KI - kurz und informativ, Klartext "to Go" in unter 5 Minuten

Was passiert eigentlich, wenn ihr eine Rechnung abfotografiert und ein System daraus automatisch Kundennummer und Betrag zieht?

Optical Character Recognition (OCR) ist dabei nur ein Schritt. Moderne Dokumentenverarbeitung ist eine ganze Pipeline: Bildvorverarbeitung, Texterkennung, Layout-Analyse, Zeichenerkennung und schliesslich ein Transformer-Modell, das die wahrscheinlichste Textsequenz bestimmt.

In dieser Folge von „KI kurz und informativ" erkläre ich, wie OCR technisch funktioniert: warum CNNs und Vision Transformer dafür eingesetzt werden, warum moderne Systeme nicht mehr Buchstabe für Buchstabe lesen, sondern ganze Sequenzen und warum sich damit zwar Fehler korrigieren lassen.

Themen dieser Folge:

• Was OCR technisch macht
• Von der Zeichen- zur Sequenzerkennung
• Was Transformer damit zu tun haben
• Warum synthetische Trainingsdaten bei OCR gut funktionieren
• Die typische OCR-Pipeline

Schau gerne auch auf der neuen Website zum Podcast vorbei:

⁠⁠⁠⁠⁠https://podcast.pyucation.de⁠⁠⁠⁠

Dort findest du eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.

Die grösste Einzelinvestition der Unternehmensgeschichte ... kein Logistzentrum sondern ein Rechenzentrum.

Die Schwarz Gruppe, bekannt durch Lidl und Kaufland, baut in Lübbenau in Brandenburg für rund 11 Milliarden Euro KI-Infrastruktur.

Wir schauen uns in einer Art "Firmenportrait" die Entwicklung vom Discounter zu einem der ambitioniertesten Technologiekonzerne Europas an. Wir sprechen über die Cloud Platform STACKIT, Aleph Alpha und den KI-Campus in Heilbronn.

Am Ende bleibt die kritische Frage nach potenziell neuen Abhängigkeiten. Souveränität heisst nicht, sich von jemandem abhängig zu machen, nur weil er in Deutschland sitzt.

Weitere Folgen und Links:

• Interview mit Wirtschaftsminister Dr. Blank: hier
• Folge über den AI Five Layer Cake: hier
• Blogpost von NVIDIA: AI is a 5-Layer Cake

Quellen:

• Financial Times Artikel: "How Lidl accidentally took in the big guns of cloud computing"
• Schwarz Digits: Datacenter Lübbenau: https://schwarz-digits.de/schwarz-digits-datacenter-luebbenau
• Heise online: Schwarz Digits baut grosses KI-Rechenzentrum in MV: https://www.heise.de/news/Schwarz-Digits-baut-grosses-KI-Rechenzentrum-in-Mecklenburg-Vorpommern-11431329.html
• Computer Base: Ohne Führerhaus, Lidl lässt autonomen Lkw auf die Strasse: https://www.computerbase.de/news/mobilitaet/ohne-fuehrerhaus-lidl-laesst-autonomen-lkw-auf-die-strasse.99420/
• ZDF heute: Schwarz-Gruppe baut grosses Rechenzentrum bei Rostock: https://www.zdfheute.de/wirtschaft/unternehmen/schwarz-zentrum-rechenzentrum-rostock-100.html
• Lidl Pressemitteilung: Autonomer Lkw (15.09.2026) https://unternehmen.lidl.de/pressemitteilungen/2026/260915_autonomer_lkw
• The Decoder: Cohere übernimmt Aleph Alpha: https://the-decoder.de/nach-andrulis-abgang-kanadisches-start-up-cohere-uebernimmt-aleph-alpha/
• Table.Briefings: Dieter Schwarz Stiftung hilft dem Staat auf die Sprünge: https://table.media/berlin/news/ki-forschung-dieter-schwarz-stiftung-hilft-dem-staat-auf-die-spruenge

Felix Anderegg, Head of Technology and Innovation bei HR Campus AG, spricht mit mir über Künstliche Intelligenz im Human Resources und wie sie KI in ihrer Softwareentwicklung für HR-Prozessdigitalisierung einsetzen.

Als spannendes Beispiel schauen wir uns ein KI-unterstütztes Travel Expense Tool an, das Belege per OCR (Object Character Recognition) einliest, automatisiert kategorisiert und zuordnet usw.

Ganz zentral in unserem Gespräch ist die Frage, welche Rolle der Mensch in Zukunft wieder einnehmen wird.

Ausserdem sprechen wir über diese Themen:

• automatisiertes Recruiting, CV-Checks und Co.,
• wie KI-Transformation bei HR Campus abläuft,
• wie KI-gestützte Softwareentwicklung im HR-Bereich abläuft.

Schau gerne auch auf der neuen Website zum Podcast vorbei:

⁠⁠⁠⁠https://podcast.pyucation.de⁠⁠⁠

Dort findest du eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.

Der häufigste Fehler bei der Kalkulation von KI-Projekten ist in Kosten pro Monat zu rechnen statt in Kosten pro Vorgang.

Ein Pilotbetrieb mit zwanzig Nutzern sagt euch nichts darüber, was das System kostet, wenn es tatsächlich im Einsatz ist. Bei KI steigen die laufenden Kosten nämlich mit der Nutzung.

In dieser Folge von „KI kurz und informativ" gehe ich die klassische TCO-Formel durch und zeige am Beispiel eines Schwimmbads, welche Posten sich bei KI-Systemen anders verhalten als bei jeder anderen Software.

Meine These ist: Die Kostenarten sind nicht neu, aber ihr bestimmt nicht mehr, wann sie anfallen.

Bspw. kennt ihr den Preis eines Vorgangs erst, nachdem er passiert ist. Ein Modell verschlechtert sich lautlos, ohne Fehlermeldung. Und den Termin für die nächste Migration setzt oft euer Anbieter (wie zuletzt bei der Abschaltung der OpenAI Assistants API).

Themen dieser Folge:

• TCO-Formel und was sie bei KI-Systemen nicht abbildet

• Kosten pro Vorgang statt Kosten pro Monat

• Model Drift und Data Drift

Schau gerne auch auf der neuen Website zum Podcast vorbei:

⁠⁠⁠https://podcast.pyucation.de⁠⁠

Dort findest du eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.

Link zum Google Paper:

D. Sculley et al., „Hidden Technical Debt in Machine Learning Systems"

https://proceedings.neurips.cc/paper/2015/file/86df7dcfd896fcaf2674f757a2463eba-Paper.pdf

Mixture of Experts (MoE) steckt inzwischen hinter fast jedem grossen Sprachmodell, weil diese Architektur Rechenkosten spart. Es erklärt ausserdem, warum bei modernen Modellen plötzlich zwei Parameterzahlen angegeben werden.

DeepSeek-V3 zum Beispiel hat 671 Milliarden Parameter, nutzt pro Token aber nur 37 Milliarden davon.

Wie diese Architektur funktioniert, was ein Router in einem Sprachmodell macht und wie die sogenannten Experten im Training entstehen, erkläre ich in dieser Folge.

Wir schauen uns auch, wie immer, Probleme dieser Architektur an, z.B. warum Modelle dadurch schneller, aber nicht kleiner werden.

Themen dieser Folge:

• Router und Experten: Wie MoE die Rechenlast aufteilt

• Gesamtparameter vs. aktive Parameter

• Probleme wie Load Balancing

Schau gerne auch auf der neuen Website zum Podcast vorbei:

⁠⁠https://podcast.pyucation.de⁠

Dort findest du eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.

Wie lernt ein Machine-Learning-Modell eigentlich? Hinter dem „Lernen" steckt keine Magie, sondern mathematische Optimierung. Und die funktioniert nach einem Prinzip, das ihr aus dem Alltag kennt.

Ich erkläre anhand anschaulicher Beispiele, was eine Kostenfunktion ist, was Parameter eines Modells sind und wie beides zusammen dafür sorgt, dass ein Modell besser wird.

Die Folge über Optimierungsalgorithmen wie Gradient Descent wird auf diese Folge aufbauen.

Themen dieser Folge:
• Was mathematische Optimierung ist und warum sie die Grundlage jedes ML-Modells bildet

• Kostenfunktion und Parameter

• Lineare Regression: Optimierung mit nur zwei Parametern

• Warum es Optimierungsalgorithmen wie Gradient Descent braucht

Schau gerne auch auf der neuen Website zum Podcast vorbei:

⁠https://podcast.pyucation.de

Dort findest du eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.

Folge zu Neuronalen Netzen und wie sie lernen:

https://open.spotify.com/episode/1vu4mSvU9YpJs0mZdTwTbC?si=mKhjhhkySjO13raaPw8RiA

Heute gibt es wieder ein Quiz zu den letzten 15 Folgen. Dabei schauen wir uns diese Themen an:

• ​Fine Tuning (im Vergleich zu RAG)
• ​Reasoning-Modelle
• ​Der AI Five Layer Cake
• ​KI-Regulatorik und der EU AI Act
• ​Kennzeichnungspflicht und Synth ID
• ​Quantisierung und Speicherbedarf von LLMs

Bist du inzwischen ein Experte? Schreib gerne in die Kommentare, wie viele Fragen du richtig beantworten konntest!

Schau gerne auch auf der neuen Website zum Podcast vorbei:

https://podcast.pyucation.de

Dort findest du eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.

Seit dem 2. August 2026 gilt die EU-Kennzeichnungspflicht für KI-Inhalte (Artikel 50). Heute erkläre ich SynthID und wie das Wasserzeichen von Google DeepMind funktioniert.

In jedem gängigen Medium (Bilder, Videos, Texte, Audio) kann SynthID eingesetzt werden. Wir sprechen auch über den Unterschied zu Metdadaten, die Grenzen von SynthID und warum sich die seit 2023 existierende Technik bereits in Teilen umgehen lässt.

Auch Anthropic verwendet neu seit dem 11. August 2026 Wasserzeichen für seine von neueren Modellen erzeugten Inhalte.

Schau gerne auch auf der neuen Website zum Podcast vorbei:

https://podcast.pyucation.de

Dort findest du eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.

Weitere Folgen:

• ​Regularien rund um KI: https://open.spotify.com/episode/0DgVxFfLxKzPlnEyOeLm15?si=s5QlQdPoQqSw3qsw8Dqf_A
• ​EU AI Act: https://open.spotify.com/episode/2PMaslOzW7gGOax1h6RErv?si=xxaLUD5NRdKHSrNHGiYKhQ

Quellen:

• ​https://deepmind.google/models/synthid/
• ​https://deepmind.google/blog/watermarking-ai-generated-text-and-video-with-synthid/ 
• ​https://help.openai.com/de-de/articles/8912793-provenance-signals-content-credentials-synthid-in-openai-generated-content

Mehr als die Steckdose der Republik: KI-Rechenzentren, grüner Strom und Gesundheitsdaten.

Kann ein kleines Bundesland zum Vorbild für digitale Souveränität werden? Interview mit Minister Dr. Wolfgang Blank.

Es geht um die entscheidende Frage: Wer behält im KI-Stack die Wertschöpfung?

Mecklenburg-Vorpommern hat vieles, was KI-Infrastruktur braucht: grünen Strom im Überfluss, mittlerweile die niedrigsten Netzentgelte Deutschlands, grosse Flächen und mit dem Seekabel C-Lion1 in Rostock eine leistungsstarke Datenanbindung nach Nordeuropa. Laut Bitkom-Studie 2025 punktet das Land vor allem bei Stromnetz und Fläche. Bei der installierten Rechenleistung ist es allerdings noch Schlusslicht.

Wir sprechen darüber, warum MV nicht nur Energie liefern, sondern auch digitale Dienstleistungen und ein wirtschaftliches Ökosystem ansiedeln will und damit im „Five Layer Cake" von der Energie- bis zur Anwendungsebene aufsteigen möchte.

Ausserdem schauen wir uns die SHIP-Studie mit ihren einzigartigen Gesundheitsdatensätzen an, sprechen über den Digital Health Hub bis zur Frage, wie sich damit Startups anlocken lassen. Und warum echte Innovation nicht nur Technologie bedeutet, sondern auch neue Prozesse und Arbeitsweisen.

Schau gerne auch auf der neuen Website zum Podcast vorbei:

https://podcast.pyucation.de

Dort findest du eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.

Kimi K3 von Moonshot AI ist gerade in aller Munde. Ein Open-Weight-Modell mit 2,8 Billionen Parametern, das mit den besten Modellen aus den USA mithalten will. Aber wie installiert man eigentlich ein solches Modell selbst?

In dieser Folge nehmen wir Kimi K3 als Aufhänger, um den kompletten Prozess zu erklären: Was unterscheidet ein Open-Weight-Modell von proprietären Systemen wie ChatGPT oder Claude? Warum könnt ihr Kimi K3 selbst trotz Quantisierung nicht auf eurem Laptop laufen lassen und welche kleineren, alltagstauglichen Modelle funktionieren stattdessen?

Ich erkläre euch Hugging Face als zentrale Anlaufstelle für Open-Weight-Modelle, erkläre die wichtigsten Dateiformate GGUF und Safetensors, und stellen die drei populärsten Tools für den lokalen Betrieb vor: Ollama, LM Studio und Open WebUI.

Diese Folge baut auf unseren vorherigen Episoden zu Quantisierung und Speicherarten (VRAM, RAM, Unified Memory) auf und liefert den praktischen Einstieg zum Selbermachen.

Themen: Kimi K3, Moonshot AI, Open-Weight-Modelle, Hugging Face, GGUF, Ollama, LM Studio, lokale LLMs, KI selbst hosten

Links:

- Erklärung GGUF: https://huggingface.co/docs/hub/gguf

- Erklärung Safe Tensors:

https://huggingface.co/docs/safetensors/index

- Kimi K3 auf Hugging Face: https://huggingface.co/moonshotai/Kimi-K3

- Open WebUI: https://docs.openwebui.com/

- Ollama: https://ollama.com/

- LM Studio: https://lmstudio.ai/