Luca Kyburz (links) erhält für seine herausragende Leistung einen Preis der Suva Luzern, überreicht von Stefan Scherrer.
Foto zVg
Für seine herausragenden Leistungen während des Studiums erhielt der Surseer Luca Kyburz von der Suva Luzern einen Preis, dotiert mit 1000 Franken. Der Jahrgangsbeste studierte berufsbegleitend und arbeitet bei der Firma SwissSalary in Sursee als Software-Entwickler. Im Interview spricht der 25-Jährige darüber, wie KI funktioniert, welche Gefahren sie birgt und was es braucht, damit KI uns nicht ersetzt.
Luca Kyburz, Sie haben Ihren Bachelor in «Artificial Intelligence and Machine Learning» abgeschlossen und aufgrund Ihrer Leistung einen Preis der Suva Luzern erhalten. Haben Sie auf diesen Erfolg hingearbeitet?
Nein, ich wollte einfach so gut wie möglich sein. Dass ich am Ende der Beste meines Studiengangs sein würde, habe ich eigentlich nicht erwartet – ich habe es nicht für eine Auszeichnung gemacht.
Wofür dann?
Ich wollte mich im Bereich der Informatik weiterbilden, allerdings nicht einfach in der Informatik allgemein, sondern spezialisiert. Da ich Mathematik und die komplizierteren Algorithmen bereits in der Ausbildung sehr spannend fand, lag für mich ein Studium in Richtung künstlicher Intelligenz nahe.
Luca Kyburz.
Foto Stefanie Zumbach
Sie haben ursprünglich eine Lehre als Informatiker EFZ gemacht und dann entschieden, noch zu studieren. Weshalb fiel Ihre Wahl gerade auf diesen Studiengang?
Damals arbeitete ich bereits als Software-Entwickler bei SwissSalary und erhielt die Chance, den Bachelor in «Artificial Intelligence and Machine Learning», unterstützt von der Firma, zu absolvieren. Diese Möglichkeit ergriff ich mit Freude.
Womit haben Sie sich während Ihrer Bachelorarbeit befasst?
Ich habe ein Konzept entwickelt, um einzuschätzen, was für ein bestimmtes Mitarbeitenden-Profil ein fairer Lohn wäre. Man erhält dabei eine geschätzte Spannbreite und kann einschätzen, ob ein Lohn innerhalb dieser Spannbreite für die Merkmale dieses Profils fair wäre. Liegt er ausserhalb, kann man das genauer prüfen – ähnlich wie beim Lohnrechner des Bundes. Der Fokus lag aber auf dem Aufbau des Konzepts für faire Löhne. Kriterien wie das Geschlecht dürfen zum Beispiel keinen Einfluss auf die Lohneinschätzung haben.
Welche Schwerpunkte machen den Bachelor in «Artificial Intelligence and Machine Learning» aus?
Es geht grundsätzlich um künstliche Intelligenz und darum, wie Maschinen von Daten «lernen» können. Ein Grossteil des Studiums machte das Programmieren aus, aber auch Philosophie und Ethik haben wir im Zusammenhang mit KI angeschaut. Konkret haben wir uns auch mit Algorithmen befasst, und zwar nicht nur mit den grossen Sprachmodellen wie ChatGPT, von denen man ständig hört, sondern auch mit vereinfachten Algorithmen.
Kern dieses Studiums ist es also, dass Sie nun genau solche und kompliziertere Algorithmen entwickeln können, die Firmen für ihre Zwecke verwenden können?
Genau, man kann sich unterschiedlich ausrichten. Als Machine Learning Engineer setzt man Algorithmen um. Man erfindet sie nicht neu, sondern wendet bereits vorhandene auf ein spezifisches Problem an, das eine Firma hat. Im Studium haben wir uns viel damit befasst: Wie entscheidet man, welches der richtige Algorithmus oder der richtige Lösungsweg ist? ChatGPT zum Beispiel ist riesig und braucht sehr viele Ressourcen. Wenn man es für ein einfaches Problem einsetzt, kann das nachher völlig ineffizient sein.
«Es geht nicht nur um die Sprache selbst, sondern mehr um die Mathematik und die Architektur dahinter.»
Welche Arbeiten haben Sie während des Studiums am meisten interessiert?
Am meisten Spass hatte ich, herauszufinden, wie etwas im Hintergrund funktioniert – technisch gesehen. Als Benutzer von ChatGPT sieht man nur: Man tippt im Chat etwas ein, und dann kommt die Antwort. Wir haben uns aber angeschaut, was mit dem geschriebenen Text passiert: Wie wird er zerlegt, wie gelangt er zum Modell, was kommt zurück, was passiert eigentlich im Modell selbst?
Und wie funktionierts?
Es geht dabei nicht nur um die Sprache selbst, sondern mehr um die Mathematik und die Architektur dahinter. In einem Modul während des Studiums haben wir Projekte in Python umgesetzt, also in dieser Programmier- bzw. Skriptsprache, und dabei eine viel kleinere Variante von dem gebaut, was hinter ChatGPT steckt – um damit dann ein konkretes Problem zu lösen: Wir mussten eine Multiple-Choice-Frage beantworten lassen, das heisst, das Modell musste selbst herausfinden, welche Antwortmöglichkeit die richtige ist.
Die Person, die das Ganze programmiert, hat also die Fäden in der Hand, wie der Algorithmus reagiert?
Genau. Noch wichtiger ist aber, dass man das programmierte Modell trainieren muss, damit es dann auch funktioniert. Das konnten wir im Studium umfassend üben. Dieses Modul war auch sehr anstrengend, weil man die Arbeit sehr genau nehmen muss. Wenn nämlich ein Programm immerzu perfekt funktioniert und immer die korrekte Antwort liefert, stimmt meistens etwas nicht.
Inwiefern?
All diese KI-Modelle wie ChatGPT arbeiten stochastisch, also mit Wahrscheinlichkeiten. Demnach können sie nie in 100 Prozent der Fälle korrekt sein.
Erklären Sie mir das genauer.
Diese Modelle lernen anhand von Datensätzen im Internet, welches jeweils das nächste wahrscheinliche Wort ist. Aus den wahrscheinlichsten Wörtern, sagen wir den Top 30 oder 100, wird dann gemäss der Wahrscheinlichkeit zufällig eines ausgewählt. Es steckt also eine gewisse Zufälligkeit dahinter. Man könnte das Ganze auch deterministisch, also eindeutig, programmieren, sodass immer dasselbe Resultat herauskommt. Das ist aber für einen Anwendungsfall wie einen Chatbot nicht unbedingt optimal. Man will ja, dass er divers ist und eine gewisse Persönlichkeit hat. Es gehört zum Geschäftsmodell solcher Anbieter, dass eine persönliche Bindung entsteht und man das Produkt gerne nutzt.
Was hören Sie im Alltag von anderen Leuten über künstliche Intelligenz, was Sie den Kopf schütteln lässt?
Gute Frage. Mich stört grundsätzlich die Aussage «Ich habe ChatGPT gefragt, und es hat gesagt …». Dass die Leute die Antworten von Chatbots einfach übernehmen und nicht kritisch hinterfragen, finde ich sehr heikel. Das kommt aber immer häufiger vor. Was ich oft höre, worüber ich aber weniger den Kopf schüttle, ist eine gewisse Existenzangst aufgrund von KI. Diese ist nicht ganz unberechtigt.
Heisst das, wir müssen wirklich um unsere Jobs fürchten?
Ich glaube, es gibt gewisse Branchen, in denen man ersetzbarer wird – vor allem repetitive Aufgaben, die klar definiert sind, könnten von künstlicher Intelligenz übernommen werden. Dort, wo man klare Regeln definieren kann, wird das einfach abgearbeitet. Aber ich glaube, grundsätzliche Existenzängste ergeben im Moment noch keinen Sinn, zumindest nicht so, wie KI aktuell funktioniert. Und etwas, das sich letztlich nicht ersetzen lässt, ist der persönliche Kontakt. Das gilt eigentlich für fast jeden Job. Es gibt so viele Dinge, bei denen man verstehen muss, was das Gegenüber einem sagt und was erwartet wird. Man muss vieles zwischen den Zeilen lesen oder die Stimmung an der Mimik ablesen. Ich glaube aber, der Mensch wird zunehmend zur überwachenden Instanz. Bis der Einsatz von KI ein Ausmass erreicht, das die ganze Bevölkerung betrifft, denke ich, dauert es noch lange.
«Ob KI gut oder schlecht ist, entscheiden letzlich wir Menschen und zwar darüber, wie wir sie einsetzen.»
Dennoch haben Sie angesprochen, dass sich die Menschen bereits heute zu sehr auf Chatbots verlassen.
Ja, ich finde es schade, wenn man bei einem Problem direkt als Erstes einen Chatbot um Rat fragt. Das birgt schon eine gewisse Gefahr, aber man muss das auch in Relation setzen. Wenn man 20 oder 25 Jahre zurückschaut, etwa auf die Zeit, als Google und das Internet neu aufkamen, hat man sich ganz ähnliche Gedanken gemacht: Werden die Menschen jetzt «dumm», weil sie einfach alles nachschlagen können? Das finde ich manchmal schwierig einzuschätzen. Es ist ein sehr ähnliches Szenario, geht aber schon noch einen Schritt weiter, weil KI eine gewisse eigene Art von Intelligenz hat. Es besteht die Gefahr, dass man durch die ganzen KI-Tools verlernt, selbst zu denken, oder selbstständig Lösungen für Probleme zu finden. Wenn ich an die nächsten Generationen denke, die damit aufwachsen und nie erleben, wie es ohne ist, bereitet mir diese Entwicklung Sorgen.
Wie lassen Sie diese Gedanken zur Entwicklung in Ihre eigene Arbeit einfliessen?
Ich befinde mich selbst in einem gewissen Spannungsfeld. Ich bin ein grosser Fan von KI, finde sie als Tool super, weil letztlich jede Technik, jedes Werkzeug, an sich neutral ist. Ob etwas gut oder schlecht ist, entscheiden letztlich wir Menschen und zwar darüber, wie wir es einsetzen. Bei der Arbeit setze ich KI deshalb bewusst und gezielt ein, auch weil ich den Bezug zur eigenen Arbeit nicht verlieren möchte. Es geht jeweils einfach darum, zu entscheiden, ob man KI wirklich braucht und welche Variante davon nützlich ist. Meiner Meinung nach hätte KI das Potenzial, uns viel Nutzen zu bringen. Aber schliesslich geht es darum, wie jeder einzelne Mensch KI nutzt.
Man könnte meinen, wir wüssten nicht genau, womit wir arbeiten, wenn wir Tools nutzen, die auf KI aufgebaut sind.
Es ist definitiv keine komplette Blackbox. Die Architektur des Modells ist bekannt und klar definiert. Was man aber nicht kennt, sind die konkreten Werte all der Parameter, die anhand der Trainingsdaten entstanden sind. Man kennt sie zwar in dem Sinne, als dass es einfach Zahlen sind, mit denen man rechnen kann, aber warum genau diese eine Zahl an dieser Stelle steht, lässt sich kaum sagen. Dahinter stehen x Terabyte an Daten, die zu diesen Zahlen geführt haben – und x sind hier natürlich Milliarden bis Billionen von Parametern. Es sind einfach sehr, sehr viele Zahlen.
Wie wird sich KI künftig entwickeln?
Ich glaube, sie wird sich noch lange weiterentwickeln. Das grosse Ziel ist die sogenannte AGI, Artificial General Intelligence, also eine Art künstliches Allgemeinwissen. Ich glaube, man wird weiter versuchen, in diese Richtung zu kommen. Was mir aber auffällt: Die Modelle werden zwar immer grösser, aber nicht unbedingt immer viel besser. Es könnte sein, dass man mit der Hardware, die man aktuell zur Verfügung hat, langsam an eine Grenze stösst. Damit wirklich wieder ein Durchbruch gelingt, braucht es wahrscheinlich etwas, das fundamental anders funktioniert – eine neue Innovation, sozusagen.
