About KI - kurz und informativ, Klartext "to Go" in unter 5 Minuten
"KI - kurz und informativ" erklärt Künstliche Intelligenz verständlich, kompakt und ohne Fachchinesisch. In weniger als 5 Minuten erfahrt ihr als Entscheider in Wirtschaft und Verwaltung, worum es eigentlich wirklich geht - ohne Hype von den Grundlagen, über Anwendungen im Unternehmen bis hin zu den neusten Entwicklungen.
Was ist ein Large Language Model (LLM)? Was sind neuronale Netze? Welche Datenschutzanforderungen muss ich beachten? EU AI Act? Wie bereite ich meine Daten auf? All das und vieles mehr sind Themen unserer Podcast-Reihe. Viel Spaß beim Zuhören!
Braucht es einen Chief AI Officer? - Wie KI die Unternehmensorganisation verändert
Wie verankert man Künstliche Intelligenz in einer Organisation? Und braucht es dafür einen Chief AI Officer (CAIO)? In dieser Folge schauen wir uns an, wie Unternehmen und Verwaltungen sich für KI aufstellen können und was wir dabei von klassischen Organisationsformen lernen.
Linienorganisation, funktionale Organisation, Spartenorganisation, Matrixorganisation und agile Netzwerkorganisation. Daraus leiten sich drei gängige KI-Organisationsmodelle ab: das zentrale KI-Kompetenzzentrum, die Hub-and-Spoke-Organisation und schliesslich das dezentrale Mesh-Modell, in dem Fachbereiche ihre eigenen Datenprodukte, KI-Modelle und Agents betreiben.
Ihr erfahrt, welche Vor- und Nachteile jedes Modell hat, welcher KI-Reifegrad dafür nötig ist und warum KI im Unternehmen am Ende so selbstverständlich werden sollte wie Excel.
Themen dieser Folge:
Klassische Organisationsformen kurz erklärt
Zentrale, dezentrale und Hub-and-Spoke-Organisation von KI
Das Mesh-Modell
Chief AI Officer: Sinn, Studienlage und Kritik
Erwähnte Folgen und Quellen:
KI-Wissensaufbau in Unternehmen (https://open.spotify.com/episode/4gGeVnggYXgmCMZljQBdj3?si=LMLLHbdgTey81H_hhiVSBQ)
IBM Institute for Business Value: CEO Study 2026 (https://newsroom.ibm.com/2026-05-04-ibm-study-ceos-are-reshaping-c-suite-roles-for-the-ai-era)
Schaut gerne auch auf der neuen Website zum Podcast vorbei:
https://podcast.pyucation.de (https://podcast.pyucation.de/)
Dort findet ihr eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.
29 Oct 2026
Gradient Descent Teil 2: Stochastic Gradient Descent und Mini-Batch GD
In der ersten Folge zu Gradient Descent haben wir mit den Schwächen dieses Verfahrens aufgehört. Heute schauen wir uns an, wie diese Schwächen angegangen werden.
Wir sprechen über lokale Minima, die richtige Lernrate und den hohen Rechenaufwand bei grossen Datensätzen.
Ihr braucht keine mathematischen Vorkenntnisse (wobei die Grundrechenarten sind nie verkehrt sind :D).
Aus den Herangehensweisen ergeben sich die drei wichtigen Ansätze aus der Praxis:
Gradient Descent: Wie der gesamte Datensatz zur Berechnung eines Optimierungsschritts verwendet wird.
Stochastic Gradient Descent (SGD): Warum einzelne Datenbeispiele den Rechenaufwand pro Schritt reduzieren und gleichzeitig für stärkere Schwankungen sorgen.
Mini-Batch Gradient Descent: Wie eine kleine Gruppe von Datenbeispielen einen praktischen Kompromiss zwischen Rechenaufwand und Stabilität ermöglicht.
Wir nutzen wieder die Analogie der Bergwanderung.
🎧 Hört unbedingt in die erste Folge rein. Denn diese Folge baut darauf auf: Gradient Descent einfach erklärt (https://open.spotify.com/episode/6fevpUvZhD59pBlJTtebHm?si=-a6CaRwESM2PaLkT0SnZQA)
Schaut gerne auch auf der neuen Website zum Podcast vorbei:
https://podcast.pyucation.de (https://podcast.pyucation.de/)
Dort findet ihr eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.
Diese Folge ist für dich, wenn du …
verstehen möchtest, wie Machine Learning und KI-Training funktionieren,
dich für künstliche Intelligenz interessierst, ohne selbst programmieren zu müssen,
als Entscheiderin oder Entscheider in Wirtschaft oder Verwaltung fundierter über KI sprechen möchtest,
wissen willst, warum moderne KI-Modelle spezielle Optimierungsverfahren benötigen.
22 Oct 2026
Gradient Descent einfach erklärt: Das Gradientenabstiegsverfahren im Machine Learning
Gradient Descent ist zweifelsohne einer der wichtigsten Algorithmen im Machine Learning. Dank ihm kann ein Modell lernen.
Stellt euch folgendes Szenario vor: Ich setze euch mit verbundenen Augen irgendwo auf einem Berg ab und sage: Findet zurück zum Auto, das im Tal steht. Genau das macht ein Machine-Learning-Modell beim Training.
In dieser Folge erkläre ich ohne Formeln, wie Modelle ihre Parameter tatsächlich anpassen, was ein Gradient ist und wie der Algorithmus funktioniert.
Wir schauen uns auch die Schwächen des Verfahrens an: lokale Minima, die Lernrate als sog. Hyperparameter und dass Gradient Descent theoretisch jedes Mal den gesamten Datensatz zur Berechnung braucht.
Für alle drei Probleme gibt es in der Praxis Lösungen. Die schauen wir uns in der nächsten Folge an.
Themen dieser Folge:
Was ein Gradient ist
Wie Gradient Descent als Algorithmus funktioniert mit einer einfachen Analogie
die Kostenfunktion als 3D-Landschaft
Probleme beim Gradient Descent
🎧 Voraussetzung für diese Folge: Kostenfunktion und mathematische Optimierung (https://open.spotify.com/episode/3n5nxWR2jN6aq83u9I3LrY?si=9fQpSPwBR72o9a7rROepLw)
Schaut gerne auch auf der neuen Website zum Podcast vorbei:
https://podcast.pyucation.de (https://podcast.pyucation.de/)
Dort findet ihr eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.
Reach and audience
Public platform figures. Ratings count people who left a rating, not total listeners.
Spotify
5.0 / 5
19 ratings
Contact KI - kurz und informativ, Klartext "to Go" in unter 5 Minuten
Guest appearances
Does not typically book guests
Based on episode analysis; this does not confirm that the show is currently accepting guests.
Pod Engine is an independent podcast discovery and analytics service and is not affiliated with or endorsed by this podcast. Artwork and show content belong to their owners. Full legal notice.
Explore this show Podcast research with Pod Engine
