Veröffentlicht am

LocalAI: Das Open Source Modell olmOCR installiert

Eigener Screenshot

Wie schon in mehreren Blogbeiträgen erläutert, haben wir das Ziel, einen souveränen Arbeitsplatz zu gestalten, bei dem u.a. auch Künstliche Intelligenz so genutzt werden kann, dass alle eingegebenen und generierten Daten auf unserem Server bleiben.

Dazu haben wir LocalAI (Open Source) auf unserem Server installiert. Damit können wir aktuell aus mehr als 700 frei verfügbaren KI-Modellen je nach Bedarf auswählen. Zu beachten ist hier, dass wir nur Open Source AI nutzen wollen. Siehe dazu auch AI: Was ist der Unterschied zwischen Open Source und Open Weights Models?

Bei den verschiedenen Recherchen sind wir auch auf OLMo gestoßen. OLMo 2 ist eine LLM-Familie (Large Language Models), die von Ai2 – einer Not for Profit Organisation – entwickelt wurde und zur Verfügung gestellt wird:

“OLMo 2 is a family of fully-open language models, developed start-to-finish with open and accessible training data, open-source training code, reproducible training recipes, transparent evaluations, intermediate checkpoints, and more” (Source: https://allenai.org/olmo).

Unter den verschiedenen Modellen haben wir uns die sehr spezielle Version allenai_olmocr-7b-0225 in unserer LocalAI installiert – siehe Abbildung.

“olmOCR is a document recognition pipeline for efficiently converting documents into plain text” (ebd.)

Siehe dazu auch Efficient PDF Text Extraction with Vision Language Models.

Selbstverständlich werden wir demnächst auch noch andere Möglichkeiten aus der OLMo-Familie testen und Erfahrungen sammeln.

Veröffentlicht am

Ein genauerer Blick auf einen Teil von “Ungewissheit”, der bisher zu wenig beachtet wird

Wenn es um die Beschreibung des Umfeldes geht, verwenden wir oft den Begriff “Ungewissheit”. Dabei wird allerdings nicht immer erkannt, dass “Ungewissheit” zwei Dimensionen enthält, die ganz unterschiedlich gehandhabt werden müssen. Einerseits sind es die “Known Unknowns“, die mit den bekannten Managementansätzen (Risikomanagement) angegangen werden können. Eine weitaus wichtigere Dimension stellen allerdings die “Unknown Unknowns” dar. Dazu habe ich folgenden Text gefunden:

“Wichtig ist beim Blick auf Ungewissheit die Unterscheidung zwischen „Known Unknowns“ und „Unknown Unknowns“. Ersteres bezieht sich auf die Bearbeitung von Risiken und das Risikomanagement. Ziel ist, nicht vollständig vorhersehbare und kontrollierbare Ereignisse gleichwohl weitmöglichst zu beschreiben und die Wahrscheinlichkeit ihres Eintretens zu berechnen. Auf dieser Grundlage erscheint es dann auch möglich, den Umgang mit Risiken zu planen und ein entsprechendes Risikomanagement zu entwickeln. Demgegenüber besteht bei „Unknown Unknowns“ Ungewissheit sowohl über die konkreten Erscheinungsformen als auch die jeweils situativen Bedingungen (Zeit, Ort, Umfang) ihres Auftretens. Risiken und das Risikomanagement lassen sich somit weitgehend dem klassischen Management mit Planung und Kontrolle zuordnen, wohingegen die „Unknown Unknowns“ die eigentliche Ungewissheit benennen und ein weitgehend „blinder Fleck“ im Projektmanagement sowie auch Management insgesamt sind” (Boehle et al 2018, in projektmanagementaktuell 1/2018).

Es wird in Zukunft immer entscheidender sein, wie Management mit beiden Dimensionen umgeht. Aktuell liegt der Fokus auf den “Known Unknowns”, für das eher klassisches Management und auf Technologien, wie z.B. auch Künstliche Intelligenz, angewendet wird – dabei werden die “Unknown Unknowns” häufig vernachlässigt. Gerade bei der Bewältigung von “Unknown Unknowns” kommt dem Menschen eine bedeutende Rolle zu, da der Mensch in der Lage ist diese Form der Ungewissheit zu bewältigen. Siehe dazu auch Über den Umgang mit Ungewissheit und Kompetenzmanagement.

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

Versuch einer Einordnung: Menschliche Intelligenz, Hybride Intelligenz, Künstliche Intelligenz

Artificial Intelligence in relation to human intelligence (Hossein Jarrahi et al. 2022, https://doi.org/10.1177/20539517221142824

Der Begriff “Intelligenz” wird in der aktuellen Diskussion um Künstliche Intelligenz (Artificial Intelligence) immer wichtiger. Dabei gibt es oft zwei Argumentations-Pole, die sich scheinbar unüberbrückbar gegenüberstehen:

Zunächst ist da der Standpunkt, dass Künstliche Intelligenz (Technologie) in Zukunft auch die Menschliche Intelligenz umfassen wird. Demgegenüber gibt es die Perspektive, dass die Menschliche Intelligenz Elemente enthält, die (noch) nicht von Technologie (Künstlicher Intelligenz) ersetzt werden kann.

In der Zwischenzeit setzt sich – wie so oft – immer stärker die Auffassung durch, dass es durchaus Sinn machen kann, eine Art Hybride Intelligenz zu thematisieren, also eine Art Schnittmenge zwischen Menschlicher und Künstlicher Intelligenz. In der Abbildung ist diese Sicht auf Intelligenz dargestellt.

“Put simply, humans possess “general intelligence” in being able to comprehend and analyze various situations and stimuli, to ideate, create and imagine. The intelligence projected by AI systems is predominantly task-centered (Narayanan and Kapoor, 2022)” (Hossein Jarrahi et al. 2022).

Ergänzen möchte ich an dieser Stelle, dass hier der Begriff “general intelligence” bei der Menschlichen Intelligenz wohl auf den Intelligenz-Quotienten verweist, der allerdings in der Gesamtdiskussion wenig hilfreich erscheint. In dem Beitrag OpenAI Model “o1” hat einen IQ von 120 – ein Kategorienfehler? wird deutlich, dass aktuelle KI-Modelle schon locker entsprechende Intelligenz-Tests bestehen.

Meines Erachtens scheint es immer wichtiger zu sein, das Verständnis der Menschlichen Intelligenz im Sinne von Multiplen Intelligenzen nach Howard Gardner zu erweitern Dieses Verständnis hätte eine bessere Passung zu der aktuellen Entwicklung.

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

Veröffentlicht am

Der Projektabschluss in verschiedenen Projektmanagement-Standards/Normen

Im Projektmanagements sind neben den Normen und Vorgehensmodellen auch Standards wichtig. In der folgenden Tabelle werden die wichtigsten genannt, und ein Bezug zum Projektabschluss hergestellt.

OrientierungAnzahl der Prozesse im Projektabschluss
PMBoK® GuideProzesse2
PRINCE2®Prozesse5
ICBKompetenzen16
DIN 69901Prozesse9
ISO 21500Prozesse2
Vergleichsmatrix Projektabschluss bei verschiedenen PM-Standards und PM-Normen (Stollwerk et al. 2015, in projektmanagementaktuell 2/2025

Es wird deutlich, dass alle den Projektabschluss thematisieren, allerdings unterschiedlich stark auf die im Projektabschluss erforderlichen Punkte eingehen. Die Autoren vermissen bei jedem der genannten Standards/Normen immer wieder wichtige Aspekte, die in der Abschlussphase enthalten sein sollten.

“Letztendlich ist einem Projektleiter zu empfehlen, mehrere unterschiedliche Standards bei der Vorbereitung des Projektabschlusses zur Hand zu nehmen und diese als Anregung im Sinne einer Checkliste zu nutzen” (ebd.).

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

Projektorientiertes Lernen bedeutet auch Sozialkompetenzen entwickeln

Für eine erfolgreiche Projektarbeit sind verschiedene Kompetenz erforderlich. Neben der Methodenkompetenz sind das auch Sozial- und Persönlichkeitskompetenzen. Die ICB 4.0 (Individual Competence Baseline) weist dazu auf verschiedene Dimensionen hin. Auch in der Projektarbeit selbst, werden dabei Kompetenzen entwickelt. Beispiele für Sozialkompetenzen im Zusammenhang mit Projekten sind (Richter 2020, in projektmanagementaktuell 1/2020):

Aufgrund der Interdisziplinarität von Projektgruppen sind regelmäßig Abstimmungsprozesse erforderlich.

Der Umgang mit Krisensituationen z. B. im Fall drohender Fristüberschreitungen ist typisch für Projektsituationen.

Auch Konflikte mit der internen und externen Projektumwelt lassen sich in der Regel nicht vermeiden, so dass die Beherrschung von Konfliktmanagement eine zentrale Kompetenz für die Projektarbeit darstellt.

Projekte leben von der Teamarbeit innerhalb des Projektteams.

Ein Großteil der Tätigkeiten in Projekten ist mit Kommunikation verbunden.

Die Fähigkeiten zur Gesprächsführung und zu Verhandlungen sind für die Gestaltung von Projektsituationen erforderlich.

Projektstrukturen trennen zwischen dispositiven und ausführenden Tätigkeiten, so dass Führungsverhalten ein relevantes Thema darstellt.

Verbindlichkeit in Bezug auf Absprachen und Termine sollte die Regel der Projektarbeit sein.

Siehe dazu auch

Hybridisierung von Kompetenzen: Kompetenzmanagement in Zeiten von Künstlicher Intelligenz

Kompetenzprofile eines Fachmanns, einer Führungskraft und eines Projektmanagers im Vergleich

Eine Projektwirtschaft benötigt auch ein projektbasiertes Lernen (PBL)

John Dewey: Projektmethode und lebenslanges Lernen

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

Daten als Ressource: Um welche Kategorien von Daten geht es?

Wir sind uns alle einig, dass Daten eine bedeutende Ressource für einzelne Personen, Unternehmen, Organisationen und ganze Gesellschaften darstellen. Einerseits müssen Daten offen verfügbar sein, andererseits allerdings auch geschützt werden. Insofern macht es Sinn, verschiedene Kategorien für Daten zu unterscheiden:

“Open data: data that is freely accessible, usable and shareable without restrictions, typically under an open license or in the Public Domain36 (for example, OpenStreetMap data);
Public data: data that is accessible to anyone without authentication or special permissions
(for example, Common Crawl data). Note that this data can degrade as web content
becomes unavailable;
Obtainable data: data that can be obtained or acquired through specific actions, such as
licensing deals, subscriptions or permissions (for example, ImageNet data);
Unshareable non-public data: data that is confidential or protected by privacy laws,
agreements or proprietary rights and cannot be legally shared or publicly distributed”
(Tarkowski, A. (2025): Data Governance in Open Source AI. Enabling Responsible and Systemic Access. In Partnership with the Open Source Initiative).

Es zeigt sich, dass es viele frei verfügbare Daten gibt, doch auch Daten, die geschützt werden sollten.

Die amerikanischen Tech-Konzerne möchten alle Daten für ihre Trainingsdatenbanken (LLM: Large Language Models) kostenlos nutzen können. Das Ziel ist hier, die maximale wirtschaftliche Nutzung im Sinne einiger weniger Großkonzerne. Dabei sind die Trainingsdaten der bekannten KI-Modelle wie ChatGPT etc. nicht bekannt/transparent. Die Strategie von Big-Tech scheint also zu sein,: Alle Daten “abgreifen” und seine eigenen Daten und Algorithmen zurückhalten. Ein interessantes Geschäftsmodell, dass sehr einseitig zu sein scheint.

Bei der chinesische Perspektive auf Daten liegt der Schwerpunkt darauf, mit Hilfe aller Daten politische Ziele der Einheitspartei zu erfüllen. Daran müssen sich alle Bürger und die Unternehmen – auch die KI-Unternehmen – halten.

In Europa versuchen wir einen hybriden Ansatz zu verfolgen. Einerseits möchten wir in Europa Daten frei zugänglich machen, um Innovationen zu fördern. Andererseits wollen wir allerdings auch, dass bestimmte Daten von Personen, Unternehmen, Organisationen und Öffentlichen Verwaltungen geschützt werden.

An dieser Stelle versucht die aktuelle amerikanische Regierung, Druck auf Europa auszuüben, damit Big-Tech problemlos an alle europäischen Daten kommen kann. Ob das noch eine amerikanische Regierung ist, oder nicht schon eine kommerziell ausgerichtete Administration wird sich noch zeigen. Das letzte Wort werden wohl die Gerichte in den USA haben.

Ich hoffe, dass wir in Europa unseren eigenen Weg finden, um offene Daten in großem Umfang verfügbar zu machen, und um gleichzeitig den Schutz sensibler Daten zu gewährleisten.

Siehe dazu Digitale Souveränität: Europa, USA und China im Vergleich.

Veröffentlicht am

Mit Hilfe der Stacey-Matrix klassische und agile Vorgehensmodelle im Projektmanagement abgrenzen

Vgl. Komus (2018) und eigene Ergänzungen

Wenn es darum geht, Klassische Vorgehensmodelle (Plangetriebene Vorgehensmodelle) und Agile Vorgehensmodelle abzugrenzen, wird oftmals die Stacey-Matrix herangezogen. – obwohl es mit dem Cynefin-Ansatz, dem Vorschlag von Boehm & Turner usw. auch andere Möglichkeiten gibt.

In der Stacey-Matrix werden auf der Y-Achse Anforderungen an das Projekt von “weitreichend klar” bis “geringe Klarheit” positioniert. Hier geht es somit um das WAS. Auf der X-Achse geht es um Technik/Methode, die für das Projekt “im Griff” oder auch “unklar/unsicher” sein können. Hier geht es um das WIE (Siehe Abbildung).

Es ergeben sich daraus drei Bereiche: Simpel, Kompliziert und Komplex. Weiterhin können über die Diagonale die geeigneten Vorgehensmodelle abgeleitet werden. Simpel bedeutet hier, dass die Anforderung als Routinetätigkeit angesehen werden kann. KVP ist die Abkürzung für “Kontinuierlichen Verbesserungsprozess” oder auch Kaizen. Das bedeutet, um die Anforderungen zu erfüllen, muss der Routineprozess verbessert werden. Reicht das nicht mehr aus, so kommen wir in den Bereich des (Klassischen) Projektmanagements, zu dem es Normen und Standards gibt, die sich in vielen Branchen bewährt haben.

Werden die Anforderungen und auch Technik/Methode immer unklarer, kommen wir von dem komplizierten Bereich immer stärker in einen komplexen Bereich, in dem mehr Selbstorganisation gefordert ist, um das Projekt zum Erfolg zu führen. Mit Kanban, Scrum und Design Thinking sind hier nur drei von vielen Vorgehensmodellen genannt, die dem Agilen Projektmanagement zugerechnet werden.

Der Vorteil der Stacey-Matrix liegt darin, dass sie recht einfach umsetzbar ist und somit einen schnellen und guten Einstieg dafür bietet herauszufinden, welches Vorgehensmodell für ein Projekt geeignet erscheint.

Nachteile der Stacey-Matrix sind: (1) Es sind nur zwei Dimensionen zu bewerten – bei einem komplexen Projekt möglicherweise zu wenig, (2) Das Hybride Projektmanagement wird hier nur indirekt thematisiert. Man könnte den Bereich zwischen “Kompliziert” und “Komplex” dafür nehmen, was allerdings recht ungenau wäre.

Zur Verbesserung bietet es sich an ein Analysetool zu verwenden, das mehrere Dimensionen berücksichtigt und auch die Möglichkeit des Hybriden Projektmanagements enthält. Siehe dazu Projektmanagement: Einfaches Tool zur Analyse des angemessenen Vorgehensmodells – Planbasiert, Hybrid, Agil.

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

Sensor Community: Umweltdaten – Open Data

Screenshot Sensor Community Website

Wir haben uns in der Vergangenheit daran gewöhnt, dass es vereinzelt Messstationen gab, an denen Umweltdaten generiert und oft von Behörden genutzt wurden. In der Zwischenzeit gibt es eine Sensor Community, bei der jeder mitmachen, und Umweltdaten frei zur Verfügung stellen kann – als Open Data.

Wie in der Abbildung zu erkennen ist, gibt es in Europa schon sehr viele, die diesen Ansatz unterstützen, und Messpunkte und Messdaten zur Verfügung stellen. Weltweit gibt es aktuell 12.101 Sensoren in 76 Ländern mit 30.703.440.715 Datenpunkten.

Da die Daten frei zur Verfügung gestellt werden (Open Data) können daraus auch eigene/neue Dienstleistungen oder auch Produkte entwickelt werden. Dieser Innovationsansatz wird von Eric von Hippel als Democratizing Innovation beschrieben. So eine Perspektive auf Innovation ist ganz anders als die übliche, die von Innovationen ausgeht, die Organisationen/Unternehmen generieren.

Siehe dazu auch Von Democratizing Innovation to Free Innovation.

Veröffentlicht am

Kompetenzprofile eines Fachmanns, einer Führungskraft und eines Projektmanagers im Vergleich

Eigene Darstellung

Warum ist ein Fachmann (oder auch eine Fachfrau) oftmals nicht in der Lage, Führungsaufgaben zu übernehmen, bzw. als Projektmanager erfolgreich zu sein? Die Antwort auf die Frage finden wir in den jeweiligen Kompetenzprofilen.

In der Abbildung ist das Kompetenzprofil eines Fachmanns aus dem Automobilbereich zu erkennen (rot gestrichelte Linie). Es ist verständlich, dass die Fachkompetenz am stärksten ausgeprägt ist, die Methodenkompetenz etwas weniger und die Sozial- und Persönlichkeitskompetenzen noch etwas weniger. Der Fokus liegt ganz klar auf der fachlichen Dimension.

Eine Führungskraft hat demgegenüber ein ganz anderes Profil (blaue gestrichelte Linie). Hier sind die Sozial- und Persönlichkeitskompetenzen stärker als die Fach- oder Methodenkompetenz ausgeprägt.

Das Kompetenzprofil eines Projektmanagers (grüner Bereich) zeigt, das hier alle Kompetenzdimensionen recht stark ausgeprägt sein sollen. Die Rolle eines Projektmanagers ist somit in vielfältigen Dimensionen anspruchsvoll. Dabei können in manchen Bereichen Tools – bis zu KI-Agenten – eine sinnvolle Ergänzung sein. Siehe dazu auch Persönliche und soziale Kompetenzen von Projektmanagern und KI-Systeme.

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

AI: Was ist der Unterschied zwischen Open Source und Open Weights Models?

In verschiedenen Beiträgen habe ich schon erläutert, dass sich Open Source AI und Closed Source AI unterscheiden. Die bekannten Closed Source AI Modelle wie z.B. ChatGPT von (OpenAI) sind beispielsweise nicht wirklich Open Source sind, da dsolche Modelle intransparent sind und den eigentlichen Zweck haben, wirtschaftliche Gewinne zu generieren – koste es was es wolle. Siehe dazu Open Source AI: Besser für einzelne Personen, Organisationen und demokratische Gesellschaften.

Zwischen diesen beiden Polen Open Source AI und Closed Source AI gibt es allerdings – wie immer – ein Kontinuum von weiteren Möglichkeiten. Beispielsweise sind LLama, Mistral und Gemma nicht so ohne weiteres den beiden Extremen zuzuordnen, da diese Modelle teilweise offen sind. Solche Modelle werden Open Weights Models genannt:

“As a result, the term “Open Source” has been used to describe models with various levels of openness, many of which should more precisely be described as “open weight” models. Among the Big AI companies, attitudes towards openness vary. Some, like OpenAI or Anthropic, do not release any of their models openly. Others, like Meta, Mistral or Google, release some of their models. These models — for example, Llama, Mistral or Gemma — are typically shared as open weights models” (Tarkowski, A. (2025): Data Governance in Open Source AI. Enabling Responsible and Systemic Access. In Partnership with the Open Source Initiative).

Warum nur werden solche Modelle angeboten? Der Grund kann sein, dass man mit dieser Strategie versucht, dem Regulierungsbestreben z.B. der Europäischen Union entgegenzuwirken. Ich hoffe, dass das nicht funktioniert und Big Tech gezwungen wird, sich an die Spielregeln in der Europäischen Union zu halten. Aktuell sieht es so aus, dass die neue Regierung der USA die Europäische Union auch bei diesem Thema vor sich hertreiben möchte.