00:01:27: Ingmar: Okay, das wird eine ganz komische Folge. Das Intro war nicht echt.

00:01:32: Ingmar: Die Leute, die hier um den Tisch rum sitzen, haben komische Schnurrbärte,

00:01:35: Ingmar: sofern sie Bartwuchs haben.

00:01:37: Hanna: Ich würde mich da ausnehmen. Ich habe keinen komischen Schnurrbart.

00:01:40: Ingmar: Alle anderen schon. Das ist wild. Auch das Thema, was wir uns heute vorgenommen

00:01:46: Ingmar: haben, ist vielleicht interessant für euch, für uns auf jeden Fall,

00:01:50: Ingmar: weil es was ist, was uns zunehmend beschäftigt.

00:01:52: Ingmar: Wir nehmen außerdem euer Feedback wahr aus den Beatmungsfolgen,

00:01:58: Ingmar: die suggerieren, dass wir ziemlich tief in die Materie eingestiegen sind und

00:02:03: Ingmar: nutzen das jetzt auch als kleine Pause, um euch eine Verschnaufpause von noch

00:02:09: Ingmar: mehr Ventilen und Technik zu geben, bevor wir da natürlich weitermachen werden.

00:02:12: Hanna: Schön, eine Verschnaufpause vom Thema Beatmung.

00:02:15: Ingmar: Sehr gut. Worum es heute gehen soll, ist das große und weite Feld der künstlichen Intelligenz.

00:02:22: Ingmar: Da gab es vor vier Jahren in der A&I mal einen Übersichtsartikel und vor zwei

00:02:26: Ingmar: Monaten nochmal einen Übersichtsartikel.

00:02:29: Ingmar: Und in der Zwischenzeit hat sich eine Menge getan. Es hat sich vor allem eine

00:02:32: Ingmar: Menge getan in dem, was man so als Endnutzer davon zu sehen bekommt.

00:02:37: Ingmar: Und wir haben hier in der Runde auch jemanden, der sich mit Medizin und Traumatik

00:02:42: Ingmar: professionell befasst hat.

00:02:43: Ingmar: Ralf ist einer von den frühen Menschen, die da mal so eine Zusatzbezeichnung

00:02:48: Ingmar: sich drauf geschafft haben und seitdem dafür immer Drucker installieren.

00:02:54: Clemens: Wir rufen ihn nochmal an, wenn die Technik kaputt ist.

00:02:57: Ingmar: Bei Paper Jam rufen wir immer Ralf.

00:03:00: Ralf: Ich mache eigentlich kaum noch Narkosen.

00:03:02: Ingmar: Nur noch.

00:03:02: Ralf: Nur Drucker.

00:03:04: Ingmar: Drucker installieren. Ja, und Ralf wurde auch vor kurzem gezwungen,

00:03:09: Ingmar: bei uns in der Abteilung einen Vortrag zum Thema Künstliche Intelligenz in der

00:03:12: Ingmar: Anästhesiologie zu halten.

00:03:14: Ingmar: Und da das alles irgendwie auf einen Haufen zusammenfällt, dachten wir es die

00:03:18: Ingmar: Gelegenheit, euch mal hier an so einem Tischgespräch teilhaben zu lassen,

00:03:22: Ingmar: wenn wir anfangen darüber am Fach zu simpeln, was das in unserem Alltag,

00:03:26: Ingmar: in unserer Gesellschaft, in unserer Arbeit möglicherweise für Einflüsse hat.

00:03:30: Ingmar: Das haben wir uns vorgenommen.

00:03:32: Ingmar: Also mal komplett ab von dem Lehrbuch, was wir ansonsten versuchen darzustellen

00:03:37: Ingmar: und hin in eine gesellschaftliche Diskussion.

00:03:40: Ralf: Heute bleiben wir sehr oberflächlich, um sozusagen das Feedback zu berücksichtigen.

00:03:45: Ralf: Sehr oberflächliches Gespräch werden.

00:03:49: Ingmar: Ralf hatte sich vorgenommen, oder wir sind Ralf sehr dankbar,

00:03:52: Ingmar: dass er so ein bisschen vorbereitet hat,

00:03:54: Ingmar: die technischen Hintergründe, oberflächlich, mit nur wenig Formeln,

00:04:00: Ingmar: aber nicht ohne Formeln zu erläutern.

00:04:04: Ingmar: Ralf, wir sprechen ja landläufig über künstliche Intelligenz,

00:04:08: Ingmar: aber ich glaube, auch landläufig vermischen wir ganz viele Begriffe.

00:04:12: Ingmar: Künstliche Intelligenz, Machine Learning, Artificial Intelligence als Übersetzung

00:04:18: Ingmar: davon, neuronale Netze, die im iPhone irgendwie sind Bionic Chips.

00:04:24: Ingmar: Alles irgendwie am Ende das Gleiche, meint das Gleiche, wird synonym verwendet. Ist es das Gleiche?

00:04:33: Ralf: Tatsächlich ist es nicht das gleiche.

00:04:35: Ingmar: What?

00:04:38: Ralf: Erster Fact.

00:04:40: Ingmar: Kannst du das ein bisschen aufdröseln? Weil ich glaube, das ist etwas,

00:04:43: Ingmar: was ganz häufig vermischt wird. Und ich glaube, dass es sinnhaft ist, das klar zu haben.

00:04:47: Ralf: Das ist auch mehr als verständlich, dass das vermischt wird,

00:04:49: Ralf: weil diese ganzen Dinge sind unheimlich schwer zu verstehen.

00:04:53: Ralf: Und am Ende des Tages sind wir da auch nicht die absoluten Experten da drin.

00:04:58: Ralf: Das muss man ganz klar sagen. Also da ist Raum für Fehler in unseren Behauptungen,

00:05:01: Ralf: die wir jetzt vielleicht in den nächsten Minuten aufstellen.

00:05:04: Ralf: Aber um so ein bisschen aufzuräumen in der ganzen Sache.

00:05:08: Ralf: KI oder AI, einfach Künstliche Intelligenz oder Artificial Intelligence,

00:05:12: Ralf: ist so der ganze Überbegriff, der über allem steht. Da kann man eigentlich fast alles reinpacken.

00:05:18: Ralf: Auch Dinge, die da waren, bevor man auf die Gedanken kommt, es irgendwie Machine

00:05:24: Ralf: Learning zu machen, um nochmal eines dieser Buzz-Writer zu erwähnen.

00:05:28: Ralf: Man hat nämlich ganz früher, also vor 30, 40 Jahren hat man gedacht,

00:05:33: Ralf: man kann eine künstliche Intelligenz auch erzeugen, indem man einfach nur genügend

00:05:38: Ralf: Regeln in ein System programmiert.

00:05:40: Ralf: Also indem man sagt, wenn das und das, dann das.

00:05:43: Ralf: Wenn das, dann das. Das sind auch in Programmiersprachen gängige Konzepte,

00:05:48: Ralf: dass man sozusagen Konditionen definiert, woraufhin dann das eine oder das andere

00:05:52: Ralf: passieren soll und Schleifen bildet.

00:05:54: Ralf: Und da hat man aber festgestellt, man kann nicht so viele Regeln in ein System

00:05:58: Ralf: einprogrammieren, dass dann irgendwas Sinniges bei rauskommt,

00:06:01: Ralf: was wir so als Intelligenz verstehen würden.

00:06:05: Ralf: Künstliche Intelligenz als Begrifflichkeit ist gar nicht so leicht zu definieren,

00:06:10: Ralf: weil schon der Begriff Intelligenz gar nicht so leicht zu definieren ist tatsächlich.

00:06:15: Ralf: Also was eigentlich Intelligenz überhaupt bedeutet, was ist intelligent,

00:06:19: Ralf: was ist nicht intelligent.

00:06:20: Ralf: Und wenn man dann auch noch die künstliche Version davon beschreiben möchte,

00:06:23: Ralf: tut man sich schon ganz schön schwer.

00:06:25: Ralf: Aber so wie wir es gemeinhin verstehen, ist eine künstliche Intelligenz etwas,

00:06:31: Ralf: dass das irgendein System ist, was eine menschenähnliche Intelligenz simulieren kann.

00:06:37: Ralf: Also zum Beispiel das Verstehen von Sprache, Analyse von Bildern,

00:06:40: Ralf: also dass man ein Bild sieht und sagen kann, oh, da ist jetzt eine Katze und

00:06:43: Ralf: kein Hund. Oder irgendwie Entscheidungen treffen.

00:06:45: Ralf: Mit der künstlichen Intelligenz versuchen wir das zu machen.

00:06:49: Ralf: Und ich würde mal sagen, vor fünf Jahren hätten die meisten von uns gesagt,

00:06:52: Ralf: wenn man dem Computer ein Bild von einer Katze zeigt, dann kann der Computer

00:06:55: Ralf: gar nicht so viel damit anfangen.

00:06:57: Ralf: Vielleicht muss man noch ein bisschen weiter zurückgehen als fünf Jahre.

00:06:59: Ralf: Aber sagen wir mal so Anfang der 2000er war das, glaube ich, völlig undenkbar.

00:07:04: Ralf: Und in den letzten Jahren haben wir da wahnsinnige Fortschritte gemacht,

00:07:07: Ralf: eben mit dem nächsten Punkt, dem Machine Learning, was jetzt eben nicht dieses

00:07:11: Ralf: Deterministische ist, von dem ich eben gesprochen habe, mit sehr vielen einprogrammierten Regeln,

00:07:17: Ralf: sondern beim Machine Learning geht es ganz allgemein darum, dass Computer oder

00:07:22: Ralf: Programme im weitesten Sinne aus Daten lernen, ohne explizit programmiert zu werden.

00:07:27: Ralf: Also die können unter Umständen eigene Zusammenhänge finden,

00:07:31: Ralf: eigene Regeln finden, die dann zum Beispiel für Entscheidungen genutzt werden können.

00:07:35: Ralf: Beispielsweise ist diese E-Mail Spam oder nicht oder ist auf dem Bild eine Katze oder ein Hund.

00:07:41: Ralf: Jetzt muss man natürlich, da bin ich jetzt eins weiter schon gehüpft,

00:07:44: Ralf: denn wenn ein Computer ein Bild anschauen soll, dann fällt das so ein bisschen

00:07:48: Ralf: unter diesen Begriff Computer Vision,

00:07:51: Ralf: weil der Computer sieht ja, oder der Computer in Anführungsstrichen sieht ja

00:07:55: Ralf: nicht ein Bild, wie wir es sehen, als Produkt, sondern der sieht einfach die

00:07:58: Ralf: Datensätze dahinter, also die einzelnen Farbtöne, die einzelnen Pixel im weitesten Sinne.

00:08:03: Ralf: Und da Muster zur Erkenntnis natürlich nochmal was ganz anderes und daraus irgendwie,

00:08:07: Ralf: aus diesen Mustern zu erkennen, das ist eine Katze von links,

00:08:09: Ralf: das ist eine Katze von rechts und das ist eine Katze mit einem ganz anderen Fell,

00:08:12: Ralf: das ist gar nicht so leicht, aber inzwischen sind wir das, dass eigentlich ganz gut klatscht.

00:08:16: Ralf: Eine Subform vom Machine Learning ist dann noch das Deep Learning und das unterscheidet

00:08:22: Ralf: sich hauptsächlich dadurch, dass noch mehr in versteckten Ebenen stattfindet,

00:08:26: Ralf: also Dinge, die wir nicht genau sehen.

00:08:28: Ralf: Ganz grundsätzlich ist es sowieso so, wie ich gerade schon sagte,

00:08:33: Ralf: der Computer lernt aus Daten, ohne explizit programmiert zu werden.

00:08:36: Ralf: Das heißt, wir wissen gar nicht, welche Regeln da so wirklich drin sind und

00:08:39: Ralf: der Begriff neuronales Netz ist einer, der in diesem ganzen Zusammenhang fallen muss.

00:08:44: Ralf: Und ganz vereinfacht gesprochen versuchen wir mathematisch einen Neuron eines

00:08:50: Ralf: Gehirns nachzubilden im weitesten Sinne,

00:08:52: Ralf: als Analogie, das Informationen weitergeben kann und Informationen stückweit

00:08:56: Ralf: verarbeiten kann und die Summe

00:08:58: Ralf: von diesen Neuronen kann dann sozusagen Entscheidungsprozesse führen.

00:09:01: Ralf: Und der Unterschied zwischen Machine Learning und Deep Learning,

00:09:05: Ralf: wenn man ihn ganz einfach unterbrechen will, ist die Anzahl der Ebenen von Neuronenschichten,

00:09:12: Ralf: die miteinander alle verknüpft sind und Informationen weitergeben.

00:09:15: Ralf: Wenn man sich jetzt, sagen wir mal, drei Neuronen vorstellt,

00:09:19: Ralf: die die Eingangswerte da abbilden, die irgendwelche Informationen enthalten,

00:09:22: Ralf: die wir dem Computer geben,

00:09:24: Ralf: sind die verknüpft mit der nächsten Ebene, alle mit jedem Neuron der nächsten

00:09:30: Ralf: Ebene und der nächsten Ebene der nächsten Ebene und am Ende gibt es eine Ausgangsebene.

00:09:34: Ralf: Also einfach von links nach rechts durchlaufend sind da vertikale Punkte im

00:09:38: Ralf: weitesten Sinne, die mit allen Punkten der nächsten Ebene rechts daneben verbunden sind.

00:09:45: Ralf: Um ein Bild zu malen in diesem Audio-Medium. Und sobald das insgesamt mehr als

00:09:51: Ralf: drei sind, sprich kann man sagen, dann wäre es jetzt Deep Learning.

00:09:54: Ralf: Weil es gibt eine Eingangsebene.

00:09:56: Ingmar: Genau, es gibt einen Input, es gibt einen Hidden Layer, wo irgendwas passiert

00:09:59: Ingmar: und es gibt einen Output Layer.

00:10:01: Ralf: Genau so. Und mehr als ein Hidden Layer führt dann zu Deep Learning im weitesten

00:10:06: Ralf: Sinne, wenn man es ganz einfach kategorisieren will.

00:10:11: Ingmar: Normales Programmieren mit Luft-Anführungsstrichen ist auch so,

00:10:15: Ingmar: du hast einen Input, dann ist deine Programmierung irgendwie dazwischen,

00:10:19: Ingmar: die damit was macht, aber du weißt genau, was dazwischen passiert,

00:10:21: Ingmar: weil du es programmiert hast und am Ende gibt es einen Output.

00:10:26: Hanna: Also ganz klassisch.

00:10:27: Ingmar: Hello World. Genau. Hello World, dann spuckt es am Ende halt Hello World aus,

00:10:32: Ingmar: weil er Hello World ausspucken soll.

00:10:34: Ingmar: Und das ist bei den neuronalen Netzwerken insofern anders, als dass dieser Prozessierungslayer

00:10:40: Ingmar: in der Mitte bei einem einfachen neuronalen Netzwerk eben auch schon,

00:10:45: Ingmar: ich will nicht sagen unbekannt ist,

00:10:46: Ingmar: aber zumindest intransparenter.

00:10:50: Ingmar: Und je mehr von diesen Intransparenzlayern man in der Mitte hat,

00:10:54: Ingmar: also es geht dann halt von der ersten Verarbeitung in die nächste und in die

00:10:57: Ingmar: übernächste und in die darauf folgende, bevor es zu einem Output kommt.

00:11:02: Ingmar: Und das ist so ein bisschen wie, als ob man das Ergebnis irgendwie durchwürfelt

00:11:05: Ingmar: oder mischt oder die Karten weiter mischt, bevor man wieder die nächste Karte

00:11:10: Ingmar: aufdeckt, um den Output irgendwie zu sehen.

00:11:13: Clemens: Und das ist ja auch ein Forschungsfeld, quasi Deep Learning und neuronale Netzwerke

00:11:17: Clemens: verständlicher zu machen für den Anwender, weil gerade in der Medizin werden

00:11:23: Clemens: da ja, sagen wir mal, wichtige Entscheidungen unter Umständen getroffen,

00:11:26: Clemens: wo man halt auf jeden Fall wissen muss, wie ist dieses Netzwerk jetzt zu dem Ergebnis gekommen.

00:11:32: Ralf: Oder zumindest es schafft Vertrauen, wenn man den Prozess versteht.

00:11:36: Ralf: Also es schafft Vertrauen in den Medizinierenden.

00:11:41: Clemens: Es ist glaube ich auch oft einfach eine Voraussetzung, überhaupt zugelassen zu werden.

00:11:46: Clemens: Es sind ja die wenigsten tatsächlich für die klinische Anwendung zugelassen,

00:11:50: Clemens: aber wenn sie das sein müssen oder sein wollen, dann muss glaube ich schon in

00:11:54: Clemens: einem gewissen Maß verständlich sein.

00:11:55: Ingmar: Wie man von A nach B kommt.

00:11:59: Hanna: Zumindest aktuell ist das auf jeden Fall so, ja.

00:12:02: Clemens: Also ich weiß nicht, ob es wirklich eine Voraussetzung ist, aber ich würde es

00:12:04: Clemens: mir so vorstellen, dass es auch ein, oder das ist ja auch ein Grund dafür,

00:12:09: Clemens: dass es eben noch nicht so wirklich in der Klinik angekommen ist.

00:12:12: Ralf: Stimme dir zu, ist super wichtig. Ich bin mir nicht sicher mit der Voraussetzung,

00:12:17: Ralf: aber ich weiß es auch nicht.

00:12:18: Hanna: Zumindest glaube ich, ist das was, was bei Menschen dazu führt,

00:12:22: Hanna: dass sie mehr Vertrauen in ein System haben, was man theoretisch nachvollziehen kann.

00:12:26: Hanna: Ob das jeder am Ende versteht, ist nochmal eine andere Sache,

00:12:28: Hanna: aber zumindest theoretisch die Möglichkeit zu haben, Entscheidungen nachzuvollziehen

00:12:32: Hanna: und nachvollziehen zu können, warum ist jetzt welche Entscheidung wie getroffen worden,

00:12:35: Hanna: ist zumindest in der Phase, wo man noch nicht zwangsläufig allen KI-Systemen

00:12:41: Hanna: vertraut, vertrauen kann, wo viele noch nicht wissen, wie es funktioniert.

00:12:45: Hanna: Teilweise auch die Forschenden nicht wissen, wie dieser Algorithmus funktioniert,

00:12:51: Hanna: den sie da gerade irgendwie programmiert haben und der da irgendwie lernt.

00:12:54: Hanna: Und am Ende kommen richtige Sachen scheinbar dabei raus. Aber wenn man nicht

00:12:58: Hanna: weiß, was dazu führt, kann man ja auch manchmal noch nicht sicher sein,

00:13:01: Hanna: was ist denn, wenn jetzt diese eine Entscheidung falsch getroffen wird.

00:13:04: Hanna: Ich glaube, das, was immer noch auf einem anderen Blatt steht,

00:13:06: Hanna: ist halt die Frage, wie kommen wir Menschen denn zur Entscheidung?

00:13:08: Hanna: Und dass wir am Ende wahrscheinlich noch viel fehlerhafte Entscheidungen treffen,

00:13:12: Hanna: die auch nicht immer nachvollziehbar sind.

00:13:14: Hanna: Aber irgendwie ist es, glaube ich, psychologisch was anderes.

00:13:17: Hanna: Weil Menschen machen Fehler und wenn man sagt, wir geben das an eine Maschine

00:13:20: Hanna: ab, dann ist die Erwartung, dass da weniger bis keine Fehler passieren.

00:13:23: Hanna: Und wenn man es nicht nachvollziehen kann, ist das, glaube ich,

00:13:25: Hanna: was, was es schwieriger macht für Anwenderinnen und Anwender.

00:13:29: Ralf: Ja, also ich glaube, wenn wir jetzt wieder auf diese soziale Ebene zurückgehen,

00:13:33: Ralf: ist da auch ein ganz großer sozialer Prozess so ein bisschen dabei der Akzeptanz

00:13:38: Ralf: und der Gewöhnung. Weil wir sind erstaunlich gewöhnungsfähig,

00:13:42: Ralf: finde ich, als Menschen.

00:13:44: Ralf: Und sicherlich gab es bei den ersten Navis, wo man im Auto nach Navi gefahren

00:13:49: Ralf: ist, auch sehr viele Zweifler.

00:13:52: Clemens: Da sind auch manche im Kanal gelandet.

00:13:54: Hanna: Ich erinnere mich dran, als mein Vater damals mit dem ersten Navigationssystem

00:13:58: Hanna: nach Hause kam, war er so aufgeregt, dass er meinen Bruder und mich ins Auto

00:14:02: Hanna: gesetzt hat und wir sind durch unseren Heimatort gefahren.

00:14:04: Hanna: Und er hat dann ein Ziel eingegeben und ist dann absichtlich immer falsch gefahren,

00:14:07: Hanna: weil er es total beeindruckend fand, dass das Navigationssystem selbstständig

00:14:11: Hanna: dann eine Alternativroute sofort berechnet hat.

00:14:13: Clemens: Und das war TomTom oder was?

00:14:15: Hanna: Ja, das war TomTom. Aber das musste man, also das war ja auch sowas neu.

00:14:18: Ralf: Hashtag Werbung.

00:14:19: Hanna: Man kennt es noch nicht.

00:14:20: Clemens: Gibt es die noch? Keine Ahnung.

00:14:22: Hanna: Aber das war neu, man kennt es noch nicht und man muss erst mal ausprobieren

00:14:25: Hanna: und lernen, dass es funktioniert.

00:14:27: Ralf: Also das weiß ich nicht, aber ich könnte mir vorstellen, der erste Autopilot

00:14:29: Ralf: im Flugzeug war bestimmt auch ein bisschen so, ob dieser komische Klapperkasten

00:14:36: Ralf: uns jetzt richtig führt.

00:14:37: Ralf: Also ich könnte mir vorstellen, dass es da auch Reserviertheit gab.

00:14:43: Ralf: Also das negiert nicht das, was ihr vorher gesagt habt.

00:14:45: Ralf: Das ist extrem wichtig, dass wir verstehen, wie diese Ergebnisse zustande kommen,

00:14:49: Ralf: um Vertrauen zu schaffen, um sicher zu sein, dass es wirklich am Ende gut funktionieren wird.

00:14:53: Ralf: Aber ich glaube, wir können es auch wahnsinnig schnell an unheimlich viel gewöhnen.

00:14:57: Clemens: Ich glaube, auch diese Zurückhaltung für neue Technologien gab es ja schon immer.

00:15:01: Clemens: Also ich meine, es gibt ja auch diese Anekdote mit den Leuten,

00:15:04: Clemens: die von der Pferdekutsche, keine Ahnung, auf den Zug umsteigen sollten.

00:15:08: Clemens: Dann wurde lange gesagt, nee, das können die nicht überleben,

00:15:11: Clemens: weil der Pferd zu schnell fährt.

00:15:14: Clemens: Letztlich macht ja heutzutage keiner mehr einen Pferdekutsche,

00:15:18: Clemens: einen Führerschein, würde ich sagen, oder nur noch wenige Leute.

00:15:22: Clemens: Also das gehört, glaube ich, einfach dazu. Das ist halt auch einfach ein Feld,

00:15:26: Clemens: was noch weiter erforscht werden muss, wie man es schafft, dass diese Technologie,

00:15:31: Clemens: sofern man das denn will, natürlich auch akzeptiert wird.

00:15:35: Clemens: Also sie muss natürlich sicher sein, sie muss irgendwie verständlich sein für

00:15:38: Clemens: den Anwender und für die Anwenderin.

00:15:40: Clemens: Es gibt sicherlich noch viel mehr Faktoren, die dann dazu führen,

00:15:43: Clemens: dass die Leute auch sagen, ja super, das benutze ich jetzt auch mal.

00:15:46: Clemens: Vor allem in so kritischen Bereichen wie der Medizin.

00:15:49: Clemens: Obwohl man ja jetzt nicht sagen kann, dass alternativ keine Fehler vorkommen.

00:15:54: Clemens: Aber gut. Ich glaube, wir haben so ein bisschen vorgegriffen.

00:15:57: Hanna: Achso, ja, ich wollte nämlich gerade sagen, weil an der Stelle passt es,

00:15:59: Hanna: glaube ich, nochmal einen Schritt zurück zu gehen.

00:16:00: Clemens: Wir haben ja jetzt gesagt, also künstliche Intelligenz ist im weitesten Sinne

00:16:03: Clemens: das, was eigentlich menschliche Intelligenz benötigen würde.

00:16:08: Clemens: Also solche Dinge wie Mustererkennung, Sprachverständnis, Bilderkennung.

00:16:13: Clemens: Ja, und letztlich ist das so der Oberbegriff.

00:16:17: Clemens: Der hat sich ja über die letzten 50, 60, 70 Jahre gebildet.

00:16:21: Clemens: Also das ganze Konzept ist ja eigentlich schon viel älter, als man denkt.

00:16:23: Clemens: Dann gab es irgendwie in den 70er, 80er Jahren so einen KI-Winter,

00:16:26: Clemens: in Anführungszeichen, wo irgendwie der Enthusiasmus wieder ein bisschen abgenommen

00:16:30: Clemens: hatte, kein Geld mehr in die Forschung gesteckt wurde.

00:16:33: Clemens: Und gut, aktuell würde man eher sagen, haben wir wieder eine KI-Hochphase, Hochzeit.

00:16:38: Clemens: Da gibt es ja diesen Gartner-Hype-Cycle. Ich glaube, da sind wir gerade aber ganz weit oben.

00:16:42: Ralf: Die Technik war auch einfach noch nicht da, das in den 70ern so zu machen.

00:16:45: Clemens: Absolut.

00:16:46: Ralf: Die Rechenleistung auch. Ja, den Teil meint.

00:16:49: Clemens: Gut, klar, da könnte man jetzt über Grafikkarten sprechen und sagen,

00:16:51: Clemens: hier das Zocken hat die Welt verändert, ist ja im Prinzip so. Ja, was ist der Moment?

00:16:56: Ingmar: Ist es der Moment, um über den Gartner Hype Cycle nochmal zu sprechen?

00:16:59: Clemens: Wenn du den aus dem SRFF hinkriegst, ja.

00:17:02: Ingmar: Also Gartner Hype Cycle ist was, was die Firma Gartner aus den USA,

00:17:07: Ingmar: das ist ein Unternehmen, das damit Geld verdient, andere Firmen zu beraten oder

00:17:11: Ingmar: Venture Capital zu beraten, wo sie bitte ihr Geld investieren sollen.

00:17:15: Ingmar: Ob das jetzt ein kluger Zeitpunkt ist, Geld auf eine Technologie zu werfen,

00:17:20: Ingmar: drin zu bleiben oder auszusteigen.

00:17:22: Ingmar: Und die haben sich überlegt, dass alle Technologien, die neu auf den Markt kommen,

00:17:28: Ingmar: bestimmten Phasen oder bestimmte Phasen durchlaufen.

00:17:31: Ingmar: Es gibt irgendwie einen Innovationstrigger, da wird eben was erfunden.

00:17:35: Ingmar: Das war, wenn wir jetzt das KI-Beispiel benutzen, irgendwie vor 70 Jahren vielleicht.

00:17:39: Ingmar: Aber zu dem Zeitpunkt gab es halt weder die technischen Voraussetzungen noch

00:17:42: Ingmar: irgendwie sinnhafte Anwendungen dafür.

00:17:45: Ingmar: Und so ist das Ganze irgendwie hat nicht groß Fahrt aufgenommen.

00:17:48: Ingmar: Bevor wir die KI jetzt als Beispiel für so ein Gartner Hype Cycle benutzen,

00:17:52: Ingmar: müssen wir die anderen Phasen uns noch angucken.

00:17:54: Ingmar: Die zweite Phase vom Gartner Hype Cycle ist der Gipfel der überzogenen Erwartungen.

00:18:00: Ingmar: Das ist was, wenn man da andere Buzzwords irgendwie benutzt,

00:18:04: Ingmar: Blockchain war sowas, wo alle gesagt haben, das ist die Schlüsseltechnologie,

00:18:08: Ingmar: die unser Leben dermaßen verändern wird, dass wir damit alles erledigen können.

00:18:12: Clemens: Weil der Bitcoin gerade wieder gut läuft.

00:18:14: Ingmar: Ja, aber auch beim Bitcoin gibt es ja Auf und Abs.

00:18:19: Clemens: Ja, absolut.

00:18:20: Ingmar: Aber es gibt eben Technologien, bei denen denkt man, das ist jetzt der Weisheit

00:18:23: Ingmar: letzter Schluss. Darauf haben alle einfach nur gewartet.

00:18:27: Ingmar: Das ist die zweite Phase des Gartner-Hype-Cycles. Dann folgt auf dem Gipfel

00:18:31: Ingmar: der überzogenen Erwartungen folgt das Tal der Enttäuschungen.

00:18:35: Ingmar: Of Delusion. Ja, genau. Das ist, wenn man feststellt, es ist eben doch nicht

00:18:39: Ingmar: alles Gold, was glänzt. Und es gibt Hindernisse.

00:18:43: Ingmar: Und die könnten technologischer Natur sein. Das könnte Rohstoffmangel sein.

00:18:47: Ingmar: Das könnte aber auch gesellschaftliche Vorbehalte sein.

00:18:50: Clemens: Ja, regulatorische Faktoren.

00:18:52: Ingmar: Und da muss so eine Technologie einfach durch. Und das sind häufig Phasen,

00:18:57: Ingmar: wo aber die, ich nenne sie mal die Erfinder oder die Innovatoren vielleicht

00:19:02: Ingmar: schon wieder aus dem System rausfallen und jetzt die Zweitnutzer oder andere

00:19:08: Ingmar: Konzerne auf so eine Technologie aufspringen,

00:19:12: Ingmar: um das Ganze dann weiterzubringen, um das Ganze dann eben auf die Ebene der

00:19:17: Ingmar: Produktivität zu bringen.

00:19:18: Ingmar: Das ist dann die letzte Phase des Gartner-Hype-Cycles, wenn mich nicht alles

00:19:22: Ingmar: täuscht, kommt eine Technologie dann im Mainstream-Markt eben an.

00:19:26: Ingmar: Prototypisch wird dafür irgendwie das Smartphone immer irgendwie so angenommen,

00:19:30: Ingmar: dass es eben mal einen Punkt gab, wo man gesagt hat, hier, das tastenlose Device,

00:19:34: Ingmar: der PDA von, was war das, Compact?

00:19:38: Ingmar: Der PDA, weiß ich nicht mehr, wer es erfunden hat, aber Apple waren nicht die

00:19:43: Ingmar: ersten, die tastenlose Smart Devices irgendwie auf den Markt geworfen haben.

00:19:49: Ingmar: Sondern es waren die, die es geschafft haben, am Gipfel der überzogenen Erwartungen

00:19:54: Ingmar: irgendwie auf den Zug aufzuspringen.

00:19:56: Ingmar: Dann gab es noch so ein paar Leugner, die gesagt haben, im Tal der Ernüchterung

00:20:00: Ingmar: oder im Tal der Enttäuschung, das ist es nicht, ich wähle meinen Blackberry mit Tasten zurück.

00:20:04: Ingmar: Und dann hat sich diese Technologie aber dermaßen durchgesetzt,

00:20:08: Ingmar: dass man sich kaum noch erinnern kann an ein Zeitalter ohne tastenfreie Telefone.

00:20:14: Ingmar: Und wir uns fragen, wo kommt eigentlich dieses Symbol am Telefon her,

00:20:18: Ingmar: das Telefonieren symbolisiert. Das sieht ja gar nicht so aus wie ein Telefon.

00:20:21: Hanna: Außer man arbeitet in einem deutschen Krankenhaus oder in einer deutschen Uniklinik,

00:20:26: Hanna: dann ist die Nutzung von etwas antiquierten Telefonen mit Tasten,

00:20:32: Hanna: Wellscheiben und Hörern sehr geläufig.

00:20:35: Ingmar: Und man kann jetzt, das stimmt.

00:20:38: Ralf: Tageslichtprojektor. Die EKG ist im Tageslichtprojektor.

00:20:42: Clemens: Die Röntgen. Die Röntgendinger werden noch so eingeladen.

00:20:46: Ingmar: Und wenn man sich jetzt die KI anguckt oder das weite Feld der künstlichen Intelligenzen

00:20:52: Ingmar: und neuronalen Netzwerke unterschiedlicher Ausbaustufen,

00:20:55: Ingmar: kann man sich jetzt überlegen, wo ging der Gartner'sche Hype Cycle für diese

00:21:00: Ingmar: Technologie eigentlich los?

00:21:01: Ingmar: Ging der jetzt vor 70 Jahren los und befinden wir uns jetzt auf dem Gipfel der

00:21:07: Ingmar: überzogenen Erwartungen oder ging der später los?

00:21:10: Clemens: Ich glaube, medial und öffentlichkeitswirksam ging der los, als Chat-GPT veröffentlicht wurde.

00:21:16: Ingmar: Aber die Frage, die ich mir stelle, ist das jetzt Gipfel der überzogenen Erwartungen

00:21:21: Ingmar: oder ist das schon Plateau der Produktivität?

00:21:24: Ingmar: Sind wir am Ende des Hype-Cycles oder sind wir noch relativ am Anfang?

00:21:28: Ralf: Kann der nicht auch einfach mehrfach laufen?

00:21:31: Ralf: Eigentlich würde ich den Start ja da setzen und das ist eben so,

00:21:35: Ralf: glaube ich, in den 50ern grob, wo der Herr Frank Rosenblatt das Perzeptron postuliert

00:21:42: Ralf: hat als Konzept, auf dem im Prinzip all das aufbaut.

00:21:45: Ingmar: Ja, eigentlich kann der nicht mehrfach laufen. Der kann mit unterschiedlichen

00:21:48: Ingmar: Geschwindigkeiten laufen,

00:21:49: Ingmar: aber eine Technologie, vielleicht muss man KI halt an unterschiedliche Schlüsseltechnologien

00:21:54: Ingmar: runterbrechen, aber eigentlich läuft das nicht mehrere Zyklen ab,

00:21:58: Ingmar: sondern es läuft einen Zyklus ab.

00:22:01: Ralf: Können wir so einen Holograph machen, wo mehrere Rückteile in den Kreisen sind?

00:22:04: Hanna: Naja, ich frage mich halt gerade, ob das, was wir, also Ralf hat das ja eben

00:22:07: Hanna: skizziert, dass KI eigentlich die Gesamtmenge von allem ist und dass darunter

00:22:11: Hanna: super viel subsumiert werden kann.

00:22:13: Hanna: Und dass es dann aber kleinere Teilmengen gibt und wenn man vielleicht jede

00:22:17: Hanna: dieser Bubbles in dieser Menge als irgendwie dann doch neue Technologie begreift,

00:22:22: Hanna: dann kann vielleicht dieser Cycle doch irgendwie mehrfach ablaufen,

00:22:26: Hanna: nur halt nicht im Kreis, sondern...

00:22:27: Clemens: Es verschiebt sich ja auch der Begriff, was künstliche Intelligenz ist.

00:22:31: Clemens: Irgendwie als Deep Blue gegen Kasparov gewonnen hat, da dachte man ja auch noch,

00:22:35: Clemens: das wäre künstliche Intelligenz, obwohl das mehr oder weniger hardcoded war.

00:22:40: Clemens: Also da hat man Regeln des Schachspiels eingebaut und dann konnte das Ding halt

00:22:44: Clemens: richtig gut rechnen und hat ihn dann halt besiegt.

00:22:48: Clemens: Heutzutage laufen ja Schachcomputer, also die wirklich weit Fortgeschrittenen,

00:22:52: Clemens: halt wieder über Deep Learning. Die machen ihre eigenen Regeln, wenn man so will.

00:22:56: Ingmar: Oder beim Go, weil das ist ja der Punkt.

00:22:58: Ralf: Das ist ja genau der nächste Schritt, wo es dann eben nicht mehr deterministisch

00:23:01: Ralf: durchlaufen kann. Also das ist ja, glaube ich, der große Punkt,

00:23:04: Ralf: den du jetzt machen wolltest mit AlphaGo.

00:23:06: Clemens: Naja, der Begriff künstliche Intelligenz, weil ihr jetzt sagt,

00:23:09: Clemens: das kann nicht mehrfach laufen, das stimmt, aber irgendwie der Begriff ändert sich ja aufständlich.

00:23:13: Hanna: Das meinte ich ja.

00:23:15: Ralf: Mehrere Uhren, Hype Cycles, keine Uhrenkreise.

00:23:18: Clemens: Ja, ja. Aber gut, wie auch immer, wir gehen jetzt einfach mal davon aus,

00:23:23: Clemens: dass es also diesen Begriff mehr oder weniger statisch gibt,

00:23:25: Clemens: in Anführungszeichen, dass da bestimmte Unterbegriffe da sind,

00:23:28: Clemens: die man zumindest erklären sollte.

00:23:31: Clemens: Ein großer Überbegriff, der als nächstes in vielen dieser Übersichten kommt,

00:23:35: Clemens: ist halt das Machine Learning oder das maschinelle Lernen.

00:23:37: Clemens: Das sind im Prinzip statistische Lernmodelle, die hätte man vielleicht vor 30

00:23:44: Clemens: Jahren als Statistik bezeichnet.

00:23:45: Clemens: Inzwischen heißen sie halt Machine Learning und künstliche Intelligenz.

00:23:49: Clemens: Das ist auch ein fließender Übergang, was da jetzt als statistisches Lernmodell

00:23:53: Clemens: durchgeht und was dann schon als KI bezeichnet wird oder andersrum.

00:23:56: Clemens: Kann man sich bestimmt ewig mit beschäftigen, aber da gibt es verschiedene Unterpunkte.

00:24:01: Clemens: Also einmal das im Prinzip das überwachte Lernen, also Supervised Learning auf

00:24:05: Clemens: Englisch, das im Prinzip, dass ein Algorithmus, von dem es dann auch verschiedene

00:24:09: Clemens: Arten gibt, auf Daten trainiert wird, die vorher gelabelt wurden vom Menschen.

00:24:16: Clemens: Also da hat man dann meinetwegen sowas.

00:24:18: Ingmar: Ich habe da ein super Beispiel. Immer, wenn ihr euch irgendwo einloggt und es

00:24:23: Ingmar: kommt so ein bescheuertes Capture, wo ihr sagt, ihr müsst markiere alle Mopeds,

00:24:28: Ingmar: markiere alle Fahrräder.

00:24:30: Ingmar: Was ihr da in Wirklichkeit tut, außer eure Menschlichkeit, ist eine KI trainieren.

00:24:35: Ingmar: Oder so einen Algorithmus zu trainieren und zu sagen, hier auf diesem Bild ist

00:24:38: Ingmar: gerade ein Fahrrad zu sehen.

00:24:41: Ingmar: Und das ist Supervised Learning, ohne dass ihr es merkt, weil ihr da mit jemandem

00:24:45: Ingmar: sagt, hier auf diesem Bild ist ein Fahrrad, speichert dieses Bild als Fahrrad ab.

00:24:49: Hanna: Und wenn man das so ein bisschen, also ich finde, es hilft ja häufig,

00:24:51: Hanna: das Ganze zu verstehen, wenn man es so ein bisschen auf Menschen überträgt.

00:24:55: Hanna: Wenn man sich jetzt vorstellt, wie lernen Kinder, dann ist das ja auch so ein bisschen so.

00:24:58: Hanna: Kleinen Kindern, wenn die gerade sprechen lernen und so, da zeigt man auf Dinge

00:25:01: Hanna: und sagt denen immer wieder, das ist deine Katze. Und das Kind lernt irgendwann,

00:25:05: Hanna: okay, das ist eine Katze.

00:25:06: Hanna: Am Anfang checkt es irgendwie, das ist ein Tier und vielleicht sagt es dann

00:25:09: Hanna: nochmal zum Hund auch Katze, weil es bisher nur Katzen gesehen hat,

00:25:12: Hanna: die Vierbeine haben und lernt dann irgendwann, okay, ah nee, das ist ein Hund.

00:25:15: Hanna: Und das ist ja so ein bisschen das Prinzip, man muss dem Kind,

00:25:18: Hanna: oder bei Kindern funktioniert es irgendwann auch anders, aber erstmal kann man

00:25:21: Hanna: dem Kind sagen, okay, das ist eine Katze und dann macht man das häufig genug

00:25:23: Hanna: und irgendwann hat das Kind verstanden, das ist eine Katze.

00:25:26: Ingmar: Wir machen dann sogar noch so Lerntricks, wir sagen, das ist ein Wauwau.

00:25:30: Hanna: Ja, das ist aber was anderes als eine Katze, Ingmar.

00:25:33: Ingmar: Ach, das könnte sein, dass ich das von meinen Kindern falsch gemacht habe.

00:25:36: Hanna: Endlicher Misshaus.

00:25:38: Clemens: Na gut, und das supervidierte Lernen kann man dann im Prinzip noch unterteilen

00:25:41: Clemens: in Klassifikationsalgorithmen, also die mehr oder weniger 1 oder 0 vorhersagen.

00:25:47: Clemens: Zum Beispiel in der Medizin sowas wie, bekommt eine akute Nierentschädigung

00:25:51: Clemens: oder bekommt halt keine, wo man da wieder diskutieren kann, ob das 1 oder 0

00:25:55: Clemens: dann ist oder eher so ein Kontinuum.

00:25:57: Clemens: Und halt Regressionsaufgaben, also mehr oder weniger sowas wie bestimmte Aufenthaltsdauer

00:26:03: Clemens: auf der Intensivstation vorhersagen oder eine bestimmte Zahl,

00:26:07: Clemens: also meinetwegen irgendein Laborwert oder sowas.

00:26:10: Clemens: Also die beiden Sachen kann man da im Prinzip noch unterscheiden.

00:26:13: Clemens: Da gibt es tausende Algorithmen, die man da anwenden kann.

00:26:16: Clemens: Ich glaube, da wollen wir im Detail jetzt nicht drauf eingehen.

00:26:18: Clemens: Der zweite große Aspekt eigentlich beim Machine Learning ist unüberwachtes Lernen,

00:26:23: Clemens: also quasi eine große Menge an Daten.

00:26:26: Clemens: Man hat seinen Algorithmus, auch von dem gibt es wieder verschiedene und der

00:26:29: Clemens: Algorithmus erkennt über bestimmte mathematische Vorgänge eben bestimmte Muster in den Daten,

00:26:36: Clemens: kann darüber zum Beispiel auch Hypothesen generieren, man kann Patienten,

00:26:40: Clemens: also jetzt im medizinischen Bereich, Patienten zum Beispiel in bestimmte Cluster

00:26:44: Clemens: einteilen und eben schauen zum Beispiel, wie diese verschiedenen Cluster,

00:26:48: Clemens: die man auf den Daten generiert hat, auf verschiedene Therapien reagieren, solche Dinge.

00:26:53: Clemens: Das ist ja auch ein Hype eigentlich, wenn man so will, in der Forschung,

00:26:57: Clemens: wo man eben sagt, ja okay, viele dieser economisierten Studien waren irgendwie

00:27:00: Clemens: negativ, gerade jetzt so im Intensiv- oder Anästhesiebereich,

00:27:04: Clemens: aber vielleicht hat man einfach nicht genau genug die Gruppen unterteilt und

00:27:08: Clemens: hat vielleicht die Patientengruppen nicht erkannt, die möglicherweise profitieren

00:27:11: Clemens: würden von einer bestimmten Therapie, also Hydrokortison in der Sepsis oder sowas.

00:27:16: Clemens: Und wenn man da einfach eine mehr oder weniger unselektierte Kohorte randomisiert

00:27:21: Clemens: in Hydrocortison und nicht-Hydrocortison, dann verpasst man vielleicht die Leute,

00:27:25: Clemens: die eigentlich hätten profitieren können.

00:27:27: Clemens: Dafür kann man solche Algorithmen unter Umständen einsetzen.

00:27:30: Clemens: Und was man auch noch machen kann, ist man cutten, das nennt sich Dimensionsreduktion.

00:27:35: Clemens: Also wenn man ganz, ganz, ganz viele Variablen hat, das ist halt der nächste

00:27:38: Clemens: Punkt beim unüberwachten Lernen, dann kann man halt die Variablen ein bisschen zusammendampfen.

00:27:43: Clemens: Also mehr oder weniger aus einem riesigen Datensatz einen etwas kleineren machen.

00:27:47: Clemens: Das ist jetzt so mal die grobe Übersicht. Es gibt dann auch noch Spezialalgorithmen

00:27:52: Clemens: beim Machine Learning, die jetzt, sagen wir mal, nicht so auf den ersten Blick,

00:27:56: Clemens: oder auf das erste sind, woran man dabei denkt.

00:27:59: Clemens: Das eine ist das Reinforcement Learning, beziehungsweise eben,

00:28:03: Clemens: das ist quasi ein Algorithmus oder verschiedene Algorithmen,

00:28:06: Clemens: die bestimmte Entscheidungen simulieren können, bestimmte Entscheidungen treffen

00:28:09: Clemens: können über kleine Agents in Anführungszeichen,

00:28:14: Clemens: also kleine Computerprogramme, die auf die Daten halt auch trainiert werden

00:28:18: Clemens: und dann bestimmt, ich sag mal, Vorteile davon haben,

00:28:22: Clemens: bestimmte Entscheidungen zu treffen oder bestimmte Nachteile bekommen eben von diesem Algorithmus.

00:28:27: Clemens: Das klingt jetzt ein bisschen abstrakt, aber beispielsweise könnte man damit

00:28:30: Clemens: eine Beatmung einstellen.

00:28:33: Clemens: Also man kann sowas machen wie, man präumiert so einen Reinforcement Learning

00:28:36: Clemens: Algorithmus, gibt dem die ganzen Beatmungsdaten über einen gewissen Zeitraum und sagt dann,

00:28:42: Clemens: optimiere mir die Beatmung so, dass hinterher die weniger Patienten versterben

00:28:47: Clemens: als bei der konventionellen Beatmung.

00:28:49: Clemens: Da gibt es auch ein nettes Paper dazu, das können wir euch mal in die Show Notes

00:28:52: Clemens: packen. Das kann man sich da im Detail mal anschauen.

00:28:55: Hanna: Das ist jetzt ein relativ konkretes Beispiel im Gesundheitsbereich.

00:28:58: Hanna: Man kann es, glaube ich, gerade beim Reinforcement Learning vielleicht noch

00:29:01: Hanna: so ein bisschen einfacher runterbrechen, indem man sagt,

00:29:04: Hanna: eigentlich setzt man einen Rahmen und sagt, also du hast ja eben von Agents

00:29:07: Hanna: gesprochen, man sagt, okay, da ist ein Agent und man gibt nicht alle Regeln

00:29:11: Hanna: vor, wie das in einem klassischen Programmieren ist, wo man halt sagt, when if,

00:29:14: Hanna: dann mach das und das, mach das und das, sondern man lässt diese Regeln sozusagen

00:29:17: Hanna: das Programm selber machen, aber man gibt halt vor,

00:29:20: Hanna: dein Ziel ist es zum Beispiel zehn Punkte zu bekommen und wenn du das und das

00:29:24: Hanna: tust, kriegst du, oder man sagt vorher, wenn die Figur das und das tut,

00:29:28: Hanna: kriegt sie den Punkt abgezogen, wenn sie das und das tut, kriegt sie den Punkt

00:29:30: Hanna: dazu und die Figur lernt oder der Agent lernt halt selber und der Algorithmus

00:29:34: Hanna: Das lernt selber, wann kriegst du Punkte, wann kriegst du Punkte abgezogen und

00:29:37: Hanna: darüber wird halt das Verhalten gelernt.

00:29:40: Ralf: Vielleicht auch nochmal um das Konzept dieses an den Daten trainieren zu lernen.

00:29:47: Ralf: Gutes Beispiel jetzt nochmal vielleicht für das Supervised Learning.

00:29:52: Ralf: Wir sind ja schon sehr, sehr tief eingestiegen jetzt, wie das irgendwie,

00:29:56: Ralf: also das ist alles richtig, aber wir müssen aufpassen, dass wir vielleicht nicht zu tief reingehen.

00:30:02: Ralf: Wenn wir so ein, sagen wir, wir haben jetzt irgendwas gebastelt und sagen,

00:30:06: Ralf: oh, wir haben jetzt einen Supervised Learning Algorithmus, der,

00:30:09: Ralf: und wir haben jetzt 100 Datensätze von mir aus, dann nehmen wir einen gewissen

00:30:13: Ralf: Teil dieser Datensätze und,

00:30:15: Ralf: geben da die Antwort jeweils dem Algorithmus vor. Daran trainiert der dann sozusagen.

00:30:20: Ralf: Und wir müssen aber schauen, dass wir noch ein paar Daten übrig lassen,

00:30:23: Ralf: wo wir dann schauen, ob das eigentlich überhaupt richtig ist.

00:30:25: Ralf: Also solange wir nur trainieren, haben wir nie eine Information darüber,

00:30:29: Ralf: ob unser Programm jetzt die richtige Zuordnung trifft, beispielsweise mit der Katze- oder Hundfrage.

00:30:35: Ralf: Und dann brauchen wir noch eine gewisse Anzahl an Sachen, die wir dem Algorithmus

00:30:40: Ralf: geben können, nicht verraten, was sozusagen am Ende bei rauskommen sollte.

00:30:44: Ralf: Eigentlich nur, um es so ein bisschen beispielhaft zu machen,

00:30:47: Ralf: wie das irgendwie konzeptiert ist.

00:30:48: Clemens: Oder idealerweise sogar auf einem ganz neuen Datensatz, der zwar Ähnliches beinhaltet, aber ja.

00:30:53: Hanna: Also, um das Ganze jetzt am Ende nochmal einmal ganz kurz zusammenzufassen.

00:30:57: Hanna: Wir sind jetzt so ein bisschen in die Breite gegangen, haben ein bisschen von jedem mal was erzählt.

00:31:01: Hanna: Um das jetzt nochmal abzuschließen, was Ralf am Anfang schon angerissen hat.

00:31:05: Hanna: Wenn wir uns diesen ganzen Riesenkomplex künstliche Intelligenz einmal anschauen,

00:31:09: Hanna: dann haben wir sozusagen eine Riesenblase, einen Riesenbereich,

00:31:12: Hanna: der künstliche Intelligenz umfasst. Da gehören ganz viele Dinge zu,

00:31:16: Hanna: die teilweise schon aus den 50ern sind.

00:31:18: Hanna: Das sind teilweise aus heutiger Sicht relativ einfache Technologien.

00:31:22: Hanna: Sowas wie der in den 90ern berühmt gewordene Schachcomputer,

00:31:26: Hanna: der gehört in diese Kategorie hinein.

00:31:29: Hanna: Und dann kommen immer dezidiertere Algorithmen oder immer dezidiertere Programme

00:31:36: Hanna: und das, wovon wir viel sprechen, ist Machine Learning.

00:31:39: Hanna: Das ist sozusagen ein Teilbereich der künstlichen Intelligenz.

00:31:42: Hanna: Das heißt, das ist sozusagen eine Blase innerhalb der Riesenblase und da gibt

00:31:48: Hanna: es überwachtes Lernen, unüberwachtes Lernen und Reinforcement Learning.

00:31:52: Hanna: Auch da haben wir eben drüber gesprochen.

00:31:54: Hanna: Und wieder ein Teil von Machine Learning ist das Deep Learning,

00:31:58: Hanna: was Ralf vorhin angerissen hat, wo dann neuronale Netzwerke eine Rolle spielen,

00:32:03: Hanna: um das jetzt so nochmal so ein bisschen kurz zusammenzufassen.

00:32:07: Ralf: Tiefere neuronale Netzwerke.

00:32:10: Hanna: Entschuldigung. Tiefe neuronale Netzwerke.

00:32:12: Ralf: Normale neuronale Netze sind ja auch im Machine Learning mit drin.

00:32:15: Hanna: Das ist richtig.

00:32:16: Ralf: Da gibt es das rein Stochastische, weil du vorhin meinst, hätte man früher vielleicht

00:32:19: Ralf: auch eine andere Kategorie gepackt?

00:32:21: Clemens: Ich glaube auch, das ist zu doll. Das schneiden wir mal raus.

00:32:24: Ralf: Das schneiden dich raus.

00:32:27: Clemens: Allein der Stocht hat sich stark. Das geht nicht, das kann man nicht.

00:32:30: Hanna: Nein, ein Fehler zu korrigieren ist ja richtig.

00:32:32: Ralf: Wenn wir trotzdem das Perzepton jetzt machen, den runtergelampft davon.

00:32:36: Ingmar: Rausschneiden können wir es auf jeden Fall danach immer noch.

00:32:38: Ralf: Das kann ein harter Tobak sein, aber ich hätte jetzt gesagt,

00:32:41: Ralf: die Hoffnung wäre ja, dass die Leute, die das hören,

00:32:45: Ralf: Ah, jetzt habe ich irgendwas gehört, was ich vorher noch nicht wusste.

00:32:48: Ralf: Ich habe so ein bisschen verstanden, was da passiert.

00:32:51: Clemens: Na gut, also ich...

00:32:52: Ralf: Das ist mein Gedanke dabei.

00:32:53: Ingmar: Aus demnächst das perfekte Codewort.

00:32:55: Ralf: Angriff der Perzeptrone.

00:32:58: Ingmar: Optimus Prime. Die Rache der Perzeptronen.

00:33:01: Clemens: Na eigentlich, da hast du ja sogar recht, in dem Sinne,

00:33:06: Clemens: diese Datenanalyse mit, man hat eine Excel-Tabelle oder eine Datenbank halt. Und da sind...

00:33:13: Ingmar: Oder ein Fax.

00:33:14: Clemens: Ja, oder ein Fax.

00:33:17: Clemens: Da sind halt Tabellen drin erstmal. Das ist ja die klassische Forschungssache

00:33:24: Clemens: in der Medizin bislang gewesen, muss man ja sagen.

00:33:27: Clemens: Du rennst irgendwo rum, früher hattest du deinen Chart dabei,

00:33:30: Clemens: dann hast du irgendwann dein Excel-Ding rumgeschleppt und inzwischen hast du

00:33:34: Clemens: meinetwegen dein Handy dabei und kannst da Daten eintippern. Ist ja auch egal.

00:33:38: Clemens: Aber worauf es ja eigentlich hinauslaufen kann oder soll,

00:33:42: Clemens: ist, dass ja viele der wirklich menschlichen Sachen, also auch sowas wie Gestalt,

00:33:47: Clemens: ja, also clinical gestalt, so Zeug, dass das auch da einwirken kann in diese

00:33:53: Clemens: Algorithmen, aber das kannst du halt nicht als Exit-Tabelle verpacken.

00:33:56: Clemens: Also klar, du kannst 200 Ärzte fragen, wie findet, also Looks like shit, ja oder nein,

00:34:02: Clemens: das hätte wahrscheinlich gute Werte unterm Strich, aber eigentlich wäre es ja

00:34:08: Clemens: cooler, ein Foto oder ein Video oder eine Audiodatei vom Patienten zu haben.

00:34:13: Ralf: Die neuen Captures von Leuten, die scheiße oder nicht scheiße aussehen.

00:34:19: Ralf: An welchen Stellen sieht dieser Patient scheiße aus?

00:34:22: Clemens: Ja, wirklich, ja, also das ist ja eigentlich das Coole, deswegen hast du völlig

00:34:27: Clemens: recht, dass man eigentlich vielleicht diese Deep-Learninger noch eher als,

00:34:31: Clemens: weil ich würde fast schon sagen, viele der klassischen Machine-Learning-Algorithmen

00:34:35: Clemens: sind eigentlich nur aufgemotzte Statistik-Modelle.

00:34:38: Clemens: Also das dürfen wir natürlich nicht sagen, weil dann regen sich alle Statistiker.

00:34:41: Clemens: Also das ist alles nicht dasselbe, aber die Statistiker, vor 20 Jahren hat man

00:34:46: Clemens: halt Statistik gemacht und jetzt überlappt sich das alles irgendwie und was

00:34:50: Clemens: als nächstes kommt, wahrscheinlich oder schon kommt,

00:34:52: Clemens: ist halt aus Daten oder aus Sachen,

00:34:56: Clemens: die bislang nicht als sonderlich informativ galten.

00:34:59: Clemens: Noch mehr Informationen rauszuholen. Also meinetwegen EKG, hat gewissen Informationsgehalt,

00:35:05: Clemens: aber man kann ja offensichtlich sogar die EF davon ableiten,

00:35:08: Clemens: den Body Mass Index, das Alter, an Augen Hintergrund Fotos kann man das Geschlecht sehen.

00:35:14: Ingmar: Aber dann lass uns doch wirklich nochmal auf die kleinste Einheit irgendwie zurückspringen.

00:35:19: Clemens: Ja genau, deswegen wollte Ralf jetzt nur zustimmen, dass er das doch erklären soll.

00:35:22: Ingmar: Das hast du wirklich ausufernd gemacht.

00:35:24: Clemens: Kein Thema. Ein kleiner Teil, was wir gleich noch erzählen, sollte doch eigentlich

00:35:29: Clemens: sein, dass sich gerade Medizin gut dafür anbietet, für diese ganzen,

00:35:34: Clemens: Geschichten und dass es nicht mehr so schwierig ist, auch mitzuspielen,

00:35:38: Clemens: wie man vor zehn Jahren gedacht hätte. Oder so.

00:35:41: Clemens: Und dass es inzwischen schon ganz viel Tutorials und Auto-M,

00:35:46: Clemens: was es ich nicht alles gibt, wo auch Dullis wie wir sowas mal aussehen.

00:35:50: Hanna: Du meinst also auch so Hobby...

00:35:52: Ingmar: Hobbyisten.

00:35:53: Clemens: Und wer darauf Bock hat und dann gibt es halt hier, weiß ich nicht,

00:35:56: Clemens: eine kleine Tabelle mit Kram, die man sich angucken kann.

00:35:58: Ralf: Wie man vielleicht schon gemerkt hat an den ganzen Dingen, wie wir uns da in

00:36:02: Ralf: unseren tiefen Themen verhaspeln, ist das alles relativ kompliziert.

00:36:06: Ralf: Und so, unser Anspruch ist nicht, dass man am Ende verstanden haben soll nach

00:36:11: Ralf: dieser Folge, wie Machine Learning geht.

00:36:14: Ralf: Aber wir wollen ja trotzdem versuchen, ein bisschen was zu vermitteln an Wissen

00:36:17: Ralf: oder zumindest den kleinsten Teil davon, also den kleinsten Teil eines neuronalen

00:36:23: Ralf: Netzes, nämlich das Neuron oder Perzeptron, wie es getauft wurde,

00:36:27: Ralf: versuchen mal so ganz vereinfacht,

00:36:29: Ralf: und es ist wirklich vereinfacht, zu erklären und darzustellen.

00:36:33: Ralf: Das Ganze ist so in den 50ern von einem Herrn Frank Rosenblatt,

00:36:37: Ralf: den hatte ich vorhin schon mal kurz erwähnt, aufgestellt worden,

00:36:39: Ralf: das Konzept, indem er ein Neuron nachbauen wollte, wobei man am Ende sagen muss,

00:36:44: Ralf: das ist nur eine mathematische Darstellung.

00:36:48: Ralf: Wir stellen uns den Zellkörper vor, wo die ganzen Informationen ankommen,

00:36:56: Ralf: die dann da verarbeitet werden.

00:36:58: Ralf: Und die Informationen, die da ankommen, das sind die Features in der Begrifflichkeit.

00:37:02: Ralf: Das sind einfach Eingangswerte. Das sind numerische Werte. Und dann gibt es

00:37:06: Ralf: manchmal noch so ein Bias-Neuron, aber das klammern wir jetzt einfach mal aus.

00:37:09: Ralf: Sondern es kommen einfach Eingangswerte ein, die einen Zahlenwert haben.

00:37:14: Ralf: Und das kann 1 oder 0 sein, das kann aber auch irgendwas dazwischen sein,

00:37:18: Ralf: von Minus bis Plus und endlich.

00:37:20: Ralf: Das sind in der Analogie gedacht die Synapsen.

00:37:25: Ralf: Die praktisch bei den Dendriten ankommen von dem klassischen Neuron,

00:37:29: Ralf: wo inhibierende oder aktivierende Aktionspotenziale am Neuron ankommen,

00:37:35: Ralf: die dann verarbeitet werden.

00:37:37: Ralf: Also Zahlen kommen an, inhibierend oder aktivierend mit Plus- oder Minuswerten.

00:37:42: Ralf: Und ähnlich wie im echten Gehirn brauchen die aber noch eine Gewichtung.

00:37:46: Ralf: Also ist diese Information, dieses Feature 1, besonders wichtig oder besonders unwichtig?

00:37:52: Ralf: Und das ist einfach wieder ein Faktor,

00:37:55: Ralf: eine Zahl, mit der sozusagen dieser Eingangswert multipliziert wird.

00:38:01: Ralf: Wir haben Features-Zahlen, die werden multipliziert mit jeweils für das Feature-spezifische

00:38:06: Ralf: Gewichtungen und das wird dann alles zusammengerechnet.

00:38:10: Ralf: Das ergibt dann wieder eine Zahl. Und diese Zahl wird in eine Aktivierungsfunktion eingesetzt,

00:38:16: Ralf: wo dann am Ende, wenig überraschend, wieder eine Zahl rauskommt und diese Zahl

00:38:21: Ralf: wird dann entweder weitergegeben an die Neurone oder, wenn man das ganz versimpelt

00:38:25: Ralf: denken will, sagt sie 1 oder 0.

00:38:27: Ralf: Wenn wir da eine Entscheidung draus treffen wollen, würden, beispielsweise,

00:38:30: Ralf: ob wir heute Abend Pizza bestellen oder nicht, oder noch zum Italiener gehen oder nicht,

00:38:34: Ralf: dann kann da 1 oder 0 rauskommen und dann wird zum Beispiel die Entscheidung

00:38:38: Ralf: getroffen, oder halt eben eine Zahl dazwischen, die dann ans nächste Neuron weitergegeben wird.

00:38:43: Ralf: Ich hoffe, das war so die kürzeste Version, wie man sich das vorstellen kann.

00:38:47: Ralf: Also es gibt Eingangswerte, die haben Gewichtungen, die werden aufsummiert,

00:38:52: Ralf: kommen in eine Funktion rein, die unterschiedlich sein kann.

00:38:54: Ralf: Die haben unterschiedliche Verlauf, das kann so eine Stufe sein,

00:38:56: Ralf: diese Funktion, die tatsächlich zwischen 0 und 1 dann einfach nur steig aufgeht oder sigmoidal.

00:39:01: Ralf: Und ganz viele davon sind dann praktisch, können ein neuronales Netz bilden.

00:39:07: Ralf: Und was man jetzt vielleicht noch sich so ein bisschen vorstellen muss,

00:39:09: Ralf: ist die Frage, wie wichtig ist denn eigentlich, oder wie kommt man dann auf

00:39:13: Ralf: die richtige Gewichtung dieser einzelnen Eingangswerte?

00:39:18: Ralf: Und das ist so ein bisschen der Trick, wofür es auch den Physik-Nobelpreis am Ende gab dieses Jahr,

00:39:24: Ralf: dass man eine Methode hat, dass diese Sachen sich aus dem Fehler der dem,

00:39:29: Ralf: was das neuronale Netz in seinen ersten Sachen herausgibt, dass man das anpasst

00:39:33: Ralf: und das wieder sozusagen da reinschubst, zurück.

00:39:36: Ralf: Backpropagation heißt es, um dann über langes Training diese richtigen Gewichtungen zu bekommen.

00:39:40: Ralf: Die werden am Anfang tatsächlich komplett randomisiert gewählt und entwickeln

00:39:44: Ralf: sich dann über das Training des neuronalen Netzes.

00:39:47: Ralf: Und jetzt höre ich auch auf damit und ich hoffe, dass es nicht zu sehr verwirrend war.

00:39:51: Clemens: Man muss ja grundsätzlich sagen, dass die Medizin sich besonders anbietet für

00:39:55: Clemens: sowas, aber natürlich neben allen anderen Lebensbereichen eigentlich auch.

00:39:59: Clemens: Und innerhalb der Medizin gibt es dann halt verschiedene Vorreiter,

00:40:04: Clemens: sage ich mal, also allen voran vielleicht Radiologie,

00:40:08: Clemens: einfach wegen sehr, sehr vielen Bilddaten, die da generiert werden,

00:40:12: Clemens: aber halt auch Anästhesiologie,

00:40:14: Clemens: Intensivmedizin, die eben die Grundlage bilden für diese Algorithmen in dem

00:40:19: Clemens: Sinne, dass halt extrem viel Daten gesammelt und generiert werden und das noch

00:40:24: Clemens: dazu auch in vielen Krankenhäusern automatisiert.

00:40:28: Clemens: Also man muss nicht hingehen und wie bei einer klassischen Studie Daten manuell irgendwie erfassen,

00:40:34: Clemens: sogar mit Menschen reden oder

00:40:36: Clemens: sowas, sondern es werden mehr oder weniger automatisiert Daten erhoben,

00:40:41: Clemens: also zum Beispiel auf der Intensivstation und die bieten sich eben aufgrund

00:40:46: Clemens: ihrer strukturierten Art und Weise besonders an, um eben damit Machine Learning

00:40:50: Clemens: Algorithmen zu füttern.

00:40:51: Clemens: Und es gibt halt auch harte Outcome-Faktoren.

00:40:55: Clemens: Also wenn man jetzt gerade in der Intensivmedizin schaut,

00:41:00: Clemens: Also Versterben versus Nichtversterben ist halt was, das ist nicht subjektiv.

00:41:03: Clemens: Also das kann man halt gut messen.

00:41:10: Clemens: Und da gibt es halt ein hartes Outcome sozusagen.

00:41:14: Clemens: Das ist meinetwegen anders, als wenn man jetzt zum Beispiel eine psychologische

00:41:19: Clemens: Studie macht oder so, wo auch viel Subjektivität drin ist. Was nicht heißt,

00:41:23: Clemens: dass nicht auch die Psychologie oder Psychiatrie oder sonst welche Fächer sich für KI anbieten würden.

00:41:29: Clemens: Das habe ich jetzt nicht gesagt, aber wir haben halt in unserem Fachbereich

00:41:33: Clemens: einen dieser Vorteile eben, dass man viele Daten sammelt und das automatisiert

00:41:38: Clemens: macht und eben auch harte Outcomes hat.

00:41:41: Clemens: Und trotzdem unterm Strich ist es natürlich wenig in der eigentlichen Klinik

00:41:46: Clemens: angekommen, was aber vielleicht auch gute Gründe hat bislang,

00:41:48: Clemens: weil wenn man jetzt nicht Deutschland anguckt, hat man ja dann doch noch Datensilos,

00:41:55: Clemens: also einzelne Unis oder Forschende oder wie auch immer, die schon auch Schwierigkeiten

00:42:01: Clemens: noch haben, Daten zu teilen.

00:42:02: Clemens: Dann hat man eben bestimmte Biases in diesen Daten Und wenn man das eben nicht

00:42:08: Clemens: zusammenführt auf nationaler oder europäischer oder internationaler Ebene,

00:42:12: Clemens: dann ist es halt schwierig, so einen Algorithmus auch entweder kommerziell oder

00:42:17: Clemens: klinisch zu verwenden, weil er eben vielleicht nur mit den lokalen Daten gut

00:42:21: Clemens: funktioniert. Ralf, möchtest du was sagen?

00:42:23: Ralf: Ja, damit brichst du ja ein ganz großes Problem eigentlich an,

00:42:26: Ralf: was wir in Deutschland, aber glaube ich auch in der ganzen Welt ein Stück weit

00:42:29: Ralf: haben, dass ein Problem und gleichzeitig auch das Problem,

00:42:35: Ralf: Die große Stärke von dem, was wir jetzt, wenn wir sagen Machine Learning,

00:42:38: Ralf: der Überbegriff ist, nämlich extrem riesige Datensätze überhaupt zu verarbeiten

00:42:44: Ralf: und sehr genau sich alles anschauen zu können.

00:42:47: Ralf: Das ist ja das, was im Prinzip das Ganze von uns unterscheidet als Menschen,

00:42:50: Ralf: dass die schiere Zahl an Daten, die verarbeitet werden können,

00:42:54: Ralf: der Detailgrad, mit dem sich Bilder oder kleine Fluktuationen angeschaut werden

00:42:59: Ralf: können, da ist ja genau die große Kraft und das große Problem andersrum,

00:43:03: Ralf: dass wir halt eben nicht die Daten zusammenkriegen.

00:43:05: Ralf: Und teilweise, weil es irgendwie Sorge gibt, dass die anderen was mit den eigenen

00:43:09: Ralf: tollen Daten machen würden.

00:43:11: Clemens: Gut, teilweise auch einfach gerechtfertigte Datenschutzprobleme,

00:43:14: Clemens: gerade in der Medizin. Also diese Daten sind halt sehr sensibel.

00:43:18: Ralf: Aber wobei man ja auch sagen würde, eigentlich gibt es Konzepte,

00:43:21: Ralf: die etabliert wären, um Daten zu anonymisieren, sodass man sagen kann,

00:43:26: Ralf: es ist datenschutzkonform.

00:43:27: Ralf: Also ich glaube, das ist ein Problem, aber nicht, wenn man es ganz rational runterbricht.

00:43:33: Clemens: Klar, es gibt die Techniken dafür länger, aber...

00:43:35: Ralf: Und das andere große Problem ist so ein Stück weit die Interoperabilität von

00:43:41: Ralf: den Datensätzen, die es halt gibt.

00:43:45: Ralf: Die Maschine in Anführungsstrichen, die braucht sozusagen entweder SI-Einheiten

00:43:51: Ralf: oder andere Einheiten, aber es muss zumindest immer das gleiche sein,

00:43:54: Ralf: wenn wir da irgendwelche Laborwerte zum Beispiel reinschmeißen wollen oder das

00:43:58: Ralf: muss auch gleich benannt sein.

00:43:59: Ralf: Also das ist ein ganz großes Problem, was wir noch haben, dass die Daten nicht gleich gelabelt sind.

00:44:05: Ralf: Dann ist es manchmal Blutdruck, manchmal ist es RR, manchmal ist es RR-SYS oder was auch immer.

00:44:11: Clemens: Und dafür gibt es ja auch viele Ansätze.

00:44:13: Ralf: Genau, da gibt es Konzepte, die wir am besten glaube ich gar nicht tiefer besprechen,

00:44:18: Ralf: um es nicht noch schlimmer zu machen, aber das ist auf jeden Fall was,

00:44:21: Ralf: worüber wir kämpfen und glaube ich die Medizin-Informatik-Initiative,

00:44:24: Ralf: die es so als Konzept in Deutschland gibt, versuchen will. Zu tun hat.

00:44:28: Clemens: Zu tun hat.

00:44:29: Ralf: Zu tun hat. Ja, genau. Punkt.

00:44:31: Clemens: Ja, ich meine, letztlich ist es ja ein politisches Problem, dass in vielen Bereichen

00:44:36: Clemens: in Deutschland dann doch keine übergeordneten Standards gibt und die Digitalisierung

00:44:41: Clemens: auch noch nicht so weit fortgeschritten ist, wie das vielleicht in anderen,

00:44:45: Clemens: Ländern oder Bereichen sein könnte oder ist. Ja.

00:44:49: Clemens: Aber gut, ich meine, wir wollen jetzt auch nicht rumjammern.

00:44:52: Hanna: Was ich eben noch gedacht habe, was da so ein bisschen mit drinsteckt in dieser

00:44:55: Hanna: Frage, wie viele Daten haben wir, was können wir verarbeiten und wo vielleicht

00:44:59: Hanna: auch die Frage drinsteckt, was Vertrauen in neue Technologien schafft und wie

00:45:04: Hanna: man das besser verständlich machen kann.

00:45:06: Hanna: Es ist ja so ein bisschen so, wenn wir uns überlegen.

00:45:09: Hanna: Was führt unter anderem dazu, dass wir mit der Zeit, die wir unseren Beruf machen,

00:45:14: Hanna: die wir immer mehr Patienten sehen, dass wir besser werden.

00:45:17: Hanna: Wir lernen zum einen ganz bewusst in gewissen Situationen A oder B zu tun,

00:45:22: Hanna: weil wir Dinge trainieren, aber man entwickelt ja mit der Zeit und ich glaube,

00:45:26: Hanna: das wissen wir alle und das kennen wir auch von Kollegen, so ein Gefühl für

00:45:31: Hanna: Patientinnen und Patienten.

00:45:32: Hanna: Man kommt irgendwie in eine Situation und sieht sich was an und hat irgendwie

00:45:35: Hanna: ein Gefühl von, irgendwie ist das nicht gut, jemand ist krank,

00:45:39: Hanna: irgendwie sollten wir das und das tun, ohne dass man das so richtig benennen und beschreiben kann.

00:45:43: Hanna: Ich glaube, das ist so ein bisschen das, was teilweise total runtergebrochen

00:45:47: Hanna: und jetzt sehr vereinfacht dargestellt. Aber ich glaube, das ist so ein bisschen

00:45:50: Hanna: ein Stück weit schon auch das, was manche Algorithmen, manche Deep Learning Algorithmen noch tun.

00:45:55: Hanna: Also man schmeißt irgendwie was rein und niemand weiß so richtig,

00:45:58: Hanna: was da drin abläuft und am Ende kommt was raus.

00:46:00: Hanna: Nur, dass halt so ein Programm, ein Deep Learning Algorithmus mit viel,

00:46:05: Hanna: viel mehr Daten arbeiten kann als wir. Also wir nehmen auch viel auf,

00:46:08: Hanna: aber wir sind einfach gar nicht in der Lage, alles aufzunehmen, was da ist.

00:46:11: Hanna: Also wir gucken uns einen Patienten an oder eine Patientin haben einen Eindruck

00:46:14: Hanna: davon, verarbeiten vielleicht noch so ein paar Vitalparameter,

00:46:18: Hanna: aber können ja gar nicht alles aufnehmen.

00:46:20: Hanna: Und wenn ein System in der Lage ist, alles zu verarbeiten und die Erfahrung

00:46:24: Hanna: von, ich weiß nicht wie vielen Datensätzen, mit aufzunehmen.

00:46:28: Hanna: Dann zeigt das irgendwie, was da drin steckt, auch an Potenzial,

00:46:32: Hanna: wenn wir überlegen, was wir als Menschen mit unserem kleinen, einfachen,

00:46:36: Hanna: begrenzten Gehirn, also was ja eine gewisse, auf gewisse Art und Weise begrenzte

00:46:41: Hanna: Rechenleistung hat, schon irgendwie in der Lage sind,

00:46:44: Hanna: ein Gefühl für eine Situation zu generieren.

00:46:48: Ralf: Wir nehmen ja Informationen auf,

00:46:49: Ralf: aber wir können sie teilweise gar nicht benennen, was wir da aufnehmen.

00:46:52: Hanna: Das meine ich ja. Also wir wissen gar nicht, wo kommt das jetzt eigentlich her.

00:46:54: Hanna: Also wir können, manche Dinge können wir ganz klar benennen,

00:46:56: Hanna: weil wir sagen, okay, der Blutdruck, der ist halt Schrott und das ist ein sehr,

00:46:59: Hanna: sehr valides Argument dafür, X oder Y zu tun.

00:47:02: Hanna: Aber manchmal haben wir ja, wie gesagt, so dieses, okay, irgendwie ist die Gesamtsituation

00:47:06: Hanna: schlecht und ich weiß gar nicht, warum ich gerade das Gefühl habe, aber ist halt so, ja.

00:47:10: Ingmar: Gibt es denn schon validierte Anwendungen?

00:47:12: Ralf: Ja, also ich habe, es gibt bestimmt mehr als das, aber ich habe eine gefunden.

00:47:17: Ralf: Und zwar mit dieser ganz großen Frage,

00:47:21: Ralf: wann löst KI die Radiologie ab, wo ja immer so ein bisschen sich die Leute die

00:47:26: Ralf: Köppel drüber einhauen und ich da jetzt auch gar nicht Stellung zu beziehen

00:47:30: Ralf: will, aber es gibt eben eine CE-zertifizierte Anwendung von einem Unternehmen,

00:47:33: Ralf: das anbietet, ein Röntgen-Thorax zu befunden und die sagen Bescheid,

00:47:42: Ralf: wenn es Auffälligkeiten gibt.

00:47:44: Ralf: Und wenn es keine Auffälligkeiten gibt, dann wird einfach, ohne dass irgendwie

00:47:48: Ralf: ein Arzt oder ein Ärztin nochmal drüber geschaut hat, einen Bericht generiert

00:47:52: Ralf: er dann in der Sprache, wie du sie haben willst.

00:47:55: Ralf: Alles gut, das ist ein normaler Röntgen-Thorax. Die kommen, glaube ich,

00:47:59: Ralf: aus Litauen. Ich weiß nicht, sollen wir den Namen da sagen oder nicht?

00:48:03: Ingmar: Kannst du, glaube ich, sagen.

00:48:04: Ralf: Also Oxypit nennen die sich und die bieten das für die Röntgen-Thoraxes an und

00:48:11: Ralf: bieten das jetzt wohl aber auch, und das habe ich jetzt aber nicht rausgefunden,

00:48:14: Ralf: inwiefern das jetzt schon wirklich validiert ist zu Ende für Mammografien,

00:48:19: Ralf: muskuloskeletale Röntgenbilder und CT-Bilder an.

00:48:23: Ralf: Also die, um auch nochmal für die Verarbeitungsfähigkeit von so einer KI jetzt wieder zu sprechen,

00:48:32: Ralf: die sagen, schick uns all die Bilder, die ihr habt, in den letzten sechs Monaten

00:48:37: Ralf: und in sieben Tagen haben wir das einmal für euch rückwirkend qualitätskontrolliert

00:48:41: Ralf: und haben sozusagen alles durchgearbeitet.

00:48:43: Ralf: Und da wird irgendwie aus meiner Sicht irgendwie klar, dass das unter Umständen

00:48:47: Ralf: viel, viel schneller geht.

00:48:48: Ralf: Ich will damit nicht sagen, dass man in Zukunft keinen Radiologen mehr braucht,

00:48:52: Ralf: aber ich glaube, das Feld wird sich verändern.

00:48:54: Ralf: Und vielleicht ist der eine oder andere oder die eine oder andere sogar ganz

00:48:56: Ralf: dankbar, wenn sie keinen Normalbefund

00:48:58: Ralf: mehr schreiben müssen für einen Röntgen-Thorax, wo alles in Ordnung ist.

00:49:02: Ralf: Also das reißt ja diesen nächsten Punkt an.

00:49:05: Ralf: Wie wird sich das verändern und welchen Einfluss hat das auf uns und ist das

00:49:09: Ralf: gut und schlecht und wie gehen wir als Arbeitende in der Medizin damit um?

00:49:14: Ralf: Wo wahrscheinlich keiner so eine richtige Antwort hat bisher.

00:49:18: Ralf: Außer vielleicht man darf es nicht ignorieren.

00:49:20: Ingmar: Ja, ich glaube am Ende ist Beheben, Innovationen, vorherrschende Mängel.

00:49:26: Ingmar: Also das sind ja die Treiber von Innovationen, so wird es zumindest immer formuliert.

00:49:31: Ingmar: Und dass wir jetzt mit der Computerisierung von Diagnostik zum Beispiel möglicherweise

00:49:39: Ingmar: einen Weg eröffnen, der uns demografischen Wandel, Fachkräftemangel kompensieren könnte.

00:49:46: Ingmar: Indem wir eben die Ressourcen, die wir haben, die menschlichen Ressourcen,

00:49:50: Ingmar: auf das bündeln können, wo wir gerne noch Menschen sehen möchten und dafür andere

00:49:57: Ingmar: Bereiche vielleicht ein bisschen mehr den Maschinen überlassen,

00:50:00: Ingmar: wo wir es mit gutem Gewissen vielleicht auch tun können. Also ich bin hin und her gerissen.

00:50:05: Ingmar: Auf der einen Seite ist das natürlich eine Bedrohung für uns als Menschheit,

00:50:09: Ingmar: wenn irgendwelche Rogue-AIs, wo wir nicht in die Blackbox reinschauen können,

00:50:15: Ingmar: Dinge tun und entscheiden, die wir nicht nachvollziehen können.

00:50:18: Ingmar: Auf der anderen Seite ist es natürlich auch eine riesige Chance für uns,

00:50:22: Ingmar: uns so eine Technologie zunutze zu machen. Wie steht ihr da dazu? Was denkt ihr?

00:50:27: Hanna: Also ich verstehe, dass es gibt gewisse Vorbehalte und Ängste,

00:50:30: Hanna: die sicherlich auch immer wichtig sind.

00:50:32: Hanna: Also ich glaube in jedem neuen Bereich ist es wichtig, dass es Leute gibt,

00:50:36: Hanna: die auf potenzielle Gefahren hinweisen und dass es Leute gibt,

00:50:40: Hanna: die sehr progressiv vorgehen und dass man irgendwie eine gesunde Mitte findet

00:50:43: Hanna: und trotzdem sich Gefahren bewusst ist.

00:50:46: Hanna: Ich glaube aber, das, was du eben angerissen hast, das wird wahrscheinlich irgendwann

00:50:49: Hanna: das Thema sein, was überhandnimmt, weil wir uns ja vielleicht irgendwann fragen müssen, wollen wir,

00:50:55: Hanna: Dinge, die vielleicht tatsächlich auf absehbare Zeit nur von Menschen gemacht werden können.

00:51:02: Hanna: Wirklich noch Menschen, also es gibt Dinge, die können nur Menschen machen und es gibt Dinge,

00:51:07: Hanna: die können auch Maschinen machen und können sie ähnlich gut oder vielleicht

00:51:09: Hanna: teilweise sogar besser machen und wollen wir dann beispielsweise noch in Anführungsstrichen

00:51:14: Hanna: menschliche Ressourcen verschwenden für Dinge, die auch Maschinen machen können,

00:51:18: Hanna: wenn wir an anderen Stellen gar nicht genug Leute haben, die die Dinge machen,

00:51:22: Hanna: die nur Menschen machen können.

00:51:24: Hanna: Und ich glaube, dass man sich dann irgendwann spätestens dann fragen muss,

00:51:30: Hanna: wollen wir das so und ist nicht die Gefahr,

00:51:32: Hanna: KI nicht zu nutzen, technisch mögliche Dinge nicht zu machen,

00:51:36: Hanna: obwohl es geht, ist da nicht der Schaden am Ende größer.

00:51:39: Hanna: Also ich glaube, wie in allen Bereichen macht man eine Kosten-Nutzen-Analyse

00:51:42: Hanna: und irgendwann wird eins überwiegen und zum einen, manche Dinge sind bequemer,

00:51:46: Hanna: das merken wir glaube ich jetzt schon an manchen Stellen,

00:51:49: Hanna: dass KI Dinge leichter macht, auf die man vielleicht auch gar keine Lust hat,

00:51:53: Hanna: aber es wird glaube ich auch die Bereiche geben, wo es nicht nur darum geht,

00:51:57: Hanna: Dinge leichter zu machen, sondern Dinge überhaupt bewerkstelligen zu können,

00:51:59: Hanna: die man vielleicht aufgrund von mangelnden personellen Ressourcen sonst gar

00:52:03: Hanna: nicht bewerkstelligen könnte.

00:52:04: Ralf: Ich finde, es hat vor allem auch das Pot, also ich glaube, dieser Kostenpunkt,

00:52:09: Ralf: den du angesprochen hast, der ist, glaube ich, ganz entscheidend bei der Frage,

00:52:13: Ralf: auch ab wann wird welcher Fachbereich in welchem Maß ersetzt durch ein Programm.

00:52:17: Ralf: Weil sobald, also das ist meine persönliche Meinung, aber sobald die ersten

00:52:21: Ralf: Studien zeigen, dass Programm XY statistisch weniger oder gleich wenig Fehler

00:52:28: Ralf: macht wie der Mensch, dann...

00:52:31: Ralf: Wird das angeschafft, dann wird man schauen, wie teuer ist das Programm,

00:52:33: Ralf: wie lange, wie viele Stellen müsste ich dafür streichen, okay passt das,

00:52:37: Ralf: ab wann komme ich in den grünen Bereich mit dem Programm und dann wird es passieren.

00:52:41: Ralf: Das ist aber meine persönliche Meinung. Das ist jetzt so ein bisschen dystopisch,

00:52:46: Ralf: aber ich sehe da auch ganz viel Potenzial für die größere Welt,

00:52:52: Ralf: wenn wir eine Möglichkeit haben mit einem Foto eines Smartphones oder mit einer

00:52:58: Ralf: ganz einfachen Telemetrie,

00:53:00: Ralf: wo aber dann eine KI drüber läuft, die viel mehr Daten aus diesen ganzen Sachen ziehen kann.

00:53:04: Ralf: Wir hätten da auch noch ein paar Beispiele, wo fancy Shit aus einfachen Daten

00:53:09: Ralf: rauskommt, den man gar nicht so als Mensch erwartet hätte.

00:53:12: Ralf: Dann hat das ja die Möglichkeit, auch in Regionen auf der Erde mehr medizinische

00:53:17: Ralf: Expertise zu bringen oder mehr diagnostische Möglichkeiten reinzubringen und

00:53:20: Ralf: eigentlich ein Stück weit, wenn man hoffnungsvoll denken will,

00:53:24: Ralf: dann auch den weltweiten Wohlstand ein bisschen zu fördern.

00:53:26: Ralf: Weil was es viel gibt, ist glaube ich am Ende des Tages immer ein Telefon mit Internetzugang.

00:53:31: Ralf: Also das ist glaube ich inzwischen so weit verbreitet, dass selbst wenn es kein

00:53:35: Ralf: CT gibt, werden aber da die Ärzte und Ärztinnen trotzdem ein Smartphone haben in dem Krankenhaus.

00:53:42: Hanna: Aber ich glaube, was da natürlich auch immer so ein Stück weit drinsteckt,

00:53:45: Hanna: also zum einen die Angst, die über irgendwelche dystopischen Szenarien generiert

00:53:50: Hanna: wird von Maschinen, die uns beherrschen,

00:53:53: Hanna: sich am Ende selbst programmieren und dafür sorgen, dass sie nicht mehr wegzudenken

00:53:56: Hanna: sind und die Menschheit übernehmen.

00:53:57: Hanna: Ich meine, das ist irgendwie auch an Stellen sicherlich überzogen,

00:54:01: Hanna: aber diese Szenarien gibt es ja in irgendeiner Form und es gibt Leute,

00:54:06: Hanna: die das für realistischer und Leute, die das für unrealistischer halten, aber ich glaube,

00:54:10: Hanna: es fängt schon im Kleinen an, man muss glaube ich gar nicht so übertreiben,

00:54:14: Hanna: um auch sorgenvoll darauf blicken zu können, gerade wenn man aus einer Welt

00:54:19: Hanna: kommt oder in der Welt groß geworden ist, wo KI noch nicht so eine große Rolle spielt.

00:54:21: Hanna: Also wenn wir uns zum Beispiel vorstellen, wir sind Anästhesisten und wir sind

00:54:24: Hanna: es gewohnt als Anästhesistin in Deutschland, dass jeder Patient,

00:54:29: Hanna: jede Patientin in Narkose einen verantwortlichen

00:54:32: Hanna: Anästhesisten oder eine verantwortliche Anästhesistin hat,

00:54:35: Hanna: die für alles zum einen die Verantwortung trägt, aber sich auch um alles kümmert.

00:54:39: Hanna: Und dann ja, wenn wir uns jetzt vorstellen, ein paar Jahre weiter,

00:54:42: Hanna: haben wir einen Zentral-OP, wo fünf bis zehn Säle von einem Arzt,

00:54:47: Hanna: einer Ärztin betreut werden, weil es überall einen Algorithmus gibt und man

00:54:51: Hanna: sitzt an einer Schaltstelle.

00:54:52: Hanna: Und der Algorithmus hat alle Werte im Blick, hat eine Kamera auf den Patienten,

00:54:55: Hanna: auf die Patientin gerichtet und man kriegt nur eine Pop-up-Nachricht, wenn gesagt wird, okay,

00:55:01: Hanna: Wahrscheinlichkeit für notwendige Intervention in Saal 5 innerhalb der nächsten

00:55:06: Hanna: Minute hoch, geh da mal hin.

00:55:08: Hanna: Klingt jetzt erstmal, klingt ein bisschen nach Science Fiction,

00:55:11: Hanna: aber grundsätzlich erstmal ja denkbar.

00:55:14: Ralf: Mehr als denkbar finde ich.

00:55:16: Hanna: Genau, aber das klingt ja aus heutiger Sicht für viele, glaube ich,

00:55:19: Hanna: erstmal relativ gruselig, vor allen Dingen vielleicht aus Sicht der Patienten,

00:55:22: Hanna: die sagen, oh, das kann doch nicht sein.

00:55:23: Hanna: Dass das am Ende vielleicht wahrscheinlich sogar mit einer höheren Patientensicherheit

00:55:29: Hanna: einhergeht, weil einer Maschine viel weniger entgeht als uns, als Menschen.

00:55:34: Ingmar: Es wirft dir aber schon die Frage auf, was du als Mensch eigentlich für einen

00:55:40: Ingmar: Mehrwert bringst in der Medizin,

00:55:42: Ingmar: wenn die Assistenz- oder Unterstützungssysteme oder am Ende in der letzten Ausbaustufe

00:55:48: Ingmar: die vollständige Computerisierung übernimmt.

00:55:54: Ingmar: Und wir sind an einem Punkt, wo Large Language Models besser sprechen können,

00:56:02: Ingmar: empathischer agieren, bessere Briefe schreiben, in den großen Examen besser

00:56:10: Ingmar: abschneiden als Medizinstudierende.

00:56:15: Ingmar: Was ist dann unser Mehrwert?

00:56:16: Hanna: Vielleicht sind wir am Ende wie die Fernseh-Docs, die ihre Zeit dann tatsächlich damit verbringen,

00:56:23: Hanna: sich auf die Bettkante von Patientinnen und Patienten zu setzen und mit ihnen

00:56:28: Hanna: nett zu quatschen und ihnen das Gefühl von echter menschlicher Präsenz zu geben,

00:56:33: Hanna: während alles, was tatsächlich mit Medizin zu tun hat, von Maschinen im Hintergrund geregelt wird.

00:56:38: Ingmar: Ja, und ist das eine Dystopie oder eine Utopie?

00:56:41: Hanna: That's the question.

00:56:42: Ingmar: Das ist die Frage, ne?

00:56:42: Ralf: Ich glaube, am Ende ist es die Frage, kriegen wir es hin, dass künstliche Intelligenz

00:56:47: Ralf: was Gutes wird oder ob es was Schlimmes wird?

00:56:50: Ralf: Das ist, glaube ich, wie viele modernen Technologien, kann das richtig gut oder

00:56:55: Ralf: richtig schlecht ausgehen?

00:56:56: Ralf: Also Kernspaltung im weitesten Sinne oder...

00:57:01: Ralf: Und Gentechnik hat ja irgendwie alles das Potenzial, richtig gut und richtig

00:57:04: Ralf: schlecht zu sein, je nachdem, wie man weitergeht. Kurze Buchempfehlung dazu.

00:57:08: Ralf: Alive 3.0, Being Human in the Age of Artificial Intelligence,

00:57:13: Ralf: ist von einem MIT-Professor geschrieben, ist schon von 2017. Sinn ist.

00:57:17: Ralf: Also eigentlich, der hat diese ganze JGPT-Welle gar nicht in dem Maß mitgekriegt,

00:57:21: Ralf: als er es geschrieben hat.

00:57:22: Ralf: Aber der beschreibt mehrere Szenarien, die als Hauptszenarien gelten,

00:57:26: Ralf: wenn wir irgendwann eine generelle künstliche Intelligenz, also eine,

00:57:30: Ralf: die wirklich menschengleich ist, bekommen.

00:57:32: Ralf: Und es gibt sehr schöne Szenarien.

00:57:34: Ralf: Benevolent Rulers zum Beispiel, eins davon, was eigentlich schön klingt,

00:57:37: Ralf: wo man sagt, vielleicht sollten wir gar nicht so alles in der Hand haben.

00:57:41: Ralf: Vielleicht machen wir den Planeten eigentlich doch eher insgesamt so kaputt und sind zu egoistisch.

00:57:45: Hanna: Vielleicht machen wir den Planeten kaputt.

00:57:47: Ralf: Vielleicht hast du meinen Unterton erkannt. Und sind eigentlich gar nicht so

00:57:52: Ralf: richtig gut da drin, Frieden hinzukriegen oder irgendwie brav zu bleiben.

00:57:56: Ralf: Aber es gibt natürlich auch ganz dystopische Versionen.

00:57:59: Ralf: Aber jetzt nochmal auf diese Frage, welchen Mehrwert haben wir als Menschen?

00:58:03: Ralf: Habe ich eigentlich auch keine bessere Antwort, aber vielleicht eine lustige Studie.

00:58:09: Ralf: Aus dem JAMA Internal Medicine. Das war,

00:58:13: Ralf: ich weiß gar nicht, wann es publiziert wurde, aber das muss Anfang der 2020er

00:58:18: Ralf: Jahre gewesen sein, weil sie im Prinzip,

00:58:21: Ralf: 185 Fragen, medizinische Fragen aus Foren genommen haben und die beantwortet

00:58:28: Ralf: haben durch ärztliches Personal und ChatGPT 3.5 aus dem Stand von Oktober 2022 und diese Antworten,

00:58:38: Ralf: also beide Arten der Antworten, haben sie dann randomisiert medizinischem Fachpersonal

00:58:43: Ralf: gegeben, Also ärztlichen Personal.

00:58:45: Ralf: Und die sollten einmal die Qualität der Antworten beurteilen und wie empathisch die Antwort war.

00:58:51: Ralf: Also genau das, wo sich viele brüsten noch, das können wir doch viel besser als die Maschine.

00:58:57: Ralf: Also vor allem das Empathische, sagen wir manchmal, ja, geht nicht so gut aus

00:59:02: Ralf: für uns als Menschen, um es kurz zu machen.

00:59:05: Ralf: Also wenn man sich die Graphen anguckt, die ich jetzt nicht hier habe,

00:59:08: Ralf: aber im Prinzip der Chatbot ist eher bei VeryGood und die Physicians sind bei

00:59:11: Ralf: Acceptable und für die Quality und für die Empathie ist der Chatbot,

00:59:19: Ralf: also ChatGPT auch deutlich besser als wir als Menschen.

00:59:24: Ralf: Und das ist ja nun schon mal das ältere Modell. Also ich finde,

00:59:27: Ralf: das zeigt eigentlich schon so ein bisschen, wohin der Trend geht und eben auch,

00:59:32: Ralf: dass die Maschine, dass wir,

00:59:36: Ralf: wenn wir mit so einem Chatprogramm sprechen, ganz häufig Dinge machen,

00:59:39: Ralf: die so gar nicht notwendig wären.

00:59:42: Ralf: Also wir bedanken uns ja auch nicht bei unserem Auto, dass es angeht oder hoffen,

00:59:45: Ralf: dass es jetzt angeht, wenn wir Schlüssel umdrehen, aber wir sind manchmal höflich zu Chat-GPT.

00:59:50: Ralf: Oder zumindest die viele bauen irgendwelche Dinge ein, wo man sagen muss,

00:59:53: Ralf: das müsste gar nicht sein, weil wir eben dazu neigen, solchen Dingen eine Menschlichkeit

00:59:58: Ralf: zuzuordnen, also sie zu vermenschlichen.

01:00:00: Ralf: Und das ist im Prinzip auch schon in den 60er Jahren beschrieben worden von

01:00:05: Ralf: einem Herrn Joseph Weizenbaum, vielleicht ist er auch Deutscher gewesen,

01:00:08: Ralf: ich weiß es nicht ganz genau,

01:00:10: Ralf: der hat einen Vor-Vor-Vor-Vorgänger von JetGPT gemacht, eine ELISA-Maschine,

01:00:15: Ralf: die ganz simpel mit Menschen interagiert hat und die auf so bestimmte Codewörter

01:00:20: Ralf: reagiert hat und da ist ihm schon aufgefallen, dass die Menschen dem,

01:00:25: Ralf: ELISA-Programm extrem viel persönliche Informationen geben und eigentlich so

01:00:31: Ralf: mit dem sprechen, wie man mit einem normalen Menschen sprechen würde.

01:00:34: Hanna: Ich glaube, das geht schon los, wenn Menschen mit ihrem Staubsaugerroboter kommunizieren

01:00:39: Hanna: und ihm Namen geben und fragen, wo fährst du denn jetzt hin? Und solche Dinge.

01:00:45: Hanna: Was ich eben noch gedacht habe, was noch eine Dimension ist,

01:00:47: Hanna: die da glaube ich auch in dem Zusammenhang noch spannend ist,

01:00:50: Hanna: weil wir vorhin darüber gesprochen haben, dass wir ja vielleicht zunehmend auch

01:00:53: Hanna: fehlende menschliche Ressourcen haben, um gewisse Dinge zu machen.

01:00:56: Hanna: Ich glaube, spannend wird nochmal, wer am Ende davon profitiert und ob Ob die

01:01:00: Hanna: zunehmende Verwendung von KI und der Einzug von KI in immer mehr Berufsfelder dazu führen wird,

01:01:10: Hanna: dass wir als Menschen uns das Leben insgesamt leichter machen,

01:01:15: Hanna: leichter gut leben und am besten noch umweltfreundlich.

01:01:19: Hanna: Oder ob das am Ende dazu führt, dass sehr, sehr wenige mit dem Verkauf der Entwicklung sehr,

01:01:29: Hanna: sehr viel Geld generieren und am Ende es gar nicht dazu führt,

01:01:33: Hanna: dass es der Gesamtheit gibt.

01:01:36: Hanna: Besser geht oder dass wir als Gesellschaft davon profitieren,

01:01:39: Hanna: sondern dass es so auf, wisst ihr, was ich meine?

01:01:42: Hanna: Also dass am Ende irgendwie so ein paar Tech-Konzerne viel Geld generieren und

01:01:48: Hanna: wir nicht leichter unseren Job machen und trotzdem noch gut davon leben können,

01:01:52: Hanna: sondern vielleicht manche dann doch am Ende, also das ist wieder so ein dystopisches

01:01:57: Hanna: Szenario, aber manche am Ende dann vielleicht auch gar keinen Job mehr haben,

01:02:01: Hanna: weil sie vielleicht wirklich nicht gebraucht werden und man sie dann auch nicht

01:02:04: Hanna: bezahlen muss, wenn man sie nicht braucht.

01:02:06: Ingmar: Wir reden ja gerade über dieses Thema, als ob morgen die Roboter unsere Arbeit übernehmen.

01:02:12: Hanna: Ja, good point.

01:02:13: Ingmar: So ist es ja nicht, sondern wir gucken auf einen ganz langsamen Prozess.

01:02:17: Ingmar: Und ich glaube schon, dass wir in der fernen Zukunft in diese Utopie- oder Dystopie-Diskussion

01:02:24: Ingmar: noch weiter reinkommen.

01:02:25: Ingmar: Aber das in der Zwischenzeit. Und ich glaube, dass diese Zwischenzeit noch vor

01:02:29: Ingmar: allem in Deutschland Jahrzehnte gehen wird.

01:02:35: Ingmar: Und dass wir da, gerade was diese Menschlichkeit angeht, auf noch ganz andere

01:02:40: Ingmar: Herausforderungen blicken.

01:02:41: Ingmar: Nämlich, dass wir lernen müssen, mit Assistenz- und Unterstützungssystemen umzugehen.

01:02:47: Ingmar: So wie Piloten lernen mussten, mit Autopiloten irgendwie umzugehen.

01:02:52: Ingmar: Und es gibt deswegen nicht weniger Piloten.

01:02:56: Ingmar: Trotzdem sitzt in jeder dieser komischen Maschinen mit Tragflächen und irgendwie

01:02:59: Ingmar: Düsentriebwerken immer noch zwei Typen da vorne, die den an und aus machen und

01:03:04: Ingmar: die vor allem dafür da sind, einzugreifen,

01:03:08: Ingmar: wenn mit der Maschine was nicht stimmt, die nicht oder irgendwas eintritt,

01:03:13: Ingmar: was nicht in den Algorithmus irgendwie passt.

01:03:15: Ingmar: Und das finde ich ist nicht schwarz oder weiß, sondern das ist so eine Graustufe,

01:03:21: Ingmar: in die wir uns rein entwickeln, dass wir darauf gefasst sein müssen,

01:03:25: Ingmar: uns da rein entwickeln zu müssen oder zu können, dass wir da uns überlegen müssen,

01:03:30: Ingmar: was bedeutet das für unser Training, wenn es irgendwie,

01:03:33: Ingmar: jetzt gibt es ja schon Algorithmen gibt, die aus dem EKG oder aus dem prozessierten

01:03:39: Ingmar: EKG, was wir auf dem Monitor haben, die Rhythmusstörungen besser erkennen als wir.

01:03:44: Ingmar: Aber wir müssen irgendwie darauf vorbereitet sein für den Moment,

01:03:47: Ingmar: wo die Maschine ausfällt.

01:03:48: Ingmar: Und dann müssen wir es eigentlich besser können als je zuvor,

01:03:51: Ingmar: weil wir uns die ganze Zeit eben auf den Autopiloten verlassen.

01:03:55: Ingmar: Also das ist ein Effekt, der in der Luftfahrt schon beschrieben ist.

01:04:00: Ingmar: Dass Piloten durch mehr Assistenzsysteme eigentlich mehr Training brauchen und

01:04:06: Ingmar: nicht weniger, weil sie seltener in Notfallsituationen kommen,

01:04:10: Ingmar: die dafür aber extremer sind.

01:04:13: Ingmar: Und ich glaube, das ist was, was mich jetzt gerade in meiner Phase der Ausfahrt

01:04:19: Ingmar: und Weiterbildung irgendwie beschäftigt, wie ich mich da positioniere, wie ich damit umgehe.

01:04:25: Ingmar: Neben Assistenzsystemen zu funktionieren auf einem Niveau, das mindestens so gut ist wie vorher.

01:04:32: Clemens: Na gut, bislang musst du ja nicht neben allzu vielen Assistenzsystemen funktionieren,

01:04:36: Clemens: weil es gibt einfach nicht allzu viele, die du wirklich schon anwenden kannst in der Klinik.

01:04:40: Ingmar: Aber ich glaube, das ist was, was sich relativ zügig ändern wird.

01:04:44: Clemens: Das könnte sich ändern.

01:04:44: Ingmar: Von Arztbriefschreibungen über...

01:04:47: Clemens: Der schwere Notfall beim Arztbriefschreiben. Ja, auf den musst du vorbereiten.

01:04:51: Ingmar: Die Notfallverlegung ist... Ja, aber ich glaube, solche Sachen sind das.

01:04:57: Ingmar: Also EKG-Rhythmik, Vorhersagen von irgendwelchen hämodynamischen Ereignissen,

01:05:01: Ingmar: das sind ja Dinge, die gibt es ja jetzt schon.

01:05:03: Ingmar: Die sind jetzt irgendwie in der Anwendung und die findest du auf den Fluren.

01:05:09: Hanna: Das heißt, es wäre eigentlich großartig, wenn die Arbeitszeit,

01:05:12: Hanna: die durch Assistenzsysteme potenziell frei würde, in intensivere Trainings für

01:05:19: Hanna: den Fall des Ausfalls von diesem System gesteckt würde.

01:05:23: Ingmar: Also ich glaube, dass sich der Arbeitsplatz verändert.

01:05:29: Ingmar: Also dass deine menschliche Fähigkeit ist halt nicht,

01:05:34: Ingmar: die eine generische Narkose zu betreuen, sondern irgendwie die Narkose dann

01:05:39: Ingmar: zu übernehmen, wenn der Strom ausgefallen ist und der OP halb unter Wasser steht.

01:05:44: Clemens: Das brennt.

01:05:45: Ingmar: Und es brennt. Alles gleichzeitig. Weil dafür sind die Algorithmen nicht trainiert.

01:05:53: Ingmar: Dann braucht es irgendwie Freestyle.

01:05:54: Clemens: Ich glaube aber, was man auch auf der anderen Seite braucht,

01:05:56: Clemens: ist ja ein Verständnis für diese Technik, die halt jetzt in die Klinik kommt

01:06:01: Clemens: oder kommen wird vielleicht.

01:06:03: Clemens: Und das sehe ich noch nicht so ganz, dass das jetzt in der medizinischen Ausbildung

01:06:07: Clemens: einen großen Stellenwert hat.

01:06:09: Clemens: Ob ihr das anders seht, aber jetzt, wenn man so im Curriculum schaut,

01:06:13: Clemens: für die Studierenden oder auch für Assistenten, Technik und so weiter,

01:06:19: Clemens: ganz unabhängig jetzt von KI.

01:06:21: Ralf: Das Druckermodul fehlt.

01:06:22: Clemens: Da kommt der nicht so richtig vor, oder?

01:06:24: Ingmar: Ja, Technologie insgesamt hat da irgendwie keinen hohen Stellenwert,

01:06:28: Ingmar: aber das steht im krassen Gegensatz zu zum Beispiel diesen Krankenhausgebietsreformen

01:06:34: Ingmar: oder was auf legislativer Ebene passiert,

01:06:39: Ingmar: wie da Assistenzsysteme gepusht werden, wie Telemedizin oder was ich einfach

01:06:45: Ingmar: auch jetzt pauschal in diesen Bingo-Topf mit reinwerfe.

01:06:48: Ingmar: Und wie das gepusht wird. Auf der anderen Seite aber die Nachwuchsförderung,

01:06:53: Ingmar: Erziehung, das Training.

01:06:55: Clemens: Erziehung.

01:06:56: Ingmar: Erziehung. Und dann noch nicht mit nachziehen können.

01:07:00: Ralf: Meine Sorge ist so ein bisschen, dass es bei uns nicht so laufen wird wie in der Luftfahrt.

01:07:04: Ralf: Dass man nicht sagt, wir haben die zwei Leute, die wir vorher schon hatten und

01:07:08: Ralf: haben jetzt noch eine Unterstützung für die zwei, sondern dass man...

01:07:12: Clemens: Welche wird rationalisiert?

01:07:14: Ralf: Möglicherweise, weil das Gesundheitssystem nicht so gut läuft wie die Fluglinien.

01:07:18: Clemens: Die Alternative ist ja auch, dass es die Leute vielleicht gar nicht mehr gibt,

01:07:21: Clemens: wegen demografischem Wandel etc.

01:07:24: Ingmar: Und in der Luftfahrt hattest du früher auch mehr Leute, hattest du noch einen Ingenieur dabei.

01:07:28: Ralf: Nur abhängig von der Maschine.

01:07:29: Ingmar: Ja, aber es waren grundsätzlich mehr Menschen, also auch da sind es weniger

01:07:34: Ingmar: Leute pro transportiertem Passagier irgendwie geworden.

01:07:38: Ingmar: Das war jetzt alles bisher ziemlich abstrakt und wie wir glauben extrem oberflächlich.

01:07:45: Ingmar: Und leicht verständlich. Ralf hat noch ein paar konkrete Anwendungen von,

01:07:51: Ingmar: ich weiß gar nicht, wie es jetzt nennen soll, Machine Learning?

01:07:53: Ralf: Deep Learning.

01:07:54: Ingmar: Deep Learning.

01:07:55: Ralf: Nennen wir es Deep Learning in dem Fall.

01:07:56: Ingmar: Wenn es richtig deep ist. Richtig deep. Ja, dann machen wir den Deep Dive ins Deep Learning.

01:08:02: Ralf: Das Spannende dabei ist, dass bei diesen Sachen oder beim Deep Learning,

01:08:07: Ralf: Machine Learning manchmal Informationen in Dingen drinstecken,

01:08:09: Ralf: von denen wir als Menschen nie auf die Idee gekommen wären, dass diese Informationen

01:08:12: Ralf: da drin stecken könnten.

01:08:14: Ralf: Wir fangen mit so einem leicht Anästhesie-Fern-Beispiel noch an und machen da

01:08:19: Ralf: so ein, zwei Studien noch hintendran,

01:08:21: Ralf: in Anführungsstrichen, und zwar der Augenhintergrund, wo wir nur eine ganz vage

01:08:25: Ralf: Idee davon haben, was da eigentlich wirklich meistens so ist,

01:08:28: Ralf: wenn wir nicht irgendwie gut in der Augenheilkunde aufgepasst haben.

01:08:31: Ralf: Aber es gab zum Beispiel in Nature Biomedical Engineering von 2018 eine Studie

01:08:37: Ralf: Prediction of Cardiovascular Risk Factors, einfach nur vom Augenhintergrund.

01:08:41: Ralf: Die haben Bilder von Augenhintergründen in rauer Menge durch ein Deep Learning Netz laufen lassen,

01:08:48: Ralf: konnten das Alter relativ gut vorhersagen, das biologische Geschlecht,

01:08:52: Ralf: den Blutdruck und auch irgendwie Major Adverse Cadillac Events mit einer Wahrscheinlichkeit bzw.

01:08:59: Ralf: Einer Area Undercurve von 0,7%.

01:09:02: Ralf: Also tatsächlich diese Sachen wirklich sehr gut sehen. Das ist irgendwie nett,

01:09:05: Ralf: aber damit haut man glaube ich noch niemanden so richtig komplett um.

01:09:09: Ralf: Was aber zum Beispiel deutlich krasser ist, in Lancet ist auch wieder ein Deep

01:09:14: Ralf: Learning Algorithmus publiziert worden,

01:09:16: Ralf: da habe ich das Jahr jetzt tatsächlich gar nicht da, wo so knapp 220.000 Bilder aus Südkorea,

01:09:22: Ralf: Singapur und dem Vereinigten Königreich auch wieder Augenhintergründe reingeschmissen

01:09:28: Ralf: wurden und man ein Scoring entwickelt hat, um so ein bisschen die Kalsifizierung

01:09:32: Ralf: von den Koronarien abzubilden.

01:09:35: Ralf: Und Ergebnis von dieser ganzen Sache, dieser Score ist besser als jeder klinische

01:09:40: Ralf: Parameter, den wir jetzt bisher so haben.

01:09:42: Ralf: Alter, Nikotin, familiäre Vorbelastung etc.

01:09:45: Ralf: Das ist jetzt auch nicht so überraschend, aber was irgendwie schon ganz fetzig

01:09:48: Ralf: ist, der ist gleichzusetzen von seiner Qualität eines Cardio-CTs.

01:09:54: Ralf: Und damit kann man zum einen natürlich ein bisschen Stahlendosis sparen Und

01:09:58: Ralf: zum anderen, wenn man irgendwo, und das ist das, was ich früher schon mal gesagt habe.

01:10:03: Ralf: Irgendwo ist in einem Land oder in einer Region, wo man keinen Zugriff hat auf

01:10:07: Ralf: ein Cardio-CT und das aber trotzdem aus irgendeinem Grund wissen müsste und

01:10:09: Ralf: man kann aus irgendeinem Grund jetzt auch nicht kathetern oder will nicht kathetern,

01:10:13: Ralf: hat aber jemanden, der ein Augenhintergrundfoto machen kann,

01:10:16: Ralf: dann könnte man das ja, wenn man das App-basiert durchs Internet laufen ließe,

01:10:21: Ralf: tatsächlich eine ganze Menge über den Koronarien-Status dabei herausfinden.

01:10:24: Ralf: Ähnliches im Prinzip tatsächlich auch wieder Augenhintergrund für das Vorliegen von der GFR von unter 60.

01:10:32: Ralf: Also im Prinzip chronische Nierenerkrankungen auch am Augenhintergrund zu sehen.

01:10:37: Ralf: Es ist mit knapp 5200 Patienten auch in Lancet publiziert. Also auch wirklich verrückt.

01:10:43: Ralf: Und das ist jetzt so ein bisschen so ein Vielstudien nacheinander,

01:10:47: Ralf: aber im Prinzip geht es uns ja nur darum zu zeigen, was kann das Ganze eigentlich.

01:10:51: Ralf: Das EKG wäre jetzt was, wo wir wirklich mal häufiger mit zu tun haben.

01:10:54: Ralf: Für uns kommen da Informationen raus wie Sinusrhythmus oder nicht.

01:10:58: Ralf: Für Hypertrophiezeichen, Blockblöcke, Erregungsrückbildungsstörungen, irgendwie so.

01:11:05: Ralf: Solche ganzen Dinge. Aber es steckt, wie erwartet, auch wieder viel mehr da drin.

01:11:10: Ralf: Auch eine Studie, die in Lancet publiziert wurde, multizentrisch knapp 58.000

01:11:16: Ralf: EKGs mit der Frage, kann man am EKG eine Anämie sehen?

01:11:20: Ralf: Die haben Anämie definiert als ein HB von weniger als 10 Gramm pro Deziliter

01:11:26: Ralf: und ja, Sensitivität war 89% und Spezifität 81% und ein negativer,

01:11:33: Ralf: prädiktiver Wert war tatsächlich bei 99%.

01:11:35: Ralf: Also wenn das Gerät behauptet hat, in diesem EKG ist keine Anämie zu sehen,

01:11:41: Ralf: dann war da auch keine und man braucht dafür nicht ein 12-Kanal-EKG,

01:11:45: Ralf: sondern auch ein 1-Kanal-EKG reicht aus.

01:11:47: Ralf: Und das bietet auch wieder so ein bisschen die Möglichkeit, so mit Smartwatches

01:11:51: Ralf: beispielsweise Prävention zu betreiben.

01:11:54: Ralf: Wenn ältere Damen und Herren bei uns eine Smartwatch hätten,

01:11:58: Ralf: dann könnten die vielleicht, bevor die irgendwie kreislaufkollabieren-mäßig

01:12:02: Ralf: darauf hingewiesen werden, dass sie eigentlich ein Nehmen sind,

01:12:04: Ralf: dass man vielleicht mal ins Krankenhaus gehen sollte und schauen sollte,

01:12:06: Ralf: woran liegt das denn eigentlich? oder noch konkreter, wenn man will.

01:12:09: Ralf: Wir sind im OP-Saal, machen Narkose und haben lange keine BGA mehr gemacht und

01:12:13: Ralf: irgendwie sind wir irgendwie gerade heute auch am schlechten Tag und gucken

01:12:17: Ralf: nicht so gut, wie viel Blut im Sauger ist.

01:12:19: Ralf: Und das läuft schon seit vier, fünf Stunden. Da kann uns theoretisch auch ein Alarm.

01:12:23: Clemens: Also wenn du rausgegangen bist.

01:12:25: Ingmar: Wenn es seit vier bis fünf Stunden blutet.

01:12:27: Ralf: Dann könnte der AW niedrig sein.

01:12:29: Ingmar: Dann hoffen wir mal, dass das EKG uns das noch verrät.

01:12:33: Ralf: Wenn sonst keiner mehr aufpasst. also das soll am Ende des Tages nur ein Beispiel sein,

01:12:39: Ralf: was da geht. Also es gibt auch tatsächlich Dieplung-Algorithmen,

01:12:43: Ralf: die aus dem EKG auch Pumpfunktionen rausholen können und Füllungsdrücke.

01:12:49: Ralf: Also die Liste geht am Ende des Tages lang, lang, lang, lang weiter und vieles

01:12:54: Ralf: ist irgendwie publiziert dazu, ist alles spannend.

01:12:57: Ralf: Das meiste davon ist eben noch nicht jetzt irgendwie in der zertifizierten Anwendung,

01:13:00: Ralf: aber so ist es eben mit der Forschung.

01:13:03: Ralf: Und vielleicht eine spannende Sache, die noch ein Problem so ein bisschen anspricht.

01:13:08: Ralf: Wir haben vorhin schon darüber gesprochen, ja, aus dem Röntgen-Thorax irgendwie

01:13:11: Ralf: ist es denkbar, dass die KI sieht, da ist was gebrochen oder hier ist eine Atelektase

01:13:18: Ralf: oder hier ist eine Atelektase vielleicht nicht, vielleicht eine sehr große Ergüsse etc.

01:13:23: Ralf: Aber kann auch wieder mit der Frage, kann man auch andere Sachen darin sehen?

01:13:27: Ralf: Auch das hat man sich angeguckt.

01:13:28: Ralf: Das war, ich weiß gar nicht mehr, ich habe es mir nicht aufgeschrieben,

01:13:30: Ralf: welches Journal das war.

01:13:32: Ralf: Im Prinzip auch publiziert und die haben sich die Frage nach Klappenwäzien gestellt,

01:13:37: Ralf: die man daran sehen kann.

01:13:38: Ralf: Da muss man ehrlicherweise sagen, das ist so ein bisschen nicht so perfekt von

01:13:42: Ralf: den statistischen Werten, die am Ende bei rausgekommen sind.

01:13:45: Ralf: Aber eine Sache, die sie halt eben auch gemacht haben in der Studie,

01:13:48: Ralf: ist sich anzuschauen mit sogenannten Saliency Maps.

01:13:53: Ralf: Ich hoffe, ich spreche es richtig aus. wo hat der Algorithmus hingeguckt im

01:13:57: Ralf: gemittelten Röntgen-Thorax-Bild, um diese Frage zu beantworten?

01:14:01: Ralf: Und das passt tatsächlich irgendwie schon ganz schön.

01:14:04: Ralf: Also man sieht dann praktisch den gemittelten Röntgen-Thorax, also der Röntgen.

01:14:08: Ralf: Röntgen-Torax-Durchschnitt aus all den in das Modell reingeflossenen Röntgen-Toraxes

01:14:14: Ralf: und dann wie so eine Heatmap oder wie so ein Syntigramm sieht man dann farbcodiert,

01:14:20: Ralf: wo aus Sicht des Algorithmus die Informationen drinstecken für die Aussage, die er dann trifft.

01:14:26: Ralf: Und das passt tatsächlich ganz gut.

01:14:28: Ingmar: Ja, danke Ralf.

01:14:32: Ralf: Wow.

01:14:34: Clemens: Ja, ich meine, wenn du jetzt coole Beispiele bringen willst,

01:14:37: Clemens: es gibt ja zum Beispiel auch für die Anästhesie vielleicht relevantere Dinge.

01:14:41: Clemens: Atemwegs, also Vorhersage eines schwierigen Atemwegs.

01:14:44: Ingmar: Aus dem Augenhintergrund.

01:14:46: Clemens: Was denn? Nee, eher Otroskopie.

01:14:51: Ralf: Aus dem DK.

01:14:52: Clemens: Nee, aber da gibt es zum Beispiel Untersuchungen, wo man Fotos von Patienten

01:14:56: Clemens: gemacht hat und es nur anhand des Fotos vorhergesagt hat.

01:14:59: Clemens: Funktioniert besser als mal am Party alleine zum Beispiel. Oder Stimmanalysen.

01:15:04: Clemens: Also wo man Stimme aufgenommen hat des Patienten und dann gesagt hat.

01:15:08: Ralf: Da würde ich mich interessieren, ob der Algorithmus wirklich so viel besser

01:15:11: Ralf: abschneidet als der Mensch.

01:15:12: Ingmar: Als ein Ralf.

01:15:13: Clemens: Bei der Vorhersage? Ja, ja, offensichtlich schon.

01:15:17: Clemens: Da gibt es ja einige Untersuchungen dazu, dass letztlich die Vorhersage des

01:15:21: Clemens: schwierigen Atemwegs wir eigentlich relativ schlecht drin sind,

01:15:24: Clemens: wenn man mal ehrlich ist.

01:15:25: Ralf: Also ich meine jetzt nicht einen klassischen Score wie bei einem Party.

01:15:28: Ralf: Ich meine jetzt so dieses...

01:15:29: Clemens: Du meinst im Allgemeinen das Feeling?

01:15:30: Ralf: Ja, das zwischen den Fingerspitzen, das Bauchgefühl. Also ich widerspreche dir jetzt nicht komplett.

01:15:37: Ralf: Ich finde nur, dass da ist die Information unter Umständen für uns offensichtlicher.

01:15:42: Clemens: Ja, ich hätte jetzt auch nur gesagt, ich meine, du sagtest ja auch in ressourcenlimitierteren

01:15:49: Clemens: Settings sowas anzuwenden, hätte ja einen gewissen Charme.

01:15:54: Clemens: Klar, an der Uniklinik, wo du jegliches Airway-Equipment im Zweifelsfall im

01:15:59: Clemens: nächsten Raum stehen hast oder im gleichen Raum,

01:16:01: Clemens: mag es jetzt nicht so ultra entscheidend sein wie, keine Ahnung,

01:16:06: Clemens: irgendwo, wo es das Zeug gar nicht gibt, also nicht mal physisch gibt.

01:16:10: Clemens: Und da ist es dann wahrscheinlich schon ganz cool, wenn man mit ziemlicher Sicherheit

01:16:13: Clemens: vorhersagen kann, ob jemand jetzt einen sehr schwierigen Atemweg hat oder nicht,

01:16:18: Clemens: um ihn dann, keine Ahnung, im Zweifelsfall zu verlegen oder sonst was zu machen

01:16:21: Clemens: und gar nicht erst dann zu fangen.

01:16:24: Clemens: Und da glaube ich eben nicht, dass der Mensch so super gut da drin ist,

01:16:28: Clemens: egal wie viel Erfahrung er hat, zum Beispiel sowas wie einen schwierigen Atemweg vorherzusagen.

01:16:33: Clemens: Ja, oft geht das. Ich meine, wenn jemand offensichtliche Risikofaktoren mitgebracht

01:16:39: Clemens: hat, dann ist das wahrscheinlich kein Problem zu sagen, ja, das wird möglicherweise schwierig.

01:16:43: Clemens: Aber man hat ja trotzdem immer mal wieder den Patienten, wo man dann sagt,

01:16:47: Clemens: da hätte ich jetzt nicht gedacht, dass das schwierig ist, sondern trotzdem schwierig.

01:16:49: Clemens: Einfach weil es anatomisch irgendwie so gebaut war, dass es dann halt schwierig war.

01:16:54: Clemens: Das ist ja auch jetzt nur ein fancy Beispiel, sage ich mal. Aber gerade für

01:16:58: Clemens: diese ressourcenlimitierten Bereiche bietet das, glaube ich,

01:17:03: Clemens: schon, also nicht nur Atemwegsvorhersagen, sondern alle möglichen Sachen,

01:17:07: Clemens: ein gewisses zusätzliches Sicherheitsnetz eigentlich, wenn man es konsequent

01:17:11: Clemens: anwenden könnte und würde. Also noch ist ja alles nicht zugelassen.

01:17:16: Ingmar: Und ich glaube, das geht ja nicht darum, besser zu sein als Ralf,

01:17:20: Ingmar: der erfahrene Anästhesist, sondern es geht darum, besser zu sein,

01:17:25: Ingmar: als nichts, weil du das Foto irgendwo machen kannst.

01:17:30: Clemens: Ja, oder Synergie.

01:17:32: Ingmar: Das heißt ja nicht, dass du ihn nicht trotzdem anguckst und dass dein Bauchgefühl nicht zählt.

01:17:36: Ingmar: Aber du kriegst halt den Patienten in deine Prämedikationsambulanz mit dem Hinweis,

01:17:42: Ingmar: der Algorithmus sagt, der wird schwierig.

01:17:46: Hanna: Das ist so ein bisschen wie bei den EKGs. Wir vertrauen ja auch nicht darauf,

01:17:49: Hanna: was da steht, sondern es hilft uns einfach vielleicht eine Entscheidung zu treffen. besser auszuwerten.

01:17:56: Clemens: Also genau so ist es ja auch. Diese Algorithmen sind halt noch nicht weit entwickelt

01:18:01: Clemens: genug, um sie allein anzuwenden, aber als Unterstützung, als Hinweis, als,

01:18:07: Clemens: zusätzliche Qualitätsebene sozusagen bieten sie wahrscheinlich schon ziemliche

01:18:11: Clemens: Vorteile, ne? Auf Dauer.

01:18:13: Ralf: Ja, ich lasse mich da ja gerne auch eines besseren in meinem Kopf war dieses

01:18:18: Ralf: can't intubate, can't ventilate Szenario so wahnsinnig selten.

01:18:22: Clemens: Ja klar.

01:18:23: Ralf: Also dass das beides nicht geht, dass dieser Algorithmus schon kaum noch...

01:18:26: Clemens: Es kommt ja auch darauf an, wie du den schwierigen Atemweg definierst. Das ist ja auch egal.

01:18:31: Clemens: Du kannst ja schon sagen, C und L2b ist schon schwierig gewesen oder so.

01:18:35: Clemens: Könnte man ja behaupten.

01:18:36: Ingmar: Haben wir noch Themen?

01:18:37: Clemens: Also ich hatte ja vorhin mal erwähnt, dass wir eigentlich alle das Gefühl haben,

01:18:41: Clemens: dass das in der medizinischen Ausbildung bisher,

01:18:44: Clemens: nicht dem Hype-Cycle entsprechend abgebildet wurde.

01:18:50: Clemens: Und solltet ihr jetzt Interesse bekommen haben, euch ein bisschen tiefer gehender

01:18:54: Clemens: mit dem Thema zu beschäftigen, dann wird unser Gestammel euch sicherlich nicht geholfen haben.

01:19:00: Clemens: Aber vielleicht habt ihr Bock bekommen, euch das mal im Detail anzuschauen.

01:19:04: Clemens: Ich habe jetzt mal eine völlig subjektive Liste erstellt mit Dingen,

01:19:08: Clemens: die ich selber ganz hilfreich finde, die sozusagen die Grundbegriffe einmal nochmal erklären.

01:19:12: Clemens: Da ist zum einen der KI-Campus, ich bin nicht ganz sicher, ich glaube,

01:19:17: Clemens: der ist im Zusammenhang mit der Charité auch entstanden.

01:19:20: Clemens: Da gibt es ein Modul Dr. Med. KI Basics und Clinics.

01:19:25: Clemens: Da ist quasi so ein Online-Degree, was man da machen kann, wo man sich die Grundbegriffe

01:19:30: Clemens: der KI in Bezug auf Medizin nochmal reinziehen kann.

01:19:35: Clemens: Und wenn man dann ein bisschen weiter sich in diese Machine Learning,

01:19:40: Clemens: Data Science, wie auch immer Welt vorgearbeitet hat, dann wird man irgendwann

01:19:44: Clemens: auch zum Beispiel über Kaggle stoßen, stolpern.

01:19:47: Clemens: Das ist quasi eine Online-Plattform, wo bestimmt,

01:19:51: Clemens: wenn man so will, kleine Wettbewerbe ausgetragen werden, wo es dann auch öffentlich

01:19:56: Clemens: zugängliche Datensätze gibt, an denen man sich ein bisschen die Finger schmutzig

01:19:59: Clemens: machen kann und gerade im medizinischen Bereich gibt es

01:20:04: Clemens: Also gibt es auch medizinische Datensätze, aber es gibt zusätzlich noch eine

01:20:07: Clemens: nette Online-Seite Physionet,

01:20:09: Clemens: physionet.org, da gibt es zum Beispiel intensivmedizinische Datensätze,

01:20:14: Clemens: die man sich frei verfügbar runterladen kann oder auch Röntgenbilder,

01:20:19: Clemens: CT-Bilder, solche Sachen, die halt anonymisiert da zur Verfügung gestellt werden

01:20:25: Clemens: und wo man dann einfach auch mal ein bisschen üben kann, auch selber,

01:20:30: Clemens: wenn man selber Lust darauf hat natürlich, mit solchen Daten zu arbeiten.

01:20:34: Clemens: Weil oft genug ist es ja in einem eigenen Laden dann doch etwas schwieriger, an Daten ranzukommen.

01:20:38: Clemens: Aus guten Gründen natürlich auch, aber das Internet hilft oft weiter.

01:20:44: Clemens: Ja, und gerade was so Tutorials und Online-Erklärungen und so weiter gibt,

01:20:49: Clemens: gibt es da einen ganzen Haufen.

01:20:50: Ingmar: Okay. Das war unser schneller und oberflächlicher Ritt durch die Welt des Maschinen,

01:21:01: Ingmar: die Künstliche Intelligenz-Learnings,

01:21:04: Ingmar: um einfach auf der gesellschaftlichen Welle mitreiten zu können oder das auch

01:21:09: Ingmar: einfach zu tun und da vielleicht Finger in Wunden zu legen und Interesse zu

01:21:13: Ingmar: wecken und um auch mal was anderes zu machen als das, was wir sonst tun.

01:21:17: Ingmar: Wir freuen uns, dass ihr vielleicht bis hierhin drangeblieben seid.

01:21:22: Ingmar: Wenn nicht, hören wir uns trotzdem beim nächsten Mal wieder mit einer klinischen Folge.

01:21:27: Ingmar: Vielen Dank und bis bald.

01:21:29: Ralf: Ciao.

01:21:30: Clemens: Tschüss.

01:21:31: Hanna: Tschüss.