INTERVIEW: MAG.A NATASCHA-SIMONE PAUL
YOUNG RESEARCHER SPOTLIGHT
Was passiert, bevor KI antwortet?
Ahmed Šabanović ist PhD-Student an der TU Wien und forscht zu Machine Learning und Sustainable AI. Im Young Researcher Spotlight spricht er darüber, warum KI keine „magische“ Antwortmaschine ist, weshalb nicht jede Aufgabe maximale Rechenleistung braucht und was Studierende lernen sollten, wenn sie digitale Zukunft verantwortungsvoll mitgestalten möchten.
|
Viele Studierende nutzen KI heute ganz selbstverständlich. Was sehen wir dabei nicht, wenn wir nur auf das Ergebnis schauen? |
|
Wenn wir KI nutzen, sehen wir meist nur das Ergebnis. Unsichtbar bleibt, was dahintersteckt: Rechenleistung, Daten und eine komplexe Infrastruktur, die jede Antwort überhaupt erst möglich macht. KI ist deshalb keine „magische“ Antwortmaschine, sondern ein technisches System mit klaren Grenzen, Kosten und Konsequenzen. |
|
Woran arbeitest du konkret? |
|
Ich arbeite an multimodalen KI-Systemen, die Bilder und Sprache gemeinsam verarbeiten. Im Zentrum steht für mich die Frage, wie solche Systeme gute Entscheidungen treffen können, ohne unnötig Ressourcen zu verbrauchen. Das zeigt sich zum Beispiel in der automatisierten Fahrzeugschadensbewertung oder in Verfahren, die entscheiden, ob ein kleines Modell ausreicht oder ein leistungsstärkeres System tatsächlich einen Mehrwert bietet. Entscheidend ist dabei, Leistung nicht einfach zu maximieren, sondern sie situationsabhängig einzusetzen. |
|
Wo wird KI selbst zum Energie- und Ressourcenproblem, und wo kann KI gleichzeitig helfen? |
|
KI wird dort zum Energie- und Ressourcenproblem, wo für jede Aufgabe automatisch die größtmögliche Rechenleistung eingesetzt wird – etwa wenn einfache Anfragen mit denselben leistungsstarken Modellen bearbeitet werden wie hochkomplexe Analysen. Oft lassen sich vergleichbare Ergebnisse deutlich effizienter erreichen. Gleichzeitig kann KI helfen, Ressourcen gezielter einzusetzen, etwa bei der Steuerung von Energieverbrauch, Verkehrsflüssen oder industriellen Prozessen. Die eigentliche Frage ist daher nicht, ob KI nachhaltig sein kann, sondern wie wir Systeme bauen, die selbst erkennen, welche Rechenleistung in welchem Moment tatsächlich erforderlich ist. |
|
Was sollten Studierende heute lernen oder kritisch hinterfragen? |
|
Technische Grundlagen wie Programmierung, Mathematik und Machine Learning bleiben essenziell. Genauso wichtig ist jedoch das Verständnis dafür, wie KI-Systeme tatsächlich funktionieren. Wer mit KI arbeitet, sollte Daten, Ergebnisse und mögliche Verzerrungen kritisch hinterfragen, statt Modelle als „Black Box“ zu betrachten. |
|
Wann hast du gemerkt, dass Forschung für dich ein möglicher Weg ist? |
|
Forschung wurde für mich in dem Moment spannend, als ich gemerkt habe, dass ich nicht nur bestehende Lösungen anwenden, sondern selbst neue Fragestellungen entwickeln möchte. Besonders geprägt haben mich die Betreuung durch Prof. Ivona Brandić und die Arbeit an meiner Masterarbeit. Dort habe ich erlebt, wie aus einer konkreten Anwendung wissenschaftliche Fragen entstehen können. Studierenden würde ich mitgeben: Neugier, Ausdauer und die Bereitschaft, ständig dazuzulernen, sind oft wichtiger als außergewöhnliches Talent. |
Warum KI nicht nur klüger,
sondern auch effizienter
werden muss
Mein Forschungstext
Künstliche Intelligenz wird immer leistungsfähiger. Sie kann Bilder analysieren, Texte verstehen und Aufgaben lösen, die noch vor wenigen Jahren kaum realistisch erschienen. Gleichzeitig wächst jedoch ihr Bedarf an Rechenleistung, Energie und Infrastruktur. Die entscheidende Frage lautet deshalb nicht mehr nur, was KI leisten kann, sondern auch, wie effizient und verantwortungsvoll sie diese Leistung erbringt. Genau damit beschäftige ich mich in meiner Forschung an der TU Wien. Ich arbeite an multimodalen KI-Systemen, die Informationen aus Bildern und Sprache gemeinsam verarbeiten. Solche Systeme eröffnen neue Anwendungen – etwa in der automatisierten Fahrzeugschadensbewertung –, sind aber oft besonders ressourcenintensiv.
Meine Forschung zielt darauf ab, KI Systeme effizienter zu machen, ohne dass sie ihre Leistungsfähigkeit einbüßen. Dabei untersuche ich, wie ein System die Komplexität einer Aufgabe einschätzen und darauf aufbauend entscheiden kann, welches Modell tatsächlich erforderlich ist. Nicht jede Anfrage braucht maximale Rechenleistung – oft reicht ein deutlich kleineres Modell aus. Diese Frage ist nicht nur technischer Natur, sondern grundlegend: Wie bauen wir Systeme, die nicht nur gute Antworten liefern, sondern auch kluge Entscheidungen über ihren eigenen Ressourceneinsatz treffen? Ich bin überzeugt, dass genau hier eine der zentralen Herausforderungen der kommenden Jahre liegt. Die Zukunft der KI hängt nicht allein von immer größeren Modellen ab, sondern davon, ob wir lernen, Intelligenz mit Effizienz zu verbinden. Fortschritt bedeutet deshalb nicht automatisch mehr Rechenleistung. Fortschritt kann auch heißen, vorhandene Ressourcen klüger einzusetzen. Wenn KI langfristig Teil unseres Alltags bleibt, sollte sie nicht nur leistungsfähiger werden, sondern auch ressourcenschonender eingesetzt werden.
Kurzprofil
Ahmed Šabanović
- Alter: 26
- Studienrichtung / Fachbereich: Informatik (Data Science)
- Studienfortschritt: Erstes Jahr im Doktoratsstudium
- Wunschberuf / Karriereziel: Forschung im Bereich Künstliche Intelligenz und Datenanalyse
