einem Text bestimmte Wörter suchen, aber irgendwann möchtest du ja wissen, okay, ich bekomme hier täglich ein paar Millionen E-Mails.

Worum geht es in den E-Mails?

Welche E-Mails sind wichtig?

Welche E-Mails sind nicht wichtig zum Beispiel?

Oder du hast Nachrichten, du möchtest gucken, was passiert in der Welt, geht es hier um Apple, die Firma, geht es hier um Apfel?

Geht es hier um diese Thematik und so weiter?

Ist das Spam, ist das nicht Spam?

Und das sind das eben entsprechende Dinge, die natürlich abhängen, einmal vom Kontext, die auch gar nicht unbedingt immer ganz einfach zu erfassen sind, denn Sprache ist ja relativ komplex, Sprache ist sehr zweideutig und oft sind das auch Dinge, die viel mehr zu tun haben mit dem ganzen, mit dem größeren Kontext, die Welt, die Sprache, wie funktioniert Englisch, wie funktioniert Deutsch, was sagt man so normal und

was bedeutet das?

Genau, also oft oft Computerlinguistik ist auf jeden Fall auch ein Teil vom Bereich NLP, definitiv.

Ja, und das ist quasi eine Kombination.

Und heutzutage, was halt heutzutage funktioniert, was vielleicht früher nicht funktioniert hat oder nicht so gut ist, dass wir tatsächlich mittlerweile relativ gut einem Computer beibringen können, mehr oder weniger zu generalisieren und quasi entsprechende Vorhersagen zu treffen anhand von Beispielen, die wir ihm zeigen.

Und je nach Anwendungsbereich klappt das mittlerweile sehr gut.

Das heißt, wir sind an einem Punkt, wo Leute auch wirklich, wo man auch wirklich interessante Dinge damit bauen kann und wo auch tatsächlich diese Technologie auch wirklich zum Einsatz kommt in verschiedenen Anwendungsbereichen, Firmen, alles Mögliche.

Ja, ja.

Früher, also ich habe da auch relativ viel schon so, was Textkategorisierungen angeht und so gemacht.

Und zu der Zeit, das ist jetzt halt auch schon lange her.

Aber da waren halt so lineare Modelle das Mittel der Wahl irgendwie.

Das war so eine Idee.

Lustigerweise, selbst mittlerweile immer noch, es gibt viele Problematiken, wo wir nach wie vor Leuten empfehlen würden, hey, so eine super Oldschool-Methode linear klappt immer noch besser.

Schneller kannst du, kannst du auch teilweise heutzutage, selbst mit den hottesten Modellen, teilweise nicht überbieten.

Ja, ja.

Aber es gibt natürlich andere Bereiche, wo wir sagen, okay, gut, da braucht man einfach ein bisschen mehr.

Und ja.

Ja, ja, genau.

Also ich meine, da hat sich natürlich, also so ein lineare Modell ist natürlich relativ einfach.

Und inzwischen gibt es ja da irgendwie so, ja, was halt neuronale Netze angeht, Deep Learning, irgendwie hat sich ja einiges getan, so im letzten Jahrzehnt so ein bisschen.

Ja.

Das ist natürlich auch schön, dass man da jetzt so irgendwie in dem Bereich nochmal deutlich mehr rausholen kann.

Und was ich daran ja auch total faszinierend finde, das ist jetzt auch eine relativ aktuelle Entwicklung mit diesen ganzen Transformer-Geschichten.

Dass man da tatsächlich irgendwie aus quasi Text oder ungelabelten Daten halt irgendwie was lernen kann und dann weniger gelabelte Daten braucht, weil gelabelte Daten sind natürlich immer relativ schwer zu bekommen.

Ja, und ich glaube, es löst auch ein viel tiefer liegendes Problem, was wir halt schon immer hatten, und zwar, dass Sprache ja wirklich auch nur in Kontext der Welt and im Kontext der Linguistic existiert.

Das heißt, wenn du jetzt ein Modell trainierst und selbst wenn du den nur beibringen möchtest, is this E-Mail spam or not?

This model muss zusätzlich zu dem tatsächlichen Problem and den entsprechenden Wörtern, die wahrscheinlich meistens darauf hindeuten, ob es spam is or not, auch noch so viele andere Dinge lernen.

Zum Beispiel stonden allein, okay, wie funktioniert die englische Sprache?

Wie werden da die Wörter meistens angeordnet?

Oder auch einfach wie funktioniert die Welt?

Was sind Wörter, die im Kontext der Welt benutzt werden, und wie passt das alles zusammen?

Das ist unglaublich viel Wissen, was man eben auch einem Modell quasi immer wieder beibringen muss, damit es überhaupt

das machen kann, was sie wollen.

Yeah, genau.

Und du wirkst wirklich immer quasi wie immer from anfang, oder so war es in der Vergangenheit.

Und jetzt Transfer Learning, nennt man das auch, eine Sache, die weit jetzt halt, and that tatsächlich funktioniert, is that we quasi that we in other processes have quasi transfer to this new problem.

Also, we can quasi this fortrain, which our model quasi should be more to listen about the spray and the general way and the general worker and so on.

Also, we can quite say here is a little raw text.

Guck dir das an.

And what function is the here are a wörter, and we lassen a word, and then lassen wir unser Modell vorhersagen, what the word sein könnte.

And that we have relatively, and the next word forhersagen can.

That's why the Gewichtungen, die we there aufbauen, have unglaublich encoded quasi over the Sprache, was there Sinn machine, when we believe, okay, what must next word sagen to it.

And that is quite so the essence of them, which is quite a bit newer and what man relatively or specific data brauchen, um relatives to lose.

Keine Ahnung war.

Da nannten sie das irgendwie self-supervised learning, weil es ja im Grunde gar nicht so wirklich unsupervised ist.

Man hat ja schon irgendwie, ja, ich meine, die Information, dass in dem Text das Wort gestanden hat und lernt jetzt eben daraus, dass man das als das, was man vorhersagen möchte, betrachtet.

Oder eben Transfer-Learning kann es halt auch.

Ja, Terminologie generell im Bereich, es gibt viele, oder auch was nennt man ein Modell?

Das finde ich ist leider ein bisschen unglücklich.

Das heutzutage, oder so, Language Model wird halt für so viele Dinge benutzt.

Ja, da wünsche ich mir manchmal, dass so ein bisschen die Terminologie ein bisschen klarer wäre, weil das auch ein bisschen, glaube ich, Verwirrungsstiftet.

Wie würdest du das denn definieren?

Was ist ein Language Modell?

Das Problem ist halt, okay, grundsätzlich ein Modell, oder zumindest traditionell, man nennt vieles Modell.

Man nennt, manche Leute nennen den Algorithmus ein Modell.

Das ist also quasi die Implementation, den Code, den du dafür schreibst.

But then gibt es natürlich auch das Artifact, das du da trainierst, also die Gewichte, also quasi so eine binäre Datei, die dann da rumliegt and that you am end speicher.

And vielleicht that zusammen can either so as model bezeichnen.

Dann, I think we have a language model, we have another modelle, die we trained have for the Sprachen.

But this would just auch heutzutage viel benutzt for eben diese Gewichte, die man trainiert auf der Basis von Romtext.

This is also heute hauptsächlich, was Leute meinen, wenn sie Language Model sagen.

Also, okay, wir haben einen kompletten Text aus der Wikipedia im Englischen runtergeladen und diese Embeddings trainiert, indem wir das nächste Wort vorhergesagt haben und die kann man ja jetzt weiter benutzen.

Und das ist jetzt, das ist ein Language Model.

Also es gibt, es gibt da verschiedene, es gibt verschiedene Definitionen oder verschiedene, ja.

Ja, es wird halt irgendwie in unterschiedlichen Kontexten halt unterschiedlich verwendet, ja.

Was nennt man Machine Learning, was nennt man KI?

Oh, AI jetzt eigentlich.

Oder AI, genau.

Ja, genau, du musst dich auch immer daran gewöhnen, weil ich bin tatsächlich, die deutsche Terminologie ist mir nicht so nah, weil ich es halt nie, weil ich es halt nie gelernt habe auf Deutsch.

Also ich bin immer gewohnt, so auf Englisch drüber zu lesen.

Du bist doch gerade in Australien, ne?

Ich bin momentan gerade in Australien, ja.

Ein bisschen Social Distancing von Europa.

Genau, so weit wie möglich weg.

Ich glaube, die weiter geht auch gar nicht.

Ja, also wie gesagt, ich freue mich drauf, wieder zurückzukommen, aber halt momentan ist, okay, gut, bringt ja auch keinem was, wenn ich jetzt in der momentanen Situation da wieder in Flicker steige.

Aber ja, aber ich habe halt auch nie so, ich habe zum Beispiel nie jetzt klassisch so Informatik studiert oder so.

Deswegen, das merkt ihr teilweise im Vergleich, dass manche Leute, die halt auf Deutsch programmieren gelernt haben, da so die deutsche Terminologie drauf haben.

Und da musste ich mich auch erstmal reinlesen.

Ich habe für Spacey so einen Online-Kurs gemacht, den habe ich auch in verschiedenen Sprachen übersetzt, also ich, ich nicht, ich habe ihn auch nur auf Deutsch übersetzt.

Mehr Sprachen kann ich nicht.

Aber andere aus der Community haben uns dabei geholfen und ich muss mich erstmal sehr reinlesen in die deutsche Programmierterminologie.

So sagt man iterieren.

Also Konsens ist scheinbar ja, habe

ich auch.

Ja, ich will auf Deutsch sagen, ist das irgendwie, hört sich manchmal komisch an.

Ja, es ist sehr eigenartig.

Ich komme manchmal jetzt so im Zuge, also das Problem hatte ich jetzt letztens, dass dann irgendwie, ich weiß nicht, Domain-Driven Design, ob das euch ein Begriff ist.

Wenn man jetzt in einer anderen Domäne unterwegs ist, also gar nicht unbedingt jetzt, wenn es ums Programmieren geht, sondern einfach fachlich ist man halt irgendwas unterwegs, wo Leute halt ihre eigene Sprache für entwickelt haben, um sich überhaupt austauschen zu können über das Thema, mit dem sie da zu tun haben.

Und da habe ich dann erstmal alles nach Englisch übersetzt, weil ich das so schrecklich fand.

Weil das geht gar nicht.

Wenn da irgendwie so deutsche Wörter im Sous-Code stehen, dann dachte ich so, das muss ich unbedingt übersetzen.

Und dann habe ich dann weitergelesen und dann hieß es so, naja, nee, am besten immer die Originalbegriffe benutzen, weil ansonsten ist das die totale Verwirrung.

Man weiß hinterher überhaupt gar nicht mehr, was bedeutet.

Ja, das wird dann auch passiert.

Es ist irgendwie nicht so einfach.

Mit den unterschiedlichen Sprachen ist blöd.

Ja, das hat Mischungen halt.

Gerade im IT-Bereich ist ja voll auf so Dänisch irgendwie dann.

Ja, und ich meine, Programmieren an sich, ich meine, Python ist Englisch.

Und auch so, du merkst halt natürlich, du hast die Wörter, du programmierst auf Englisch.

Oder schon allein, wenn du dir so eine deutsche Tastatur anguckst.

Die englische Programmiersprachen sind meist für die amerikanische Tastatur entwickelt worden.

Deswegen haben wir den Backtick an der blödesten Stelle und es ist eigentlich der Akzent.

Oder Backslash oder andere oder die ganzen Klammern zu tippen.

Warum ist das so nervig auf unsere Tastaturen?

Ja, weil.

Ja, irgendwie wollte ich um die neue eigene Tastatur machen.

Ja, ich

habe mir nochmal überlegt, ob ich die amerikanische Tastatur, ob ich einfach mal sagen kann, okay, sagen soll, okay, ich lerne die amerikanische Tastatur, weil es ja wirklich fürs Programmieren einfach ist.

Also einfach eine Taste zu haben, wo du einen Backtick tippen kannst.

Ist einfach, aber ich bin halt, ich hab mich, ja, ich krieg das nicht mehr hin.

Ich glaube, ich bin zu alt.

Ja, muss wahrscheinlich anfangen mit einer anderen Tastat.

Ja, oder bei mir ist das Problem auch immer, ich habe es dann immer mal überlegt, ob ich dann nicht beim nächsten Rechner dann tatsächlich amerikanische Tastatur oder englische Tastatur halt nehme.

Und dachte ich mir, aber ich habe jetzt noch ein paar andere.

Ich hätte auch gerne

die Umlaute auf der Tastatur.

Also es stört mich, wenn ich jetzt nicht in ein Ö tippen kann oder so.

Ja, aber ich sag mal, die Sprache tippen ja schon alles dann auf Englisch raus.

Also auch Kommentare und so würde ich jetzt mal schätzen, dass wir alle die auf Englisch schreiben.

Das macht ja auch irgendwie Sinn, wenn man irgendwie ein bisschen kollaborativ arbeiten möchte und so.

Und ja, ist halt schon interessant.

Also ich glaube, also Englisch ist halt, weil man so ein Natural Language anguckt, mit Sicherheit um Meilen weiter, als dass irgendwie Deutsch sein wird, ja.

Und was Meilen ist wahrscheinlich noch zu wenig.

Einfach von der Masse an Sätzen, die so gesagt werden in den jeweiligen Sprachen und was man damit halt an Datenbasis irgendwie anfangen kann.

Aber auch einfach die Forschung, also generell die Forschung findet auf Englisch statt.

Und natürlich, es gibt unglaublich viel interessante Arbeit, auch was NOP angeht in anderen Sprachen und auch die Forschung.

Aber grundsätzlich muss man sagen, alles Sprachen, die Englisch ähneln, mit denen können wir momentan auch im Bereich Machine Learning am besten umgehen, weil da einfach die meiste Forschung stattgefunden hat.

Okay, interessant.

Welche Sprachen ähneln Englisch?

Also natürlich so die romanischen Sprachen schon, also alles, was ist halt so ein Spektrum, aber Chinesisch zum Beispiel eher nicht.

Also es ist eher, ich würde sagen, eher, ja, die Sprachen, die Englisch am unähnlichsten sind, sind durchaus auch weniger erforscht.

Oder die Techniken, die veröffentlicht werden oder über die geforscht werden und die Strategien für Machine Learning und so weiter, die sind halt schon meist optimiert für Englisch.

Und da ist natürlich auch die Motivation da für einen Forscher zu sagen, okay, gut, du möchtest ja auch, das kann man ja auch den einzelnen Leuten dann nicht ankreiden.

Also du möchtest natürlich, wenn du auf einem Gebiet forschst, du möchtest deine Experimente vergleichen können mit anderer Arbeit.

Du möchtest sagen, hey, hier, cool, ich habe tatsächlich was entwickelt und was gemacht hier, das irgendwie besser ist als das, was vorher da war.

Und ja, viele der wichtigen, die wichtige Arbeit ist halt, ja, funktioniert mit englischen Korpora.

Und das heißt, natürlich ist deine Motivation da auch mit der englischen Sprache zu arbeiten.

Und natürlich ist einfach mehr Daten da.

Ja, auch einfach viel mehr Trainingsdaten.

Ja, das ist.

Ja, aber man muss auch sagen, okay, momentan, wir sind am Punkt, wo man braucht gar nicht mehr unbedingt so viel so viele Daten.

Man kann Daten selber erstellen.

Das ist ja auch ein Bereich, in dem wir arbeiten.

Also unser kommerzielles Product, wodurch wir auch Geld verdienen, weil wir unglaublich viel Open Source, was wir verschenken quasi, is Prodigy.

This is an annotation-tool special entwickled for entwickers and machine learning.

Also, the idea is, okay, often when we have a special problem, it is often nothing to do, iron, model on the internet running that trained had and that is to that you have möchtest.

And that we are heute at a point, where we say, Oh, du brauchst du gar nicht mehr big data milliard an Beispielen, auch ein paar hundert, ein paar tausend.

Damit kannst du echt, also wenn du es gut machst and when that gut durchdacht is and machst, okay, wie strukturiere ich das Problem structure, kannst du damit echt super Resultate mittlerweile erzielen.

Das heißt, es ist auch komplett machbar, dass du sagst, hey, ich setze mich einfach hin und verbringe eine Stunde, guck mir meine Daten wirklich an, überleg mir, wie label ich die und wenn das Tool effizient ist und du damit gut arbeiten kannst, kannst selbst du als einzelner Mensch innerhalb von einer Stunde ein Datenset erstellen, mit dem du wirklich was auch produktiv machen kannst.

Vielleicht da nochmal auf die Features könnten wir da nochmal eingehen.

Was macht denn Spacey jetzt genau mit einem Datensatz?

Also was kannst du damit alles machen?

Also Spacey ist eine Bibliothek, mit der du moderne NLP-Systeme bauen kannst.

Also wir haben verschiedenste Komponenten, die du trainieren kannst.

Wir haben natürlich auch Pipelines, die manchmal runterladen kann, die wir vor trainiert haben.

And for verschiedenste Tasks oder verschiedenste Probleme kannst du halt deinen Text reinfüttern anders am Ende die Annotation, die das Modell extrahiert hat, am Ende raus.

Also zum Beispiel fängt an bei Wortarten.

Du fütterst einen Text rein and the Modell kann vorhersagen, ist das ein Verb, ist das ein Nomen, und so weiter, je nach Sprache.

Dann gibt es natürlich auch die Beziehungen der Wörter zueinander.

Ist das das Subjekt, ist das das Objekt?

Das ist auch was, was man vorhersagen kann und Spacey hat halt auch entsprechende Datenstrukturen, die das halt auch abbilden können.

Denn du möchtest ja idealerweise nicht alles hier, hier eine Liste, hier ein Dictionary haben, sondern du möchtest wirklich alles effizient gespeichert haben an einem Punkt und du möchtest jedes Wort am Ende zu jedem anderen Wort wieder zurückführen können.

Also du möchtest wirklich, okay, hier habe ich ein Wort im Kontext, wie hängt das Wort mit dem Wort zusammen, wie hängt das mit dem Satz zusammen?

Und da hat Spacey halt auch die Datenstrukturen, die dich damit effizient arbeiten lassen.

Ich named Entity Recognition, das heißt, man kann auch basierend auf einem Text voraussagen, welche Wörter sind zum Beispiel ein Personenname, ein Städtename, Produktname, Firmen-Name, and so weiter.

Und das ist natürlich vor allem spannend, wenn man das halt auf seine ganz spezielle Problematik zuschneidet.

Also wenn man spezielle Begriffe in seinem Bereich hat und dann kannst du wirklich ein Modell trainieren, dass das entsprechend dir vorhersagen kann.

Und dann hast du halt den Personennamen

oder die Domäne irgendwie, ne?

Genau, und dann kannst du auch sagen, okay, der Personenname, ist das jetzt das Subject oder das Objekt und so weiter.

Oder andere Komponenten, wo wir halt gerade dran arbeiten oder die man halt auch bauen kann.

Du kannst sagen, wenn du jetzt ein Pronomen hast, so er bezieht sich das, auf wen bezieht sich das?

Also der Mann comes nach Hause, er zieht sich die Schuhe aus.

Kannst du das auf den Mann beziehen?

That is auch in vielen Contexten sehr wichtig.

Denn das ist was when we this listen, uns ist das relativ klar.

Wenn du das maschinell machst, is it deutlich trickier and auch nicht immer so eindeutig, wie wir das gerne hadten in der Sprache.

Textklassifizierung hast du ja schon mal angesprochen vorher.

Du kannst natürlich auch Labels für den ganzen Text vorher sagen: Geht's hier um Sport, geht's hier um Politik, geht's hier um Spam.

Das ist was, was du machen kannst, und du kannst eben, und Spacey lässt sich halt diese Componenten zu einer Pipeline zusammenbauen.

Und natürlich, zwischendurch, es kann auch sein, dass du sagst, hey, ich möchte einen Baustein, der soll einfach nur richtig oldschool ein paar reguläre Ausdrücke sein.

Denn in der Praxis is das nach wie vor was, es macht Sinn.

Du trainierst ein System, richtig fancy, transformers, named entity recognition, geil, sagt Firmennamen voraus, es funktioniert super, und dann weiß ich, zeig's deinem Chef, der gibt irgendwas ein mit deinem Firmennamen drin und das Ding erkennt den eigenen Firmennamen nicht, weil der irgendwie komisch ist und überhaupt nichts ähnliches in den Trainingsdaten war.

Jetzt können sie sagen, oh, da mache ich jetzt nochmal neue Trainingsdaten, tune meine Hyper-Parameters und verbringe da nochmal ein paar Wochen dran und am Ende kriegt der unseren Firmennamen hin, aber kann irgendwelche anderen Sachen nicht mehr.

Oder du sagst, ja geil, hau ich jetzt einfach einen regulären Ausdruck drauf und dann kriegt der unseren Firmennamen immer richtig hin.

Und in der Praxis, so löst man viele dieser Probleme.

Natürlich.

Und das wollen wir und so sehen auch, so sehen praktische Systeme aus.

Du hast vielleicht einen super heißes, modernen Baustein, der halt die neuesten Transformer-Modelle verwendet.

Und dann hast du vielleicht einen Text-Classifier, der noch oldschool-lineares Modell, weil es halt einfach gut funktioniert, dann hast du noch ein paar Regeln obendrauf und am Ende hast du halt eine Repräsentation von einem Text, wo alle diese Informationen drin ist, die du dann verwenden kannst, um was auch immer dein eigentliches Ziel ist, zu erreichen.

Denn das ist ja auch nochmal ein Problem.

Oft.

Die tatsächlichen Ziele, die man hat und die Probleme, die man lösen möchte, die sind ja nicht immer eins zu eins übertragbar in ein Machine Learning-Modell, das man trainiert.

Das ist auch sowas, okay, so stellen sich das manche Leute manchmal vor, unsere Firma möchte, dass wir das und das und das auslesen und das am Ende so und so in die Datenbank eingeben.

Kann man versuchen, wirklich von A nach B komplett ein System vorhersagen zu lassen, ist aber oft in der Praxis nicht sonderlich nützlich.

Und auch oft muss man sich hinsetzen, okay, wie kann man das Problem runterbrechen in kleinere Bausteine, die man auch tatsächlich effektiv mit den technischen Möglichkeiten, die wir momentan haben, lösen kann?

Ja, ja, ja.

Ja, es ist auch immer wieder, ich meine, ich finde das ja tatsächlich erstaunlich, dass sich im Grunde alle Probleme letztendlich dann doch, auch vielleicht manchmal in mehreren Schritten, aber auf eben so etwas Simples wie binäre Klassifikationen quasi runterbrechen lassen, weil es ist ja von binärer Klassifikation zu Multilabel, also dass man halt mehrere Labels jetzt für den Text vorher sagt oder so, es ist eigentlich quasi auch das Gleiche.

Und ja, dann gibt es halt noch Regressionen und dann gibt es halt noch Clustering und dann war es das im Grunde schon.

Aber man kann damit halt eine Menge machen.

Dann dachte ich, so, damit soll man wirklich alles machen können.

Aber ja, also es geht schon, aber man muss sich halt dann doch ein bisschen, ja, manchmal.

Ich glaube, es geht halt um so ein bisschen ums Mindset, aber das ist ja auch beim Programmieren generell nicht anders.

Also wenn du jetzt sagst, okay, ich habe hier ein Problem, das möchte ich lösen mit Python, dann musst du dir auch überlegen, okay, was habe ich hier zur Verfügung, was sind so diese Abstraktionen, wie strukturiere ich das?

Was macht Sinn, was macht keinen Sinn?

Und das ist quasi der Job, den du dann als Softwareentwickler löst.

Und so ähnlich ist es auch im Bereich Machine Learning.

Ist auch quasi eine Art zu programmieren.

Ist halt nur ein bisschen anders und man hat halt noch diese Daten als die Komponente.

Im so klassischeren Programmieren hast du halt ein Programm, da geht was rein, kommt immer, kommt was raus.

Hier hast du Code plus Daten.

Ja, beziehungsweise das, was man programmiert, ist nicht so sehr ein Algorithmus, sondern man legt eher die Daten für ein Modell fest, das dann irgendwie tatsächlich dann irgendwie was macht.

Das fand ich auch interessant.

Das gab es, glaube ich, 2018 gab es einen Vortrag von André Carpathy, ich weiß gar nicht, wie das ausgesprochen wird.

Software 2.0 oder Software 2.000.

Genau, also das ist auch genau eine sehr ähnliche

Idee, ja.

Genau, der sagt ja auch, ja, also früher haben wir halt sozusagen eine Lösung, also wir haben ein Problem und haben wir einen Lösungsraum für dieses Problem.

Und wenn wir jetzt das explizit programmieren, dann nehmen wir uns einen ganz winzigen Punkt aus diesem Lösungsraum raus und definieren den halt exakt.

Aber tatsächlich kann man ja auch vielleicht einfach eben per Daten so eine Region aus dem Lösungsraum rauszeichnen und dann halt ein Optimierungsverfahren verwenden, um tatsächlich die Lösungen zu finden.

Also quasi per Machine Learning ein Modell trainieren, das dann halt sozusagen die Lösung modelliert.

Und dann verändert sich der Job als Programmierer halt so ein bisschen.

Und ja, das fand ich auch sehr interessant.

Dachte so, ja, das ist natürlich, das hebt es dann wieder auf eine etwas abstraktere Ebene.

Dann werden natürlich die Tools, die man dafür braucht, halt extrem wichtig und sehr interessant.

Genau, und auch

die Daten einen ganz anderen Stellenwert bekommen.

Und das ist halt auch, was meiner Meinung nach nach wie vor nicht genug Aufmerksamkeit bekommen.

Also auch so als Analogie jetzt, wenn du programmierst klassisch, schreibst du deinen Code, dann hast du einen Compiler, da geht dein Code rein und am Ende hast du ein Programm, kommt ein Programm raus.

Und jetzt mit Machine Learning hast du deine Daten, du hast einen Algorithmus und am Ende trainierst du dein Modell und dein Modell kommt raus.

And when du jetzt feststellst, okay, dein Modell ist nicht sonderlich geil, oder im klassischen Programmieren, dein Programm, was am Ende rauskommt aus deinem Compiler raus, macht nicht das, was es soll, ist zu langsam, funktioniert nicht, hat bugs, was machst du?

Du könntest natürlich hingehen und sagst, sagen, okay, da gehe ich jetzt erstmal an den Compiler ran und schreib mir meinen eigenen Compiler.

Machst du aber normalerweise nicht.

Normalerweise du gehst in deinen Code rein und veränderst deinen Code und passt den an und fix den, damit dein Programm am Manual besser wird.

Ich will damit nicht sagen, es gibt super viel Arbeit, die man im Bereich Compiler noch machen kann, aber das ist normalerweise so nicht das Erste, was man macht.

And analog natürlich, Machine Learning, wenn dein Modell nicht das macht, was it soll und damit nicht zufrieden bist, kannst du hingehen und dein Algorithmus tricken.

Und natürlich kann es sein, dass da ein Bug drin ist, der dafür sorgt, dass dein Modell nichts lernt, aber meistens, was du machen solltest, ist dir die Daten angucken.

And we are, and du kannst du das schöne praktischen Machine learning or quasi praktischen NLP, wenn du es halt wirklich anwendest auf Probleme, ist, dass du quasi selber entscheiden kannst, wie schwierig oder wie einfach du dir quasi das Problem machst.

Du kannst ja kontrollieren, wie du deine Daten annotierst, wie du die aufbereitest, wie du das Problem runterbrichst.

And that is, glaube ich, auch wie sich zum Beispiel die angewandte Praxis so ein bisschen unterscheidet from der reinen Forschung.

In der Forschung ist das Ziel ein ganz anderes.

Du hast ein Problem, du hast a benchmark, du hast einen Algorithmus, den du entwickelt hast, and then it makes sense, we won't all the algorithms among the problem vergleichen.

Denn nur so kannst du sehen, is this what I have besser than this, what jemand and game has.

Maybe my idea, funktioniert.

But that's easy the other Denkweisen, die man hat.

And that is, glaube ich, etwas, was einfach die angewandte Praxis unterscheidet.

And auch jetzt, um es wieder zurück zu führen, ein bisschen auf das, was wir so machen, was auch so ein bisschen die Philosophie von Spacey unterscheidet from vielleicht anderen Bibliotheken und auch die Gedanken, die wir uns machen müssen.

Unsere Nutzer sind ja Entwickler, die wirklich in der Praxis diese Systeme bauen.

And that heißt, wir müssen natürlich Entscheidungen treffen, die das besonders effizient and einfach machen, aber auch die Möglichkeit geben, eben diese Bausteine entsprechend zusammenzusetzen, manche Bausteine wieder zu verwenden und eben eine flexible Möglichkeit zu haben, diese System halt zu bauen und auch to testen.

And auch to see, okay, when was nicht funktioniert, möchtest du ja gucken, wo das Problem ist.

Das ist sehr schwer, wenn alles so eine Blackbox ist und du am Ende nicht weißt, was passiert da.

Da geht was rein, am Ende kommt was raus, anda.

Das war's halt.

Ja, ja, ja, genau.

Und das ist natürlich auch sowas, was, ja, eben, man wahrscheinlich im akademischen Bereich nicht so häufig hat, dass man eben auch mit den Annotationstools viel zu tun hat oder auch mit, so was ich auch immer häufig sehe, dass man, dass halt dieses, was wie speichert man Daten, wie regiert man drauf, wenn sich Daten verändern oder so, ist halt ein ganz wichtiger Teil.

Dieser ganze Data Engineering-Aspekt ist halt auch total wichtig.

Und den hat man halt eigentlich gar nicht, wenn man jetzt mit fixen Korpora arbeitet, die immer gleich sind.

Genau, ich meine,

das ist, wie gesagt, das ist ja nicht die unbedingt, was sich ein Forscher mit beschäftigen möchte.

Aber ich glaube, das ist eher was, was man auf der anderen Seite, wenn man eben im angewandten Bereich arbeitet, sich halt bewusst machen muss, okay, das, oder es gibt so ein bisschen den momentan, viele Leute sind unglaublich heiß drauf und wollen sich halt so, okay, die letzte Forschung direkt rein ins Blut direkt initiieren, so schnell wie möglich.

Und in manchen Bereichen, also in manchen Bereichen geht das, und natürlich, wir haben wirklich in den letzten Jahren vor allem sehr schnelle Adoption gesehen von Dingen, die in der Forschung entwickelt wurden und auch praktisch sehr schnell auch wendbar waren.

Und natürlich der Kreislauf wird schneller und wenn irgendwas Interessantes rauskommt, dann dauert es auch nicht mehr so lange, bis man auch tatsächlich was Sinnvolles damit machen kann.

Aber es ist halt nicht immer so.

Und es ist auch nicht immer nur, weil irgendein Paper rauskommt, was halt spannend klingt, heißt es nicht, dass es unbedingt das ist, was eben auf jeden Fall jetzt braucht.

Und ja.

Wie gesagt, selbst mit einem für viele Probleme, selbst mit einem oldschool-linearen Modell kannst du oft viel machen.

Oder wenn dein lineares Modell das überhaupt nicht hinkriegt, heißt es auch oft, dass vielleicht deine Definition deines Problems eher das Problem ist als der genaue Algorithmus.

Ja, ja, ja, ja.

Ja.

Genau.

Ja, ihr macht ja, ihr macht ja auch noch diese im Prodigy, dieses Annotationstool.

Das ist auch alles quasi so wie Spacey auch Python, beziehungsweise wahrscheinlich dann im Frontend irgendwie was anderes, weiß ich gar nicht.

Aber Frontend natürlich, du brauchst immer ein bisschen JavaScript, damit es im Browser läuft und es ist so eine relativ leichte React-App.

Aber ja, Backend ist alles in Python und die Philosophie ist auch wirklich, okay, es ist ein Entwickler-Tool.

Du möchtest damit programmieren.

Das war uns immer unglaublich wichtig.

Und ja, wir freuen uns auch, das wurde halt super gut angenommen.

Prodigy ist sehr erfolgreich.

Und das ist auch was, was wirklich, glaube ich, Entwicklern, ja, Entwickler anspricht.

Und das ist auch die Art von Tools, die wir entwickeln wollen und natürlich auch die Art von Tools, die wir auch gerne benutzen wollen.

Also ich möchte, wenn ich etwas arbeite, ich möchte programmieren können.

When I was able to, when I wish whether I was in Python machen, and a tool gives me the microphone, there is a bit of code to scheme, denke ich cool, super.

Like for all, weil ja auch in the Bereich fast all the other in Python.

When you get Spacey benutzt, or other bibliotheken, the modelle, this is mostly Python.

You can use unglaublich machen, what the laden of data, streamen and so we can ange.

And that is our philosophy generally, we won't entwick ermöglichen, Code zu schreiben.

Wenn du Code schreiben kannst, is es immer besser.

Du möchtest nicht nur einen Button haben, auf den du klicken kannst.

Ein Button, auf den du klicken kannst, ist cool, aber wenn du mehr machen möchtest, solltest du die Möglichkeit haben.

Und für Entwickler ist einfach Code die beste Art und Weise.

Was kann man denn machen mit den Daten, um die vorzubereiten oder aufzubereiten?

Für Spacey oder mit Spacey sogar mit den Daten?

Ja, also es kommt natürlich darauf an, was man machen möchte.

Also meinst du mit Vorbereiten, okay, du hast halt hohen Text und du möchtest halt etwas damit trainieren und du möchtest den annotieren oder

für mich falsch.

Genau, also erstmal, du musst natürlich die Daten musst du natürlich annotieren und die in ein Format bringen, damit du zum Beispiel dein Modell damit trainieren kannst.

Und eine Option ist, du kannst ganz oldschool in eine Excel-Tabelle machen, du kannst es ganz old school in JSON machen und das wirklich eintippen, von hier bis da ist eine Person oder das und das ist das Label.

So wird es auch oft gemacht.

Dann natürlich mit einem Tool wie Prodigy sagen wir, hey, du kannst einfach deine Daten reinstreamen, du kannst ein bisschen klicken, du kannst auch Sachen ein bisschen automatisieren, das ist halt auch immer cool.

Denn als Menschen, wir sind einfach, es gibt viele Dinge, die wir einfach schlechter können als ein Computer.

Ist halt nun mal so.

Unser Erinnerungsvermögen ist schlecht, wenn es darum geht, Dinge zuverlässig, immer consistent, genau gleich zu machen, können wir nicht.

Und das sind nun mal Dinge, wo dafür haben wir Computer entwickelt, das kann ein Computer halt besser.

Deswegen sagen wir halt, wenn du halt Dinge, die sehr ein bisschen stupide, ich will nicht sagen stupide, aber wo du immer das Gleiche machen musst, das kann halt auch ein Computer machen.

Du kannst einen Computer sagen, okay, ich bin mir relativ sicher, dass Berlin eigentlich immer eine Stadt ist.

Und wenn nicht, gut, dann kann ich das korrigieren.

Das heißt, du kannst dir Workflows bauen, wo du sagst, hey, ich habe hier ein paar Beispiele für das, was ich quasi in meinen Daten labeln möchte.

Das mache ich jetzt automatisch und guck mir das nur an.

Und wenn irgendwas falsch ist, dann korrigiere ich das.

Oder du hast schon ein Modell, das sagt ein paar Dinge voraus, ist aber nicht so gut.

Kannst du sagen, cool, Modell, label mir das schon mal und ich gucke mir das nur noch an.

Das ist was, was du machen kannst und am Ende, okay, am Ende kriegst du die Daten raus und kannst dann dein Modell damit trainieren.

Aber da fängt es halt auch, ich würde sagen, da fängt es halt erst an.

Das ist halt der erste Schritt.

Und das Lustige ist oft, wenn man halt hört, wie Leute sich über diese Themen austauschen, klingt es danach, als wäre es dann schon vorbei.

Cool, du labelst so ein bisschen deine Daten, dann trainierst dein Modell, fertig.

Aber natürlich ist es immer ein iterativer Prozess.

Wenn du dein Modell, dein Modell musst du immer weiter trainieren, genauso wie du deinen Code auch ständig refactorst und weiterentwickelst.

Das ist nicht statisch oder eine Webseite.

Du kannst eine Webseite dir entwickeln lassen, den Auftrag geben, aber die musst du halt auch updaten.

Und wenn du jemanden beauftragst, die eine Webseite zu machen, willst du normalerweise auch, dass die Webseite, yeah, dass da irgendwas eine Möglichkeit is, dass du die auch später updaten kannst und nicht jedes Mal deinen Webmaster anrufen musst, wie in den 90ern oder so.

And deswegen, okay, einmal, du hast deine Daten, meistens irgendwas geht chief, irgendwas funktioniert nicht.

Dann guckst du dir oft an, okay, was sind die Probleme?

Was könnte das darüber aussagen?

Da musst du ein bisschen oft auch ein bisschen logisch darüber nachdenken.

Okay, wie es funktioniert das Modell?

Was ist hier vielleicht das Problem?

Was haben die Beispiele gemeinsam, die halt nicht so gut funktionieren?

Vielleicht brauche ich einfach ein bisschen mehr Daten.

I have so many beispiele in diesem Bereich.

Mal gucken, wie es funktioniert, when I have a bit more hinzu give.

Oder vielleicht anstatt to sagen, oh, I have just ganz spezielle Kategorien für Stadt, Kreis, Bundesland, or so.

Vielleicht mache ich es ein bisschen allgemeiner, denn often the model a bit.

Okay, vielleicht macht es so, dass dem Modell ein bisschen einfacher sagen, okay, du musst nicht nur am Kontext, the context nur erkennen, handelt es sich um eine generelle Ortschaft, ein Land, ein Kontinent, ein Kreis, ein Bundesland.

Und das ist oft vielleicht ein bisschen einfacher am Kontext vorher zu sagen.

Und dann kannst du immer noch sagen, okay, ist das, sobald ich weiß, da geht es um eine Lokalität, habe ich einen zweiten Prozess, der dann sagt, okay, der grenzt das ein bisschen mehr ein und so weiter.

Das sind alles die Entscheidungen, die man halt treffen muss, die auch oft sehr spezifisch sind und darauf ankommen, was man halt für ein Problem lösen möchte.

Ja, ja, also so in der Praxis kriegt man dann immer oft so, was ich bei Textkategorisierungen dann die ganze Zeit gemacht habe, war halt so in einem Preisvergleich Angebote in Kategorien sortieren.

Und da ist es halt zum Beispiel, merkt man dann, wenn man viele Angebote hat und auch viele immer neu dazukommen von irgendwelchen Shops, die man vorher noch nicht gesehen hat, dass es unter Umständen sehr sinnvoll ist, so eine Kategorie zu haben wie alle Dinge, für die wir keine Kategorie haben, weil ansonsten verteilen die sich halt in alle Dinge, wo man einen hat.

Und das ist gar nicht gut, weil dann, ja, und dann denkt man sich, wo kommt dieser Kram immer her?

Ja, genau.

Oder deswegen ist auch, einerseits willst du dir natürlich vorher idealerweise Gedanken machen, wie ordne ich das ein?

Du möchtest auch nicht, dass du, während du das annotierst, dass jeder dann einfach mal, oh, hier habe ich noch eine Idee für eine Kategorie.

So stellen sich das auch manchmal Leute vor, aber das ist natürlich nicht sinnvoll.

Aber andererseits musst du auch überlegen, okay, wie gehe ich damit um?

100 pro, du hast tausend Beispiele annotiert und dann denkst du, ja Mist, nee, hätte ich jetzt doch nochmal eine andere Kategorie machen sollen.

Und dann willst du ein Workflow haben, bei dem du das relativ easy machen kannst.

Und wo du nicht sagst, ja toll, jetzt muss ich nochmal ganz von vorne anfangen, oder ja, jetzt, keine Ahnung, jetzt habe ich meinen ganzen Fortschritt hier verloren und so weiter.

Also, das ist alles richtig.

Und noch ein ganz anderes Thema, auch ein ähnliches Thema ist: Du encodierst immer eine gewisse Voreingenommenheit in dein Modell.

Das liegt schon daran, dass Sprache is, and that is ja auch nicht unbedingt schlecht.

Also, the idea: okay, when you just iron aus den 60ern analysierst, there are bestimmte things, die halt, zum Beispiel mehr Männer vor allem and keine Frauen.

Da ist die entsprechende Sprache gewählt.

When du dir da, oder wenn du dir Hasskommentare auf Twitter analysieren möchtest, da ist auf jeden Fall relativ speziell.

Und du möchtest ja auch, dass das Modell sowas sieht.

But du möchtest nicht unbedingt, dass dein Chatbot am Ende Twitter-Kommentare generiert.

Genau.

Oder du trainierst dein Modell für Personennamen und in deinen Beispielen, da haben alle so schöne deutsche Namen wie Jochen und das funktioniert auch total super.

Und dann setzt du das in der Praxis ein, wo auf einmal Leute ja nicht so typisch klassische deutsche Namen haben und dann geht das nicht.

Und dann können die Leute deine Tools nicht nutzen oder haben dann ganz komische Probleme.

Und das ist natürlich auch was, dass du erst herausfindest, wenn du mit den Daten arbeitest und da tatsächlich iterierst.

Und ja.

Ja.

Ja, ich glaube, das ist auch, das stellen sich viele Leute irgendwie meistens dann so einfach vor.

Ja, es ist gute Tools an der Stelle.

Sprache ist Messi irgendwie, ja.

Ja, und es macht auch spannend, aber es ist durchaus, also ich glaube, ja, man kommt nicht drum rum, sich auch wirklich Gedanken zu machen.

Künstliche Intelligenz macht das alles für uns.

Nein, wenn du es benutzen möchtest und da wirklich und nicht nur, du musst die Gedanken machen, du solltest die Gedanken machen.

Ich finde es wichtig, dass wir uns alle Gedanken machen über das, was wir entwickeln, was wir erreichen wollen, wie wir das machen, ob es Sinn macht, was da für Probleme auftreten können.

Und eben auch, wie es funktioniert.

Ich glaube, es ist wichtig to verstehen, grob, wie funktionieren diese Modelle, was passiert da, auf welcher Basis die Vorhersagen, and what does it?

And that bedeutet is that okay, in detail machine learning must be when you have an auto fair, must not say whether the auto function.

But with a given grade, it is worth it.

And this is problematic when this in many tools or in many products completely abstract.

So, oh, give me some magical intelligence, make this all for us.

And I think that the problem is that it's not a little bit for the benutzer, that's deadly transparenter, was that eighteen passiert.

Obviously, I believe that the endbenutzer, okay, what gay up?

Okay, in the here a KI macht that, the error sollte sein, okay, where you trained?

Oder auch genau, in der Medienberichterstattung, okay, cool, irgendwas mit KI, auf welcher Basis denn?

Was macht das?

Und das einfach ein bisschen kritischer zu hinterfragen.

Und ich glaube, dahin kommen wir nur, wenn wir halt auch dafür sorgen, dass jeder so ein bisschen grob eine Idee hat, wie das so funktioniert.

Und das ein bisschen einschätzen kann.

Ja.

Ja, das ist momentan halt so eine Übergangszeit, wo teilweise die Erwartungen halt total übertrieben sind, auf der anderen Seite halt nicht klar ist, was alles an tollen Sachen schon geht, wo man sich denkt, wo dann Leute sagen, ja, das geht ja dann auf keinen Fall.

Und man denkt so, ja doch, eigentlich schon, das geht ja schon.

Das ist halt ein bisschen unintuitiv, was auf einmal funktioniert und was halt nach wie vor schwer ist, weil es halt auch nicht immer proportional ist zu dem, was man sich so vorstellt.

Und es ändert sich halt gerade und dann hat man mühselig gelernt, dass dies oder jenes nicht geht und dann ist das Wissen ja auch nur ein paar Jahre alt und dann plötzlich ist es aber schon veraltet und das geht in anderen Bereichen ja nicht so.

Da stimmt das halt alles noch, wenn man das mal gelernt hat.

Und ja, das macht halt viele Verwirrungen irgendwie auf allen Ebenen, ja.

Ja.

Das ist auf jeden Fall eine spannende Zeit, aber ich glaube, es gibt viele Möglichkeiten und ich glaube auch, es gibt, ja, es gibt viele Anwendungsbereiche, wo auch wirklich diese neuen Technologien einen großen Unterschied machen können.

Das würde mich jetzt tatsächlich auch nochmal interessieren.

Also was für Anwendungsbereiche ist denn dafür?

Alles gibt es.

Also Chatbots haben wir jetzt irgendwie schon gesagt oder irgendwie jetzt Nachrichtenportale, die irgendwelchen Content generieren möchten oder sowas oder

ja, also ich meine, eigentlich im Endeffekt klar, alles, wo du, wo du halt Text hast und was damit machen möchtest, aber tatsächlich, was ich immer sagen muss, es gibt natürlich so wow, fancy Dinge, die Leute entwickelt haben, die ganz cool klingen und im Endeffekt vielleicht gar nicht so einen großen Unterschied machen praktisch.

Und da gibt es viele Dinge, die wir so und die uns im Alltag begegnen, die relativ langweilig klingen, wo du aber dann siehst, oh, das macht wirklich was, oder auch für von online, okay, for the Firma intern, wenn die irgendwelche Dinge optimieren, die vielleicht vorher von Menschen manuell gemacht wurden, oder wo eben entsprechende Fehler passieren können, die man halt so ein bisschen vorbeugen kann.

Wenn, weiß ich nicht, die Zentralbanken ihren Zinssatz besser anpassen können.

Das klingt erstmal super lame.

Nee, das ist jetzt als Beispiel, denkst du so burger, next.

But that is tatsächlich, was entsprechend auch einen sehr positive Influence has auf the Welt, of the Wirtschaft, unser generelles Zusammenleben.

Also auch komplett.

That's not so here finance, evil, sondern that is objektiv to sagen, okay, good, davon haben wir eigentlich alle was.

Jetzt, genau, als Beispiel, aber auch ich würde schon sagen, die Sachen, die relativ gut funktionieren, sind nicht immer die sexiesten, wie man so gerne sagt, aber ja.

Ja, ich meine, ich kenne es halt häufig, ich weiß nicht, ob das jetzt die Welt wirklich besser macht, aber es wird viel verwendet, eben in diesem ganzen Bereich Werbung irgendwie automatisiert in gewisser Weise.

Da kann man sich, glaube ich, schon, da kann man sich tatsächlich drüber streiten.

Was passiert eigentlich, wenn man sowas wie Spacey auf Python als Sprache lassen würde?

Also Text in Python, also eine Programmiersprache.

Also es gibt, also Spacey jetzt an sich ist schwer zu sagen, weil natürlich die Implementationen, die wir jetzt entwickelt haben, die sind natürlich so ein bisschen getunt auf tatsächlich die natürliche Sprache.

Aber es gibt sehr interessante Projekte zu Source Code Analyse mit Machine Learning.

Ich glaube, GitHub hat dazu auch was gemacht.

Das war sehr spannend und ja, es gibt auch ein paar Projekte, wo du halt siehst, oh, cool, auch dieser generative Ansatz, der funktioniert ja auch.

Du kannst ja auch sagen, basierend auf diesen Wörtern oder diesen Tokens im Programmieren Sinne, sage die nächsten voraus.

Und so kannst du tatsächlich, und dann kannst du natürlich als ja, nun du kannst natürlich sagen, was am Ende raus das Ding produzieren muss, muss natürlich gültiger Code sein, der auch läuft.

Und so haben auch Modelle entwickelt, die natürlich dann programmieren könnten, also auf quasi replizieren können, was sie irgendwie, was other Leute auf GitHub gepostet haben.

Oder eine Super Suggestion für Autocomputition oder sowas, das ist ja irgendwie dann auch relativ nah.

Also das ist zum Beispiel ein Bereich, wo ich sagen, okay, das macht natürlich Sinn, oder auch wenn jetzt rein theoretisch, stell dir vor, du könntest sowas auf, wenn du hast eine riesen Codebase und du könntest sowas trainieren für deine eigene Codebase, das wäre zum Beispiel nochmal cooler als jetzt, okay, auf der Basis von dem ganzen Internet oder du hast, du fängst an mit so einem relativ generischen Modell, das jetzt irgendwie auf GitHub alles Mögliche gesehen hat, dann passt du das so ein bisschen an mit deiner Codebase.

Und dann könntest du zum Beispiel dein Editor sagen, ja, hier hast du aber einen Namen benutzt, der irgendwie sieht komisch aus oder diese Variable, das sieht irgendwie, das passt nicht.

Und dann kannst du sagen, ah, ja, stimmt, stimmt, das war nicht so gut der Stil oder stimmt, so machen wir das ja eigentlich nicht in dieser Codebase.

Das ist zum Beispiel ganz spannend.

Aber das ist auch wieder so was, das is cool, but is just vielleicht nicht so hype wie Wow, AI screens just for us.

But man muss even when you modell trainers, they either the next word for her talk, they can super interessante.

But in effect, dein Modell is kept programmier.

Genauso wie when du jetzt irgendwie so ein Modell fragst zu medizinischen Themen oder so, auch wenn das das ganze Internet gelesen hat.

Das kann sich dann als Doktor ausgeben oder so als Arzt ausgeben, oder es kann genau diesen Text produzieren, aber es kann nicht unbedingt Krebs heilen, weil es eben nur das repliziert, was andere Leute existiert an Text über die Heilung von Krebs zum Beispiel.

Und deswegen, ich glaube auch so, die Idee, so weit brauchen wir bald keine Programmierer mehr.

Ich finde, das ist immer ein bisschen.

Ich finde auch, man kann sich Webentwicklung angucken.

Das ist ein ganz gutes Beispiel.

Da ist einfach ein paar Jahre voraus.

Die Tatsache, dass jeder, jedes Café jetzt eine Webseite einrichten kann, bedeutet nicht, dass wir keine Webentwickler mehr brauchen.

Im Gegenteil, das ist als Beruf gefragter denn je.

Es ist nur, ja, bestimmte Teile der Technologie sind halt zugänglicher.

Aber es gibt nach wie vor enough, die daran arbeiten.

And it bedeutet auch, dass okay, Firmen viel, viel mehr investieren.

Jede Firma has growth, die sich halt with Web-Apps, User Experience und so weiter beschäftigen.

Das ist ganz normal.

Und das geht auch nicht zurück, nur weil sich jeder jetzt irgendwie online einen Blog einrichten kann.

Was ich halt vielleicht dann doch verändern könnte, ist halt irgendwie die Art und Weise, wie man sowas macht.

Also dass man halt jetzt nicht vielleicht pure Syntax schreibt, sondern vielleicht irgendwie auch logische Gedanken irgendwie formulieren kann und die Syntax dafür dann übernommen wird vom Algorithmus.

Ich weiß nicht, ob das wirklich gehen kann.

Ja, also ich glaube auch generell für andere professionelle Anwendungen oder es gibt ja auch viele Leute, die professionell arbeiten, ob es jetzt Buchhalter sind, Anwälte, weiß ich nicht, Ärzte, die benutzen ja auch professionelle Software und die auch Tools und die wollen, die programmieren.

Auch jemand who in Excel arbeid, or irgendwelche Suchqueries eingibt in irgendeine Datenbank or so, that is also a art of programming.

And that's all tools, that man verbess can, or where many nutzer besser tools zur Hand geben kann, um einfach quasi besser arbeiten zu können.

Und das heißt nicht unbedingt, dass man ein magisches KI-Modell hat, das auf einmal den Anwalt ersetzt oder den Arzt ersetzt oder den Buchhalter ersetzt, sondern.

Bei der einen wird mehr, bei anderen weniger schade, ja.

Ja, wobei ich mich da auch manchmal frage, ob das nicht so ein Bias ist, den man hat, dass man denkt, dass da bestimmte Berufsgruppen, die halt ein traditionell hohes Ansehen haben, vielleicht gar nicht so unersetzt.

Also ich denke jetzt gerade an sowas wie Lehrer zum Beispiel, wo man sich sagt so, ja gut, also wenn das jetzt mit dem, also vorher fand man das ja vielleicht mit irgendwie Remote-Dinge unterrichten oder so, pui bä, und jetzt konnte man halt nicht anders.

Jetzt haben die Leute gesehen, ah, es geht ja doch, ist ja gar nicht so schlecht.

Warum ist das eigentlich besser, wenn das jemand, der aus dem gleichen Dorf kommt wie ich macht, sozusagen, und könnte es nicht auch sein, dass ich da jemandem zuhöre, der wirklich richtig Ahnung davon hat?

Der muss aber nicht unbedingt hier sein.

Also es könnte schon sein, dass.

Ich finde es schon spannend, was sich halt ja auch jetzt durch die Situation, die Corona-Situation da entwickelt.

Aber, und man muss auch, ich meine, was jetzt Jobs angeht, man muss es natürlich realistisch sehen.

Es gibt viele Jobs, die werden wegfallen oder die sind bereits weggefallen und werden durch Technologie generell wegfallen.

Und das betrifft entsprechende Menschen und das betrifft auch entsprechende Bevölkerungsgruppen und eben leider auch entsprechende Bevölkerungsgruppen, die schon eh weniger privilegiert sind als andere.

Das ist

die Praxis.

So ist es.

Meistens so, aber ich weiß, ich weiß gar nicht, ob es diesmal so unbedingt sein muss.

Oder mich würde es freuen, wenn es auch mal andere trifft.

Aber gut, keine Ahnung.

Vielleicht trifft es auch immer die gleichen.

Das ist halt immer ein viel tiefgehendes Problem.

Natürlich, grundsätzlich ist es ja nicht schlecht.

Wenn wir alle weniger arbeiten müssten, wäre das toll.

Aber das Problem ist, wie alles in unser Welt, in unserer Gesellschaft, eben nicht proportional auf uns all verteilen.

Genauso wie sich das Geld nicht proportional.

We verdienen all viel, viel, viel mehr Geld in Schnitt.

But the gold verteilen sich leider nicht proportional auf uns allgemein.

Sondern nur auf the winning.

That's what it is.

It is naive anzune, that the forte of water and automatic auf einmal gleich auf uns alle verteilt, that we all have.

Natürlich.

And this is what many was bewusst machen muss, when many technologien arbeitet, aber was man auch andererseits nicht mit Technologie magisch lösen kann.

Wie viele andere Probleme auch.

Also ein paar Sachen erstelle ich mir wirklich dann doch nicht.

So was wie der automatische Winkeladvokat oder sowas tatsächlich.

Das wäre doch was, was man gebrauchen könnte.

Man braucht dann halt nicht mehr diese menschliche Komponente, sondern man hat eine automatische Komponente, die relativ genau weiß, wie man so Sachen wie Gesetzestexte interpretieren kann, die ja, ich sag mal, relativ wenig Interpretationsspielraum lassen sollten, aufgrund der Formulierung eigentlich.

Ja, also

ich weiß nicht, es ist einfacher, juristische Texte zu verarbeiten, ich hasse.

Also ich meine, Jurist ist ein interessanter Bereich.

Da gibt es zum Beispiel auch eine Bibliothek, die auf Spacey aufbaut, die ein Entwickler, der eben auch Jurist ist, entwickelt hat.

Das ist auch was, was ich sehr toll finde, dass halt in unserem Bereich, da wir natürlich auch, wir wollen sichergehen, dass auch Spacey relativ, zumindest der Einstieg leicht ist.

Es ist unglaublich leistungsstark, aber du kannst auf jeden Fall relativ einfach anfangen.

Und das ermöglicht eben auch Leuten, die vielleicht aus dem anderen Bereich kommen, sagen, cool, ich habe mir ein bisschen Programmieren beigebracht, ich möchte jetzt anfangen, in dem Bereich zu arbeiten.

Und da gibt es ein paar Pakete, die halt Entwickler entwickelt haben.

Und eins davon nennt sich Blackstone, das beschäftigt sich eben mit juristischen Texten auf Englisch.

Erstmal.

Und da kann man auch ganz spannende Sachen machen.

Ich glaube, es ist nicht, ja ich glaube, es ist leider halt nicht so einfach, dass Juristensprache ist halt so kodiert, dass es eh das gleiche ist.

Aber es gibt, ich glaube tatsächlich, es gibt, weil es halt so eine Formel, weil es sehr formuläisch ist, sagt man das so?

Formal, formalisiert.

Formal, formal.

Irgendwie so, ich weiß nicht.

Das war jetzt so ein Anglizismus-Fail, also formulaic, wollte ich sagen.

Egal.

Also it's auf jeden Fall sehr spannend, aber natürlich, was man zum Beispiel auch im juristischen Bereich, du musst ja auch immer bedenken, am Ende sitzt da ein Richter oder so, in vielen Fällen, and trifft eine Entscheidung.

And that is also a entscheiding basier of einer menschlichen Interpretation.

And that should not be for the end.

Und klar, man kann so ein bisschen technically nutrient, um Fehler zu vermeiden.

There are viele Dinge, wo man sagen kann: okay, we have documents, you don't have to use a computer, when there is a problem, when it was and iron was verdächtiglich aussieht, kannst du da halt nochmal aufmerksamkeit.

Ich glaube, ein Algorithmus könnte an der Stelle zum Beispiel relativ genau vorhersagen, was so der Spielraum realistischerweise denn ist.

Ich meine, man kann jetzt irgendwie in einem juristischen Kommentar nachschlagen und gucken, wie könnte denn der jeweilige Sachverhalt interpretierbar sein?

Und ich glaube, sowas kann halt der Algorithmus auch recht gut.

Also ich meine, man könnte vielleicht diese Recherche, die vielleicht ein Jurist machen kann, aber man muss auch wieder vorsichtig sein, denn am Ende, worauf basiert dein Modell?

Dein Modell basiert vielleicht auf anderen Entscheidungen.

Dein Modell kann vielleicht replizieren, was in der Vergangenheit entschieden wurde, ist das denn immer gut?

Strafverkehrsrecht trainiert und jetzt mal.

Ja, ich meine, und das ist auch, oder es gibt ja so ein paar Sachen, über die man liest oder andere Bereiche, auch aus dem Rechts oder auch aus dem Behördlichen oder auch aus dem Bereich Strafverfolgung, zum Beispiel in den USA, die einem das sehr Sorgen bereiten können oder wo auch gewisse große Technologiefirmen hingegangen sind und versucht haben, ihre künstliche Intelligenz sehr aggressiv zu vertreiben und dann Leuten zu erzählen, die ist 99,9

Prozent korrekt oder so.

Was natürlich, schon allein, wenn du sowas hörst, da müssen die eigentlich die Alarmglocken angehen.

Aber Leute glauben das, weil ja, ist ja, ist halt künstliche Intelligenz.

Und dann soll diese künstliche Intelligenz entscheidet dann halt, ob jemand auf Bewährung entlassen wird oder nicht.

Auf der Basis von, keine Ahnung, unklar, sagen wird ja nicht gesagt, aber angeblich 99,9% korrekt oder so.

Und da sind natürlich alle Entscheidungen, die Menschen gemacht haben, inklusive jeglicher Voreingenommenheit, ob gut oder ob schlecht, drin wieder gespiegelt.

Aber andererseits gibt den Menschen das schöne Gefühl, das sind ja nicht wir.

Wir müssen ja jetzt nicht die Entscheidung treffen.

Das ist ja das System.

Und das ist sehr, sehr gefährlich.

Und eigentlich, was ich immer finde, Leute denken immer an diese Dystopie, wo die KI uns alle umringt oder schlauer ist als wir alle und die Technologie funktioniert und die uns dann alle unterdrückt oder sowas.

Aber was viel, viel gefährlicher ist, ist eine Zukunft, die auch viel früher passieren wird, wo es so lala funktioniert, wie momentan schon.

Manches funktioniert ganz gut, manches halt nicht.

Aber wo es gefährlich ist, ist, wenn die Allgemeinheit glaubt, dass es funktioniert.

Das ist viel, viel gefährlicher als so eine dystopische KI-Zukunft, wo die Maschinen alles super machen und auf einmal super intelligent sind.

Wenn sie das gewählt wird, vielleicht machen sie es dann ja auch gut, wer weiß.

Aber auch wenn wirklich die Idee, zumindest diese Prämisse funktioniert.

Was gefährlich ist, wenn du hast, du hast da ein System, was irgendjemand so zusammengehackt hat mit allem möglichen Zeugs, was so was gar nicht wirklich funktioniert.

Golden Age für gute Entwickler, die können ja einfach da so tun, als haben die ein gewünschtes Ergebnis und alle Leute glauben, was sie da erzählen.

Ja, genau,

genau, aber das ist ein unglaublich im Beispiel und auch hier historisch vielleicht ganz relevant, auch so für uns.

Dann kommt jemand kommt an und holt deinen Nachbarn ab, weil das KI-System, das 99,9 Prozent korrekt liegt, gesagt hat, dass der ein Terrorist ist.

Dann sagst du dir, ja, also du hoffentlich jetzt nicht, aber so dann sagen sich viele Leute, ja gut, wenn das halt so ist, ist halt die Technologie, ne, wenn die da, wenn das ja 99,9 Prozent, das muss schon richtig sein.

Und das ist, das ist sehr düster.

Und das ist genauso düster, wenn das halt, was weiß ich, überhaupt nicht funktioniert und so ein komisches Modell ist, was man jemand trainiert hat.

Ja, aber solche Modelle gibt es ja schon.

Wenn es halt gut genug funktioniert, wenn es halt gut genug funktioniert, dass man es einsetzt, aber einem dann halt egal, ist, dass es halt sehr ungerecht ist und man sich dann auch nicht mehr dafür verantworten muss, weil es hat ja der Computer entschieden, dass es schon, das ist halt so ein bisschen wie eben, man geht zur Bank und die dann gesagt, so, nee, kein Kredit für dich heute.

Ja, und irgendwie und Motveranstaltung, ne?

Wo du halt irgendwie so

sagt, nein.

Wo du halt von oben so Drohnen hast, die gucken, was du halt machst.

Und wenn du dich halt auf eine Parkband setzt und halt dem Strom nicht folgst oder sowas, dann gehst du halt direkt in den Fokus, desjenigen, der da guckt, was denn da los ist.

Weil könnte ja sein, dass da irgendwas nicht in Ordnung ist.

Ja, ich weiß gar nicht, wer das, von wem dieses Bild war, aber im Grunde, wenn man Leuten vermitteln möchte, was denn jetzt diese, wie das denn funktioniert, dann fand ich das sehr hilfreich, sich das so vorzustellen, dass man sagt, naja, so künstliche Intelligenz, wir haben es im Grunde mit denen heute auch schon täglich zu tun, so mit denen wir es dann in Zukunft zu tun kriegen.

Und zwar Unternehmen oder Organisationen, Behörden, die sind im Grunde schon sowas.

Die sind nur halt sehr viel langsamer, aber im Grunde sind die so.

Und man muss sich das nur vorstellen, die Dinger werden jetzt halt richtig schnell.

So, dann hat man so eine Vorstellung, was da passieren wird.

Das stimmt eigentlich eine ganz gute Analogie auch, weil okay, momentan auch so eine Behörde, okay, da hast du entsprechende Regeln, entsprechende Abläufe und das wird halt reproduziert von Menschen, die halt da sitzen am Schreibtisch.

Und ja, und am Ende kannst du, ein Computer kann das genauso machen, natürlich, aber ohne

Rechtsweg, Rechtsweg ausgeschlossen.

Computer ist nicht.

Ja, und es ist nicht, natürlich gibt es auch Dinge, die auch natürlich einen großen Vorteil sein werden oder auch, oder wo eben vor allem die interessanter Sachen sind, wo eine Machine einen Menschen unterstützen kann.

Oder wo zum Beispiel eine Maschine auch nochmal auf ein Röntgenbild drauf gucken kann anders hervorheben kann, damit sich das nochmal an Arzt anguckt or so.

Damit halt nichts übersehen wird.

And that is, but so muss man, so muss man, meiner Meinung nach auch an die Dinge rangehen.

When man sieht, oh, a neues System can Tumore erkennen before, uh, can genauso gut Tumore erkennen wie ein Mensch oder so.

That heißt ja erstmal, erstmal heißt das ja nicht, dass das System überhaupt besser ist als ein Mensch.

Das heißt, dass normal das Datenset, mit dem das trainiert wurde, and then hast du die Vergleichsdaten, an denen das ausgewertet wird, and meistens, wenn du Menschen nochmal sowas auswerten lässt, die Menschen sind ja auch nicht hundertprozentig genau.

Die Menschen kriegen dann manchmal so 90% hin oder so.

Und wenn du ein System hast, das auch 90% hin kriegt, dann sagst du auch genauso gut wie Menschen.

Und auf dem ganz bestimmten Aufbefehl.

But it is ja nicht in so einem Bereich, when das System einsetzt und das jetzt ausschließlich deine Röntgenbilder auswertet, das ist vielleicht nicht so geil.

But when the system vielleicht irgendwas sieht, was ein Mensch übersehen hat, warum nicht?

Kann auf jeden Fall sinnvoll sein.

Und im Bereich so gruselige Anwendungen oder so negative Dinge, ich finde, worüber nicht genug geredet wird, ist so Spam und Malware.

Weil das ist tatsächlich schon sehr realistisch und das ist viel destruktiver als jetzt diese Idee, uh, werden uns die Maschinen versklaven.

Oder wahrscheinlich eher andere Menschen, die Maschinen benutzen, um uns zu versklaven.

Wahrscheinlich.

Die haben halt eine Intention, die Maschinen gar nicht so.

Ja, ja, eben.

Ich glaube, das ist das viel nähere und realistischere Problem, den wir uns stellen müssen.

Oder wofür sich auch, glaube ich, jeder Entwickler fragen muss, okay, was mache ich hier?

Wozu trage ich hier bei?

Ist das gut oder schlecht?

Und ich glaube, das kann man nicht unbedingt voneinander trennen.

Ich glaube, man kann da nicht sitzen in seinem Vakuum und sagen, oh, ist mir egal, ich schreibe nur Code.

Ja, man kann ja auch relativ wenig gegen machen.

Also selbst wenn man jetzt irgendwie vernünftige Lizenzbedingungen nimmt, ob man da irgendwie dann sich aus dem Steiner ist, das ist schwierig.

Ja, das ist auch was, wo wir uns Gedanken machen müssen, okay, wenn wir jetzt zum Beispiel mehr Funktionalitäten für bestimmte Sprachen zur Verfügung stellen, wer benutzt das?

Wer und okay, wir machen das öffentlich verfügbar, Open Source.

Wie viele Menschen gibt es, die diese Sprache sprechen?

Welche Regierungen gibt es?

Gibt es da Problematiken, wo die Regierung vielleicht die eine Regierung, die eben zum Beispiel gegen entsprechende Bevölkerungsgruppen arbeitet and the Möglichkeit had, diese Technologie am effizientesten zu verwenden?

Oder is es sinnvoll for the allgemeinheit auch the einzelne Individuen anders or what the Möglichkeit to give the technology to nutzen, where open source nature a good Möglichkeit is.

Und auch vor allem, okay, es ist so eine Bibliothek wie Spacey is sehr verbreitet, it is sehr beliebt, viele Leute benutzen das.

Zwei Millionen Downloads pro Monat gehen irgendwo raus an irgendwelche Systeme und an irgendwelche Server and Dinge, die Leute damit machen.

And in irgendwelche thousende Firmen, die damit auch Dinge machen.

Und wer weiß wohin noch?

Ja, es ist schwierig.

Ich weiß auch nicht, inwiefern.

Natürlich, also ich bin nach wie vor Verfechter von Open Source und ich glaube Open Source als auch einerseits natürlich als Softwaremodell, aber eben auch als und natürlich, andererseits muss man auch sagen, als Geschäftsmodell.

Das ist ja eine Open Source ist ja auch weiter und weiter verbreitet als Softwarevertrieb quasi.

Das ist ja auch eine Realität der Open Source.

Ja.

Software.

Irgendwie tatsächlich hat sich das so durchgesetzt irgendwie.

Ich erinnere mich noch an, das war an die Halloween-Papers 1997 von Microsoft, wo sie geschrieben haben, oh nein, das wird uns alle irgendwann umbringen, langfristig.

Und es ist tatsächlich passiert, sehr gut.

Aber auf der anderen Seite wird Microsoft heute auch wieder was anderes an.

Und Microsoft ist einer der Vorreiter im Bereich

Open Source.

Ja, hätte ich mir damals nicht träumen lassen, aber es ist tatsächlich so passiert, ja.

Erstaunlich.

Ja, aber was interessant ist, finde ich, auch da, im Bereich Open Source, ist, ich glaube, es wird oft missverstanden, Leute denken, ah, Open Source ist verbreitet, weil es gratis ist.

Natürlich, die Tatsache, dass es halt meist frei verfügbar ist, ist auf jeden Fall ein Aspekt davon.

Aber in commercial Bereich or what firms.

The tatsa that it's gratis is not unbeding the knackpunkt.

The knackpunkt is that it's often, that is and that many programming can.

The code is there.

And when you these entwickler-tools have that open source, als Open Source-Bibliotheken zur Verfügung gestellt wird, and the Tatsache, dass du dich nicht auf eine Lösung festlegst oder auf einen Anbieter festlegen musst.

And einschließen lässt und diese Autonomie bewahrst.

Ich glaube, das ist in der Praxis tatsächlich, was für Firmen deutlich entscheidender ist, als die Tatsache, dass es null Euro kostet.

Denn es kostet ja in der Praxis nicht null Euro, mit einer Open Source-Bibliothek was zu entwickeln.

Und da wird auch unglaublich viel Geld rein investiert in vor allem KE, Machine Learning, die entsprechende Entwicklung.

Das sind top-bezahlte Entwickler.

Weswegen auch zum Beispiel Entwickler-Tools und Developer Experience und Tools, die halt sowas fördern und einfach die Entwickler produktiver machen, einen großen Einfluss haben können.

Weil cool, wenn dein top-bezahlter Machine Learning-Entwickler ein bisschen weniger rumsitzen muss und ja, stupide Arbeit machen muss und einfach besser arbeiten kann, ist das natürlich besser für alle.

Lohnt sich auf jeden Fall, aber ich hab, ich weiß nicht genau.

Also ich habe doch häufig das Gefühl, dass es da so ein gewisses Marktversagen gibt, irgendwie, weil wenn man sich zum Beispiel eben sowas anguckt wie Pandas oder Django oder Spacey, weiß ich jetzt gar nicht genau.

Aber so halt Software, die halt als Infrastruktur unter ganz, ganz vielen Produkten und bei ganz, ganz vielen Firmen sozusagen da drunter liegt, dann müsste man ja jetzt meinen, so rein aus so, äh gut, ich habe jetzt nicht so wirklich Ahnung von Ökonomie, aber so, also dann wäre es doch für große Firmen allein schon aus so einem Versicherungsaspekt sinnvoll, die Projekte zu unterstützen, damit ihnen nicht plötzlich die Infrastruktur unter den Füßen wegbricht.

Tatsächlich ist es aber so, dass kaum Firmen das machen.

Das liegt daran, dass die Informationsasymmetrie nicht zu irgendwelchen kompetenteren oder, ich sag mal, Entscheidungsträgern durchdringt, die Budget-Verantwortung haben.

Die wollen halt irgendwie Sachen, Projekte bekommen und die Projektmanager, die halt dann die Projekte bestellen oder bezahlen, die haben vielleicht schon mal von ihren Entwicklern irgendwie so ein bisschen was von Open Source gehört, das irgendwie sinnvoll wäre.

Aber dann eine Ebene weiter oben sagen dann ganz viele einfach so, ja, nee, aber das bringt uns das irgendwas, das sehen die nicht so, ne?

Das ist schwer.

Aber so das ist einmal die Idee eigentlich so.

Also ich meine, es gibt ja verschiedene Versuche, das irgendwie zu lösen.

Es ist immer ein bisschen problematisch, also es ist halt nicht einfach.

Und ich glaube auch, einerseits, man sieht schon, es ändert sich was auch in großen Firmen, denn die ganzen, dieses Klischee vom alten Manager, der irgendwie kaum Computererfahrung hat, das stirbt ja langsam aus.

Du hast jetzt Leute im Management, die sind in ihren 40ern, die programmieren seit ihrer Jugend.

Das ist jetzt nicht mehr.

Und eben auch diese Idee von so dummem Management, das irgendwie keine Ahnung hat.

Gibt es immer noch, natürlich, aber in vielen Bereichen hast du halt Leute, die kennen sich aus mit Technik.

Und denen kannst du auch nicht mehr irgendwelchen Schwachsinn andrehen unbedingt.

Und die haben da auch Meinungen zu, zum gewissen Grad.

Aber ich glaube, mit uns Open Source ein Problem ist, natürlich, es gibt ja keine wirkliche.

Das ist ja alles nicht wirklich standardisiert.

Es gibt verschiedene Projekte, die aus den verschiedenen Motivationen heraus entstehen.

Und manche haben natürlich sind natürlich jetzt mittlerweile gefördert von einer Stiftung.

Das ist ja die Tatsache für viele dieser Scientific Computing-Geschichten auch im Python-Ökosystem.

Und dann gibt es aber andere Projekte.

Okay, das ist halt, irgendjemand hat das mal entwickelt, der hatte da Spaß dran.

Das wurde populär.

Und ja, jetzt sitzt da jemand mit einem erfolgreichen Projekt anders unbedingt direkt zu etwas kommerziell daraus.

Und das kann man ja auch niemand, dem Entwickler nicht unbedingt anlasten.

Okay, good.

This is halt normal so and okay, the firm, what willst du that machine?

It's not drauf an auf die motivation that to an open source project.

There are other projects where firms, okay, cool, I entwick this and I have a motivation that when that's popular, can I this for my career nutrients?

Um, hey, da kriege ich einen besseren Job.

Funktioniert ja auch oft.

Oder in unserem Bereich, we have, die Idee war immer, dass wir eine Firma gründen and we wollen etwas machen in diesem Bereich and in diesem Bereich arbeiten.

Und die Tatsache, okay, Spacey is Open Source und das ist auch strategisch so und das ist uns sehr wichtig.

Aber das ist eben natürlich auch Teil unserer generellen Strategie und wir sagen, okay, wir bauen, wir machen jetzt nicht so ein Open Core-Ding, wo du halt für bestimmte Features zahlen musst, sondern wir sagen, hey, hier ist unsere Open Source Bibliothek, die ist gut, du kannst sie testen, du kannst damit Dinge bauen.

Wir geben sie dir gratis, weil wir auch glauben, okay, das, wo der meiste Wert drinsteckt, sind die Daten.

Das ist nicht unbedingt deine speziellen Daten, die man auch gar nicht unbedingt so verkaufen kann.

Den Algorithmus und die Bibliothek geben wir dir gratis.

Und wenn du unsere Sachen gut findest und damit Dinge baust, haben wir andere Produkte, die dir auch gefallen würden, wenn du ein Spacey Power User bist zum Beispiel.

Wenn jetzt deine Firma ein System auf Spacey aufbaut, dann willst du meistens auch deine Systeme trainieren und dann willst du Daten sammeln.

Und dann hast du vielleicht auch Interesse an Prodigy und anderen Dingen, die wir drauf aufbauen.

Kann Spacey Emotionen erkennen?

Ja, klar.

Das ist eine, das ist also so als allgemeine Frage.

Ist jetzt erstmal meine Antwort.

Nein.

Aber das ist halt sehr aufgeladene Emotionen ist halt auch immer sehr abstrakt.

Und es ist auch was, was sich überhaupt nicht sehr gut generalisieren lässt.

Du kannst natürlich sagen, oh, wenn du, du kannst bestimmt ein System trainieren auf the basis of entsprechend Wörtern, ausdrücken, wie things presented, vorher to say in which emotional rich thing a text is.

They say, Oh, here's sentiment analysis for all this.

And self positive or negative is, or what emotion hinter when you're messing könntest, is unglaublich subjektiv and unglaublich them spezifisch.

Also, ein Beispiel, was ich zum Beispiel, glaube ich, in my talks manchmal verwende, is du hast zwei Sätze.

Ich liebe Katzen und ich hasse Katzen.

Sind diese zwei Sätze ähnlich oder nicht ähnlich?

Und teilweise frage ich, okay, kannst du gut Publikum fragen und meistens hast du so vielleicht so 50-50.

Und für beides kannst du beides kannst du begründen.

Wenn du, wenn ich jetzt irgendwie generell Text analysiere, relativ zu allem, was ich in der Sprache, in der deutschen Sprache sagen könnte, ist es unglaublich ähnlich.

Zwei Sätze, die kurz sind und meine Haltung gegenüber Katzen ausdrücken.

Das ist unglaublich ähnlich.

Unglaublich speziell.

Im Vergleich zu allem anderen, was ich hätte sagen können.

Aber wenn du jetzt, was weiß ich, eine Dating-App entwickelst und du möchtest irgendwie gucken, ob zwei Leute aufgrund ihrer Profile zueinander passen, möchtest du das unglaublich als sehr unähnlich ansehen.

Weil zwei, ein Katzenhasser und ein Katzenliebhaber passen wahrscheinlich nicht zusammen.

Das ist komplett polare Unterschiede.

Und so ist es auch mit eigentlich sehr, sehr vielen anderen Dingen, die man vorhersagen kann with Machine Learning.

And eben auch sentiment and emotion.

And yeah.

Ich finde es vermittelt auch so ein bisschen das falsche Bild, eben to say, oh, we can das jetzt mit einem vortrainierten Modell lösen.

Du kannst das lösen, wenn du es eben wirklich speziell zuschneidest auf das, was du machst.

Okay, also ob der Nachinformationswert positiv oder negativ ist, kriege ich dann für das jeweilige Unterfach.

Hängt davon ab, wenn ich jetzt zum Beispiel eben, auf was ich spekuliere, wenn ich jetzt zum Beispiel Gewinn daraus ziehen möchte, wie sich der Kurs in Zukunft von irgendeinem Unternehmen entwickelt, dann spielt es halt eine Rolle, ob ich jetzt irgendwie long sozusagen ein Video oder ob ich das Ding short zählen möchte.

Und es kann halt für mich irgendwie unter Umständen eine sehr gute Nachricht sein, wenn Privatanleger in GameStop-Aktien jetzt plötzlich reingehen oder sehr schlecht.

Das Beispiel ist eigentlich auch ganz gut, weil das illustriert auch so ein bisschen, was man mit Machine Learning gut lösen kann und was eben zum Beispiel nicht.

Also wir hatten, glaube ich, mal ein Beispiel, wo jemand versucht hat auch, ich glaube es ging so um so supply chain risk and management, das ist auch sowas klingt total, klingt ein bisschen öde, aber ist tatsächlich was, was viel wert ist.

When you eben sagst, okay, du hast jetzt hier einen Händler in China, von dem beziehst du Waren, mit denen du dann irgendwas machst und dann hast du hier jemanden in Russland und du möchtest da, und die importieren aber von da und da und du möchtest dann wissen, wenn jetzt da und da ein Streik ist oder hier irgendwie ein Schiff untergeht oder so, wird das in deiner Zukunft in der Zukunft zum Beispiel dein Unternehmen beeinflussen oder so.

Und das kannst du zum Beispiel ein Teil davon ist, du möchtest dann Nachrichten analysieren und gucken, was ist los in, es kann ja sein, in irgendeinem kleinen Ort in was weiß ich, wo jetzt zufällig gerade irgendwas hergestellt wird.

Yeah, wenn die Nachrichten Kategorie, Emotionen katastrophal werden würde, möchtest du das für den lokalen Ort dann wissen?

Yeah, oder irgendwie da und da passiert was, das möchtest du wissen und dann irgendwie zusammenhören.

Und genau, also es gab irgendwo ein ähnlicher Fall, war das.

Und es ging einem auch darum, die Firma wollte rausfinden, okay, was ist jetzt gut für ihr Unternehmen?

Und das ist natürlich unglaublich abstrakt.

Und der erste Schritt war, okay, die haben dann Trainingsdaten erstellt, wo sie alles, was gut für ihr Unternehmen ist, hervorgehoben haben.

Inclusive things, die komplett abstract waren, also jetzt irgendwie, or things that schlecht sind for the eighteen schon.

When your concurrent irgendwas on the market bring or so, is that schlecht for dich.

And that model will not unbedingt in the language sein, so to generalism and to wish, the and the firm is dein Konkurrent.

And the Tatsache, dass die a product veröffentlichen, ist schlecht.

But the Tatsache, dass vielleicht dein Lieferant was veröffentlicht, ist gut.

So funktioniert es einfach nicht.

Und so das wird auch ein bisschen klarer, wenn du dir halt überlegst, okay, wie funktioniert das Modell und auf welcher Basis trifft das diese Vorhersagen?

Was guckt sich das an?

Worauf basiert das?

Wie wird quasi die Information da engodiert?

Und das sind halt, und da geht es dann wieder zurück in so, okay, wie breche ich das runter?

Oder okay, du kannst sagen, ich möchte ein Modell trainieren, das, weiß ich nicht, Kleidung für Kleidung für Erwachsene, Kleidung für Kinder, Kleidung für alte Leute oder so erkennen kann und entsprechend ordnet.

Funktioniert wahrscheinlich nicht so gut, wie du sagst, oh, ich möchte nur generell Kleidung erkennen und hab dann andere Prozesse, die das so ein bisschen weiter runterbrechen.

Denn der Kontext gibt da oft nicht so viel her.

Und viel benötigt unglaublich viel Wissen und ist noch nicht mal so eindeutig.

Katastrophale Beispiele waren immer sowas aus einer Aus einer Sicht von einem Redakteur sozusagen oder wie man das verkaufen möchte, macht das durchaus Sinn, dass man Handys mit und ohne Vertrag in zwei unterschiedliche Kategorien packt.

Aus Sicht von Machine Learning oder ist das scheiße, weil das funktioniert einfach nicht richtig.

Genau, genau, sowas.

Okay, gut, das kannst du dann vielleicht später machen oder du hast eine Datenbank, wo du diese Information abrufst.

Aber selbst wenn es neue Modelle, Architecturen und eben auch vielleicht vortrainierte Gewichtungen gibt, die das eben vereinfachen, is immer noch die Frage, okay, willst du das tatsächlich so los?

Du kannst that problem unglaublich complex formulation, quasi in the machine learning, then there's a really nice model draft, that then have crass-rechner and good result.

When it's actually this structure or a bit logical to break it.

And if you just so much as 1-2% in genuine, can tatsächlich a really grossen machen.

Generell.

Also, this is a growth.

But man macht es sich viel schwerer, wenn du halt ein Problem nicht definierst.

Oder so when du es halt dem Modell schwerer machst, als du es müsstest.

Ja, ja.

Aber im Grunde so ein bisschen eben dieses Modell bei Spacey klang für mich auch so nach dem, nach das ist ja auch ein Modell, das viele Open Source Projekte oder viele Leute, die dann mal ein Open Source-Projekt, das dann erfolgreich geworden ist, gestartet haben, womit es ja dann gleich verdient, halt sozusagen so ein bisschen Consulting.

Also es ist bei Spacey ein bisschen anders mit dem Annotationstool, aber es ist halt auch im Grunde so Dienstleistungen um das Open Source Projekt herum quasi.

Ja, also generell, was eine Sache, also wir haben anfangs mal ein bisschen Consulting gemacht, vielleicht, also dann haben wir uns hauptsächlich auf Produkte spezialisiert.

Vielleicht machen wir in Zukunft mal ein bisschen mehr, weil es eigentlich immer ganz cool ist, auch so ein bisschen die Connection zu haben zu den Nutzern.

Aber ja, eine Sache, die uns immer ganz wichtig war, war Support, finde ich, immer bei vielen Dingen ein bisschen kritisch.

Also es gibt Dinge, so Infrastruktur oder so.

Ja, gut, da brauchst du, da macht es Sinn, jemanden zu haben, dem du bezahlst, der dir das dann alles einrichtet.

Aber bei anderen Tools, vor allem Entwickler-Tools, wir möchten ja, dass es Tool auch wirklich benutzt wird.

Es ist gut für uns, wenn natürlich Leute unsere Open Source Tools benutzen.

Aber wenn jetzt unser Hauptgeschäftszweig Support ist, bedeutet das natürlich, dass wir mehr verdienen, wenn Leute mehr Support brauchen.

Aber natürlich, wenn Leute mehr Support brauchen, dann verdienen wir aber auch andererseits weniger, weil es dann natürlich viel weniger Leute das Ding nutzen.

Und ich finde es immer ein ganz komischer Kreislauf, der meiner Meinung nach nicht so gut funktioniert für viele Entwickler-Tools.

Aber natürlich, Dinge drumherum, ist gut.

Und Open Source ist ja auch eine gute Art und Weise, zu zeigen, hey, wir können gute Software bauen.

So, also wenn man das und wenn man es strategisch so angeht, kann es gut sein.

Also ich bin jetzt nicht der Verfechter, der sagt, oh, jeder sollte jetzt hier seine ganze Freizeit mit Open Source-Projekten verdienen und quasi gratis für Firmen arbeiten.

Aber es ist durchaus so, dass man es auch strategisch angehen kann und das auch ein Pfad sein kann, ja, erfolgreich zu sein und auch was zu machen, was vielleicht einem Spaß macht.

Ja, nee, so im Prinzip ist das ja super, genau.

Also das ist ja eigentlich so, würde ich ja schon mal ein bisschen so den Traumleben irgendwie beschreiben wollen, weil das ist ja, ich meine, das stellt man sich halt so vor.

Man kann halt das tun, was man möchte und verdient damit halt genug Geld, dass das halt möglich macht.

Und wenn das funktioniert, ist es natürlich großartig, ja.

Ja, ich meine, also ich dachte, man muss halt schon, ich glaube, es macht Sinn, es auch so anzugehen, dass man halt auch, man sollte schon ein Ziel haben, wenn man ein Projekt startet.

Und ich glaube, es ist auch nicht falsch zu sagen, okay, ich gehe das an, entweder ja, ich hab ein Open-Source-Projekt, ich möchte, ich sage Leuten, hey, benutzt das.

Das ist ja auch eine Sache.

Okay, sagst du Leuten, mein Projekt ist geil, benutzt das, ihr solltet da alles drauf aufbauen, oder sagst du, oh, das ist nur so ein Lobby-Projekt, ich habe meinen Code einfach veröffentlicht und wenn jemand anders das nützlich findet, benutzt es gerne.

Oder dieses ein bisschen oldschooligere Modell, wir bauen was zusammen.

Das sind so für mich so die drei Arten von Open Source.

Einmal, okay, ich habe was gebaut, wenn jemand, ich gebe es dir umsonst, wenn du Lust hast, vielleicht findest du es ja nützlich.

Oder wir bauen als Community, entwickeln wir was gemeinsam, oder wir haben ein Produkt entwickelt und wir geben es euch umsonst.

Und ich glaube, davon hängt es halt auch ab, wie ja, die Erwartungen, die man als Nutzer haben sollte an das Projekt.

Und ich glaube, das wird halt auch oft nicht offen kommuniziert.

Und da, das ist, wo viele der Missverständnisse passieren, wenn man eben, ja, ein so ein persönliches Projekt betrachtet wie ein kommerzielles Projekt oder ein kommerzielles Projekt betrachtet wie so ein Community.

Oder wenn

die Nutzer oder die Maintainer gar nicht sicher sind, was sie überhaupt sind.

Ja, ja, ja.

Das hört man dann immer von, das ist halt genau dann wahrscheinlich dieser Missmatch, dass dann die Nutzer denken, es ist ein Produkt, wo sie dann Support einfordern können und die Mitarbeiter denken, warum ich andere Leute haben Freizeit, warum habe ich eigentlich keine, warum sitze ich immer und muss irgendwie kostenlos Dienstleistungen für Leute machen, die mich werfen.

Das ist ja nicht unbedingt immer der Respekt da, to sagen, oh yeah, that's just jemand in such a freizeit.

Sondern yeah, I don't have support.

And in manchen Sachen, okay, when man halt the maintainer to be good, also GitHub has GitHub Sponsors and there are other workers, but it can also in many situations problematic sein.

For all it is not these betrayal.

When you have a kind of enter body, you saw, hey, you have a hobby project, that has of a bit of popularity gone, there are a few firms and they just five a month, that wirst du not unbedingt and that zahlinst.

But of all these firms just not iron nerving user of deems tracker, that are just deine quasi.

Or they fühlen sich zumindest so if jemand stellen kann an dich, weil they 5 euro zahlt eine andere Frage.

Aber die fühlen sich, als wären sie deine Kunden und sagen, oh here, nee, wenn du jetzt diesen Bug nicht fixst bis morgen, dann ziehe ich aber hier meinen Sponsorship zurück.

Also das kann auch, das ist jetzt nicht so das Allheilmittel, das kann auch, glaube ich, durchaus Dinge noch komplizierter machen.

Und ja, also ich habe jetzt keine Lösung dafür, aber

es gibt wahrscheinlich keine einfache Lösung dafür.

Ja.

Also ich meine eine Sache, was ich sage, ich bin der Meinung, dass Open Source quasi das zum Beispiel staatlich gefördert werden sollte.

Also zumindest, oder wenn wir in so einem System sind wie in Deutschland, finde ich, dass die Bundesregierung finanzielle Mittel dazu zur Verfügung stellen, die eben tatsächlich in die Open Source Entwicklung fließen sollen.

Oder wir sollten das, wir sollten quasi Open Source als Common Good.

Mit der GIScanne oder kuratiert.

Das ist halt eine Frage, die das Problem ist halt auch, okay, momentan, wenn du dir so anguckst, okay, was wird so entwickelt, wer bekommt Zuschläge für die Entwicklung von was und wie funktioniert das dann am Ende und wie sieht das denn aus?

Also ich finde, ich glaube schon eine Lösung, wo da jemand sitzt, der weiß nicht, der Open Source Minister sitzt und sich die Open Source Projekte aussucht, finde ich auch problematisch.

Ich glaube nicht, dass das etwas ist, was wir möchten.

Ich kann mir auch momentan keinen Open Source Minister vorstellen.

Oder es gibt nur sehr wenige politisch aktive Menschen momentan, die ich mir vorstellen könnte als Open Source Minister.

An die Steuer nicht mehr so gut, Open Source jetzt schade, der wäre doch gut geeignet gewesen.

Ja, aber ich stelle dir jetzt vor, du hast dann so ein Äquivalent von Horst Seehofer sitzen als Open Source Minister.

Ich glaube, das wollen wir alle nicht.

Aber wie gesagt, ich habe jetzt noch kein politisches Programm ausgearbeitet, das ich sich hier präsentieren möchte, aber ich glaube, das ist auf jeden Fall eine Richtung, die ich

weiß nicht, ich hätte mal überlegt, das wäre doch ziemlich einfach, das zumindest mal in die Anforderungen von irgendwelchen öffentlichen größeren Projekten reinzuschreiben, dass halt selbstverständlich, wenn das halt mit öffentlichen Mitteln finanziert wird, auch dann als Infrastruktur wieder zurück an die Öffentlichkeit geht.

Aber ja, keine Ahnung.

Ja, das würde ich auch unterstützen, vor allem, ja, aber ich kann mir auch gut vorstellen, warum die das nicht möchten.

Aber.

Ja, ja, klar, also dass die Auftragnehmer das nicht möchten, das kann ich mir auch gut vorstellen, aber es ist halt, ja.

Ich meine, ich könnte mir auch vorstellen jetzt vor, manche dieser öffentlich finanzierten Projekte, auch die man dann so nur als Nutzer mal zu sehen kriegt, wenn man mit denen interagiert.

Und stell die mal, ja, oder sowas jetzt zum Beispiel, auch selbst so eine was nicht, eine App oder irgendein Portal, irgendwas wird entwickelt, da wird ordentlich viel Geld reingehen und okay, es gibt auf jeden Fall ein Argument, zu sagen, das sollte Open Source sein, damit wir das auch sehen können.

Zumindest jetzt nicht die ganze kritische Infrastruktur oder so, aber grob okay, wie funktioniert das?

Was ist dahinter?

Oder vielleicht ein paar Details, okay, wenn die jetzt irgendwelche Modelle trainieren, dann wäre es schon gut, ein bisschen mehr Informationen dazu zu haben, was da jetzt reinfließt.

So wäre das gebaut.

Sind da überhaupt diese ganzen Fragen, die man eigentlich mal berücksichtigen sollte, sind die denn berücksichtigt worden?

Hat da sich jemand drüber nachgedacht?

Ja, wahrscheinlich nicht.

Und das wäre schon gut, aber ja, aber ich glaube, das würde auch, ja, es gibt da auch so ein ganzes neues Genre an Technikjournalisten, die sich wahrscheinlich den ganzen Tag damit beschäftigen könnten, die Open Source Projekte, die staatlich geförderten Open Source Projekte auseinanderzunehmen und zu analysieren.

Was ja auch nicht schlecht wäre.

But yeah, but ich mein es gibt halt when man sich so machine learning anguckt, es gibt ja nicht wirklich standards that manbringen könnte.

And it is jaw.

And it's very many things that are get tested wurden.

Oder what a corpus on trainingsdaten, when there is a licence has, what does that for modelle that you trainierst?

There are modelle where you at the original Daten rekonstruieren kannst.

That is, would you als Laie saga, ein relativ klarer Fall, okay, that's not really not, when the data not vergbar are.

Dann gibt es aber andere Dinge, wo du, okay, nur wie abstrakt sollten diese Gewichtungen sein, die du trainierst, um halt das Argument machen zu können, das repliziert jetzt nicht unbedingt die Originaldaten.

Kann man das überhaupt sagen?

Aber die Daten setzt Bilder, wenn jetzt Instagram oder Facebook sagt, oh, wir trainieren jetzt unsere Modelle anhand von Profilbildern unserer Nutzer.

Geht das, geht das nicht?

Können die das dann verwenden?

Kannst du einfach das Internet scrapen und dann da ein Modell veröffentlichen, das dann alle möglichen Firmen benutzen.

Und wenn irgendwas ist, wäre es schuld, du, die Firmen, das sind alles Fragen, die haben.

Ja, das ist sehr unklar.

Da kann man sich drüber auslassen.

Ich bin, wie gesagt, ich bin bleiben, habe da nur Meinungen oder Ideen zu, aber auch da kommt es ja gar nicht drauf an.

Es ist am Ende, es gibt ja keine, es gibt kaum Entscheidungen dazu, es gibt kaum Fakten dazu.

Es ist halt, du musst halt gucke.

Naja, das wird noch eine ganze Zeit lang dauern, bis das einigermaßen.

Bis das überhaupt jemand da irgendwo verstanden hat.

Ja, das ist

erstmal ein Bock, wahrscheinlich der Weg.

Selbst so diese, diese Trolley-Probleme von wegen hier, okay, wer ist schuld, wenn das selbstfahrende Auto einen Menschen überfährt?

Das gab's ja gab's ja schon.

So, wer ist da schuld?

Die Firma, die das Auto hergestellt hat, die Person, der das Auto gehört, der Entwickler, der dieses Modell trainiert hat, der Person, die auf Mechanical Turk für 3 Dollar die Stunde das

halt falsch gelabelt hat irgendwie.

Tja.

Ja, ja, unklar.

Das sind auf jeden Fall interessante Fragen.

Ja, ich denke, der Weg zu sinnvollen und so Common Sense irgendwie Umgang damit im Alltag wird gepflastert sein mit einem Haufen Fehlentscheidungen, absurden Situationen und komischem, ja.

Wie bei allem, ja.

Ja.

Das ist auf jeden Fall ein entspannender Ausblick in die Zukunft.

Ja, es ist alles nicht ganz schlecht.

Es ist alles nicht superschön.

Ja, ich finde solche Sachen sehr wertvoll.

Das passiert.

Schön, dass wir mal drüber reed.

Nein, wirklich, was sie besser geschrieben haben, du hast es, was uns irgendwie weiterbringt.

Ja, ja, ja,

es hilft dabei, so Gefühle zu kriegen.

Das auf jeden Fall.

Ich habe immer die Hoffnung, dass das irgendwann besser wird und nicht schlechter.

Ja.

Also ich meine, objektiv betrachtet.

Dinge werden ja besser.

Also natürlich ist es immer, man hat das subjektive Empfinden und es gibt natürlich andere Probleme.

Auch wenn du, okay, wenn du die Gesellschaft besser geht, auch dem Einzelnen geht es ja besser, wenn du so generell den Stand der Welt dir anschaust.

Du sagst, okay, haben wir, wie viel, wer wie viele Menschen haben wir, die unter der Armutsgrenze leben.

Aber natürlich ist das nicht die einzige Art und Weise, wie du sowas quantifizieren kannst.

Ja, vor 100 Jahren haben wir Leute Menschen noch im Zoo ausgestellt.

Das ist halt einfach, ja.

Ja, natürlich.

Oder die Lebenserwartung, der generelle Lebensstandard ist natürlich besser, aber das heißt ja eben auch nicht, dass man sagen kann, ach ja, ist ja alles super, im Schnitt geht es allen besser.

Oder du bist weniger arm als vorher, bist aber immer noch arm.

Also es ist nach wie vor ein Problem.

Und wir haben wir denken uns auch mal neue Probleme aus.

Ja, das eskaliert natürlich auch an einigen Stellen immer völlig.

Da muss man gucken, dass man das irgendwie wieder einfangen kann oder so.

Aber ja, also ich habe nicht das Gefühl, dass das schlechter wird.

Das ist so punktuell, so ein Wabern und so.

Aber vielleicht geht es ja durch solche Sachen halt in die richtige Richtung, ja, dass man dadurch besser Wissen verteilen kann, auch einfach.

Weil ich glaube, so verteiltes Wissen ist vielleicht eine der Grundlagen von dem, was wir vielleicht mit Freiheit da meinten oder so?

Ich weiß nicht, wovon wir die ganze Zeit geredet haben.

Ich weiß nicht, ich glaube, es ist ganz schwer zu sagen, wird das jetzt irgendwie, hat das so ein eben so technische Fortschritte, haben die aus sich heraus schon so in sich emanzipatorisches Potenzial?

Oder dienen sie doch dann nur dazu, dass Leute irgendwie noch reicher werden, die vorher schon relativ reich waren?

Schwer.

Also ich meine, was man vielleicht sagen kann, ist, dass in Zeiten, in denen sich viel ändert, gibt es halt auch mehr Chancen für Leute, die halt sozusagen was machen möchten.

Ja, oder wen nehmen wir die Antwort, die wir immer geben können, it depends.

Ja, stimmt.

Ich meine, es stimmt natürlich oder auch jetzt in der aktuellen Situation, wo auch Remote Work normalisierter wird, wo es vielleicht ein bisschen weniger, immer war es ja durch das Internet, das Internet hat es immer weniger relevant gemacht, wo man denn gerade physisch war oder schon allein die Tatsache, dass wir hier, wir sitzen hier, nehmen Podcast auf, ich bin in Australien, ihr seid in Deutschland, es läuft, irgendjemand hört sich das an, der ist was weiß ich wo, und das geht alles.

Und jetzt, okay, es wird weniger wichtig, wo jemand arbeitet, wo jemand leben möchte.

Ja, voll gut.

Das ist auf jeden Fall theoretisch eine sehr positive Entwicklung oder kann eine sehr positive Entwicklung sein, wenn es entsprechend genutzt wird.

Ich finde, das ist ein sehr tolles Schlusswort, ehrlich gesagt.

Ja.

Nee, klingt gut.

Egal, wo ihr uns also hört.

Ob ihr nachts, tags, über, morgens, mittags, abends im Flieger oder im Boot oder auf der Couch beim Einlauf.

Zum Einschlafen, habe ich auch schon gehört.

Denkt daran, es ist der Fortschritt, der gerade durch eure Kopfhörer in euer Gehirn ausstrahlt.

Ganz genau.

Vielen Dank, Ines, dass du heute dabei warst.

War sehr schön.

Ja, danke für die Einladung.

Ja, bleibt uns gewogen und schalt wieder rein.

Tschüss.

Tschüss.