Veröffentlicht am

Open Source AI: Besser für einzelne Personen, Organisationen und demokratische Gesellschaften

Adobe: AI (Artificial intelligence) AI management and support technology in the Business plan marketing success customer. AI management concept.

Die bekannten KI-Anwendungen (AI Apps) wie ChatGPT, Gemini usw. dominieren den Markt und setzen durch schnelle Neuerungen (Updates) Standards bei der Performance. Solche Angebote können als closed-source Large Language Models (LLMs) bezeichnet werden. Die Nutzung wird dabei durch wenig Transparenz bei den verwendeten Daten und durch immer mehr kostenpflichtige Angebote “erkauft”.

Diese schnelle Abhängigkeit von der jeweiligen Funktionsweise der verwendeten KI-Apps führt bei einem Wechsel – beispielsweise zu Open Source AI – zu erhöhten Switching Costs. Diesen Effekt nutzen die kommerziellen Anbieter, um ihr Geschäftsmodell weiter zu etablieren und zu kommerzialisieren.

Open Source AI (Definition) bedeutet u.a. die Transparenz bei den Trainingsdaten zu schaffen, und den Zugang für jeden zu ermöglichen. Meine Auffassung ist, dass Open Source AI in Zukunft für Privatpersonen, Organisationen und demokratische Gesellschaften besser ist. Siehe dazu Digitale Souveränität: Europa, USA und China im Vergleich.

Diese Ansicht wird auch von wissenschaftlichen Forschungen zu dem Thema gestützt. Eine aktuelle Veröffentlichung von Manchanda et al. (2024) beschreibt die Zusammenhänge wie folgt:

“Closed-source LLMs continue to lead in performance, leveraging proprietary datasets and significant computational investments to excel in tasks requiring advanced generative abilities, multi-step reasoning, and broad generalization. However, their success comes at the cost of limited transparency and restricted accessibility, which creates challenges for external validation and replication.

The closed-source approach also consolidates resources and technological power within a few institutions. In so doing, it poses barriers to equitable AI development and raising concerns about reproducibility of outcomes and organizational accountability. By contrast, open-source LLMs emphasize accessibility and collaborative development. While these models often trail closed-source systems in absolute performance, they have made significant progress in narrowing the gap through methods such as Low-Rank Adaptation (LoRA) and quantization. These strategies enable efficient, competitive outcomes even in resource-constrained environments. By utilizing diverse datasets across languages and contexts, open-sourcemodels demonstrate their capacity to address realworld challenges with inclusivity. This democratic ethos has already empowered researchers and developers globally, and is likely to continue to do so” (Manchanda et al 2024).

Siehe dazu ausführlicher

Open Source AI Definition

Open Source AI-Models for Europe: Teuken 7B – Training on >50% non English Data

Open Source AI: Common Corpus als größte offene Trainingsdatenbank veröffentlicht

Veröffentlicht am

Creating Knowledge: Welche Tools sind geeignet?

An dieser Stelle möchte ich mich nicht an den bekannten Modellen aus Europa orientieren, sondern auch einmal nach Asien schauen. Die APO (Asian Productivity Organization) beispielsweise orientiert sich an den folgenden 5 Aktivitäten, die den europäischen Modellen allerdings sehr ähneln : Identifying the Knowledge – Creating Knowledge – Storing Knowledge – Sharing Knowledge – Applying Knowledge. Die APO (2020) schlägt für den Schritt “Creating knowledge” (Wissen schaffen) vor, folgende Methoden/Tools zu nutzen:

Brainstorming
Learnings and Ideas Capture
Learning Reviews
After Action Reviews
Collaborative Physical Workspaces
Knowledge Café
Communities of Practice
Knowledge Bases (Wikis, etc.)
Blogs
Video Communication and Webinars
Advanced Search
Building Knowledge Clusters
Expertise Locator/Who’s Who
Collaborative Virtual Workspaces
Mentor/Mentee Scheme
Knowledge Portal
Video Sharing

Es ist gut, bei der Vielzahl von Möglichkeiten, eine erste Orientierung zu haben, die selbständig weiterentwickelt, und mit den neuen Möglichkeiten der Künstlichen Intelligenz ergänzt werden kann. Siehe dazu beispielsweise auch Künstliche Intelligenz: Vorwissen, Wissenszuwachsvorhersage, Wissenszuwachs und Markov-Ketten.

Veröffentlicht am

Künstliche Intelligenz: Von AI Agenten und Multi Agenten Systemen

WEF (2024): Navigating the AI Frontier. A Primer on the Evolution and Impact of AI Agents

Aktuell drehen sich die Diskussionen bei der Nutzung von Künstlicher Intelligenz (AI: Artificial Intelligence) hauptsächlich noch um die genutzten LLM: Large Language Models (Trainingsdatenbanken), und darum, ob diese eher closed-source oder open-source sein sollten. Wie in der Abbildung zu sehen ist, zeichnet sich darüber hinaus schon ein weiterer großer Trend ab: AI Agenten.

“Based on the definition of the International Organization for Standardization, an AI agent can be broadly defined as an entity that senses percepts (sound, text, image, pressure etc.) using sensors and responds (using effectors) to its environment. AI agents generally have the autonomy (defined as the ability to operate independently and make decisions without constant human intervention) and authority (defined as the granted permissions and access rights to perform specific actions within defined boundaries) to take actions to achieve a set of specified goals, thereby modifying their environment” (WEF 2024).

Neben den Large Language Models (LLM) kommen somit bei AI Agenten u.a. auch noch Daten von Sensoren und möglicherweise menschliches Feedback hinzu. Daraus ergeben sich ganz neue Möglichkeiten bei komplexen Problemlösunmgsprozessen.

Natürlich können AI Agenten Typen unterschieden werden, beispielsweise in deterministic und non-deterministic etc. Auch kann ein AI Agenten System aus ganz verschiedenen AI Agenten entstehen. Diese wenigen Hinweise zeigen schon auf, welche vielversprechenden neuen Möglichkeiten/Anwendungen sich ergeben können. Natürlich immer unter der Prämisse der Transparenz und Offenheit, um Missbrauch zu verhindern. Es liegt für mich daher auf der Hand. sich mit Open Source AI Agenten zu befassen.

Veröffentlicht am

Arbeiten in der digitalen Welt: Sechs Basiskompetenzen

Arbeiten ist heute eingebettet in digitale Prozesse, und verändert sich dadurch erheblich. In einer digitalen (Arbeits-) Welt werden über Qualifikationen hinaus daher entsprechende Kompetenzen benötigt, um selbstorganisiert komplexe Problemstellungen zu lösen – Kompetenz als Selbstorganisationsdisposition. In einer Metaanalyse des MÜNCHNER KREIS-Arbeitskreis „Arbeit in der digitalen Welt“ (2020, S. 4ff.) wurden sechs Kompetenzfelder als Basiskompetenzen zusammengefasst:

Personenbezogene KompetenzenSelbstorganisation, Lernfähigkeit
Soziale KompetenzenKommunikation, Teamfähigkeit
Mensch-Maschine-Interaktion (MMI) KompetenzenUmgang mit Daten, Technologien, Wissen
ProzesskompetenzKritisches Denken, Problemlösefähigkeit
LösungskompetenzKreativität, Transdiziplinäres Denken
Strategische KompetenzAdaptionsfähigkeit, Unternehmerisches Denken
Quelle: Schipanski, A. (2024), in Koller et al. (Hrsg.) (2024)

Siehe dazu auch Freund, R. (2011): Das Konzept der Multiplen Kompetenz auf den Analyseebenen Individuum, Gruppe, Organisation und Netzwerk.

Veröffentlicht am

Worin unterscheiden sich “Trends” und “Treiber”?

Image by Buffik from Pixabay

Wenn es um die Beschreibung des Umfeldes von Organisationen oder Branchen geht, fallen oft die Begriffe “Trends” und/oder “Treiber“. Dabei ist oft nicht ganz klar, worin sich beide Begriffe unterscheiden. Eine gute Erklärung, natürlich mit verschiedenen Quellenangaben, habe ich hier gefunden:

“Im Vergleich zu Trends sind Treiber lokaler, weniger langlebig und wirken sich direkter auf Geschäftsmodelle, Arbeitsprozesse, Technologien, Beschäftigung sowie auf Beschäftigte und deren Kompetenzen aus (vgl. Proff 2021; Hünniger et al. 2022, S. 4). In der Regel resultieren Treiber aus Trends und können von einzelnen Akteuren und Akteurinnen oder Organisationen bis zu einem gewissen Grad beeinflusst werden. Automatisierung, Elektromobilität, Elektrifizierung, Vernetzung, Industrie 4.0-Anwendungen und Kreislaufwirtschaft werden als wesentliche Treiber der Transformation im Automobilsektor beschrieben (vgl. Kaul et al. 2019; Kempermann et al. 2021; Lichtblau et al. 2021; Herrmann et al. 2023)” (Berger et al. (2024), in Jennewein et al. (Hrsg.) (2024)).

Natürlich sollte eine Organisation die langfristigen Trends beobachten. Mehr oder weniger beeinflussbar sind allerdings eher Treiber, die direkter in der Organisationsstruktur berücksichtigt werden können.

Solche Zusammenhänge thematisieren wir auch in den von uns entwickelten Blended Learning Lehrgängen Projektmanager/in (IHK) und Projektmanager/in Agil (IHK), die wir an verschiedenen Standorten anbieten. Weitere Informationen zu den Lehrgängen und zu Terminen finden Sie auf unserer Lernplattform.

Veröffentlicht am

Engpasssteuerung: Von Drum-Buffer-Rope zu Kanban-Systemen

Kanban hat sich ursprünglich aus der Produktion entwickelt und ist über die Software-Entwicklung (Anderson 2010) zu einem wichtigen Instrument der Wissensarbeit geworden. Kanban hat grundsätzlich das Ziel, in jedem Schritt einen Wert zu generieren und die jeweiligen Anforderungen mit der Leistungsfähigkeit des Prozessschrittes in Einklang zu bringen. Das kann auf der individuellen Ebene, der Teamebene oder der organisationalen Ebene sein.

Ein wichtiges Element von Kanban ist die Engpasssteuerung. Basis dieser Überlegung ist es, dass in einem Prozess immer wieder zu Engpässen kommt, die dann den gesamten Wertschöpfungsprozess behindern können. Das führt uns zu den Überlegungen von Goldratt, der in seiner Theory of Constraints das Bild von Drum-Buffer-Rope benutzt, um die Zusammenhänge zu erläutern.

“Es schien sinnvoller zu sein, für einen verbesserten Arbeitsablauf zu sorgen, indem man einen Engpass nach dem anderen beseitigt. Dies ist die Kernidee hinter der Engpasstheorie von Goldratt. (…) Goldratts Ansatz (…) zielt darauf ab, einen Engpass zu identifizieren und dann Wege zu finden, diesen zu erweitern, bis er die Leistungsfähigkeit nicht mehr einschränkt. Sobald dies passiert ist, wird ein neuer Engpass sichtbar und der Zyklus wiederholt sich. (…) Drum-Buffer-Rope erzeugt Pull-Signale im Tempo des Engpasses und verhindert damit eine Überlastung des gesamten Systems, es erzeugt Stabilität. Allerdings ist es in seiner einfachsten Form nicht robust gegenüber Schwankungen in der Durchlaufzeit oder in Ungleichmäßigkeiten im Arbeitsfluss vor dem Engpass” (Anderson 2024).

Drum-Buffer-Rope in einer Organisation so zu erklären, dass andere es verstehen, ist nicht ganz einfach. Weiterhin kommen noch die Probleme bei Schwankungen usw. hinzu. Genau hier kommt Kanban ins Spiel. Mit Hilfe von Kanban ist es möglich, diese Schwierigkeiten zu lösen und einen evolutionären Prozess anzustoßen.

“Kanban hat das Dilemma gelöst, einen Ansatz zu finden, der sowohl eine nachhaltige Geschwindigkeit als auch die Einführung von Veränderungen zur Verbesserung
der wirtschaftlichen Leistung ohne nennenswerten Widerstand oder Trägheit ermöglicht” (Anderson 2024).

Dieser Prozess führt letztendlich zu einer Agilen Organisation, die die aktuellen Strukturen und die Mitarbeiter mitnimmt, die Arbeitsformen und agiler ausrichtet. Alle oben genannten Ebenen werden stabiler gegenüber Schwankungen und somit resilienter.

Ich stelle allerdings immer wieder fest, dass viele Organisationen den Begriff Kanban verwenden und nur ein einfaches Task Board damit meinen. In solchen Organisationen ist das Verständnis von Kanban und das entsprechende Mindset noch nicht geschaffen. Weitere Blogbeiträge zu Kanban finden Sie hier.

Solche Zusammenhänge thematisieren wir auch in den von uns entwickelten Blended Learning Lehrgängen Projektmanager/in (IHK) und Projektmanager/in Agil (IHK), die wir an verschiedenen Standorten anbieten. Weitere Informationen zu den Lehrgängen und zu Terminen finden Sie auf unserer Lernplattform.

Veröffentlicht am

Wissensmanagement: Schlüsselpersonen identifizieren

Wissen im Unternehmen ist in allen Prozessen einer Organisation relevant. Manchmal findet man Wissen in Form von Daten und Informationen in IT-Systemen, manchmal ist spezielles Wissen an Personen gebunden.

Solche Schlüsselpersonen werden immer wieder kontaktiert, doch gibt es oftmals keinen Überblick darüber, was solche Schlüsselpersonen ausmacht. In einer Veröffentlichung wurden nun Merkmalscluster für Schlüsselpersonen in Kleinen und mittleren Unternehmen (KMU) ermittelt, die in der genannten Quelle detaillierter dargestellt werden:

Exklusives Wissen
– Spezialisierte )Unternehmens-) Kenntnisse und Erfahrungen
– Mangelnde Bereitschaft/Möglichkeit Wissen zu teilen

Spezielle Kompetenzen
– Stark ausgeprägte soziale Kompetenzen.
– Stark ausgeprägte Fach-Kompetenzen

Vernetzung und Beziehung
– Interne fachübergreifende Beziehungen
– Starke Beziehung zu Geschäftspartner:innen

Mangelnde Ersetzbarkeit
– Mangelnde Vertretungsmöglichkeiten (intern)
– Mangelnde Ersetzungsmöglichkeiten (Arbeitsmarkt)

Kritische Auswirkungen bei Ausfall
– (Geschäfts-) Kritikalität der Arbeitsaufgabe
– (Geschäfts-) Kritikalität der Person

Quelle: Schiedermair, Ina, Kick, Elena, Baumgartner, Marco, Kopp, Tobias and Kinkel, Steffen. “Wissensmanagement in KMU: Kriterien zur Identifikation von internen Schlüsselpersonen” Zeitschrift für wirtschaftlichen Fabrikbetrieb, vol. 118, no. 6, 2023, pp. 395-399. https://doi.org/10.1515/zwf-2023-1087

Siehe dazu auch Pyramiding für das Herausfinden von Experten nutzen .

Veröffentlicht am

Digital Transformation: Kein Erfolg ohne Digital Kaizen?

Quelle: APO (2024)

Es ist immer wieder gut, sich Zusammenhänge klar zu machen. In der Abbildung ist beispielsweise zu sehen, dass die Digital Transformation / Optimization einen Ist-Zustand in einen möglichst besseren Soll-Zustand überführen soll. Digital Optimization soll dabei die Geschäftsprozesse zu einer höheren Produktivität führen, allerdings oftmals ohne dass ein Geschäftsmodell verändert wird, bzw. werden muss. Insofern kann man Digital Optimization als Bestandteil von Digital Transformation ansehen. Weiterhin hängen auch Digitale Transformation und Digital Kaizen miteinander zusammen (APO 2024):

Kaizen will facilitate the adoption of advanced technologies.

Kaizen maximizes return on investment.

Changing corporate culture and climate and continuous learning.

Achieving stable sustainability over the long term.

Achieving stable sustainability over the long term

In other words, “there is no DX [Digital Transformation] success without kaizen.”

Es geht bei Digital Kaizen also um eine wichtige Erweiterung des Ansatzes, der bei Imai, M. (1993): Kaizen – Der Schlüssel der Japaner im Wettbewerb nachzulesen ist. Damals ging es noch um ein eher analoges Kaizen. Danach hat Anderson (2010) in seinem Buch Kaizen in der IT schon gezeigt, dass Kaizen nicht nur in der Produktion, sondern in allen Wissensbereichen genutzt werden kann. Heute gibt es mit IoT und Künstlicher Intelligenz noch ganz andere Möglichkeiten.

Solche Zusammenhänge thematisieren wir auch in den von uns entwickelten Blended Learning Lehrgängen Projektmanager/in (IHK) und Projektmanager/in Agil (IHK), die wir an verschiedenen Standorten anbieten. Weitere Informationen zu den Lehrgängen und zu Terminen finden Sie auf unserer Lernplattform.

Veröffentlicht am

Wissen identifizieren: Welche Tools sind geeignet?

Es gibt verschiedene Wissensmanagement-Modelle, die sich ähneln, allerdings auch unterscheiden. Das Modell von Probst/Raub/Romhardt, das SEKI-Modell, das Münchener Modell, das Fraunhofer-Referenzmodell, das EU-Modell, und das Geschäftsprozessorientierte Wissensmanagement sollen hier nur beispielhaft genannt werden. Die Wissensmanagement-Modelle, die von 4, 5 oder 6 Wissensmanagement-Kernaktivitäten ausgehen, sollen hier weiter betrachtet werden.

An dieser Stelle möchte ich mich nicht an den bekannten Modellen aus Europa orientieren, sondern auch einmal nach Asien schauen. Die APO (Asian Productivity Organization) beispielsweise orientiert sich an den folgenden 5 Aktivitäten, die den europäischen Modellen allerdings sehr ähneln : Identifying the Knowledge – Creating Knowledge – Storing Knowledge – Sharing Knowledge – Applying Knowledge. Die APO (2020) schlägt für den ersten Schritt “Indentifying the knowledge” (Wissen identifizieren) vor, folgende Methoden/Tools zu nutzen:

APO Knowledge Assessment Tool
Knowledge Café
Communities of Practice
Advanced Search Tools
Building Knowledge Clusters
Expertise Locator/Who’s Who
Collaborative Virtual Workspaces
Knowledge Mapping
KM Maturity Model
Mentor/Mentee Scheme

Es ist gut, bei der Vielzahl von Möglichkeiten, eine erste Orientierung zu haben, die selbständig weiterentwickelt, und mit den neuen Möglichkeiten der Künstlichen Intelligenz ergänzt werden kann. Siehe dazu beispielsweise auch Künstliche Intelligenz: Vorwissen, Wissenszuwachsvorhersage, Wissenszuwachs und Markov-Ketten.