AI

AI

1435 bookmarks
Newest
#65 Vom KI-Skeptiker zur Effizienzqueen: Wie du KI clever einsetzt, um Kunden zu begeistern 21.1.2025
#65 Vom KI-Skeptiker zur Effizienzqueen: Wie du KI clever einsetzt, um Kunden zu begeistern 21.1.2025
In dieser Folge sprechen Verena und Christopher darüber, wie künstliche Intelligenz (KI) das Potenzial hat, dein Business auf ein neues Level zu heben. Erfahre, warum KI nicht nur für Technikaffine geeignet ist, sondern auch Selbstständigen in der Coaching- und Dienstleistungsbranche immense Vorteile bringt. Gemeinsam analysieren sie, welche Irrtümer dich bisher vielleicht abgehalten haben, und zeigen, wie du mit kleinen Schritten große Erfolge erzielen kannst.
·open.spotify.com·
#65 Vom KI-Skeptiker zur Effizienzqueen: Wie du KI clever einsetzt, um Kunden zu begeistern 21.1.2025
The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise | 31.3.2025
The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise | 31.3.2025

Datum der Erstellung: 21. März 2025

Wir untersuchen, wie künstliche Intelligenz die zentralen Säulen der Zusammenarbeit – Leistung, Wissensaustausch und soziales Engagement – ​​verändert. Dies geschieht anhand eines vorab registrierten Feldexperiments mit 776 Fachkräften bei Procter & Gamble, einem globalen Konsumgüterunternehmen. Bei der Bearbeitung realer Produktinnovationsaufgaben wurden die Fachkräfte nach dem Zufallsprinzip entweder mit oder ohne KI und entweder einzeln oder mit einem anderen Fachmann in Produktentwicklungsteams eingesetzt. Unsere Ergebnisse zeigen, dass KI die Leistung deutlich steigert: Personen mit KI erreichten die gleiche Leistung wie Teams ohne KI. Dies zeigt, dass KI bestimmte Vorteile menschlicher Zusammenarbeit effektiv nachbilden kann. Darüber hinaus bricht KI funktionale Silos auf. Ohne KI schlugen F&E-Fachkräfte eher technische Lösungen vor, während kaufmännische Fachkräfte eher kommerziell orientierte Vorschläge bevorzugten. Fachkräfte, die KI nutzten, entwickelten ausgewogene Lösungen, unabhängig von ihrem beruflichen Hintergrund. Schließlich löste die sprachbasierte Schnittstelle der KI bei den Teilnehmern positivere emotionale Reaktionen aus. Dies deutet darauf hin, dass sie einen Teil der sozialen und motivierenden Rolle übernehmen kann, die traditionell von menschlichen Teamkollegen übernommen wurde. Unsere Ergebnisse deuten darauf hin, dass die Einführung von KI in großem Maßstab in der Wissensarbeit nicht nur die Leistung verändert, sondern auch die Art und Weise, wie sich Fachwissen und soziale Verbundenheit innerhalb von Teams manifestieren, und dass Unternehmen dadurch gezwungen sind, die Struktur der Zusammenarbeit zu überdenken.

·papers.ssrn.com·
The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise | 31.3.2025
Navigating AI Ethics in Education: From Deepfakes to Academic Integrity | 20.3.2025
Navigating AI Ethics in Education: From Deepfakes to Academic Integrity | 20.3.2025

20.03.2025 As GenAI transforms education, educators face difficult ethical questions about how these technologies impact students. In this webinar, we explored these critical issues and how the SEE approach to AI literacy—using generative AI Safely, Ethically, and Effectively in educational settings - can provide a framework for supporting these efforts.

·youtu.be·
Navigating AI Ethics in Education: From Deepfakes to Academic Integrity | 20.3.2025
The Role of Ethical Practices for AI Across Industries, 2.1.2025
The Role of Ethical Practices for AI Across Industries, 2.1.2025

AI@HPI Konferenz 2024 (4)

Der rasante Fortschritt im Bereich der Künstlichen Intelligenz (KI) hat weitreichende Auswirkungen auf alle Branchen. Vor diesem Hintergrund ist es notwendig, schnell zu handeln, um mit der Konkurrenz Schritt zu halten und gleichzeitig ethische Standards einzuhalten und bewährte ethische Verfahren an die neuesten technischen Entwicklungen anzupassen. Dieses Panel untersucht, wie ethische Prinzipien und Verantwortungsbewusstsein in die Entwicklung und Implementierung von KI-Systemen integriert werden können. Experten aus verschiedenen Branchen diskutieren, wie Prinzipien wie Fairness, Transparenz und Datenschutz in der Praxis umgesetzt werden können, um die Risiken und potenziellen negativen Auswirkungen des KI-Einsatzes zu minimieren. Ein besonderer Schwerpunkt liegt auf der Entwicklung von Richtlinien und bewährten Verfahren, die Unternehmen und Organisationen für einen verantwortungsvollen und nachhaltigen Einsatz von KI-Technologien auch ohne strenge regulatorische Rahmenbedingungen eingeführt haben. Die Diskussion beleuchtet, wie Branchenführer und die Zivilgesellschaft proaktiv versuchen, ethische Standards und Selbstregulierungsmaßnahmen zu etablieren. Dabei wird auch untersucht, wie diese Praktiken ihr Engagement für einen ethischen KI-Einsatz widerspiegeln und wie sie die Zukunft des KI-Einsatzes über formale Vorschriften hinaus gestalten.

·podcasts.apple.com·
The Role of Ethical Practices for AI Across Industries, 2.1.2025
Your AI Powerhouse for All Advertising Needs | 20.3.2025
Your AI Powerhouse for All Advertising Needs | 20.3.2025
AdCreative.ai empowers your advertising with AI. Generate conversion-focused ad creatives, utilize AI for product photoshoots, and access detailed competitor insights. Our platform offers a comprehensive suite of tools for creating impactful ad texts and visuals, ensuring your campaigns stand out in a competitive market. Ideal for marketers seeking an all-in-one solution for innovative, data-driven advertising strategies.
·adcreative.ai·
Your AI Powerhouse for All Advertising Needs | 20.3.2025
Introducing Manus: The General AI Agent
Introducing Manus: The General AI Agent

05.03.2025 Manus is a general AI agent that bridges minds and actions: it doesn't just think, it delivers results. Manus excels at various tasks in work and life, getting everything done while you rest.

·youtu.be·
Introducing Manus: The General AI Agent
2406 Grounding Multimodal Large Language Models in Actions| pdf Download ***** | 9.12.2024
2406 Grounding Multimodal Large Language Models in Actions| pdf Download ***** | 9.12.2024

Einschränkungen und Schlussfolgerungen In dieser Arbeit haben wir verschiedene Aktionsraumadapter (ASAs) für eine Vielzahl von Verkörperungen, Aktionsräumen und Umgebungen untersucht. Wir bieten eine Verallgemeinerung früherer Arbeiten durch die Linse von Aktionsraumadaptern und zeigen sowohl für diskrete als auch für kontinuierliche Aktionsräume Designs, die, wie wir zeigen, das Wissen innerhalb des MLLM nutzen können. Unsere Ergebnisse zeigen, dass es für kontinuierliche Aktionen am besten ist, Aktions-Token zu lernen, die die Aktionsverteilung genau modellieren, während es für diskrete Aktionen am besten ist, über semantische Sprachbeschreibungen von Aktionen nachzudenken. Wir verifizieren diese Ideen in 114 verkörperten KI-Aufgaben in 5 verschiedenen Umgebungen. Eine Einschränkung unserer Arbeit besteht darin, dass unsere gesamte Analyse auf einem einzigen MLLM (LLaVA) beruht. Eine weitere Einschränkung ist, dass RVQ, die leistungsstärkste ASA in kontinuierlichen Handlungsräumen, das Sammeln von Demonstrationen erfordert, um das VQ-Modell zu trainieren. Unsere Analysen beruhen ebenfalls nur auf einer einzigen LoRA-Trainingseinstellung. Zukünftige Analysen können verschiedene Basis-MLLMs unter verschiedenen Trainingsbedingungen, wie z.B. vollständige LLM-Feinabstimmung, untersuchen. Während unsere Untersuchung von ASAs es ermöglicht, ein MLLM mit verschiedenen Aktionsräumen zu verbinden, ist die Leistung von dieser Methoden immer noch unterdurchschnittlich für den Einsatz in realen Robotern, wo hoher Erfolg und Sicherheit entscheidend sind. MLLMs mit der besten ASA haben in einfachen Umgebungen wie BabyAI immer noch Schwierigkeiten und erreichen nur eine Erfolgsquote von 40 %. Es sind weitere Arbeiten erforderlich, um die Leistung dieser Methoden für den realen Einsatz zu verbessern. Unsere Untersuchung befasst sich auch nur mit der Anpassung von MLLMs durch Verhaltensklonen oder On-Policy-RL. Zukünftige Arbeiten können untersuchen, ob die Wahl der ASA variiert, wenn das MLLM mit anderen Lernalgorithmen wie Off-Policy RL oder Offline RL angepasst wird.

·arxiv.org·
2406 Grounding Multimodal Large Language Models in Actions| pdf Download ***** | 9.12.2024