MY DATA IS BETTER THAN YOURS

KI diskriminiert nicht von selbst – sie wiederholt unsere Muster. Alex Ulbricht von Fujitsu hat über 400 Keynotes zu AI-Fairness gehalten. In dieser Folge geht es um den Amazon-Recruiting-Fall, um Crashtest-Dummies und Medikamentenforschung, um Fairness by Design und um den Disparate Impact Ratio, mit dem du Bias in einer einfachen Formel testen kannst.

In dieser Folge erfährst du:
→ Warum KI keine Vorurteile erfindet, sondern historische Muster reproduziert
→ Was der Amazon-Recruiting-Fall von 2014 bis heute lehrt
→ Wie ein Bias-Audit abläuft – und was Intersectional Bias bedeutet
→ Warum Fairness von Anfang an ins Design gehört (wie Barrierefreiheit)
→...

2026 entscheidet nicht das beste KI-Modell über Gewinner und Verlierer – sondern wer seine Daten und Inhalte wirklich gut aufbereitet hat. Im Tim-&-Jonas-Stammformat diskutieren Jonas Rashedi und Dr. Tim Wiegels, warum über 95 % der GenAI-Piloten keinen messbaren Mehrwert liefern, was hinter dem Hype um den Agent-Ready Data Layer steckt und welche Pflichten der EU AI Act ab dem 2. August bringt. Eine Folge über Datenstrategie, GenAI und die Frage, warum die größten Datensilos in den Köpfen sitzen.

Key Takeaways:

→ Warum über 95 % der GenAI-Piloten scheitern – und es fast nie am Modell liegt
→ Das Gewinner-Verlierer-Framework: Daten-...

Vom Bilder-Archiv zum Fundament der Content-Wertschöpfung: Simon Putzer, Co-CEO von Sharedien, erklärt, wie modernes Digital Asset Management heute funktioniert. Am Beispiel von Otto, Tesa und Siemens geht es um multimodales Bild-Scoring, um Build vs. Buy im KI-Zeitalter und darum, warum ohne saubere Stammdaten kein Use-Case fliegt.

In dieser Folge erfährst du:
→ Wie Otto über 23 Mio. Assets multimodal und für unter 1 Cent pro Bild bewertet
→ Was ein modernes DAM vom klassischen Bilder-Archiv unterscheidet
→ Warum 'Stammdatenarmut' der eigentliche Engpass im Mittelstand ist
→ Build vs. Buy: was man selbst baut und was man einkauft
→ Wohin die...

Warum empfiehlt eine Plattform genau diese Tour – und nicht eine andere? In dieser Folge spricht Jonas Rashedi mit Stefan Neubig von Outdooractive über Recommender-Systeme, Knowledge Graphen und die technischen Grundlagen moderner Empfehlungstechnologien.

Stefan gibt Einblicke in den Aufbau eines Graphen mit rund 92 Millionen Knoten und 140 Millionen Beziehungen. Dabei geht es um Nutzer, Touren, Regionen und Interaktionen – und darum, wie Machine-Learning-Modelle daraus personalisierte Empfehlungen ableiten.

Besonders spannend: Warum Erklärbarkeit immer wichtiger wird, welche überraschenden Erkenntnisse Outdooractive bei Experimenten zur Besucherlenkung gewonnen hat und weshalb Knowledge Graphen im Zusammenspiel mit KI-Agenten eine wichtige Rolle spielen könnten.

MY DATA...