Bei den verschiedenen kommerziellen Anwendungen ist es fast schon Standard, dass Assistenten eingeblendet und angewendet werden, um Künstliche Intelligenz in den jeweiligen Prozess oder Task zu nutzen. Dabei ist immer noch weitgehend unklar, welche Trainingsdaten bei den verschiedenen Trainingsdatenbanken (LLM: Large Language Models) genutzt werden, und was beispielsweise mit den jeweils eigenen Eingaben (Prompts) passiert. Nicht zuletzt werden sich die kommerziellen Anbieter die verschiedenen Angebote mittelfristig auch gut bezahlen lassen.
Es kann daher nützlich sein, Open Source AI zu nutzen.
Praktisch kann das mit NEXTCLOUD und dem darin enthaltenen Nextcloud-Assistenten umgesetzt werden. Jede Funktion (Abbildung) kann man mit einer Traingsdatenbank verbinden, die wirklich transparent und Open Source ist. Solche Trainingsdatenbanken stehen beispielsweise bei Hugging Face zur Verfügung. Darüber hinaus bleiben alle Daten auf dem eigenen Server – ein heute unschätzbarer Wert . Wir werden diesen Weg weitergehen und in Zukunft dazu noch verschiedene Blogbeiträge veröffentlichen. Siehe dazu auch
In diesem Beitrag geht es mir darum aufzuzeigen, wie Künstliche Intelligenz bei Open Innovation genutzt werden kann. Wie der folgenden Tabelle zu entnehmen ist, kann zwischen der Verbesserung von Open Innovation durch KI (OI-Enhancing AI), einer Ermöglichung von Open Innovation durch KI (OI-Enabling AI) und der Ersetzung von Open Innovation durch KI (OI-Peplacing AI) unterschiedenen werden. Die jeweils genannten Beispiele zeigen konkrete Einsatzfelder.
Description
Examples
OI-Enhancing AI
AI that enhances established forms of open innovation by utilizing the advantages of AI complemented with human involvement
Innovation search Partner search Idea evaluation Resource utilization
OI-Enabling AI
AI that enables new forms of open innovation, based upon AI’s potential to coordinate and/or generate innovation
AI-enabled markets AI-enabled open business models Federated learning
OI-Replacing AI
AI that replaces or significantly reshapes established forms of open innovation
AI ideation Synthetic data Multi-agent systems
Quelle: Holgersson et al. (2024)
Alle drei Möglichkeiten – mit den jeweils genannten Beispielen – können von einem KI-Modell (z.B. ChatGPT oder Gemeni etc.) der eher kommerziell orientierten Anbieter abgedeckt werden. Dieses Vorgehen kann als One Sizes Fits All bezeichnet werden.
Eine andere Vorgehensweise wäre, verschiedene spezialisierte Trainingsmodelle (Large Language Models) für die einzelnen Prozessschritte einzusetzen. Ein wesentlicher Vorteil wäre, dass solche LLM viel kleiner und weniger aufwendig wären. Das ist gerade für Kleine und Mittlere Unternehmen (KMU) von Bedeutung.
Nicht zuletzt kann auch immer mehr leistungsfähige Open Source AI eingesetzt werden. Dabei beziehe ich mich auf die zuletzt veröffentlichte Definition zu Open Source AI. Eine Erkenntnis daraus ist: OpenAI ist kein Open Source AI. Die zuletzt veröffentlichten Modelle wie TEUKEN 7B oder auch Comon Corpus können hier beispielhaft für “wirkliche” Open source AI genannt werden.
Weiterhin speilen in Zukunft AI Agenten – auch Open Source – eine immer wichtigere Rolle.
Adobe: AI (Artificial intelligence) AI management and support technology in the Business plan marketing success customer. AI management concept.
Die bekannten KI-Anwendungen (AI Apps) wie ChatGPT, Gemini usw. dominieren den Markt und setzen durch schnelle Neuerungen (Updates) Standards bei der Performance. Solche Angebote können als closed-source Large Language Models (LLMs) bezeichnet werden. Die Nutzung wird dabei durch wenig Transparenz bei den verwendeten Daten und durch immer mehr kostenpflichtige Angebote “erkauft”.
Diese schnelle Abhängigkeit von der jeweiligen Funktionsweise der verwendeten KI-Apps führt bei einem Wechsel – beispielsweise zu Open Source AI – zu erhöhten Switching Costs. Diesen Effekt nutzen die kommerziellen Anbieter, um ihr Geschäftsmodell weiter zu etablieren und zu kommerzialisieren.
Open Source AI (Definition) bedeutet u.a. die Transparenz bei den Trainingsdaten zu schaffen, und den Zugang für jeden zu ermöglichen. Meine Auffassung ist, dass Open Source AI in Zukunft für Privatpersonen, Organisationen und demokratische Gesellschaften besser ist. Siehe dazu Digitale Souveränität: Europa, USA und China im Vergleich.
Diese Ansicht wird auch von wissenschaftlichen Forschungen zu dem Thema gestützt. Eine aktuelle Veröffentlichung von Manchanda et al. (2024) beschreibt die Zusammenhänge wie folgt:
“Closed-source LLMs continue to lead in performance, leveraging proprietary datasets and significant computational investments to excel in tasks requiring advanced generative abilities, multi-step reasoning, and broad generalization. However, their success comes at the cost of limited transparency and restricted accessibility, which creates challenges for external validation and replication.
The closed-source approach also consolidates resources and technological power within a few institutions. In so doing, it poses barriers to equitable AI development and raising concerns about reproducibility of outcomes and organizational accountability. By contrast, open-source LLMs emphasize accessibility and collaborative development. While these models often trail closed-source systems in absolute performance, they have made significant progress in narrowing the gap through methods such as Low-Rank Adaptation (LoRA) and quantization. These strategies enable efficient, competitive outcomes even in resource-constrained environments. By utilizing diverse datasets across languages and contexts, open-sourcemodels demonstrate their capacity to address realworld challenges with inclusivity. This democratic ethos has already empowered researchers and developers globally, and is likely to continue to do so” (Manchanda et al 2024).
Immer mehr Privatpersonen und Organisationen realisieren, dass die populären Trainingsdaten (LLM: Large Language Models) für ChatGPT von OpanAI, oder auch Gemini von Google usw., so ihre Tücken haben können, wenn es beispielsweise im andere oder um die eigenen Urheberrechte geht. In diesem Punkt unterscheiden wir uns in Europa durchaus von den US-amerikanischen und chinesischen Ansätzen. Siehe dazu Digitale Souveränität: Europa, USA und China im Vergleich. Darüber hinaus liegen die Daten der bekannten (closed source) LLMs zu einem überwiegenden Teil in englischer oder chinesischer Sprache vor.
“Multilingual, open source models for Europe – instruction-tuned and trained in all 24 EU languages…. Training on >50% non English Data. (…) This led to the creation of a custom multilingual tokenizer” (ebd.).
Neben der freien Verfügbarkeit (Open Source AI) (via Hugging Face) ist somit ein großer Pluspunkt, dass eine große Menge an Daten, nicht englischsprachig sind. Das unterscheidet dieses Large Language Model (LLM) sehr deutlich von den vielen englisch oder chinesisch dominierten (Closed Source) Large Language Models.
Insgesamt halte ich das alles für eine tolle Entwicklung, die ich in der Geschwindigkeit nicht erwartet hatte!
In verschiedenen Blogbeiträgen hatte ich schon erwähnt, dass die aktuell noch dominierenden Trainingsdatenbanken (LLM: Large Language Models) der kommerziellen Anbieter wie OpenAI mit ChatGPT usw. wenig transparent sind. Diese Intransparenz, gepaart mit den immer lauter geäußerten Urheberverletzungen, und den immer deutlicher werdenden wirtschaftlichen Interessen der Tech-Giganten, lässt immer mehr Organisationen bei der Nutzung von Artificial Intelligence (A): künstlicher Intelligenz) nachdenklich werden. Um es hier noch einmal klarzustellen: OpenAI ist keine Open Source AI! Siehe dazu beispielsweise Open Source AI Definition – 1.0: Release Candidate 2 am 21.10.2024 veröffentlicht.
In der Zwischenzeit gibt es viele spezielle Trainingsdatenbanken, die transparent und auch in ihren Datenvolumina kompakter sind. Was bisher noch fehlte war ein LLM, das auf der Basis der vorhandenen offenen Systeme wie Open Governement, Open Web, Open Science, Open Culture und Open Source Trainingsdaten bereit stellt, die neben Transparenz und freier Nutzbarkeit auch die immer wichtiger werdenden Urheberrechte berücksichtigt. In der Zwischenzeit gibt es Common Corpus: “Truly Open: contains only data that is permissively licensed”.
“Many have claimed that training large language models requires copyrighted data, making truly open AI development impossible. Today, Pleias is proving otherwise with the release of Common Corpus (part of the AI Alliance Open Trusted Data Initiative)—the largest fully open multilingual dataset for training LLMs, containing over 2 trillion tokens of permissibly licensed content with provenance information (2,003,039,184,047 tokens)” (Source).
Die immer wieder von den Tech-Giganten vorgebrachte Meinung, dass eine gute Trainingsdatenbank nicht ohne urheberrechtlich geschützte Daten auskommt, ist also falsch und soll wohl eher das eigene Geschäftsmodell schützen. Es ist beeindruckend zu sehen, wie dynamisch sich Open Source AI für viele Organisationen zu einer durchaus interessanten Alternative zu den etablierten AI-Systemen entwickelt.
Wie Sie wissen, nutzen wir auf unseren Servern Open Source Anwendungen, um kollaboratives Arbeiten zu unterstützen. Wir nutzen beispielsweise OpenProject (Projektmanagement-Software) zusammen mit dem Lernmanagementsystem (LMS) Moodle, und WordPress als Blog.
Als integrierte Kollaborationsanwendung nutzen wir Nextcloud, und zwar aktuell in der Version Nextcloud Hub 9, das am 14.09.2024 veröffentlicht wurde. Diese Version bietet viele neue und verbesserte Features. Unter anderem ist jetzt auch direkt ein Whiteboard integriert. Wenn ein Benutzer beispielsweise ein Dokument öffnen möchte, erscheint bei der Auswahl neben den üblichen Möglichkeiten wie Textdatei, Tabelle usw., auch die Auswahl Whiteboard.
Die Abbildung oben zeigt ein test-Whiteboard in dem ich unser Logo, einen kleinen Text und Pfeile dargestellt habe. Die einfache Oberfläche erinnert an TLDRAW, das ich schon in einem anderen Blogbeitrag als einzelnes Tool vorgestellt hatte. Die Integration in Nextcloud ermöglicht es nun, direkt kollaborativ in einem Whiteboard zu arbeiten – also ohne ein zusätzliches Tool nutzen zu müssen. Weiterhin können in einer Bibliothek Vorlagen hinterlegt werden. Der Export des Whiteboards ist in den üblichen Formaten möglich.
Durch die Integration des Whiteboards in die vielfältigen Möglichkeiten von Nextcloud bieten sich neue, spannende Chancen der Zusammenarbeit, bei der im Sinne eines Souveränen Arbeitsplatzes alle Daten auf dem eigenen Server bleiben.
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.
Das ist deshalb besonders wichtig, da beispielsweise OpenAI sich eher zu einem von Microsoft dominierten Geschäftsmodell entwickelt. Auch LLama von Meta ist nicht wirklich Open Source, da einige wichtige Kriterien von Open Source AI nicht erfüllt sind. Meta verwendet dennoch in seinen Marketingaktivitäten bewusst den Begriff “Open Source” – hony soit qui mal y pense. Die am 21.10.2024 veröffentlichte Version von Open Source AI ist ein Release Candidate 2 (RC2):
An Open Source AI is an AI system made available under terms and in a way that grant the freedoms to:
Use the system for any purpose and without having to ask for permission. Study how the system works and inspect its components. Modify the system for any purpose, including to change its output. Share the system for others to use with or without modifications, for any purpose.
These freedoms apply both to a fully functional system and to discrete elements of a system. A precondition to exercising these freedoms is to have access to the preferred form to make modifications to the system (Quelle).
Alle Large Language Models (LLM), die für Anwendungen der Künstlichen Intelligenz (Artificial Intelligence) genutzt werden, sollten also diesen Anforderungen genügen. Alleine der erste Eindruck zeigt schon, dass dies bei den meisten LLM nicht der Fall ist. Es wird Zeit, dass sich die aktuellen Anbieter nicht mehr mit dem Attribut “Open Source” schmücken können.
Künstliche Intelligenz mit seinen vielfältigen Möglichkeiten wird immer populärer. Die Europäische Union hat daher schon 2023 versucht, die Entwicklung so zu regulieren, dass einerseits (persönliche und organisationale) Rechte garantiert bleiben und anderseits, die Entwicklung von Innovationen nicht unnötig gebremst wird. Siehe dazu ausführlicher: EU AI Act: first regulation on artificial intelligence.
Natürlich stellt sich dabei sofort die Frage, ob die populären KI-Anwendungen mit ihren verwendeten Large Language Models (LLMs) diesen Anforderungen gerecht werden. In einer umfassenden Studie wurde das an der ETH Zürich nun untersucht, und am 10. Oktober 2024 veröffentlicht. Das Ergebnis ist ernüchternd;
“Finally, we applied our benchmarking suite to evaluate 12 popular LLMs, identifying that both current models and state-of-the-art benchmarks exhibit critical shortcomings in the context of the Act. In particular, none of the examined models are fully compliant with the requirements of the EU AI Act, and certain technical requirements cannot be currently assessed with the available set of tools and benchmarks, either due to a lack of understanding of relevant model aspects (e.g., explainability), or due to inadequacies in current benchmarks (e.g., privacy)” (Guldimann et al. (2024): COMPL-AI Framework: A Technical Interpretation and LLM Benchmarking Suite for the EU Artificial Intelligence Act | PDF).
Ich bin sehr gespannt, was nun passiert, oder auch nicht passiert. Wird sich die EU mit ihren Anforderungen an KI-Anwendungen stärker durchsetzen, oder wird die Lobbyarbeit der verschiedenen Anbieter die Vorgaben mit der Zeit “aufweichen”. Möglicherweise gibt es auch einen dritten Weg: Open Source LLM erfüllt die Anforderungen und ist so leistungsfähig, wie die oftmals kommerziellen Angebote. Warum eigentlich nicht?
Wir denken oft noch in den traditionellen Pfaden einer Welt, die sich allerdings turbulent wandelt. Traditionell gehen wir in vielen Bereichen unserer Gesellschaft davon aus, dass sich Infrastruktur, Energienetze, Kommunikationsnetze, Mobilitätsnetze, Soziale Netze usw. nur verwirklichen lassen, wenn die Politik und das ganz große Kapital solche Projekte umsetzen. Ein Beispiel auf globaler Ebene dafür ist die chinesische Belt and Road Initiative.
In Europa haben wir ähnliche Denkmuster (Top Down) entwickelt und verspielen möglicherweise die vielen Möglichkeiten von kleinen, persönlichen Verbesserungen und Innovationen (Bottom Up). Bezeichnend dafür ist, dass solche User Innovation gar nicht in den offiziellen Statistiken zu Innovationen auftauchen. Doch wie Eric von Hippel in vielen Studien aufgezeigt hat, gibt es diese Art von Verbesserungen und Innovationen in der Realität, im wirklichen Leben der Menschen. Siehe dazu beispielweise Eric von Hippel (2017): Free Innovation und Worin unterscheiden sich Business Innovation (formale Innovation) von Household Innovation (informelle Innovation)?
In einem anderen Kulturkreis, in Indien, wird die Improvisation im Alltäglichen als Jugaad bezeichnet. Dazu habe ich in einem aktuellen Artikel folgendes gefunden:
“Kaur (2016) informs that jugaad, a Punjabi word, popular across northern India, is a variation of the Hindi word jugat, itself derived from Sanskrit yukti, with roots in yog meaning union or joint. (…)
Jugaad is not limited to engagement of material infrastructure. It sits within the realm of the socio-cultural, with jugaadu people (improvisers) drawing on social, cultural, political and material resources to bend and twist unfavourable alignments into somewhat favourable ones. In many ways then, jugaad epitomises infrastructure: the subterranean, in the background and under the radar. (…)
Prabhu and Jain (2015), using several Indian examples like solar lighting solutions argue that jugaad leads to frugal, flexible and inclusive elements in ‘innovations’. They translatejugaad as frugal innovation. Radjou et al. (2012) frame this as jugaad Innovation.
Within the idea of jugaad, ‘formality/informality and legality/illegality work together’ (Narayanan, 2019, p. 13).”
Der Autor verweist darauf, dass der Begriff “Jugaad Innovation” eher aus den einschlägigen Business Schools stammt, und wohl eher nicht den Kern von Jugaad im kulturellen Kontext beschreibt. Das ist deshalb interessant, da in den Erläuterungen zu Jugaad auf Wikipedia gerade der Bezug zu frugalen Innovationen und zu einer Art Managementtechnik hergestellt wird. Trifft der Wkipedia-Artikel hier möglicherweise nicht den Kern von Jugaad?
Dennoch kann ich mir vorstellen, dass aus Improvisation auch Innovationen entstehen können. Wichtig ist für beide, den Wert (Added Value) für den Nutzer in den Mittelpunkt zu stellen. Was wäre, wenn alle Menschen ihre alltäglichen (intelligenten) Problemlösungen anderen Menschen kostenfrei zur Verfügung stellen würden? Über die vielen Open-Source – und Open-Content – Initiativen wird das ja durchaus schon gemacht.
Als wir am 20.07.2006 mit dem ersten Blogbeitrag begonnen haben, war sofort das Ziel, Wissen mit anderen zu teilen. Wir haben uns damals schon direkt für die Open Source App WORDPRESS entschiedenen, mit der wir sehr gute Erfahrungen gemacht haben.
Einige unserer Kollegen und Partner waren skeptisch, denn es ist ja in der Gesellschaft oft üblich, Wissen zurückzuhalten und (kostenfrei) auf das Wissen anderer zurückzugreifen – ohne Quellen anzugeben.
Uns war es daher von vornherein wichtig, dass alle genutzten Informationen mit Quellen versehen sind, und wir ohne Werbebanner arbeiten. Diese Prinzipien haben wir über die Jahre konsequent umgesetzt. Selbstverständlich teilen wir auch Beiträge zielgruppenspezifisch in LinkedIn, X (Twitter) und Facebook.
Blogbeitrag 4.000 am 04.10.2024.
Wir können behaupten, dass es sich lohnt, Wissen zu teilen: In den Jahren von 2006 bis heute können wir einen deutlichen Anstieg bei den Seitenaufrufen und bei der Anzahl der Benutzer verzeichnen. Auch können wir sehen, dass die Benutzer durchschnittlich mehr Seiten aufrufen.
Das freut uns natürlich sehr und motiviert, weitere Blogbeiträge zu verschiedenen Themen zu schreiben. Schauen Sie sich doch einmal um! Ganz im Sinne unserer Marke:
Translate »
Diese Website benutzt Cookies. Wenn du die Website weiter nutzt, gehen wir von deinem Einverständnis aus.OK
