#34 Datenqualität für KI

Folge – Datenqualität

Klimaneutral digital – der Info-Podcast für den Mittelstand. Wir unterstützen Sie mit konkreten Praxisbeispielen und passgenauen, anbieterneutralen Angeboten rund um die Digitalisierung, damit Sie Ihre Klimaziele erreichen. Unser Angebot ist für Unternehmen kostenfrei. Hallo und herzlich willkommen zu einer neuen Folge von Klimaneutral digital. Sie sind mit Ihrem Unternehmen auf dem Weg zur Klimaneutralität. Wir helfen Ihnen dabei. Egal, wie weit Sie dabei schon gekommen sind, wir sind an Ihrer Seite. Vor allem, wie Ihnen die Digitalisierung dabei helfen kann, das erfahren Sie hier. Mein Name ist Mats Kasting und heute geht es um Datenqualität. Und dazu ist Jessica Hofmann bei mir. Jessica, würdest du dich bitte selber einmal kurz vorstellen? Natürlich. Erstmal auch von mir herzlich willkommen. Ich bin im Mittelstand Digitalzentrum Klimaneutral digital als KI-Trainerin aktiv. Das heißt, ich helfe kleinen und mittleren Unternehmen dabei, sich mit dem Thema KI zu beschäftigen beziehungsweise sie dabei zu unterstützen, den Weg in Richtung KI oder mit KI zu gehen und bin da am Zentrum für Sonnenenergie und Wasserstoffforschung in Stuttgart im KI-Team tätig. Jetzt habe ich ja schon gesagt, Thema heute ist Datenqualität. Was genau bedeutet denn Datenqualität und warum ist es so wichtig für KI-Anwendung? Genau, das Thema Datenqualität wird gern mal unter den Tisch fallen gelassen, wenn es um das Thema KI oder auch generell um das Thema, was mache ich eigentlich mit dem, was ich in meinem Unternehmen an Informationen gewinne. Also im Endeffekt ist Datenqualität immer wichtig, wenn ich sage, ich möchte irgendwas mit den Informationen und Daten, die ich innerhalb von meinem Unternehmen gewinne und generiere, weitermachen. Sei es jetzt mit KI oder ganz klassischen statistischen Methoden, ist trotzdem immer noch wichtig. Datenqualität sagt einfach nur darüber was aus, sind die Daten, die ich erfasse, in einer Art und Weise erfasst, wie ich sie haben möchte, bilden sie tatsächlich das ab, was ich denke, dass sie es abbilden. Und warum ist das Ganze für KI so wichtig? Ganz einfach, KI lernt Muster aus Daten. Das heißt, KI kann nur die Muster lernen, die in den Daten da sind. Das heißt, was nicht da ist, kann nicht gelernt werden oder was schlecht ist, wird einfach nur schlecht gelernt und am Ende wundern sich dann alle, warum die KI nicht tut, was sie eigentlich tun soll oder mir nicht die Erkenntnisse bringt, die ich haben möchte. Jetzt ist ja für die meisten KI, mal ganz platt gesprochen, im Grunde JGPT oder ähnliche Anwendungen. Da kann ich ja, also meine Erfahrung, wenn ich jetzt irgendwas eintippe und bin zu früh auf die Return-Taste gekommen, dann macht das Programm ja was. Also da kommt ja irgendwas bei rum. Wenn ich jetzt schlechte Sachen eingebe, kommt auch was bei rum. Ist das so der richtige Weg oder sind wir da völlig falsch? Teils, teils. Also natürlich, das Prinzip ist das Gleiche. Wenn ich schlechte Fragen stelle, bekomme ich schlechte Antworten. Das gilt aber auch in der Kommunikation mit einem Menschen. Tatsächlich ist das Thema eher, wenn ich sag mal, von JGPT abgesehen, ist KI ja auch, sind einfach Methoden, Algorithmen, die auf eigene Daten angewendet werden. Also JGPT wurde auf sehr, sehr, sehr vielen Text- und Sprachdaten trainiert, die aus dem Internet und was weiß ich was aus Quellen trainiert worden ist. Das heißt, das Modell, das KI-Modell ist fertig trainiert und ich kommuniziere mit diesem Modell. Interessant, datenqualitätstechnisch für die Unternehmen wird es eigentlich erst dann, wenn sie sagen, okay, ich habe Daten oder ich möchte Daten erfassen und möchte eine eigene KI trainieren. Jetzt nicht unbedingt auf ein Sprachmodell bezogen, sondern wenn ich beispielsweise sage, ich habe meinen Fertigungsprozess, erfasse ich verschiedene Daten, habe verschiedene Signale, die ich auslese, verschiedene Sensoren, die ich auslese und möchte beispielsweise eine vorausschauende Wartung implementieren, wo ich einfach sagen kann, okay, ich möchte gern frühzeitig gewarnt werden, wenn eine Maschine das Potenzial hat, in absehbarer Zeit auszufallen. Das kann aus den Daten, aus den Maschinen berechnet werden über KI. Dazu brauche ich aber eben die Daten von meiner Maschine und zwar die richtigen Daten in der richtigen Qualität, um das machen zu können. Das heißt, man muss mit eigenen Daten arbeiten und hat am Ende dann nicht unbedingt ein Sprachmodell, mit dem man kommunizieren kann. Aber das Prinzip ist in beiden Fällen, wenn ich schlechte Dinge reinwälze, dann kommt nichts Gutes zustande. Ich sollte mir vorher Gedanken machen, was ich eigentlich machen möchte. Okay, bei einfachen Anwendungen verstehe ich das noch, aber gibt es darüber hinaus noch andere Probleme, wenn ich jetzt mit schlechten Daten arbeite? Ja, natürlich. Also wenn sie ganz schlecht sind, dann macht es sich ziemlich schnell bemerkbar, dass dann nichts Gescheites dabei rauskommt oder dass im Falle von einem KI-Modell es einfach gar nicht trainierbar ist. Schwieriger wird das Ganze tatsächlich bei kleineren Sachen, wenn ich mir einfach bestimmte Aspekte keine Gedanken gemacht habe beispielsweise und nicht die Daten erfasst habe. Dann kann das sein, dass ich das erst im Laufe der Zeit merke, wenn ich das Modell beispielsweise schon trainiert habe und damit arbeiten möchte und beispielsweise unausgeglichene Daten hatte. Ich möchte zum Beispiel, sagen wir mal, Fehlerfälle von meiner Maschine vorwegnehmen und hatte unausgewogenen Datensatz. Das heißt, ich habe in den Daten, die ich benutzt habe, um das Modell zu trainieren, zu 80 Prozent immer den gleichen Fehlerfall drin gehabt. Und das ist so der, sagen wir mal, unkritischste Fehlerfall. Der, um den es mir aber eigentlich ging, ist ein Spezialfall, der eine sehr große Auswirkung hat. Den hatte ich aber kaum in meinen Daten drin, habe da aber gar nicht darauf geachtet, weil ich halt einfach mal ein Jahr lang einfach alle Daten mitgeschrieben habe und wundere mich dann, dass mein Modell diesen kritischen Fehler überhaupt nicht erkennen kann, wenn ich aber doch eigentlich dem Modell die Daten dazu gar nie gegeben habe. Also wenn ich ihm quasi gar nie gezeigt habe in ausreichendem Umfang, was ist der kritische Fehler, damit er ihn überhaupt erkennen kann. Weil im Gegensatz zum allgemeinen Glauben ist KI nicht omni-intelligent. Die weist dich gerade bei einem selbst trainierten Modell nicht darauf hin, so hey, ich kenne den Fall doch gar nicht, den du da von mir haben möchtest. Das heißt, da muss man sich darum kümmern, wenn man sich überlegt, sowas zu machen. Also ist es tatsächlich dann so, dass wenn, also die KI kann es von selber ja nicht wissen. Das ist ja das, was du sagst. Also muss ich der KI erst mal beibringen. Also pass auf, wir haben hier zehn mögliche Zustände und drei davon sind schlecht, sieben sind gut. Und dann muss ich ja quasi dann möglichst viele Daten reingeben, die diese zehn Zustände klar machen und dann immer sagen, okay, die drei sind schlecht, die sieben sind gut. Und dann kann sie mit entsprechend vielen Daten irgendwann selber erkennen, okay, das ist eins von den schlechten, das ist eins von den guten. Genau. Und dazu muss ich aber halt Beispiele von all diesen Fällen auch drin haben, wenn ich dann, ich kann nicht sagen, das soll irgendwas rausbekommen, was es noch nie davor gesehen hat. Im Endeffekt muss man sagen, es heißt künstlich Intelligenz, aber gerade bei dem, was dahinter steckt, das nennt sich maschinelles Lernen. Es ist nichts anderes als einfach Algorithmen, die in der Lage sind, aus Datenstrukturen zu erkennen, welche zugrunde liegenden Muster sind, z.B. was sind gute Fälle, was sind schlechte Fälle. Und das Ganze dann zu abstrahieren und zu sagen, okay, ich kann das auch auf bisher ungesehene Daten anwenden und die einordnen, sagen gut, schlecht, gut, schlecht, schlecht. Dazu muss ich aber halt vorher genügend gute und schlechte Fälle mit drin gehabt haben, damit das Modell das auch kann. Also muss man da vor allem im Hinterkopf haben, dass die Daten bei einem eigenen Modell erstmal gar nicht da sind, außer ich gebe sie. Genau. Also das Modell ist am Anfang komplett dumm. Es weiß einfach gar nichts. Künstliche Dummheit. Genau, eine künstliche Dummheit. Intelligent wird es eigentlich nur durch das, was ich ihm gebe. Und da fängt es oft an, problematisch zu werden, weil oftmals ist dann so, dass die Daten, die in Unternehmen vorliegen, an zig verschiedenen Orten liegen. Keiner so genau weiß, sind die überhaupt vollständig, was ist denn alles drin? Und dann aber jemand kommt und sagt, ich möchte da jetzt KI drauf machen. Dann oftmals relativ wenig Arbeit da reingesteckt wird, zu überlegen, ja, okay, wie gut sind denn die Sachen, die wir haben, sind sie überhaupt vollständig? Gerade das Thema Vollständigkeit ist da oftmals ein Problem, sagen wir es mal so. Ich sage immer gern, wenn ich gefragt werde, ja, aber wie weiß ich denn, welche Daten ich eigentlich erfassen muss, um das Modell zu trainieren? Dann sage ich, dann nimm dir einen Mitarbeiter, der das nötige Fachwissen hat beispielsweise, der die Maschine bedient und das bis jetzt quasi mit menschlicher Intelligenz löst und frag ihn mal oder sie, welche Informationen brauchst du, um einschätzen zu können, das ist Fall X oder das ist Fall Y? Alle die Informationen, die der Mensch braucht, um ein Urteil zu fällen, braucht die KI definitiv. Wenn du die nicht mit drin hast, dann kann die KI auch keine Wunde bewirken. Dann noch mal einen Schritt zurück, wir sind ja jetzt schon beim Thema gute Daten. Genau. Was würdest du jetzt sagen, was macht denn gute Daten aus? Gute Daten sind tatsächlich zum Teil allgemein beurteilbar, aber vielfach, also fallabhängig. Also gute Daten im Allgemeinen sind einfach vollständig, das heißt, ich habe möglichst wenige Lücken. Ich sage möglichst, weil es gibt keine perfekten Daten. Perfekte Daten sind künstlich erzeugte Daten, aber reelle Daten haben immer irgendwelche Probleme. Die Frage ist, wie ich damit umgehe. Das heißt, ich möchte keine Lücken in den Daten haben, ich möchte vor allem auch keine Fehler in den Daten haben. Das heißt, wenn ich über Sensoren oder ähnliches arbeite, muss ich gucken, dass die Sensoren auch tatsächlich funktionieren und die richtigen Werte erfassen. Beispielsweise, dass bei Temperaturen keine unmöglichen Temperaturen in meiner Tabelle von den erfassten Temperaturen drinstehen oder beispielsweise bei einer Umfrage irgendjemand 299 Jahre alt ist, das ist eher unrealistisch, vermutlich ein Tippfehler. Solche Sachen muss man damit berücksichtigen. Generell gute Daten sind. aber eben auch das, was ich meinte mit, es kommt auf den Fall an. Um zu beurteilen, ob die Daten, die ich vorliegen habe, gut sind für das, was ich machen möchte, muss ich eben wissen, was ich machen möchte, weil dann kann ich sagen, habe ich ausreichend Daten für das, was ich machen möchte? Sind die eben ausgeglichen? Das, was wir vorher hatten, sind Fall A und B gleichermaßen vertreten? Und habe ich auch die relevanten Daten? Weil es bringt auch nur bedingt etwas, wenn ich in eine KI einfach nur massenweise Zeug reinstopfe und hoffe, dass da das Richtige dabei ist. Es kann eine Strategie sein, aber meistens keine besonders gute. Das heißt, ich sollte mir vorher überlegen, habe ich alle notwendigen Daten und habe ich nicht so viele unnötige Daten? Wenn ich fünfmal die gleichen Sachen drin habe, bringt mir das auch nichts. Und gerade beim Zusammenführen von verschiedenen Datenquellen muss man immer aufpassen, dass dabei keine meistens menschlichen Fehler passieren. Beispielsweise, wenn ich verschiedene Datumsformate drin habe, einmal amerikanisch und einmal europäisch, dass da nicht aus Versehen ein Dreher drin ist und ich auf einmal das amerikanische Datumsformat als europäisches lese, das wäre etwas unpraktisch, würde zu Problemen führen. Klingt jetzt relativ kompliziert, finde ich jetzt, um zu entscheiden, sind die Daten gut oder nicht? Gibt es da irgendwie so Hilfestellungen? Also zum einen haben wir jetzt bei Klimaneutral Digital auch ein kleines Tutorial dazu geschrieben, wo man einfach nochmal reingucken kann. Zum anderen gibt es auch Tools, die da ein bisschen dabei helfen, beziehungsweise, wenn wir schon vorher von JetGBT geredet haben, man kann tatsächlich auch JetGBT fragen, dass es einem da Hilfestellung geben soll. Beispielsweise, ich habe Datentyp XY oder ich bin Firma XY und ich da einfach Tipps geben lassen kann, auf was sollte ich denn achten oder was sind so Fallstricke dafür. Also einfach klein anfangen. Am Anfang, wenn man sich sehr unsicher ist, vielleicht einfach mal um Hilfe bieten. Bei den Tools zum Beispiel haben wir jetzt das KI-Lab, wo wir automatisiert, also AutoML machen, ohne Programmiervorkenntnisse. Aber darauf gehe ich jetzt nicht näher ein, aber da kann man beispielsweise sich auch vieles von der Vorverarbeitung abnehmen lassen oder sich Hilfestellung geben lassen. Jetzt hast du eben schon ein Beispiel wie falsche Datumsformate, vielleicht dann auch Meter statt Inch oder umgekehrt. Gibt es noch so klassische Beispiele für schlechte Daten? Ja, tatsächlich. Ein sehr klassischer Fehler, der ziemlich häufig vorkommt, ist bei Zeitreihendaten, also Daten, die Entwicklungen über Zeit hinweg abbilden. Wenn es darum geht, dass der Problemfall, den ich behandle, abhängig ist von beispielsweise dem Wetter oder der Jahreszeit. Wir haben ganz oft den Fall, dass jahreszeitenabhängige Probleme mit Daten behandelt werden sollen, die nicht zumindest ein ganzes Jahr umfassen. Das heißt, bin ich beispielsweise ein Winzer und möchte irgendwelche Auswertungen auf meinen Produktionsdaten machen und liefere dann nur Daten von Herbst und Winter, dann kann ich keinerlei Urteil über Frühling und Sommer machen. Also ich kann schon, aber ich darf dann nicht erwarten, dass das passt. Das heißt, da muss man sich auch immer ein bisschen Gedanken machen, habe ich irgendwelche Veränderungen, die beispielsweise mit der Jahreszeit zusammenhängen? Dann muss ich sicherstellen, dass ich doch zumindest mal so zwei, drei Jahre abbilde, damit einfach ausreichend Daten von jeder Jahreszeit dabei sind. Das ist ein ganz klassischer Fehler. Okay, jetzt habe ich mich entschlossen als KMU, ich möchte ein KI-Modell trainieren oder halt bei mir in der Firma ein Unternehmen anwenden. Was wären so die ersten Schritte aus deiner Sicht? Wie soll ich anfangen? Also klein starten. Ich sage immer, denkt kleiner. Ich habe ganz oft das Thema, dass KMU kommen und wenn die erste Scheu davor verschwunden ist, überhaupt mit KI anzufangen, dann denken die meisten einfach viel zu groß. Bevor man an den Punkt kommt, dass man ein riesiges Modell trainiert, das sehr viele Fälle erschlägt, sage ich immer, denkt mal kleiner. Denkt daran, was ihr für Doings im Alltag habt, die sich zum Beispiel oft wiederholen oder mit denen viel Zeit verbracht wird, die aber eigentlich sehr trüge sind, weil man halt immer wieder ähnliche Sachen ausführt. Das sind oftmals die Fälle, wo sich gut dafür eignen, mit KI einzusteigen. Also beispielsweise hatten wir jetzt erst den Fall von einem Bauunternehmen, da wurde Geschäftsführer immer am Ende der Woche die Bilder, die im Laufe von so einer Woche von den Baustellen oder möglichen Baustellen entstanden sind, händisch den einzelnen Projekten zugeordnet hat. Das hat ihm am Ende der Woche immer so ein, zwei Stunden Zeit gekostet. Nicht die Welt, aber es war ein Fall, wo man einfach mal anfangen konnte, sagen konnte, okay, da könnte man automatisieren. Der Geschäftsführer hat jetzt ein, zwei Stunden mehr in der Woche, mit denen er sich mit anderen Sachen beschäftigen muss, anstatt mit händischen Bildern sortieren. Also einfach kleiner denken, dann hat man es auch leichter und die Wahrscheinlichkeit, dass gerade die ersten Projekte einfach in einem bewältigbaren Umfang sind, sind größer. Und auch die Wahrscheinlichkeit, dass es nachhaltig genutzt wird, ist größer, weil die Berührungsängste mit KI sind doch immer relativ groß. Hast du da noch andere Anwendungsbeispiele? Für den Einstieg würde ich tatsächlich sagen, ist vor allem, wenn ich die Digitalisierung eigentlich der wichtigste Einstieg. Also wir haben öfter den Punkt, dass Unternehmen kommen und sagen, ich möchte jetzt was mit KI machen, aber die Digitalisierung erst den halben Weg gegangen sind. Wie gesagt, Datenqualität ist wichtig, aber das Vorhandensein von Daten ist schon auch wichtig. Das heißt, ich muss erst mal anfangen, meine Prozesse zu digitalisieren, weil nur Dinge, die digitalisiert sind, können überhaupt das Potenzial bieten, was mit KI zu machen. Wenn ich digitalisiere, einfach an die Daten mitdenken. Also wenn ich schon Prozesse digitalisiere, wenn ich Dinge digitalisiere, dran denken, die Daten einfach schon von vornherein zu überlegen, wie speichere ich die Daten, sich ein Konzept zu überlegen, in welcher Form erfasse ich die, wo speichere ich die, wie kann ich später nochmal darauf zugreifen und von wo. Das ist schon die halbe Miete, weil dann kann man immer noch sagen, okay, und jetzt hole ich mir beispielsweise einen KI-Trainer aus Mittelstand digital hinzu, um dann mal zu überlegen, gemeinsam, wo könnten erste Ansatzpunkte sein. Jetzt natürlich in diesem Podcast auch immer noch die Frage, wie trägt das Ganze jetzt zur Nachhaltigkeit bei, eine gute Datenqualität? Dadurch, dass die gute Datenqualität dazu beiträgt, dass die Vorhersagen, die mit einer KI gemacht werden, richtig sind und dass ich schneller zum Ziel komme, ganz einfach dadurch, dass ich effizienter arbeite. Also umso besser mein Modell funktioniert und umso besser meine Datenqualität ist, umso schneller und effizienter komme ich an den Punkt, dass es mir einen wirklichen Mehrwert bietet und dementsprechend dann auch Ressourcen einspart. Und man kann natürlich auch KI dafür nutzen, um nachhaltig zu arbeiten, beispielsweise um Energie einzusparen im Gebäude oder beispielsweise, wenn man sogar vielleicht ein kleines Rechenzentrum hat als Anbieter von Rechenleistung, wie kann ich das Ganze energieeffizienter betreiben? Oder bei einer Fertigung, wie kann ich die Energie, die meine Solardachanlage produziert, mit meiner Produktion abgleichen? Es gibt ganz viele Potenziale, wo die Datenqualität indirekt mit rein spielt, einfach dadurch, dass sie eben teilweise überhaupt ermöglicht, eine gute Datenqualität überhaupt umzusetzen und zum anderen einfach die Effizienz von der Umsetzung gewährleistet und die Zufriedenheit. Weil wenn man nicht zufrieden ist mit dem, was man hat, also mit der Lösung, die man bekommen hat, dann nutzt man es ja auch nicht und dann kann man noch so viel Geld und Zeit rein investiert haben. Das ist dann nachher für die Katze oder für die Schublade. Jetzt hattest du schon ein paar Beispiele, der Geschäftsführer kann ein paar Stunden Arbeit in der Woche sparen oder wir können Energie sparen. Gibt es noch weitere Vorteile, langfristig sich damit zu beschäftigen? Mit Sicherheit. Also ein weiterer Vorteil bietet zum Beispiel auch das Thema Gerechtigkeit. Also okay, das klingt jetzt so groß, aber im Endeffekt kann ich einfach sicherstellen, wenn ich jetzt beispielsweise eine KI dafür einsetze, eine Beurteilung zu machen. Die ist sehr objektiv, wenn meine Daten stimmen natürlich. Aber die hat keinen guten oder keinen schlechten Tag. Das heißt, die bewertet immer auf die gleiche Art und Weise, was dazu führt, dass auch jeder oder jeder Fall, mit dem es zu tun hat, auf die gleiche Art und Weise beurteilt wird. Oder ich kann jetzt beispielsweise, um doch mal nochmal auf die Sprachmodelle zurückzukommen und ein bisschen weg von der Datenqualität im Allgemeinen und eher zu KI im Allgemeinen. Ich kann dafür auch sorgen, dass meine beispielsweise Texte auf der Webseite oder Ähnliches ein möglichst breites Publikum ansprechen oder barrierefreier werden, wenn ich meine Webseite Texte oder die wenigsten haben die Kapazität, die alle umzuformulieren, dass beispielsweise auch Menschen mit einer anderen Sprache oder eine Lese-Rechtschreib-Schwäche oder Ähnlichem damit umgehen können. Das kann ich mit einer KI relativ leicht und ohne großen Aufwand machen lassen. Das heißt, ich kann es in eine einfache Sprache übersetzen lassen, sodass jemand anderes es versteht oder kann automatisiert Untertitel zu meinen ganzen Bildern auf der Webseite erstellen lassen, dass jemand, der sich die Webseite vorlesen lässt, dann trotzdem weiß, was in der Abbildung beispielsweise mit drin war. Also die Potenziale sind ziemlich groß. Ich sage da immer, KI ist auch nur ein Werkzeug. Es kommt darauf an, wie man es einsetzt. Klar, man hört auch ganz oft das Thema, KI verbraucht zu viel Energie. Ja, das stimmt. Und ich sage immer, es ist ein Werkzeug. Ihr geht ja auch nicht los mit einem Multitool in der Firma, haut überall mal drauf und hofft, dass irgendwo was Gutes passiert, sondern man lernt einfach nur, wie kann ich es einsetzen, bei welchen Problemen bringt es mir tatsächlich was. Denkt darüber nach und wählt dann gezielt das Werkzeug aus, das für den Fall richtig ist. Aber dazu muss ich. das Werkzeug kennenlernen. Das heißt, um einen gewissen Lernaufwand kommt man nicht drumherum. Aber dafür gibt es dann solche Initiativen wie Mittelstand Digital, die dann eine Hilfe bieten. Das finde ich aber ein schönes Bild. Also ich haue einfach mal überall drauf. Wird schon irgendwann nagel dabei gewesen sein. Ja, genau. Jetzt hast du es gerade schon gesagt. Hilfe, wo bekomme ich die? Du hast mich jetzt komplett überzeugt. Ich gehe mich damit beschäftigen. Ich werde digitalisieren. Ich sammle meine Daten und gucke auch, dass sie eine gute Qualität haben. Wo kann ich mir noch Hilfe holen? Was hilft mir noch? Also zum einen kann man einfach Kontakt über unsere Webseite aufnehmen. Zum anderen, wenn man sagt, man möchte lokal arbeiten, kann man auch allgemein über die Mittelstand Digital-Zentren gehen. Wir haben auch viel Inhalte. Beispielsweise hat unser Zentrum auch einen KI-Cheat-Sheet. Oftmals ist nämlich das Thema mit, das sind so viele Begriffe, die sagen wir gar nichts. Da werden ein paar dann erklärt. Einfach, wo man dann sagt, wenn ich schon anfange, mich damit zu beschäftigen. Aber so viele Fremdwörter, wo ich keine Ahnung habe, was die bedeuten, da kann man so ein bisschen nachschlagen. Oder JGPT fragen. Oder JGPT fragen. Ja, tatsächlich. Ich sage immer, aber mit einer gewissen Vorsicht muss man es noch behandeln. Das heißt, man sollte dann versuchen, so wie eigentlich immer, mehrere Quellen zu benutzen. Also einfach zu sagen, okay, JGPT ist da ein bisschen wie ein Mensch, das kann sich irren. Es wird dir immer eine Antwort geben, aber die ist nicht unbedingt immer richtig oder vollständig. Aber das ist ja auch, wenn man Menschen fragt. Ansonsten einfach Hilfe in Anspruch nehmen. Gerade wenn man sich am Anfang noch unsicher ist, einfach sagen, okay, ich hole die Experten mit rein und lasse mir bei den ersten paar Schritten unter die Arme greifen. Gerade weil das Thema so ein Hype ist und immer und überall präsent ist. Dann kann man auch besser beurteilen, was einem tatsächlich was bringt. Okay, Thema hohe Datenqualität. Damit auch dieses Interview, dieser Podcast eine hohe Datenqualität hat. Habe ich noch irgendwas vergessen zu fragen? Gibt es noch irgendwas, was du dem Ganzen zufügen möchtest, damit wir das Maximum an Qualität erreicht haben? Nee, ich glaube tatsächlich, wir haben die Themen relativ umfassend erschlagen. Ansonsten, wenn immer noch Fragen da sind, was ich fast davon ausgehe, dann einfach in Kontakt treten. Dafür sind wir da. Genau, um bei JGPT zu bleiben, wir sind bei 100 Prozent bei der Antwort. Ja, man hat nicht frühzeitig auf Enter gedrückt, das stimmt. Wunderbar, danke Jessica Hofmann für das Interview. Und wenn Sie noch Fragen haben, schicken Sie uns eine Mail und wir kümmern uns. Alle Infos zur Folge, weiterführende Links und natürlich auch einen Kontakt zu unseren Expertinnen finden Sie in den Shownotes. Ich bin Mats Kastning und würde mich freuen, wenn Sie auch in der nächsten Folge wieder dabei sind. Und bis dahin wünsche ich uns allen ein gutes Klima. Ciao. Tschüss. Klimaneutral Digital gehört zu Mittelstand Digital. Das Mittelstand Digital Netzwerk bietet umfassende Unterstützung bei der Digitalisierung. Gefördert vom Bundesministerium für Wirtschaft und Klimaschutz. Alle Informationen finden Sie unter klima-neutral-digital.de Konzept und Produktion Audio-Textur