Kategorie: Blog

I had the privilege of experiencing Lukasz Kaiser (Researcher @ OpenAI) at TedAI Vienna – one of the minds behind the groundbreaking “Attention Is All You Need” paper. His vision for the future of AI left a lasting impression on me.

Key Takeaways:

🔄 Transformers as a Paradigm Shift
The Transformer architecture didn’t just replace RNNs – it created the foundation for everything we recognize as modern AI today. The ability to give each token attention to all previous tokens was key to scalability and performance.

🎯 The Central Challenge: Learning from Limited Data
While humans learn from few examples, ML models still require massive amounts of data. The next evolution? Models that are more “learnable” and can work with significantly less data.

🧠 Reasoning Models as Game Changers
Chain-of-Thought models think in intermediate steps, use external tools, and need to memorize less. An example from the talk: A reasoner improved a recent mathematics paper after extended “deliberation” – impressive!

⚡ Current Challenges
Reasoning models are powerful but slow (sequential) and difficult to train. Research is intensively working on parallelization and better learnability.

🔮 The grand vision?
Models that can conduct science – learn from few experiments, improve theories, and generate new knowledge. And according to Kaiser, these breakthroughs are expected in months to a few years rather than decades.

What fascinates me most: We’re moving from “more data = better models” to “smarter architectures = less data needed.” A paradigm shift with enormous potential for science and industry.

Question to the community:Where do you see the most promising use cases for reasoning models in your fields?

#TedAI #Vienna #AI #MachineLearning #OpenAI #Transformer #ReasoningAI #Innovation #ArtificialIntelligence​​​​​​​​​​​​​​​​

Photo: © TEDAI Vienna / Robert Leslie

Wir warten oft darauf, dass KI „perfekt“ wird, bevor wir sie einsetzen. Dabei vergleiche ich sie viel lieber mit Menschen: Ja, KI macht Fehler — aber sie macht in vielen Fällen weniger Fehler als wir. Was, wenn wir aufhören, auf Perfektion zu warten, und stattdessen anfangen, mit der KI zu lernen?

Ich glaube daran, dass KI uns eine bisher ungeahnte Form von Kreativität und Intelligenz schenkt. Sie kann tausend Ideen liefern, unendlich viele Iterationen ermöglichen und in Perspektiven schlüpfen, die einzelne Menschen nie allein abbilden könnten. Das ist nicht nur Technik – das ist ein kultureller Wandel: Wissen wird ausgelagert, neu zugänglich gemacht und zugleich schwerer zu überprüfen. Wir stehen vor der paradoxen Situation, dass die KI uns Dinge sagen kann, die wir nicht mehr selbst verifizieren können — und wir müssen entscheiden, ob wir ihr vertrauen.

Doch mit dieser Stärke kommt Verantwortung: personalisierte Assistenten können uns unterstützen — oder sie können uns manipulieren. Große Anbieter wissen, wie sie uns durch Personalisierung binden können; jede Interaktion ist ein Puzzleteil, mit dem wir sie trainieren. Wenn wir nicht bewusst mit dieser Technologie umgehen, geben wir einen Teil unserer Freiheit und Orientierung ab.

Deshalb mein Appell an alle in Politik, Verwaltung und Unternehmen: Lasst uns nicht auf Perfektion warten. Lasst uns experimentieren, lernen und gleichzeitig Regeln, Bildung und Schutzmechanismen aufbauen. Wir müssen unsere Gesellschaft befähigen, mit KI umzugehen — kritisch, neugierig und verantwortungsbewusst.

Für mich ist klar: KI wird nicht alle Antworten geben — aber sie kann uns helfen, bessere Fragen zu stellen. Wer bereit ist, diese Fragen zu stellen und die Technologie mitzugestalten, hat die Chance, vorne dabei zu sein.

Danke für die spannende Diskussionen und den inspirierenden Austausch.

Jede große Idee startet mit einem Impuls – und genau darum geht’s im The Botfather AI Brief.

Keine Überflutung, sondern Inspiration. Kurz. Klar. Verständlich.

👉 Abonniere jetzt und starte deinen täglichen KI-Aha-Moment.
https://sindrewimberger.substack.com/

I had the pleasure of attending a fireside conversation with Kevin Nolan and Antonio Boadas from GE Appliances — a powerful reminder that transformation is as much cultural as it is strategic.

Kevin’s story is a masterclass in turning legacy into relevance: instead of replacing people, they rewired how the organization works. They moved from a power‑centric, command‑and‑control model to a marketplace mindset where teams are given ownership, accountability and the permission to act like entrepreneurs while platform teams provide the scalable tools and operating standards.

A few highlights that resonated with me:

💡The consumer is the only boss — learning: make decisions reversibly and rapidly, then iterate with real customer feedback; prioritise quick experiments that validate value over long internal debates.

💡Micro‑enterprises + platforms: product teams (micro‑enterprises) decide what to build; shared platforms define how to build it — balancing speed, closeness to customers, and efficiency.

💡Culture as the engine of change: leadership modeled being hands‑on, visible and humble (even working on the assembly line during COVID) to rebuild trust and psychological safety.

💡FirstBuild: an open R&D approach that co‑creates with users and treats experimentation as the path to scalable product bets.

💡Manufacturing & resilience: investing in local manufacturing while learning from global best practices — a pragmatic stance on reshoring and long‑term competitiveness
.
💡Data, AI and vendor risk: pragmatic enthusiasm for AI, combined with careful thinking about data governance, security and avoiding vendor lock‑in.

As someone working on AI for the City of Vienna, Kevin’s emphasis on centering consumers and empowering front‑line teams felt particularly relevant.

Transformation isn’t just a tech project — it’s redesigning decision rights, incentives and culture so people can move fast and responsibly.

Big thanks to Kevin Nolan, Antonio Boadas and our host Isabelle Mader — takeaways I’ll bring back to our work: prioritize ownership, build platforms that earn users, and keep culture at the heart of every transformation.

#transformation #leadership #innovation #manufacturing #AI #product #culture

In einer Welt, in der künstliche Intelligenz zunehmend unseren Alltag prägt, wird eine Fähigkeit immer wichtiger: philosophisches Denken. Aber warum ausgerechnet Philosophie?

Die Antwort liegt tiefer, als man zunächst vermuten möchte:

Philosophie lehrt uns nicht nur kritisches Denken – sie schult unsere Fähigkeit, komplexe Probleme in ihre Grundbausteine zu zerlegen. Diese Kunst des „First Principle Thinking“ ist genau das, was wir im Umgang mit KI benötigen.

Stellen Sie sich folgendes Szenario vor: Sie arbeiten mit einer KI, die Ihre Anforderungen nicht ganz versteht. Was nun? Hier kommt die philosophische Debattierkunst ins Spiel. Die Fähigkeit, präzise zu argumentieren, Annahmen zu hinterfragen und klare mentale Modelle zu entwickeln, wird zum entscheidenden Erfolgsfaktor.

Die wahre Kraft liegt darin, das „Warum“ zu verstehen, bevor wir uns mit dem „Wie“ beschäftigen. Dies ermöglicht uns:
🔹 Probleme präziser zu definieren
🔹 Komplexe Sachverhalte in nachvollziehbare Schritte zu zerlegen
🔹 Mit KI-Systemen effektiver zu kommunizieren
🔹 Bessere Ergebnisse durch klareres Denken zu erzielen

Meine Erkenntnis: Die Zukunft gehört nicht nur denen, die KI-Tools beherrschen, sondern vor allem jenen, die philosophische Denkweisen mit technologischem Verständnis verbinden können.

Was denkt ihr? Wie wichtig ist philosophisches Denken in eurem Umgang mit KI?

#KünstlicheIntelligenz #Philosophie #Innovation #FutureOfWork #Leadership #AI #CriticalThinking

—
P.S.: Dieser Post wurde inspiriert durch meine tägliche Arbeit mit KI-Systemen und die Erkenntnis, dass oft nicht die technischen, sondern die philosophischen Herausforderungen die größten Hürden darstellen.

Viele Teams starten mit Ideen, aber ohne Richtung.
Dann wird’s schnell chaotisch.

Was fehlt, ist Struktur.

Die 9-Felder-Matrix schafft genau das.
Sie kombiniert 3 Anwendungsbereiche mit 3 Wirkungsebenen – und gibt Orientierung, wo KI echten Mehrwert schafft.

🔹 Anwendungsbereiche:
1. Prozesse verbessern
2. Produkte & Services optimieren
3. Neue Angebote entwickeln

🔹 Wirkungsebenen:
1. Mensch
2. Prozess
3. Organisation

So entstehen 9 Felder, die zeigen:
Wo ist das Potenzial groß – und wo lohnt sich der Start wirklich?

Ich nutze diese Matrix regelmäßig in Workshops.
Nach 30 Minuten ist klar, wo KI konkret helfen kann – statt sich in Tools und Trends zu verlieren.

Denn der Schlüssel liegt nicht in der Technologie.
Sondern in der richtigen Frage:
„Wie kann KI uns in diesem Feld wirklich unterstützen?“

Welche Felder wären in deinem Unternehmen am spannendsten?

TedAI Vienna 2025 | Shaden Alshammari, MIT

Every day: 100+ new ML papers. New methods. New architectures. New „breakthroughs.“

But here’s the uncomfortable truth: We don’t actually understand how they fit together.

Shaden Alshammari from MIT just proposed something radical: What if Machine Learning needs its own Periodic Table?

The analogy is powerful:
In 1869, Mendeleev didn’t just organize elements – he revealed what was missing. His table predicted Gallium before anyone discovered it.
Now imagine that for algorithms.

The insight: Most ML methods aren’t truly novel. They’re variations of fundamental principles – like elements built from protons and neutrons, algorithms emerge from basic distributions.

Examples that clicked:
Clustering → guests gathering at tables
Dimensionality Reduction → forming a queue

What this unlocks:
✓ Hidden connections between „unrelated“ methods
✓ Gaps pointing to undiscovered algorithms
✓ A roadmap through the chaos

The question isn’t just „can we build this?“ – it’s „what could we discover once we do?“

What patterns have you noticed in the ML landscape that no one’s talking about?

#MachineLearning #ArtificialIntelligence #TedAI #Vienna #MIT #Innovation #DataScience #MLResearch

© TEDAI Vienna / Robert Leslie

AI-Agenten können Produkte kaufen.
Sie können Verwaltungsprozesse starten.
Sie handeln im Auftrag von Kundinnen und Bürgern.

Die Frage ist nicht ob.
Die Frage ist wann.

Hier sind die 3 entscheidenden Fragen:

1️⃣ Brauchen wir neue Schnittstellen?
2️⃣ Müssen wir Interfaces für Maschinen gestalten – nicht nur für Menschen?
3️⃣ Oder reicht es, bestehende Systeme maschinenlesbar zu machen?

Die Verwaltung der Zukunft interagiert nicht nur mit Bürgern.
Sondern auch mit ihren digitalen Stellvertretern.

Welche dieser Fragen treibt dich am meisten um?