Emil Ohligs

Wer ein KI-Modell auswählt, verlässt sich auf eine einfache Annahme: Das Modell mit der höchsten Accuracy auf dem Testset ist das beste Modell für den Produktionseinsatz. Eine Studie vom MIT zeigt, dass diese Annahme systematisch falsch sein kann — und zwar nicht aufgrund von Overfitting oder schlechter Architektur, sondern wegen eines

Die KI-Branche debattiert Modellarchitekturen, Parametergrößen und Trainingsverfahren während das eigentliche Problem systematisch übersehen wird: die Qualität der Inputdaten. Wer schlechte Daten in ein leistungsstarkes Modell eingibt, bekommt schlechte Ergebnisse zurück. Das ist kein neues Prinzip. Unter dem Begriff Garbage In, Garbage Out ist es seit Jahrzehnten bekannt. Aber im Zeitalter

KI-Systeme sind produktiv, skalierbar — und angreifbar. Wer Large Language Models in Finanzprozessen einsetzt, schafft nicht nur Effizienz, sondern auch neue Angriffsflächen. Die OWASP hat die zehn kritischsten Schwachstellen klassifiziert. Was dahintersteckt und warum es für den Finanzsektor konkret relevant ist. Dieser Artikel ist Teil eines Workshops, die anderen Artikel findet

Bias, Metriken, Benchmarks, Performance-Tests – verständlich erklärt (Stand: 28.02.2026) KI-Modelle wirken in Demos oft beeindruckend: ein hoher Score, ein paar gute Beispiele – fertig. In der Praxis zeigt sich aber schnell: Ein Modell kann auf dem Papier stark sein und trotzdem im Alltag schwächeln. Gründe sind neue Daten, verändertes Nutzerverhalten

"Die erste Welle war Euphorie. Die zweite war Überforderung." Viele Prozesse stehen mitten im Wandel: Sie laufen schneller, Entscheidungen werden komplexer und die Spielregeln verändern sich leise – aber radikal. Hierbei wird Ki zunehmend immer wichtiger und beginnt massiven Einfluss zu haben, wodurch jedoch die Verantwortung komplett auf den

Künstliche Intelligenz wird häufig als einheitliche Technologie wahrgenommen. In der Praxis basiert moderne KI jedoch auf grundlegend unterschiedlichen Architekturen, die jeweils für klar abgegrenzte Problemklassen optimiert sind. Ob ein System Texte analysiert, Bilder erkennt oder autonome Entscheidungen trifft, hängt nicht von einer allgemeinen „Intelligenz“ ab, sondern von der strukturellen Auslegung