Die meisten machen einen neuen (anfangs leeren) Stapel und nehmen dann Beleg für Beleg und sortieren diese einzeln in den neuen Stapel ein. In der Informatik nennt man dieses Vorgehen „InsertionSort“. Funktioniert bei Belegen super, weil die meistens schon irgendwie vorsortiert sind, dadurch geht das meist recht fix.

Nun wollen wir die (nach Datum sortierte) Liste nach Absender-Adressen sortieren.

Machen wir das genauso wie oben, wird’s schnell nervig und dauert. In der Informatik im schlechtesten Fall O(n^2) – gesprochen „O von n Quadrat“ (sorry, Nerd-Stuff mal wieder). Denn wir müssen – im worst case – jedes Element mit jedem anderen vergleichen. Das wiederum bedeutet, dass wir bei 10 Elementen im schlechtesten Fall 10^2 also 100 Einzelschritte durchführen müssen – und bei 100 Elementen bereits 10.000, bei 1000 Elementen 1.000.000 Schritte. Bäh.

Also was tun wir?

Wir verwenden z.B. MergeSort – einen Algorithmus, der mit O(n log n), also mit logarithmischer Komplexität, läuft. Das ist initial zwar deutlich komplizierter, braucht im schlechtesten Fall bei 10 Elementen aber nur 30 Einzelschritte (statt 100), bei 100 Elementen nur 700 (statt 10.000) und bei 1000 Elementen nur schlappe 10.000 Schritte (statt 1.000.000).

MergeSort basiert auf der Idee, dass wir all unsere Belege erst mal willkürlich verteilen (wir werfen das Zeug einfach auf den Boden). Dann bilden wir kleine Stapel (z.B. immer fünf Belege), die wir sortieren. Dann nehmen wir die 5-er Stapel und vergleichen diese jeweils mit einem anderen Stapel und sortieren daraus einen neuen 10-er Stapel. Das ist einfach, weil ich ja immer nur die obersten Elemente vergleichen muss. Dann machen wir dasselbe mit den 10-er Stapeln usw.

Also: bei kleinen Listen ist InsertionSort super, einfach, schnell, intuitiv. Aber ab ca. 30 Elementen kippt das. Da nervt das „einfache“ Sortieren nur noch und der Aufwand, etwas „komplizierter“ zu denken, lohnt sich.

In der Informatik gibt es ca. 15 zentrale Sortier-Algorithmen und ca. 50 weitere Varianten und Spezialfälle, die sich alle durch Laufzeitverhalten, Speicherverbrauch und die Größe des Chaos auf Ihrem Fußboden unterscheiden (scheinbar hatten wir über Jahre nichts anderes zu tun, als uns darüber Gedanken zu machen….).

Für mich sind Sortier-Algorithmen aber ein hervorragendes Beispiel dafür, dass es eben nicht immer die eine einzige und beste Lösung gibt und dass man viel Input „drumherum“ braucht, um entscheiden zu können, wie man ein Problem am besten angeht (inklusive der Größe des Fussbodens…).

Und jetzt probieren Sie einfach mal aus, was passiert, wenn Sie die KI bitten, Ihnen einen Vorschlag für die Sortierung einer Liste zu machen….. eine gute KI fragt jetzt nach der Größe Ihres Fussbodens….

Schönen Sonntag!

informatikersindcoolsortierenistlangweilig

Der Beitrag Belege sortieren – nerd style erschien zuerst auf Prof. Dr.-Ing. Stefan Wagenpfeil.

Klare Antwort – NEIN!

Vibe-Coding ist – wie der Name schon sagt – Coding und eben nicht „Engineering“. Und damit auch nur ein (sehr) kleiner Teil der Software-Entwicklung. Das wird häufig leider falsch eingeschätzt. Denn wer vernünftige Software entwickeln will, braucht

• Requirements-Engineering
• eine Spezifikation / einen Plan
• die Umsetzung (hier wird tatsächlich entwickelt und Code produziert)
• Qualitätssicherung
• den Betrieb (inkl. Infrastruktur, Skalierung, usw)
• Release- und Support-Management

Mindestens das gehört zum Software-Engineering. Das muss nicht immer super formal sein, aber die einzelnen Schritte sind durchaus logisch und sinnvoll.

Natürlich kann KI in all diesen Bereichen unterstützen. Am Weitesten sind wir hier im Bereich Qualitätssicherung, denn da wirkt KI wahre Wunder (Cybersecurity, Schwachstellenanalyse, Testcases > phänomenal). Die Umsetzung z.B. mit Vibe-Coding nimmt stark Fahrt auf, hat aber (noch) mit denselben Problemen zu kämpfen, die wir im Coding schon immer hatten: den Requirements.

Denn hier gilt (mit oder ohne Vibe-Coding) die alte Regel: shit in > shit out.

Coding kann immer nur so gut sein, wie der Input, den wir liefern. Funktional, nicht-funktional, strategisch und operativ. Und für die Requirements braucht man Menschen (was ne gute Sache ist). Sind die sauber (also die Requirements, nicht die Menschen), dann lässt sich daraus ein guter Plan / eine Spezifikation ableiten (durchaus KI-basiert) und auch ein passendes Betriebskonzept, dessen Umsetzung dann ebenfalls wieder mit Hilfe von KI erfolgen kann (auch mit Vibe-Coding). Am Ende der Kette braucht’s dann wieder den Menschen, sowohl als Kunden, weil er Features in neuen Releases verstehen muss – als auch als Manager, weil er strategisch und operativ entscheiden muss, welche Funktionen wann bereitgestellt werden.

Ja, und dann kommt noch der Lifecycle mit dazu. Software entwickelt sich weiter – durch Features (ok, selber schuld), aber auch durch äußere Umstände (Updates von Drittkomponenten, Betriebssystemen, Infrastruktur, neue Standards, Hardware, u.v.m.). Derzeit können KI-Systeme das noch nicht komplett „zusammen halten“ und solange wir Software so betreiben, wie wir es aktuell tun, wird das auch immer schwierig bleiben.

Deswegen ist Software-Engineering heute sogar viel wichtiger als vorher. Ein großer (Problem)bereich von früher (das eigentliche Coding) wird KI-gestützt immer einfacher und besser – der Rest wird aber umso wichtiger, denn auch die KI braucht Requirements und soll am Ende stabile Anwendungen liefern.

Meiner Meinung nach ist Software-Engineering daher kein Auslauf-Modell, sondern eigentlich fast schon ein „Future Skill“. Demnächst mehr dazu.

informatikersindcoolsoftwareengineering

Der Beitrag Software Engineering – braucht’s das noch oder kann das weg? erschien zuerst auf Prof. Dr.-Ing. Stefan Wagenpfeil.

In der Informatik hat man hierfür die sog. O-Notation eingeführt, die bewertet, wie starkt die Zeit- oder Platzkomplexität mit wachsender Eingabemenge zunimmt und eine obere Schranke für Laufzeit oder Ressourcenverbrauch bildet. Klingt kompliziert, ist eber im Endeffekt nur der „Worst-Case“.

Hat man bspw. O(n), also lineare Komplexität, dann wächst der Ressourceverbrauch direkt proportional zur Anzahl Eingabedaten. Klingt auch noch kompliziert… Auf gut Deutsch: 100 Elemente sortieren dauert 10 Sekunden, 200 Elemente sortieren dauert 20 Sekunden, 300 dann 30 Sekunden, usw.

Nun gibt es Verfahren, die bei größeren Datenmengen besser, aber bei kleineren Datenmengen schlechter sind – und welche, bei denen es genau umgekehrt ist. Super Aufgaben im Programmierpraktikum….

Neuerdings würde man KI verwenden und sagen „sortier mal die Liste“. Man würde nicht sagen „sortier mal die Liste mit Bubble-Sort“ oder „Merge-Sort“ oder irgendeinem anderen Verfahren, weil man die im Zweifel nicht mehr kennt. Oder gar nicht auf die Idee kommt, dass das Sortieren einer Liste auf verschiedene Arten passieren kann. Man würde sich auf die KI verlassen….. und wenn’s dann langsam wird? Dann drehen wir einfach den Hardware-Schieberegler unserer Cloud hoch.

Und warum kann die KI nicht einfach den besten Algorithmus wählen?

Na ja – auch hierfür müsste sie die Daten, deren Umfang und Nutzung kennen. Das kann sie aber zur Entwicklungszeit noch nicht „wissen“ – außer wir sagen es ihr. Aber das würde ebenfalls wieder bedeuten, dass wir beim Prompt „sortier mal die Liste“ die Rahmenbedingungen mitgeben müssen „… und berücksichtige, dass ich hier von einer Größe von 10.000-20.000 Datensätzen ausgehe“. Je exakter wir dies der KI mitteilen, desto höher die Wahrscheinlichkeit, dass die mit der Info auch tatsächlich was anfängt….

…. aber was, wenn sie die Frage stellt „soll ich dann Bubble-Sort dafür nehmen?“ – dann sind wir wieder am Anfang und müssen uns mit der O-Notation, den Algorithmen, usw. auskennen.

Oder wir drehen den Schieberegler einfach hoch. Ist entspannter…. und Energie / CPU / etc. zahlt eh die Firma…. !?!

Den Spagat zwischen dem, was man heute noch „wissen muss“ und den neuen Möglichkeiten der KI hinzubekommen, ist echt nicht einfach… aber: ich mag Algorithmen und ihre Eleganz. Hoffentlich sieht die KI das genauso

informatikersindcoolalgorithmensindelegant

Der Beitrag Die Schönheit von Algorithmen und warum KI damit Probleme hat erschien zuerst auf Prof. Dr.-Ing. Stefan Wagenpfeil.

Und damit meine ich nicht meine Studierenden – sondern viele Mitarbeiter, die mir in Projekten und in „freier Wildbahn“ so begegnen. (Aber ja, auch der ein oder andere Studi mag mit Sicherheit diese Einstellung haben.)

Heißt also – dank KI brauchen wir nicht mehr denken, uns geistig anstrengen, ein paar Prompts und alles ist erledigt. Mehr Freizeit, weniger Stress. Läuft ?

„Mein KI-Agent macht jetzt dasselbe, wofür ich früher ne Woche gebraucht habe“ – die andere Art Aussage, die ich nicht mehr hören kann. Und bei der ich jedesmal sage: „und wofür braucht’s Dich dann noch“?

Wir sind – ob wir wollen oder nicht – in dem größten digitalen Umbruch aller Zeiten. Von „vor der KI“ zu „mit der KI“. Und klar, aktuell gibt’s da viel Potenzial, sich das Leben leicht zu machen. Aber nur, weil noch nicht alle den Sprung zu „mit der KI“ geschafft haben. Und spätestens da wird’s interessant….

Und „mit KI“ kann nur funktionieren, wenn wir uns dorthin entwickeln. Wenn wir KI als Denkunterstützung betrachten und lernen, „mit KI“ besser zu sein als alle anderen, die ebenfals „mit KI“ unterwegs sind.

Als der Taschenrechner erfunden wurde, haben wir uns doch auch neu orientiert und Dinge entwickelt, entdeckt, erdacht, die erst dank des Taschenrechners möglich waren. Da kam doch keiner auf die Idee, die Beine hochzulegen und das Hirn auszuschalten.

Das Internet – same story.

„Mit KI“ wird kurzfristig zur Convenience – jeder hat sie, jeder kann sie nutzen. Das, was „early adopters“ jetzt an Zeitgewinn rausholen, wird die neue Normalität. Geschäftsfelder werden sich ändern (oder komplett verschwinden), neue Ideen und Geschäftsmodelle „mit KI“ werden entstehen.

Und die, die aufhören, zu denken und zu lernen, werden dabei keine Rolle spielen können. Beine hochlegen funktioniert dann noch – mehr aber vermutlich auch nicht.

Anstatt mit dem Denken aufzuhören, müssen wir aktuell erst recht damit anfangen. Wissen, Begreifen, kritisches Hinterfragen – all das ist „mit KI“ genauso spannend und wichtiger denn je.

Sorry – aber das musste jetzt mal raus…..

informatikersindcoolhirneinschaltendenkenkritischhinterfragen

Der Beitrag Hört auf, mit dem Denken aufzuhören! erschien zuerst auf Prof. Dr.-Ing. Stefan Wagenpfeil.

Anthropic hat ein neues KI-Modell entwickelt (Name: Mythos). Das ist mittlerweile ja relativ normal geworden und anstatt der überschwänglichen „best model ever“, „ein echter gamechanger“, usw. passiert diesmal etwas anderes: es wird geheim gehalten. Also öffentlich. Also… ich meine, es wird öffentlich geheim gehalten.

Warum das?

Bei internen Tests hat Anthropic rausgefunden, dass dieses Modell – nun ja, ein „echter gamechanger“ ist, wenn es darum geht, Sicherheitslücken in Software zu finden. Das Modell findet (lt. internen Statistiken) so viele unbekannte Angriffspunkte in nahezu jeder Art von Software und ist so schnell in der Lage, Exploits hierfür zu entwickeln, dass Anthropic entschieden hat, es wäre unverantwortlich und ein Risiko für unsere gesamte IT-Infrastruktur, käme dieses Modell in die falschen Hände.

Kurz mal sacken lassen….

Und was macht Anthropic jetzt damit?
Sie haben das Projekt „Glasswing“ gegründet – und die großen IT-Unternehmen (darunter AWS, Apple, Broadcom, Cisco, Crowdstrike, Google, die Linux Foundation, Microsoft, Nvidia, …) und einige der großen Open Source Projekte ins Boot geholt (https://lnkd.in/eNseXqsD). In einer Art „Preview“ lässt man nun in diesem geschützten Rahmen das Mythos-Projekt auf die Software der Hersteller los und gibt ihnen damit die Gelegenheit, die Sicherheitslücken zu schließen bevor das Modell irgendwann auf den Markt kommt.

Ein großartiger Move, der meinen / unser aller höchsten Respekt verdient. Chapeau Antropic!

Zwei Dinge sollte man jedoch festhalten:

1) Für Cybersecurity sind Modelle wie Mythos ein echtes Problem, weil sie so unfassbar schnell Schwachstellen finden und es trotzdem sehr lange dauert, diese zu schließen – nicht technisch, aber organisatorisch. Patchen und Updaten von Software wird wichtiger denn je. Denn klar, man kann der KI sagen, „mach heile“, aber trotzdem muss man die Software dann anschließend sehr gut testen und hat dann hunderte Millionen PCs oder Smartphones oder Browser oder XYZ, die aktualisiert werden müssen. Und bis man das geschafft hat, sind weitere Sicherheitsprobleme entdeckt worden und man beginnt von vorne. Ein Wettlauf im Hamsterrad….

2) KI-Modelle sind mittlerweile so gut, dass sie sich als Schaden für die Menschheit entpuppen können. In den falschen Händen ist das gefährlicher als jede Waffe. Ich ziehe den Hut vor Anthropic, denn so geht „verantwortungsvolle KI“. Gleichzeitig mache ich mir Sorgen über all die anderen Modelle, von denen wir nichts wissen und die vielleicht nicht so vorausschauend gehandhabt werden.

Und ja – es ist mal wieder Anthropic. Vor einiger Zeit den Pentagon-Deal abgelehnt, als es darum ging, ihre KI Produkte für autonome Waffensysteme und Massenüberwachung einzusetzen. Und jetzt diese Initiative. Respekt!

informatikersindcoolcybersecurityohjeohje

Der Beitrag Responsible Cybersecurity erschien zuerst auf Prof. Dr.-Ing. Stefan Wagenpfeil.

Klar soweit? Na ja, machen wir kurz ein Beispiel….

Wörter, wie „der, die, das“ eignen sich nicht wirklich als Suchbegriff, weil sie in nahezu jedem Dokument vorkommen – sie liegen also ziemlich weit links oben in diesem Diagramm.
Wörter, wie „Steefan“ (ja, ein Tippfehler) sind zwar sehr selten, haben aber keine Relevanz für eine Suche, weil wir ja vermutlich nach „Stefan“ suchen wollen – diese liegen sehr weit rechts unten.

Je besser sich ein Merkmal von der Umgebung (d.h. von den anderen Merkmalen des Dokuments und von den anderen Dokumenten der Kollektion) abhebt, desto „wichtiger“ wird es – man nennt das „diskriminierende Eigenschaft“.

Stellen wir uns eine Kollektion mit 10.000 Bildern von mir vor (viel Spaß damit…). Dann macht es keinen Sinn, nach „Stefan“ zu suchen, denn die Treffermenge wäre bei 100%. Gibt es darin aber genau ein Bild, in dem ich eine Kaffee-Tasse halte (soll bei Informatikern durchaus vorkommen), dann wird die „Kaffee-Tasse“ zur „diskriminierenden Eigenschaft“, nach der ich hervorragend suchen kann.

Wenn nun aber jemand anders 100.000 Bilder mit mir und einer Kaffee-Tasse in die Kollektion lädt, ist diese „diskrimierende Eigenschaft“ verloren (oder auf gut Deutsch: für’n Ar…).

Und genau das passiert auf Social Media und bei Fake News.

Es gibt zwei gute Aussagen, die das gut beschreiben: „censorship by noise“ (Tim Wu, Columbia University) und „flood the zone with shit“ (Steve Bannon, Ex-Berater Pres. Trump).

Mit jedem neuen Bild verliert das einzelne somit an Gewicht!

Wenn man sich nunmehr ansieht, dass ca. 14 Mrd. Bilder pro Tag auf Social Media geteilt werden und wie einfach es ist, mit KI neue Bilder zu generieren, dann wird schnell klar, wie man diese „Macht“ einsetzen kann, um die erlernten und bekannten Prozesse des Information Retrieval (also des Suchens, Findens und Zugreifens auf Inhalte) zu verschieben. Man kann sie gezielt manipulieren. Nimmt man dann noch die gängigen Mechanismen von Social Media mit rein (Likes, Impressions, …), dann entsteht daraus eine sehr gefährliche Kombination.

Techniken zur Authentifizierung von Echtheit (z.B. die C2PA) sind zwar vorhanden, aber noch nicht in der breiten Masse angekommen. Daher gilt es umso mehr, hier für Bewusstsein und Aufklärung zu sorgen.

informatikersindcoolinformationretrievalmultimedia

P.S.: mehr dazu: „Multimedia Information Retrieval“ von Prof. Hemmje und mir (https://lnkd.in/e_eJF5Zb)

Der Beitrag Wie Mathe Social Media und Fake-News erklärt erschien zuerst auf Prof. Dr.-Ing. Stefan Wagenpfeil.

Nicht nur, dass es mittlerweile immer mehr europäische Alternativen zu US-Produkten gibt, die mittlerweile auch qualitativ immer vergleichbarer werden – auch politisch und gesellschaftlich tut sich was!

• Nextcloud und IONOS entwickeln eine quelloffene Office-Alternative (https://lnkd.in/e2kN3EUa)
• Der D-Stack setzt auf Open Source (https://lnkd.in/egVGHSmq)
• das EUDI-Wallet als Grundlage für sichere Identitäten nimmt Fahrt auf (https://lnkd.in/ebEEHWu5)
• immer mehr Unternehmen, Verbände, Einrichtungen beschäftigen sich mit dem Thema.

Ich denke, viele CIO’s sind mittlerweile sensibilisiert und sich des Risikos bewusst, wenn Daten oder Dienste auf Servern außerhalb Europas liegen und von US-Unternehmen betrieben werden. Viele wissen auch, dass es Alternativen gibt, die teilweise sogar finanziell günstiger wären.

Und jetzt leider doch noch das „aber“:

Der Weg zu digitaler Souveränität ist steinig. Er erfordert Mut, entschlossenes Handeln, Geld für die Migration und die Stärke, auch mal mit Nachteilen in der Nutzung umzugehen.

• Ja, man wird Teams vermissen und muss sich in Nextcloud erst mal zurecht finden.
• Ja, Microsoft Office ist schon geil. Aber die offenen Varianten können dasselbe, man muss sich „nur“ umgewöhnen (leider kann ich mich komischerweise nie mit Latex durchsetzen)

Aber alles andere (E-Mail, Sharepoint, Cloud-Services, XaaS), also die Dinge, die ein Nutzer ohnehin nicht „sieht“ – das gibt’s häufig ohne Nachteile auch in Europa.

Auf jeden Fall bewegt sich was und das ist gut!
Ich hoffe sehr, viele finden den Mut in Richtung digitaler Souveränität!

informatikersindcoolestutsichwasdigitalesouveränität

P.S.: ehrlich gesagt…. ich finde es schon sehr, sehr schade, dass wir uns diese Gedanken machen müssen. Noch vor ein paar Jahren fühlte sich die Welt nach einem positiven „Miteinander“ an. Jetzt sehe ich großes Misstrauen insbesondere den USA gegenüber. Und das macht mich traurig.

P.P.S.: bei SLW Streitz Liesegang Wagenpfeil & Partner gehen wir diesen Weg und stellen unsere komplette IT-Infrastruktur auf souveräne Produkte um. Wir wissen also, wovon wir reden (mit allen Vor- und Nachteilen).

Der Beitrag Digitale Souveränität – es tut sich was! erschien zuerst auf Prof. Dr.-Ing. Stefan Wagenpfeil.

Na ja. Nicht ganz….

„Open Source“ per se ist kein Wundermittel. Nur, weil Software „Open Source“ gestellt wird, ist sie deswegen nicht besser, stabiler, hat weniger Fehler oder Probleme. Der einzige Unterschied: jeder kann den Quellcode sehen.

Aber, wenn niemand diesen ansieht oder versteht, wenn niemand diesen auf Probleme hin untersucht, wenn es keine Community gibt, die Fehler ausbaut, dann kann auch „Open Source“ eine schlechte Software nicht „heilen“.

Gut – kostet wenigstens nichts.

Na ja. Auch wieder falsch.

Open Source kostet zwar vielleicht nichts in der Entwicklung. Aber Betrieb, Nutzung, Integration muss trotzdem gemacht werden. Hier handelt es sich bei Open Source Komponenten genauso um „Drittsoftware“, wie bei gekauften und bezahlten Bibliotheken. Nur, dass bei Open Source dummerweise kein Hersteller den Kopf für Probleme hinhält.

Nicht, dass das jetzt falsch verstanden wird: ich mag Open Source und ich finde Open Source super und super sinnvoll.

Ich möchte nur nicht, dass wir hier in die Falle tappen und denken, dadurch würde automatisch alles gut. Denn auch bei Open Source müssen wir

• Qualitätssicherung einziehen, inklusive Code Reviews der Open Source Komponenten
• Know-How erwerben und verstehen, was die Komponenten tun (und warum)
• ein Betriebsmodell an den Start bringen, das teilweise schwieriger ist als mit kommerzieller Software
• die Lieferkette überprüfen (Open Source ist leider auch anfällig für Schad-Code)
• regelmäßige Aktualisierungen und Überprüfungen integrieren

Und dann – aber halt auch erst dann – ist alles gut

Digitale Souveränität ist m.E. eins der wichtigsten Themen unserer Zeit. Entscheidungen wie die des ITPR helfen, dass wir das Thema ernst nehmen, angehen und in den Griff bekommen. Aber lasst es uns richtig machen!

#informatikersindcool#opensource#itplanungsrat#digitalesouveränität

Der Beitrag Open Source – na dann ist doch alles gut! erschien zuerst auf Prof. Dr.-Ing. Stefan Wagenpfeil.

Aber manchmal muss ich einfach die Frage stellen: seid ihr komplett verrückt geworden?

Egal, wer 200 Features in egal welcher Zeit codet – ich kann sowas doch nicht ernsthaft ausliefern oder produktiv nehmen. Womöglich versucht noch jemand das zu nutzen!

Denn auch die KI produziert am Ende Quellcode und jeder (!) Quellcode kann Fehler enthalten. Jedes Feature muss getestet werden. Und vibe-codet man dann weiter, muss man erneut alle Features testen, denn die KI überholt sich manchmal einfach selbst.

Und wie bitteschön soll ich 200 Features in so kurzer Zeit testen und qualitätssichern, damit sie auch in einen gesicherten Betrieb übergehen können? Oder machen wir auch Vibe-Operating mittlerweile?

Ups abgestürzt – „KI mach irgendwie heile“. Danke für’s Gespräch…

Spaß beiseite. An alle Vibe-Coder da draußen: denkt daran, dass ihr die Verantwortung (!) für eure Software tragt. Dass Kunden auf euer Produkt setzen und ihr jederzeit in der Lage sein müsst, eure Lösung – inklusive all der 200 neuen Features in 2 Tagen – zu warten, zu supporten, abzusichern. Der Prompt „mach mal sicher“ reicht dafür nicht. Coding war schon immer nur ein (kleiner) Teil des Software-Engineerings.

Und ja, es ist mittlerweile unfassbar leicht geworden, Code zu erzeugen und echte, coole Lösungen zu entwickeln. Das ist wirklich fantastisch. Aber solange Software noch auf Code basiert, entbindet uns das nicht von der Pflicht, diesen abzusichern, zu testen und betriebsfähig zu machen. KI hin oder her.

Erst, wenn die KI ihre eigene, nicht mehr menschen-verständliche „Programmier-„Sprache entwickelt hat, sind wir raus und müssen darauf vertrauen, dass all das irgendwie gut gehen wird. Bis dahin gehört auch Vibe-Coding zur Software-Entwicklung, also nehmt das bitte ernst!

informatikersindcoolvibe-codingistgrandios softwareentwicklungqualitätbleibt

P.S.: mir kommt das ein wenig vor wie „Studieren mit KI“…. ich hab‘ in 10 Minuten ne Bachelor-Arbeit gepromptet, brauche aber trotzdem ein oder zwei Stunden, um diese zu lesen und zu korrigieren. Mit KI habe ich auch in 10 Minuten ne Lösung gepromptet, brauche aber ebenso ein oder zwei Stunden, um diese zu testen und qualitätszusichern. Nur irgendwie wird das oft vergessen….

Der Beitrag 200 Features in 2 Tagen dank Vibe-Coding – seid ihr verrückt geworden!? erschien zuerst auf Prof. Dr.-Ing. Stefan Wagenpfeil.

Mal sacken lassen….

Unabhängig davon, dass ich es mutig, wichtig und richtig finde, dass Unternehmen Werte etablieren und dafür einstehen und im Zweifel auch mal einen Auftrag (schlappe 200 Millionen) sausen lassen, stimmen mich ein paar Dinge sehr nachdenklich:

1) die immer größer werdende Vermischung von Technologie, Politik und Macht. Die Beispiele häufen sich, bei denen nicht mehr Regierungen, sondern Unternehmen über Krieg und Frieden entscheiden können (z.B. Starlink in der Ukraine)

2) das Wettrennen um KI-Technologien im militärischen Sektor und die Dynamik, die daraus entstehen kann

3) die Tatsache, dass wir über Anthropic reden, weil mal jemand nicht „mitspielt“. Warum reden wir aber nicht darüber, dass offenbar genügend andere bei diesem „Spiel“ mitmachen? OpenAI hat sich jetzt einen Vertrag gesichert, keiner weiß, was drinsteht. Was ist mit Google? Mit Meta? Wie stehen die dazu?

4) Armeen aus KI-Soldaten… welchen Sinn soll das Ganze denn machen? KI-Drohnen, die KI-Drohnen autonom bekämpfen? Da kann man im Endeffekt einfach ne Simulation laufen lassen oder ein Computerspiel spielen. Das wäre ohnehin besser, als echte Kriege zu führen.

Ich glaube, wir alle bräuchten dringend mal einen Pause-Button, denn ich habe den Eindruck, unser Gehirn kommt grad nicht mehr hinterher. Der technische Fortschritt ist auf dem besten Weg, die Grenzen des menschlich begreifbaren und verarbeitbaren hinter sich zu lassen.

Haltung und Werte sind meiner Meinung nach das, was uns Menschen ausmacht. Und das geht zunehmend verloren.

Ist das ein positives Wort zum Sonntag? Vermutlich eher nicht. Sorry dafür.

Aber vielleicht ist’s ja ein Anstoß, einfach mal den Rechner auszumachen und ne Runde raus in die Sonne zu gehen. Das kann wenigstens niemandem schaden

#informatikersindcool#chapeauanthropic

Der Beitrag Anthropic kommt auf die Pentagon-Blacklist erschien zuerst auf Prof. Dr.-Ing. Stefan Wagenpfeil.