Konzipiert und organisiert wurde die Ringvorlesung von Catherine Roux, Professorin für Industrial Organisation und Dietmar Maringer, Professor für Computational Economics and Finance. Motiviert hat die beiden die Aktualität des Themas und die Fülle der Anwendungen und Anwendungsbereiche, die sich in den letzten zwei Jahren aufgetan haben. Die Ringvorlesung sagt Roux, illustriere eindrucksvoll, wie intensiv AI in zahlreichen Fachgebieten bereits genutzt werde und wie vielfältig und weitreichen die Implikationen dieser Technologie seien. Die Art der Nutzung, aber auch die Konsequenzen können in jedem Wissens- und Anwendungsgebiet ganz unterschiedlich sein. Dies hat Roux und Maringer auch dazu bewogen, ein breites Spektrum an Themen in die Ringvorlesung zu integrieren. «Wir wollen die Breite der Möglichkeiten zeigen, die sich mit AI eröffnen», sagt Roux «aber auch die Gefahren oder Risiken, die damit verknüpft sind.»

Die Geschwindigkeit, mit der die Wirtschaft zahllose AI Applikationen und Anwendungsgebiete entwickelt, ist bemerkenswert doch Dietmar Maringer vermag dies nicht zu überraschen. Er hat sich schon seit Jahren mit dieser Technologie beschäftigt, die allerdings bislang eher ein Gegenstand für die Forschung war. Seit der explosionsartigen Entwicklung der generativen Technologie im vergangenen Jahr, hätten sich die Anwendungsfelder sprunghaft vervielfältig, sagt Maringer. «Früher waren AI und machine learning eher technische Themen aus dem Elfenbeinturm. Heute wird die Entwicklung von der Praxis vorangetrieben. Das bedeutet auch, das sich die universitären Themen in der Interaktion mit der Industrie entwickeln. Und da die Praxis sich rasch verändert, können früher exotische Themen plötzlich brandaktuell sein. »  

Die Technologie, betont Maringer, ist mit der bisherigen Informationstechnologie verwandt und baut darauf auf. Bisher habe man für viele Problemstellungen Data Analytics verwendet, brauchte jedoch Expertenwissen um die Modelle richtig anzuwenden. «Die generativen Modelle hingegen können ohne grosses technisches Vorwissen oder mathematische Fähigkeiten bedient werden. Das erklärt vielleicht einen Teil ihrer Omnipräsenz. Man muss kein Data Analyst sein, um ein generatives Modell sinnvoll verwenden zu können».

Von Data Analytics hat sich die Technologie über Neuronale Netze und Deep Learning zu den heutigen generativen Systemen entwickelt. Aber nicht für jede Fragestellung, sagt Maringer, brauche man ein solches System. Manchmal ist Data Analytics adäquater, denn die generativen Systeme verlangen viel Rechenkapazität und eine sehr gute technische Infrastruktur. «Der AI Boom, den wir heute sehen, hat eigentlich nur stattfinden können, weil vorgängig spezialisierte, extrem leistungsstrake Chips und Festplatten entwickelt wurden», betont Maringer.

In der Vorlesung stehen die technologischen Aspekte im Hintergrund. Dafür wird zum Beispiel gezeigt, wie AI-Systeme im Bereich Human Resources und Arbeitsmarkt eingesetzte werden, wo sie sowohl die Einstellungspraxis wie auch die Kontrolltätigkeit massiv verändert haben und grosse Auswirkungen auf die für den Arbeitsmarkt relevanten Qualifikationen haben. Im Bereich Health Economics werden AI gestützte Systeme für innovative Programme zur Förderung der Gesundheit von Kindern genutzt. In der Finanzindustrie verwendet man AI gestützte Entscheidungsmodelle und baut Artificial Intelligence in die Compliance Systeme ein.