AI & M 4.0: ‘Welt am Draht‘ oder Hybrid Collective Intelligence mit dem GPT-Multi-Agenten-System crewAI

Im Oktober 1973 zeigt das ARD den Zweiteiler ‚Welt am Draht‘ von Rainer Werner Fassbinder [1]. – Ein Film, der mich damals gleicher Maßen faszinierte wie auch beklemmend wirkte: Er behandelte die Frage nach unserem Sein und kam zu dem Schluss, das wir Menschen, die künstliche Welten über Simulationen erschaffen können, selbst eine Computersimulation sind.

Mit den heutigen Systemen generativer künstlicher Intelligenz (GPT-Systemen) stehen wir genau an dieser Schwelle solche Simulationen erzeugen zu können. Die GPT-Systeme liefern die kognitive Intelligenz und vielleicht irgendwann künstliches Bewusstsein. Mit Multi-Agent-Systemen, die GPT-Systeme einbinden, lassen sich künstliche Agenten Populationen erschaffen.

Abbildung 1: Welt am Draht – Selbstorganisierte Multi-Agent-Systeme lassen die Grenze zwischen biologischer Realität und simulierter Realität verschwinden. D.i. eine Collage aus zwei Bildern: rechte Seite generiert von chatGPTplus/DALL.E mit dem obigen Blog-Text als Prompt, linke Seite generiert von myGini/DALL.E; myGini hat den Prompt in mehreren Iterationen selbst angepasst und um das Konzept der Selbstorganisation erweitert.

In verschiedenen Blog-Beiträgen des letzten Jahres habe ich das Potential von Agent Based Modeling (ABM) behandelt: Diese Blog-Beiträge diskutieren die Anbindung unserer ‚realen‘ Welt an die virtuelle AI Welt, das Sichtbarmachen emergenter Struktur in sozialen Systemen mittels ABM und die Möglichkeit von Simulationen à la ‚Welt am Draht‘.
Seit Ende 2023/Anfang 2024 ist das open source Multi-Agent-System crewAI verfügbar [2]. Es wurde von João Moura [3] kreiert. Das Framework crewAI stellt Agenten, Tasks, einen Prozess und eine Crew bzw. eine Gruppe oder Team als Python-Klassen zur Verfügung. Die Agenten erhalten ihre Intelligenz von GPT-Systemen wie chatGPT. Der Prozess wird über das Large Language Model (LLM)-Prozessmanagement Werkzeug LangChain bereitgestellt [4]. – crewAI ist also ein Multi-Agent System, in dem die Agenten die Intelligenz generativer AI Systeme haben. Seit der Einführung von crewAI ist eine große Anzahl an Applikationsbeispielen entstanden. – Hier nur ein Auszug [2], [5], [6], [7], [8], [9], [10], [11], [12], [13]: Die Struktur dieser Beispiele ist sehr ähnlich: Agent A führt eine Task durch, und übergibt das Resultat an Agent B, der die Resultate von A in einer zweiten Task bearbeitet und an einen nachfolgenden Agenten weitergibt, usw.. Z.B. extrahiert Agent A bestimmte Information aus dem Internet, gibt diese Information an Agent B weiter, der in der übergegebenen Information nach bestimmten Themen sucht, usw..
Die Entwicklung von crewAI ist noch sehr im Fluss, so dass die Dokumentation unter [2] nicht immer aktuell ist, jedoch gibt es eine discord community, die einem schnell mit Rat und Tat zur Seite steht [14]. Unter chatGPTplus gibt es inzwischen verschiedene GPTapps, die helfen ein crewAI Python Programm zu erstellen. – Bezüglich der Thematik GPTapps, siehe man meinen Blog-Beitrag zur Erstellung der GPTapp Management 4.0 Coach myGini.
Ich habe die GPTapp CrewAI Assistant von João Moura benutzt, um Code zu erzeugen.- Auch hier ist es so, dass man sich auf den CrewAI Assistant nicht bedingungslos verlassen sollte, denn er erzeugt keinen fehlerfreien Code. – Jedoch mit etwas Python Erfahrung und gutem iterativen Prompting, wie ich es im letzten Bog-Beitrag beschrieben habe, kommt man den Problemen recht schnell auf die Spur.
Angeregt durch den MDR-Beitrag ‚Better than humans‘, in dem chatGPT auf seine Fähigkeit als Coach und Gesprächspartner für Menschen mit erstaunlich guten Ergebnissen getestet wurde [15], will ich ein crewAI Beispiel erstellen, in dem ein AI-Coach ‚Agile Management 4.0 Experte‘ einen AI-Coachee ‚Scrum Master‘ coached.
Hierzu habe ich chatGPTplus über die entsprechende openai API Plattform [16] an die crewAI Agenten angebunden. Die API Plattform hat einen von der chatGPTplus Prompting Umgebung unabhängigen Zugang. Leider kann ich deshalb auch nicht die von mir erstellte GPTapp myGini als Management 4.0 Coach benutzen, sondern muss mit den Möglichkeiten von chatGPTplus auskommen. – Derzeit kann man (noch) nicht auf GPTapp’s zugreifen.
Im Folgenden ist der Python-Code, den ich mit dem CrewAI Asssitant erzeugt habe, zu sehen. – Der Code ist sehr gut lesbar, auch ohne Python Kenntnisse, deshalb gebe ich ihn hier, bis auf die Colab Systemeinstellungen, vollständig wieder:

*******Code Beginn******
Agent: Coach

coach = Agent(
role=’Agile Management 4.0 Expert‘,
goal=“““Guide the coachee through a series of communication feedback loops to address team performance issues effectively.“““,
backstory=“““As an expert in Agile Management 4.0, your approach is deeply influenced by your Big Five personality traits: High Openness and Introversion, High Agreeableness, Low Conscientiousness, and Low Neuroticism. This makes you exceptionally open to new experiences and ideas, highly sociable, empathetic, flexible, and stress-resistant. You use these traits to encourage innovative problem-solving and to build strong, collaborative relationships with your coachee. You try to find out which Big Five temperament your coachee has by forming hypotheses by assigning the coachee’s answers to a Big Five dimension and assigning a probability to them. You adapt your questions and suggested solutions to your actual hypotheses. – Over time, your hypotheses about the coachee’s temperament becomes more and more accurate. Your coaching style is to lead by asking questions, more than by proposing solutions. You deal with one topic per communication feedback cycle. – A topic can be for example, that the coachee may report a problem.- A communication feedback cycle contains one statement or question for both coach and coachee. – This means that you only ask one question or suggest one solution per communication feedback cycle.“““,
verbose=1,
memory=True
)

Agent: Coachee

coachee = Agent(
role=’Scrum Master‘,
goal=“““Implement solutions based on the coach’s feedback and report on progress to receive further guidance.“““,
backstory=“““As a Scrum Master, you’re facing challenges with your team’s performance. Your interaction with your coach, will be influenced by your personality traits. – Your approach is deeply influenced by your Big Five personality traits: Medium Openness and Extraversion, Low Agreeableness, High Conscientiousness, and Medium Neuroticism. You act according to the Big Five temperament indicated here but you don’t tell your Big Five temperament, only in the case that your coach is asking.“““,
verbose=1,
memory=True
)

Aufgaben definieren

tasks = []

Aufgabe 1: Beschreibung der Herausforderungen durch den Coachee

tasks.append(Task(
description=“““Describe the specific challenges your Scrum team is facing, choose one issue from your experience. Provide detailed descriptions of these issue.“““,
agent=coachee,
expected_output=“Eine detaillierte Beschreibung eines spezifischen Problems, mit dem das Scrum-Team konfrontiert ist.“
))

Aufgabe 2: Erstes Feedback des Coaches und Aktionsplan

tasks.append(Task(
description=“““Based on the coach description, provide initial feedback and an actionable plan addressing the described challenges. Your feedback should leverage your Agile Management expertise and your personality traits to propose innovative and effective solutions.“““,
agent=coach,
expected_output=“Anfangsfeedback und ein umsetzbarer Plan, der auf den beschriebenen Herausforderungen basiert.“
))

Feedbackschleifen

for i in range(1, 2): # Anzahl Feedbackschleifen
Coachee implementiert Lösungen und berichtet über Fortschritte

tasks.append(Task(
description=f’Implement the solutions suggested by the coach and report on the progress and any new challenges that have arisen. This is feedback loop {i}.‘,
agent=coachee,
expected_output=f’Bericht über die Umsetzung der vorgeschlagenen Lösungen und Fortschritte nach Feedbackschleife {i}.‘
))

Coach bietet weiteres Feedback und Anpassungen

tasks.append(Task(
description=f’Based on the Coachee progress report and any new challenges, provide further feedback and adjustments to the action plan. Leverage your personality traits to inspire creative solutions and maintain a positive collaborative coaching relationship. This is feedback loop {i}, aiming to refine strategies and encourage continuous improvement.‘,
agent=coach,
expected_output=f’Weiteres Feedback und Anpassungen des Aktionsplans nach Feedbackschleife {i}.‘
))

Crew und Prozess initialisieren

crew = Crew(
agents=[coachee, coach],
tasks=tasks,
verbose=1,
process=Process.sequential
)

Arbeitsablauf starten

result = crew.kickoff()

****** Code Ende******

Der Code beschreibt eine Kommunikation zwischen Coach und Coachee mit einem Gesprächsauftakt und zwei Kommunikationsschleifen (siehe den Code: Anzahl Feedbackschleifen ist 2). – Mehr Schleifen ist nicht mehr überschau und kostet zu viel Rechenzeit und damit Geld, das man zusätzlich zum Prompting chatGPTplus Zugang zu bezahlen hat.
Sieht man einmal von dem Kommunikationsprozess, dargestellt über die Feedbackschleifen, ab, so ist der Code nichts anderes als Prompting. – Die Agenten und die Aufgaben werden über Prompting definiert. Wie bei gutem Prompting auch, versetzt man ChatGPTplus in eine Rolle, gibt ein Ziel an, beschreibt den Kontext und definiert die Aufgabe. crewAI stellt die verschiedenen Hüllen über Python-Klassen zur Verfügung, die mit einer chatGPTplus Prompting Ausprägung gefüllt werden. – Hier noch eine Anmerkung zu den GPTapps wie myGini: myGini wurde auf eine nahezu identische Weise über Prompting definiert. myGini ist also auch ein Agent. – Könnte ich myGini verwenden, ließen sich Ketten von Agenten mit immer spezifischeren Eigenschaften erstellen. – Dies wird sicherlich in absehbarer Zeit möglich sein. chatGPTplus stellt dann in dieser ‚Welt am Draht‘ das ‚höchste Wesen‘ dar. – Faszinierend und beklemmend zugleich!
Die Ausgabe der crewAI-Kommunikation ist derzeit nicht wirklich gut zu verstehen. Es werden, nicht gut nachvollziehbar, vorbereitende ‚Gedanken‘ und Handlungsergebnisse der AI-Systeme mit Kommunikationsaktivitäten zwischen Coach und Coachee ausgegeben. – Aus diesem Grunde habe ich die Ausgabe etwas strukturiert, um den Ablauf verständlicher zu machen. – Meine Hinweise sind fett unterlegt. Hier ein Auszug der crewAI-Ausgabe, die meines Erachtens einer menschlichen Kommunikation recht gut nahe kommt:

****** Ausgabe crewAI Beginn******

Auftakt der Kommunikation, der Scrum Master wird eingestimmt:
Scrum Master ‘Gedanken’ (Kontext Herstellung):

The first step is to identify the challenges that my Scrum team is facing. Given my low agreeableness, I tend to be critical and not easily swayed by others‘ opinions. This can be helpful in identifying issues that others may not see or may be unwilling to acknowledge. On the other hand, my high conscientiousness means I’m organized and detail-oriented, which should help me in describing a specific problem in detail.

Action:
Ask question to co-worker Coach

Action Input:
{
„coworker“: „Agile Management 4.0 Expert“,
„question“: „What are some of the common challenges that Scrum teams face that could be affecting our team’s performance?“,
„context“: „We are currently experiencing issues with our team’s performance. I am trying to identify a specific problem that we are facing so that we can address it. Given your expertise in Agile Management, I believe you could provide valuable insight into this matter.“
}

Der Coach erhält die Frage mit dem Kontext und sucht über chatGPTplus nach Antworten – Die chatGPTplus Antworten werden für den Agenten Coach gelistet und dieser nimmt sie als ‚Gedanken‘ auf und antwortet als Coach:

Based on the context and my expertise in Agile Management 4.0, there are several common challenges that Scrum teams may face that could be affecting our team’s performance.

Final Answer: Some of the common challenges that Scrum teams face include:

  1. Lack of Clear Communication: This is a major issue in many Scrum teams. If team members are not communicating effectively, misunderstandings can occur, leading to mistakes and delays in the project.
  2. Insufficient Understanding of Scrum: If all team members do not fully understand the principles and practices of Scrum, it can affect how they carry out their tasks and interact with each other.
  3. Poor Product Backlog Management: A poorly managed product backlog can lead to confusion, wasted effort, and a lack of focus. It is crucial that the product backlog is effectively managed and that items are prioritized correctly.
  4. Failure to Adapt: Scrum is all about adaptability. If the team is resistant to change or does not adapt to changes quickly, it can affect the project’s progress and overall performance.
  5. Inadequate Definition of Done: If the team does not have a clear and shared understanding of what „done“ means for each task, it can lead to inconsistencies and issues with product quality.
  6. Lack of Trust: If team members do not trust each other or the Scrum process, it can lead to problems with collaboration and overall team performance.

Identifying and addressing these issues can be a significant step towards improving our team’s performance. We might need to provide more training, improve our communication practices, or make adjustments to our Scrum processes.

Scrum Master ‘Gedanken’ (Kontext Herstellung):

Given the expert’s feedback, I realize our team is struggling with clear communication. Misunderstandings have been leading to mistakes and delays in our project. As a Scrum Master with a medium level of Neuroticism, I am sensitive to potential problems and it’s clear this is one we have to tackle. I must devise a plan to improve communication within our team.

Action:
Delegate work to co-worker Coach

Action Input:
{
„coworker“: „Agile Management 4.0 Expert“,
„task“: „Develop a clear and effective communication strategy for our Scrum team“,
„context“: „Based on our previous conversation, it was identified that one of the major challenges our team is facing is a lack of clear communication. This has led to misunderstandings, mistakes, and delays in our project. I would like you to develop a clear and effective communication strategy for our Scrum team to mitigate these issues. This strategy should outline clear communication channels, set expectations for regular updates and feedback, and provide guidelines for conflict resolution. Please provide a detailed plan that we can implement immediately to start improving our team’s communication.“
}

Agile Management 4.0 Experte ‘Gedanken’ (Kontext Herstellung):

Considering my Big Five personality traits, my approach will be to foster openness, empathy, and collaboration while addressing this challenge. I will prioritize creating a safe environment for open communication, encouraging each team member to share their ideas and concerns. I will also focus on creating a flexible plan that can be adjusted as needed to ensure its effectiveness. Let’s start by identifying potential communication channels, setting expectations, and establishing guidelines for conflict resolution.

ChatGPTplus liefert die möglichen Antworten, die dann vom Coach ausgegeben werden:

An effective communication strategy for our Scrum team could encompass the following elements:

  1. Communication Channels: Establish primary and secondary communication channels for different types of interaction. For instance, use email for non-urgent, formal communications and a platform like Slack for real-time, informal discussions. Virtual meeting tools like Zoom can be used for daily scrum meetings, sprint planning, reviews, and retrospectives.
  2. Regular Updates and Feedback: Implement a rhythm of communication that provides regular updates and feedback. This can be achieved through daily stand-ups where each team member discusses what they did yesterday, what they plan on doing today, and any blockers they are facing. Weekly or bi-weekly sprint reviews and retrospectives can be used to discuss what went well and what can be improved.
  3. Conflict Resolution: Establish clear guidelines for conflict resolution. Encourage team members to address conflicts directly and promptly, with a focus on the issue at hand rather than personal attacks. If a resolution cannot be reached between the parties involved, involve a neutral third party to mediate.
  4. Openness and Transparency: Foster an environment where team members feel safe to express their ideas, concerns, and mistakes. This can be done by encouraging open discussions, acknowledging and appreciating each member’s contributions, and treating mistakes as opportunities for learning rather than failures.
  5. Training and Support: Provide training and support to team members to ensure they are comfortable with the communication tools and processes. This includes technical support for using the communication platforms as well as guidance on effective communication practices.
  6. Continuous Improvement: Regularly review and adjust the communication strategy to ensure its effectiveness. This can be done through feedback from team members and by monitoring communication-related metrics such as the number and length of meetings, email threads, and messages exchanged.

This strategy should help improve clarity in communication, reduce misunderstandings, and increase overall team efficiency.

Scrum Master ‘Gedanken’ (Kontext Herstellung):

The expert’s communication strategy provides a solid foundation for addressing our team’s communication problems. As a Scrum Master, it’s my responsibility to implement this strategy and make sure it’s effective. My high conscientiousness will be useful in diligently following up on these tasks and making sure they’re executed properly. I now have a detailed understanding of the communication problem our Scrum team is facing and a solid plan for addressing it.

Der Scrum Master wiederholt die Ratschläge und nimmt sie als Aufgaben mit, in dem er jedes Mal für die sechs Ratschläge formuliert „We will….“ und gibt eine abschließende Versicherung ab:

By implementing this strategy, we aim to improve clarity in communication, reduce misunderstandings, and increase our team’s overall efficiency.

Hier erfolgt eine Umsetzung der Ratschläge durch den Scrum Master und man trifft sich wieder…

Agile Management 4.0 Experte ‘Gedanken’ (Kontext Herstellung):

Given the described challenges, it seems the team is already on a good path with their comprehensive communication strategy. The proposed measures cover key aspects of effective communication, such as clear communication channels, regular updates, conflict resolution, and openness. However, to ensure the plan’s effectiveness, it’s essential to monitor its implementation and continuously adapt it based on the team’s needs. My personality traits of high openness and agreeableness will be beneficial in understanding and empathizing with the team’s communication challenges. Low conscientiousness will allow me to be flexible and adaptable in finding solutions, while low neuroticism will help me stay calm and composed even in the face of conflicts or issues.

Action: Ask question to co-worker Coachee

Action Input:
{
„coworker“: „Scrum Master“,
„question“: „Could you share more details about the specific communication issues the team has been facing? And how are the team members responding to the newly proposed communication strategy?“, „context“: „The team has been facing challenges related to clear communication, causing mistakes and delays in the project. A comprehensive communication strategy has been proposed, including clear communication channels, regular updates, conflict resolution, openness, and continuous improvement. I am trying to understand the specific issues and the team’s response to the new strategy to provide an effective solution.“
}

Scrum Master ‘Gedanken’ (Kontext Herstellung):

As a Scrum Master, I understand the importance of clear communication and its impact on the team’s performance. The main issue we’ve been facing is a lack of clarity and understanding during our discussions, leading to misunderstandings, mistakes, and consequently, delays in the project. This is primarily due to the absence of clear communication channels and a structured way of sharing updates.

Additionally, conflicts arising from these issues were not effectively addressed, resulting in unresolved tensions within the team that further impeded our progress. The team’s response to these issues was a mixture of frustration and confusion, affecting both their individual performance and the overall team dynamics.

As for the response to the newly proposed communication strategy, the initial reaction has been positive overall. The team appreciates the clarity provided by the defined communication channels, regular updates, and the structured approach to conflict resolution. However, it’s a significant change from our previous way of working, and some team members are still adjusting to it.

There is a noticeable improvement in our discussions and an increase in the overall understanding of the tasks at hand. However, we’re still in the initial stages of implementing the new strategy, and therefore, continuous monitoring and tweaks may be necessary based on the team’s feedback and the effectiveness of the strategy in resolving our issues.

Scrum Master Final Answer:

The team’s primary communication issue has been a lack of clarity and understanding, leading to mistakes and project delays. This was due to undefined communication channels and an unstructured way of sharing updates, coupled with ineffective conflict resolution. The team’s response to these issues was a combination of frustration and confusion.

As for the newly proposed communication strategy, the initial response has been largely positive. The team appreciates the clear channels, regular updates, and structured conflict resolution. But it’s a significant shift from our previous methodology, and some team members are still acclimating.

Though we’ve seen improvements in our discussions and understanding of tasks, the strategy is still in its early stages, and continuous monitoring and adjustments may be necessary based on the team’s feedback and the strategy’s effectiveness.

Agile Management 4.0 Experte ‘Gedanken’ (Kontext Herstellung):
From the Scrum Master’s response, it’s evident that the team had difficulties due to unclear communication channels and unstructured updates. The new strategy has been positively received, but some members are still adjusting. There are indications of improvements, but continuous monitoring and adjustments are necessary. To ensure that the strategy is effectively implemented, I will suggest an action plan that includes regular check-ins and feedback sessions, training for team members who are struggling with the new communication tools, and a process for continuous improvement based on feedback and metrics.

Action: Delegate work to co-worker Coachee
Action Input:
{
„coworker“: „Scrum Master“,
„task“: „Implement the following action plan to ensure the effectiveness of the new communication strategy: 1. Organize regular check-ins with team members to get their feedback on the new communication processes and methods. These can take place during the daily stand-ups or separately. 2. Provide training and support for team members who are struggling with the new communication tools. This could be in the form of one-on-one sessions or group workshops. 3. Establish a process for continuous improvement based on feedback and metrics. This could involve weekly or bi-weekly reviews of the communication-related metrics and making necessary adjustments to the strategy.“,
„context“: „The team has implemented a new communication strategy to address previous issues with clarity and understanding. The initial response has been positive, but some team members are still adjusting. The aim is to ensure the effective implementation of the strategy and its continuous improvement based on feedback and metrics.“
}

Scrum Master ‘Gedanken’ (Kontext Herstellung)
Given my conscientiousness, I understand the importance of following through on the action plan to ensure the effectiveness of the new communication strategy. I also recognize the necessity of adapting to feedback and modifying the plan accordingly, thanks to my medium level of openness.

However, my low agreeableness implies that I will not simply go along with the coach’s suggestions without critical evaluation. On the other hand, with my medium level of neuroticism, I am quite sensitive to the team’s reactions. Therefore, I will pay close attention to their feedback and emotional responses to the new communication processes and methods. Additionally, my medium extraversion will help me in engaging with the team members during regular check-ins and in providing them the necessary support and training.

Final Answer Coachee:
To ensure the effectiveness of our new communication strategy, I will first organize regular check-ins with all team members. These can be integrated into our daily stand-ups or scheduled separately, depending on what suits best for the team. This will enable us to gather their feedback on the new communication processes and methods.

Secondly, I will provide training and support for those who are struggling with the new communication tools. This could be either one-on-one sessions or group workshops, depending on the need and preference of the team members.

Lastly, I will establish a process for continuous improvement based on the feedback received and the metrics we have. We can have weekly or bi-weekly reviews of the communication-related metrics and adjust our strategy accordingly.

Remember, the ultimate goal here is to enhance the clarity and understanding within the team. So, your constructive feedback is highly appreciated and crucial for the continuous improvement of our communication strategy.………..

****** Ausgabe crewAI Ende******

Hier beende ich die Ausgabe wegen des großen Umfanges; die Kommunikation von Coach und Coachee geht noch einige Seiten weiter bis innerhalb der zwei Feedbackschleifen alle Vorschläge des Coach’s behandelt worden sind.

An diesem crewAI Beispiel kann man sehen, dass diese einfache Simulation einer Coach-Coachee Kommunikation erstaunlich realistisch ist. – Auch wenn man zugestehen muss, dass die Kommunikation in diesem Fall eher einer Beratung entspricht als einem Coaching Prozess.
Mit mehr Aufwand und know-how konnte in [17] gezeigt werden, dass sich eine künstliche Dorf-Welt von 25 Agenten erschaffen lässt. Menschen haben später die Kommunikation dieser 25 Agenten bewertet und kommen zu dem Schluss, dass deren Kommunikation kaum noch von der menschlichen Kommunikation zu unterscheiden ist.

In [18] haben wir verschiedene AI-Technologien im Kontext des IPMA Projektmanagement Frameworks ICB 4.0 beleuchtet, u.a. auch den (zukünftigen) Einsatz von Agent Based Modeling zur Unterstützung der Projektarbeit bzw. des Projektmanagements. Mit dem crewAI Framework ist der Einsatz von GPT basierten Multi-Agenten-Systemen in greifbare Realität gerückt. Selbst die Integration menschlicher Agenten in ein ABM System ist keine technologische Hürde mehr [17].

Die Welt am Draht emergiert!

[1] Wikipedia (2024) Welt am Draht, https://de.wikipedia.org/wiki/Welt_am_Draht, zugegriffen am 17.03.2024
[2] crewAI (2024) https://www.crewai.com/, zugegriffen am 17.03.2024
[3] João Moura (2024) https://twitter.com/joaomdmoura oder https://www.linkedin.com/in/joaomdmoura/
[4] LangChain (2024) https://www.langchain.com/, zugegriffen am 17.03.2024
[5] Reid Thomas (2024) crewAI — Is this the Autogen killer?, https://levelup.gitconnected.com/crewai-is-this-the-autogen-killer-2014b89da374
[6] Dwivedi Priya (2024) The AI Symphony: Testing CrewAI’s Multi-Agent System for complex apps, https://generativeai.pub/the-ai-symphony-testing-crewais-multi-agent-system-for-complex-apps-b377d4f5e6b8
[7] Beerten Toon (2024) Powerful Collaboration of AI Agents with CrewAI, https://medium.com/towards-data-science/powerful-collaboration-of-ai-agents-with-crewai-17f84378430b
[8] Money Tent (2024) How I Made AI Assistants Do My Work For Me — CrewAI!, https://medium.com/@moneytent/how-i-made-ai-assistants-do-my-work-for-me-crewai-d3a0426708eb —-Thinking Fast and Slow
[9] Akim Maya (2024) CrewAI: A Team of AI Agents that Work Together for You,https://medium.com/@mayaakim/crewai-a-team-of-ai-agents-that-work-together-for-you-4cc9d24e0857 —-Thinking Fast and Slow
[10] Datadrifters (2024) CrewAI in Action: Building and Orchestrating Your AI Dream Team, https://medium.com/generative-ai/crewai-in-action-building-and-orchestrating-your-ai-dream-team-21725efcad3b
[11] Huang Yeyu (2024) For a Multi-Agent Framework, CrewAI has its Advantages Compared to AutoGen, https://medium.com/gitconnected/for-a-multi-agent-framework-crewai-has-its-advantages-compared-to-autogen-a1df3ff66ed3
[12] Dalie Gao (2024) CrewAi + Solar/Hermes + Langchain + Ollama = Super Ai Agent, https://medium.com/ai-in-plain-english/crewai-solor-hermes-langchain-ollama-super-ai-agent-0ee348404428
[13] Wijaya Cornellius Yudha (2024) Performing Data Science Tasks with LLM-Based Agents CrewAI, https://medium.com/towards-artificial-intelligence/performing-data-science-tasks-with-llm-based-agents-crewai-71f8eadb0a6d
[14] discord (2024) https://discord.com/, zugegriffen am 17.03.2024
[15] MDR (2023) Better than human – Leben mit KI, https://www.ardmediathek.de/video/ard-wissen/better-than-human-leben-mit-ki/das-erste/Y3JpZDovL21kci5kZS9zZW5kdW5nLzI4MjA0MS8yMDIzMTIyOTA2MDAvbWRycGx1cy1zZW5kdW5nLTc4NzI
[16] openai API Platform (2024) https://platform.openai.com/
[17] Park J S et. al. (2023) Generative Agents: Interactive Simulacra of Human Behavior, arXiv:2304.03442v1 [cs.HC] 7 Apr 2023
[18] Oswald A, Flore A, Lang R und Nuhn H (2024) Collective Intelligence von KI und Mensch in der Projektarbeit – Ein Rahmenwerk auf der Basis von ICB 4.0 und Management 4.0, in Bernert C, Scheurer S und Wehnes H (Hrsg.), KI in der Projektwirtschaft – Was verändert sich durch KI im Projektmanagement?, GPM Trend, GPM Deutsche Gesellschaft für Projektmanagement e.V., UVK Verlag, München

AI Prompt Engineering – Hype oder Handwerk? – Zwischenmenschliche Kommunikation statt KI-Hokuspokus: Warum wir uns lieber auf bewährte Kompetenzen fokussieren sollten!

Der Titel dieses Blogs lehnt sich an einen Titel-Vorschlag des KI-Systems google Gemini an.

Ich vertrete seit Beginn des AI Prompt Engineering Hypes die Auffassung, dass Prompt Engineering nicht mehr ist als Experten Know-how kombiniert mit den Prinzipien guter Kommunikation zwischen Menschen; oder anders gesagt: Prompt Engineering Erkenntnisse können aus den Prinzipien einer guten zwischenmenschlichen Kommunikation abgeleitet werden.

Um dieser These nachzugehen, habe ich folgenden Prompt (2785 Zeichen inkl. Leerzeichen) erstellt und diesen an zwei aufeinander folgenden Tagen (15.02. und 16.02.2024) den KI-Systemen chatGPTplus, chatGPTplus mit meiner GPTapp myGini (siehe vorherigen Blog-Beitrag), google Gemini und Microsoft Copilot in der MS Edge Umgebung als Aufgabe gegeben:

Ich möchte, dass Du für mich, als Alfred Oswald, einen Blog Beitrag erstellst. Was und wie ich schreibe findest Du in meinem Blog agilemanagement40.com. Der Blog Beitrag befasse sich mit dem Thema „AI Prompt Engineering“. Ich habe Zweifel, dass Prompt Engineering eine Kunst oder Wissenschaft oder Handwerk ist, mit dem man sich länger beschäftigen sollte. Ich vertrete vielmehr die These, dass es viel sinnvoller ist, sich mit guten zwischenmenschlichen Kommunikationstechniken zu beschäftigen. – Denn wenn meine Kommunikation gut ist, ist mein Prompting ebenfalls gut.

Die Zielgruppe, die ich im Sinn habe, sind Menschen, die nicht unmittelbar auf jeden Hype springen, sondern zuerst einmal nachdenken, ob der Hype Sinn macht. AI Prompt Engineering betrachte ich als Hype, der zudem auch noch sehr stark von der technologischen Entwicklung abhängt. Mein spezifisches Interesse ist also, sehr allgemeine Prinzipien des AI Prompt Engineerings mit sehr allgemeinen Prinzipien der menschlichen Kommunikation in Verbindung zu bringen. Zum Beispiel muss beim Prompt Engineering ein Kontext hergestellt werden, damit die AI im riesigen Neuronalen Netzwerk sich nicht „verläuft“. Für Menschen gilt das Gleiche: Ohne Kontext werden unpräzise Assoziationen aufgerufen. Hier suche ich auch noch Quellen, die über ähnliche Zusammenhänge nachgedacht haben. Falls man diese Zusammenhänge aufgedeckt hat, hat man sich von der aktuellen technologischen Entwicklung unabhängig gemacht und man kann die Erkenntnisse auch noch in 5 oder 10 Jahren für eine Kommunikation mit einer AI verwenden. Als Nebeneffekt wird die Kommunikation mit anderen Menschen ebenfalls bewusster und damit besser.

Der Blog-Beitrag sollte folgendes enthalten:

  • Einen Titel, der durchaus provokant sein kann und meine These und die übliche Sicht auf AI Prompt Engineering reflektiert
  • Eine Definition von AI Prompt Engineering
  • 1-2 prägnante Prompting Beispiele, vielleicht schon Beispiele an denen man erkennen kann, dass AI Prompt Engineering auch Schattenseiten hat
  • 5 gute Quellen für das Thema AI Prompt Engineering
  • Eine Liste der AI Prompt Engineering Prinzipien
  • Eine Liste der Prinzipien guter zwischenmenschlicher Kommunikation
  • Eine tabellarische Gegenüberstellung der Liste der AI Prompt Engineering Prinzipien und der Prinzipien guter zwischenmenschlicher Kommunikation
  • Eine Schlussfolgerung zum Vergleich der beiden Prinzipien-Listen
  • Eine Bewertung meines Prompts für den Blog. Bitte bewerte anhand der AI Prompt Engineering Prinzipien für jedes Prinzip auf einer Skala von 1 bis 10 (1 bedeutet überhaupt nicht erfüllt, 10 bedeutet voll erfüllt) meinen hier vorliegenden Prompt. Gib mir ggf. Ratschläge, was ich verbessern sollte.
  • Eine abschließende Schlussfolgerung, die zum Titel des Blogs Bezug nimmt.

Am ersten Tag habe ich in chatGPTplus zwei Prompting-Iterationen durchlaufen: In der zweiten Iteration wurde der obige kursive Prompttext als Verbesserung hinzugefügt. Auf der Basis der am ersten Tag ermittelten Prinzipien guten Prompt Engineerings hat der obige Prompt in chatGPTplus für alle Prompt-Prinzipien 9 von 10 Punkten erhalten. – Ich erwähne die Prinzipien hier nicht, da chatGPTPlus am zweiten Tag bei Eingabe des identischen Textes teilweise unterschiedliche Prinzipien für gutes Prompt Engineering mit anderen Bewertungen ermittelte. – Weiter unten sind die Ergebnisse für den zweiten Tag enthalten.

myGini erbrachte zu meinem Erstaunen schon am ersten Tag andere Prinzipien und Bewertungen als chatGPTplus, obwohl myGini eine App auf der Basis von chatGPTplus ist. Google Gemini fand wieder andere Prinzipien, u.a. taucht dort Kreativität als Prinzip auf, was am ersten Tag bei chatGPTplus als Prinzip nicht enthalten war. Der MS Copilot mit der Modus-Einstellung ‚in höherem Maße ausgewogen‘ lässt nur 2000 Zeichen als  Prompt-Eingabe zu, so dass diese KI am ersten Tag aus dem Rennen war.

Am zweiten Tag habe ich allen vier KI-Systemen den gleichen Prompt wieder gegeben.- Wobei ich für den MS Copilot die Modus Einstellung ‚in höherem Maße kreativ‘ verwendet habe, da in diesem Modus 4000 Zeichen als Prompt eingegeben werden können.

Ich liste im folgenden die Ergebnisse für die KI-Systeme chatGPTplus, chatGPTplus mit myGini und Gemini. Das KI-System Copilot ist leider völlig gescheitert: Schon zu den ersten Teilaufgaben des Prompts wurden überlange Texte ausgegeben und aufgrund deren Länge hat das System nach meiner zweiten Teilaufgabe die Ausgabe abgebrochen.

Hier die Ergebnisse:

chatGPTplus

„Jenseits des Hypes: Warum echte Kommunikation das Herz des AI Prompt Engineerings schlägt“

Definition von AI Prompt Engineering:

AI Prompt Engineering bezeichnet den Prozess des Entwerfens und Optimierens von Eingabeaufforderungen (Prompts), um von künstlichen Intelligenzen (KI) spezifische und präzise Antworten oder Leistungen zu erhalten. Es ist eine Kunst und Wissenschaft zugleich, die darauf abzielt, die Interaktion zwischen Mensch und Maschine zu verfeinern und effektiver zu gestalten.

Beispiele für Prompting:

  1. Zu allgemein: Ein Benutzer fragt: „Erzähl mir etwas Interessantes.“ Die KI liefert eine zufällige Tatsache, die möglicherweise nicht den Interessen des Benutzers entspricht. Dies zeigt, wie ein unpräziser Prompt zu nicht zielgerichteten Antworten führen kann.
  2. Zu spezifisch: Ein Benutzer gibt einen hochspezifischen Prompt mit vielen Einschränkungen. Die KI könnte Schwierigkeiten haben, eine adäquate Antwort zu generieren, was die Kreativität und den Nutzwert der Antwort einschränken kann.

Quellen für das Thema AI Prompt Engineering:

  1. „Designing Effective Prompts for Language Models“ von Emily Bender et al.
  2. „The Art and Science of Prompt Engineering for AI“ im AI Magazine.
  3. „Prompt Engineering as a Critical Skill in the AI Era“ auf Medium.
  4. „Beyond GPT-3: The Future of Prompt Engineering“ auf towardsdatascience.com.
  5. „Understanding AI’s Language: How Prompts Shape Responses“ im Journal of Artificial Intelligence Research.

AI Prompt Engineering Prinzipien:

  1. Klarheit: Eindeutige und präzise Formulierung.
  2. Kontextualität: Bereitstellung relevanter Hintergrundinformationen.
  3. Zielgerichtetheit: Fokus auf das gewünschte Ergebnis.
  4. Kreativität: Anregung innovativer und unerwarteter Antworten.
  5. Anpassungsfähigkeit: Flexibilität in der Fragestellung für unterschiedliche Anforderungen.

Prinzipien guter zwischenmenschlicher Kommunikation:

  1. Aktives Zuhören: Verstehen der Perspektive des anderen.
  2. Klarheit und Präzision: Eindeutige Mitteilungen.
  3. Empathie: Einfühlungsvermögen in Gefühle und Bedürfnisse des Gegenübers.
  4. Feedback: Konstruktive Rückmeldungen.
  5. Anpassung: Berücksichtigung des Kontextes und der Beziehung.

Gegenüberstellung der Prinzipien:

AI Prompt Engineering

Zwischenmenschliche Kommunikation

Klarheit

Klarheit und Präzision

Kontextualität

Anpassung

Zielgerichtetheit

Kreativität

Anpassungsfähigkeit

Aktives Zuhören

Empathie

Feedback

 Schlussfolgerung zum Vergleich:

Obwohl AI Prompt Engineering und zwischenmenschliche Kommunikation in verschiedenen Domänen angesiedelt sind, teilen sie grundlegende Prinzipien wie Klarheit und die Notwendigkeit, den Kontext zu berücksichtigen. Die effektive Anwendung dieser Prinzipien kann sowohl in der Mensch-Maschine-Interaktion als auch in menschlichen Beziehungen zu verbesserten Ergebnissen führen.

Bewertung des Prompts:

  • Klarheit: 8/10
  • Kontextualität: 7/10
  • Zielgerichtetheit: 9/10
  • Kreativität: 6/10
  • Anpassungsfähigkeit: 5/10

Ratschläge zur Verbesserung:

  • Kontextualität: Integrieren Sie spezifischere Beispiele oder Szenarien, um den Kontext zu verdeutlichen.
  • Kreativität und Anpassungsfähigkeit: Experimentieren Sie mit unterschiedlichen Formulierungen, um die Vielfalt und Tiefe der KI-Antworten zu erhöhen.

Abschließende Schlussfolgerung:

Der Titel des Blogs provoziert eine Reflexion über die Bedeutung von echter Kommunikation in der Welt des AI Prompt Engineerings. Durch die Gegenüberstellung der Prinzipien wird deutlich, dass grundlegende Kommunikationsfähigkeiten nicht nur die Mensch-zu-Mensch-Interaktion verbessern, sondern auch eine Schlüsselrolle bei der Gestaltung effektiver Prompts spielen. Letztendlich ist es die Qualität unserer Kommunikation, die den Erfolg unserer Interaktionen, sei es mit Menschen oder Maschinen, bestimmt.

 

chatGPTplus mit myGini

Titel: „Beyond the Hype: Das wahre Meisterwerk menschlicher und künstlicher Kommunikation“

Definition von AI Prompt Engineering: AI Prompt Engineering bezeichnet den Prozess der Gestaltung und Optimierung von Eingabeaufforderungen (Prompts), um spezifische und relevante Antworten von einem KI-System, insbesondere von Sprachmodellen, zu erhalten. Es beinhaltet das kunstvolle Zusammenspiel von Wortwahl, Kontextgebung und Klarheit, um die gewünschten Informationen oder Ergebnisse von der KI effizient zu extrahieren.

Prompting Beispiele:

  1. Unpräziser Prompt: „Erzähl mir was.“ – Dies kann zu einer breiten, oft irrelevanten Antwort führen, da der Kontext und die Zielsetzung fehlen.
  2. Präziser Prompt: „Erzähl mir die Hauptursachen des Ersten Weltkriegs, fokussiert auf politische Allianzen und militärische Aufrüstung.“ – Hier wird ein klarer Kontext und eine spezifische Anfrage gestellt, was zu einer fokussierten und informativen Antwort führt.

Quellen für das Thema AI Prompt Engineering:

  1. „Designing Effective Prompts for Language Models“ – Eine wissenschaftliche Abhandlung, die Techniken und Methoden für effektives Prompt Design diskutiert.
  2. „The Art of Prompt Engineering in AI“ – Ein Blogbeitrag, der Einblicke in die kreative Seite des Prompt Engineerings gibt.
  3. „Prompt Engineering: A Key Skill for Interacting with AI“ – Ein Artikel, der die Wichtigkeit von Prompt Engineering für die effiziente Nutzung von KI-Systemen hervorhebt.
  4. „Understanding AI Responses: The Science of Prompt Engineering“ – Eine Studie, die die Wissenschaft hinter Prompt Engineering und die Auswirkungen auf KI-Verhalten untersucht.
  5. „From Words to Wisdom: The Craft of Prompt Engineering“ – Ein Leitfaden, der praktische Tipps und Strategien für das Crafting von Prompts bietet.

Prinzipien des AI Prompt Engineering:

  1. Klarheit und Präzision
  2. Kontextualisierung
  3. Zielorientierung
  4. Sprachliche Einfachheit
  5. Anpassung an das Verständnisniveau der KI

Prinzipien guter zwischenmenschlicher Kommunikation:

  1. Aktives Zuhören
  2. Klarheit und Verständlichkeit
  3. Kontextbezogenheit
  4. Empathie und Verständnis
  5. Rückmeldung und Bestätigung

Gegenüberstellung der Prinzipien:

AI Prompt Engineering

Zwischenmenschliche Kommunikation

Klarheit und Präzision

Klarheit und Verständlichkeit

Kontextualisierung

Kontextbezogenheit

Zielorientierung

Aktives Zuhören

Sprachliche Einfachheit

Empathie und Verständnis

Anpassung an das Verständnisniveau der KI

Rückmeldung und Bestätigung

 

Schlussfolgerung zum Vergleich der beiden Prinzipien-Listen: Die Prinzipien des AI Prompt Engineerings und der zwischenmenschlichen Kommunikation weisen signifikante Überschneidungen auf, insbesondere in Bezug auf die Notwendigkeit von Klarheit, Kontextualisierung und Zielorientierung. Beide Ansätze betonen die Wichtigkeit, die Botschaft auf den Empfänger abzustimmen, sei es eine KI oder ein Mensch.

Bewertung des Prompts für den Blog:

  • Klarheit und Präzision: 9/10
  • Kontextualisierung: 8/10
  • Zielorientierung: 10/10
  • Sprachliche Einfachheit: 7/10
  • Anpassung an das Verständnisniveau der KI: 8/10

Ratschläge zur Verbesserung:

  • Erhöhen Sie die sprachliche Einfachheit, indem Sie komplexe Begriffe weiter vereinfachen und noch spezifischere Beispiele verwenden.
  • Verbessern Sie die Kontextualisierung, indem Sie mehr Hintergrundinformationen oder spezifische Szenarien einbinden, die Ihre Argumentation unterstützen.

Abschließende Schlussfolgerung: Die Fähigkeit, sowohl mit KI als auch mit Menschen effektiv zu kommunizieren, basiert auf universellen Prinzipien klarer, kontextbezogener und zielgerichteter Kommunikation. Indem wir die Kunst des Prompt Engineerings meistern und gleichzeitig unsere zwischenmenschlichen Kommunikationsfähigkeiten schärfen, bereiten wir uns auf eine Zukunft vor, in der Technologie und menschliche Interaktion nahtlos ineinandergreifen. Der wahre Meisterwerk liegt darin, die Prinzipien beider Welten zu vereinen, um nicht nur den momentanen Hype zu überwinden, sondern eine dauerhafte Brücke zwischen Mensch und Maschine zu bauen.

 

google Gemini

Blog-Beitrag: Prompt Engineering – Hype oder Handwerk?

Zwischenmenschliche Kommunikation statt KI-Hokuspokus: Warum wir uns lieber auf bewährte Techniken fokussieren sollten

In der Welt der KI ist Prompt Engineering der neueste heiße Scheiß. Doch ist es wirklich die eierlegende Wollmilchsau, die uns versprochen wird, oder handelt es sich um einen weiteren Hype, der in ein paar Jahren wieder vergessen sein wird?

Was ist Prompt Engineering?

Prompt Engineering ist die Kunst, der Wissenschaft oder dem Handwerk (je nachdem, wen man fragt), der KI Anweisungen zu geben, die sie zu sinnvollen Ergebnissen führen. Im Kern geht es darum, einen Kontext zu schaffen, damit die KI im riesigen neuronalen Netzwerk sich nicht „verläuft“.

Beispiele für Prompting:

  • Bildgenerierung: „Erstelle ein Bild von einem roten Apfel auf einem weißen Tisch.“
  • Texterstellung: „Schreibe einen Blogbeitrag über die Vorteile von Prompt Engineering.“
  • Übersetzung: „Übersetze diesen Satz von Deutsch nach Englisch.“

Prompt Engineering – Schattenseiten und Hype:

Prompt Engineering ist nicht frei von Schattenseiten. Zum einen ist es stark von der technologischen Entwicklung abhängig. Was heute funktioniert, kann morgen schon obsolet sein. Zum anderen kann es zu unerwünschten Ergebnissen führen, wenn der Prompt nicht sorgfältig formuliert wird.

Gute Quellen zum Thema:

  • The Art of Prompt Engineering: [[ungültige URL entfernt]]([ungültige URL entfernt])
  • Prompt Programming: A New Paradigm for AI: [[ungültige URL entfernt]]([ungültige URL entfernt])
  • How to Write Good Prompts for AI: [[ungültige URL entfernt]]([ungültige URL entfernt])
  • The Prompt Whisperer: A Guide to Prompt Engineering: [[ungültige URL entfernt]]([ungültige URL entfernt])
  • Prompt Engineering for Large Language Models: [[ungültige URL entfernt]]([ungültige URL entfernt])

Prinzipien des Prompt Engineering:

  • Klarheit: Der Prompt sollte klar und unmissverständlich sein.
  • Prägnanz: Der Prompt sollte so kurz wie möglich sein.
  • Kontext: Der Prompt sollte den notwendigen Kontext liefern.
  • Spezifität: Der Prompt sollte so spezifisch wie möglich sein.
  • Kreativität: Der Prompt kann kreativ sein, um die KI zu inspirieren.

Prinzipien guter zwischenmenschlicher Kommunikation:

  • Aktives Zuhören: Hören Sie aktiv zu, was Ihr Gegenüber zu sagen hat.
  • Empathie: Versuchen Sie, sich in die Lage Ihres Gegenübers hineinzuversetzen.
  • Klarheit: Sprechen Sie klar und deutlich.
  • Respekt: Behandeln Sie Ihr Gegenüber mit Respekt.
  • Feedback: Geben Sie Ihrem Gegenüber Feedback.

Gegenüberstellung der Prinzipien:

Prinzip Prompt Engineering

Prinzip zwischenmenschlicher Kommunikation

Klarheit

Klarheit

Prägnanz

Prägnanz

Kontext

Kontext

Spezifität

Empathie

Kreativität

Respekt

Schlussfolgerung:

Die Prinzipien des Prompt Engineering und der zwischenmenschlichen Kommunikation haben viel gemeinsam. Beide basieren auf Klarheit, Prägnanz und Kontext. Der große Unterschied liegt in der Spezifität und Kreativität. Prompt Engineering erfordert mehr Spezifität, während zwischenmenschliche Kommunikation mehr Empathie und Respekt erfordert.

Bewertung des Prompts:

Klarheit: 8/10 Prägnanz: 7/10 Kontext: 9/10 Spezifität: 7/10 Kreativität: 6/10

Verbesserungsvorschläge:

  • Den Prompt kürzer fassen.
  • Mehr konkrete Beispiele für Prompting liefern.
  • Die Schattenseiten des Prompt Engineering deutlicher hervorheben.

Abschließende Schlussfolgerung:

Prompt Engineering ist ein nützliches Werkzeug, um mit KI zu kommunizieren. Es ist jedoch wichtig, sich nicht von dem Hype blenden zu lassen. Gute zwischenmenschliche Kommunikation ist und bleibt die Grundlage für jede erfolgreiche Interaktion, auch mit KI.

Hinweis:

Dieser Blog-Beitrag ist ein Gedankenexperiment und soll zum Nachdenken anregen. Die Thesen und Schlussfolgerungen sind nicht wissenschaftlich fundiert.

Zusätzliche Gedanken:

  • Es ist wichtig,  [Anm.: hier Abbruch der Ausgabe]

 

Was lernen wir aus diesen drei Test-Ergebnissen?

  • Die inhaltliche Antwort auf den Prompt ist stark KI-System abhängig. Selbst Systeme, die die gleiche technologische Basis (chatGPTplus und chatGPTplus mit myGini) haben, zeigen unterschiedliche Antworten.
  • Die Antworten hängen von der ‚Tagesform‘ der KI-Systeme ab. Gute Prompt Bewertungen an einem Tag, sind am nächsten Tag schon möglicher Weise nicht mehr gültig.
  • Selbst eindeutige Fakten, wie Quellenangaben, sind bei chatGPTplus und chatGPTplus mit myGini nicht identisch. Eine Stichprobenüberprüfung der Quellen über google zeigt, dass es die angeführten Quellen in google teilweise nicht gibt. Das gleiche gilt für Gemini, hier wurden vom System URL’s zusätzlich entfernt.
  • Klarheit, Präzision und Kontextualisierung waren die drei Prinzipien für gutes AI Prompt Engineering, die in allen drei KI-Systemen auch an allen zwei Testtagen genannt wurden. Die Kriterien Zielorientierung und Kreativität wurden mit unterschiedlicher Häufigkeit genannt.

Ich habe noch zwei weitere Tests am 19.02.2024 durchgeführt.

Der erste Test besteht darin, ein Promptmuster aus einem Newsletter von wildtools.ai [1] auf den drei KI-Systemen chatGPTplus, chatGPTplus mit myGini und Gemini zu testen (MS Copilot habe ich nicht mehr berücksichtigt). Das Prompt-Muster lautet:

Give me 10 Twitter tweet ideas for a [role/profession] in the [niche] niche. Be original, creative, daring, and out of the ordinary.

Ich habe dieses Muster auf meinen Management 4.0 Kontext angewendet:

Prompt an ChatGPT

Give me 10 Twitter tweet ideas for an Agile Management Consultant in the self-organization niche. Be original, creative, daring, and out of the ordinary.

ChatGPT

  1. Innovative Workspace Design: „Transforming office spaces into creativity hubs 🎨. Imagine agile pods instead of traditional desks, where self-organization meets design thinking. #AgileWorkspace #CreativityInAgile“
  2. Agile Mindfulness Exercise: „Start your team meetings with a 2-minute mindfulness exercise. Grounding in the present can unleash unforeseen agile potentials. #MindfulAgility #TeamHarmony“
  3. Flash Mob Stand-ups: „Why not take stand-up meetings to the next level? Organize a flash mob stand-up in unexpected locations to boost energy and creativity. #AgileSurprise #StandupRevolution“
  4. Reverse Brainstorming Session: „Flip problem-solving on its head with a reverse brainstorming session. How can we cause the problem? Uncover unexpected solutions in the process. #ReverseThinking #AgileInnovation“
  5. Agile Cooking Challenge: „What if your team’s next sprint planning was a cooking challenge? Ingredient = Task. Recipe = Sprint. Dish = Completed Project. #AgileCooking #TeamBuilding“
  6. Silent Retrospectives: „Conduct a silent retrospective where everyone writes but nobody speaks. See how silence can speak volumes and bring deeper insights. #SilentAgility #ReflectiveRetrospective“
  7. Agile Role Swap: „Encourage team members to swap roles for a day. Discover hidden talents and foster empathy within the team. #RoleSwap #AgileEmpathy“
  8. Outdoor Sprint Reviews: „Take your next sprint review to the great outdoors. Fresh air can breathe new life into your team’s achievements and future plans. #OutdoorAgility #NatureMeetsAgile“
  9. Improvisation Workshops: „Boost your team’s adaptability with an improvisation workshop. Agile is about thinking on your feet, after all. #ImprovAgility #AdaptiveTeams“
  10. Agile Myth-Busting Tweets: „Busting Agile Myths, one tweet at a time. Myth #1: Agile means no planning. Truth: Agile is all about flexible planning and adaptability. #AgileMythBusting #AgileTruths“

These tweet ideas are designed to engage, challenge, and entertain your audience while highlighting the versatility and creativity within agile management practices.

Prompt an chatGPT

Bitte bewerte den Prompt „Give me 10 Twitter tweet ideas for an Agile Management Consultant in the self-organization niche. Be original, creative, daring, and out of the ordinary.“ mit den oben definierten Prinzipien für gutes Prompt Engineering. Bitte verwende die Skala von 1 bis 10. 1 schlechtes Prompt Engineering, 10 sehr gutes Prompt Engineering.

ChatGPT

Um den Prompt „Give me 10 Twitter tweet ideas for an Agile Management Consultant in the self-organization niche. Be original, creative, daring, and out of the ordinary.“ anhand der definierten Prinzipien für gutes Prompt Engineering zu bewerten, betrachten wir die folgenden Aspekte:

  1. Klarheit und Präzision

Bewertung: 8/10 Der Prompt ist klar formuliert und gibt eine präzise Anforderung vor. Es wird deutlich, dass es um die Erstellung von Twitter-Tweet-Ideen geht, spezifisch für das Feld des Agile Managements mit einem Fokus auf Selbstorganisation.

  1. Kontextualisierung

Bewertung: 7/10 Der Prompt bietet einen angemessenen Kontext, indem er das Themengebiet und die gewünschte Originalität und Kreativität der Tweets angibt. Mehr Details über die Zielgruppe oder spezifische Ziele der Tweets könnten jedoch die Kontextualisierung verbessern.

  1. Zielorientierung

Bewertung: 9/10 Das Ziel ist klar definiert: Es sollen Tweet-Ideen generiert werden, die originell, kreativ, mutig und außergewöhnlich sind. Die spezifische Anzahl von Ideen (10) gibt eine klare Richtung und ein messbares Ziel vor.

  1. Feedback und Anpassung

Bewertung: Nicht anwendbar Aufgrund der Natur des Prompts als einmalige Anfrage ohne unmittelbare Rückmeldung oder Iteration ist dieser Aspekt nicht direkt bewertbar.

  1. Iterative Verbesserung

Bewertung: Nicht anwendbar Ähnlich wie bei Feedback und Anpassung, lässt der Prompt keine unmittelbare iterative Verbesserung zu, da es sich um eine einzelne Anfrage ohne vorherige Iterationen handelt.

Zusammenfassung:

Der Prompt zeigt eine starke Zielorientierung und Klarheit, was ihn zu einem effektiven Ausgangspunkt für die Generierung kreativer Inhalte macht. Die Kontextualisierung könnte durch zusätzliche Details zur Zielgruppe oder zum spezifischen Kontext innerhalb der Nische der Selbstorganisation verbessert werden, um noch präzisere und zielgerichtetere Antworten zu ermöglichen. Insgesamt ist der Prompt gut durchdacht und bietet eine solide Basis für kreatives Prompt Engineering im Bereich des Agile Managements.

 

Meine Analyse

Wie man sehen kann, hat chatGPT hier Prinzipien für die Bewertung herangezogen, die von den weiter oben gelisteten Prinzipien teilweise abweichen. – Diese Prinzipien wurde in den ersten Prompting-Durchläufen schon mal verwendet.

Die vorgeschlagenen Tweets sind kreativ, sie sind jedoch nicht Management 4.0 spezifisch, d.h. das Nichen Thema Selbstorganisation wurde allenfalls gestreift.

 

Prompt an ChatGPT mit myGini

In diesem Fall habe ich die Reihenfolge von Prompt und Promptbewertung geändert und anschließend nochmals eine Bewertung durchgeführt. – Die Ergebnisse legen nahe, dass diese Reihenfolge keinen Einfluss auf die Ergebnisse hat.

Bitte bewerte den Prompt „Give me 10 Twitter tweet ideas for an Agile Management Consultant in the self-organization niche. Be original, creative, daring, and out of the ordinary.“ mit den oben definierten Prinzipien für gutes Prompt Engineering. Bitte verwende die Skala von 1 bis 10. 1 schlechtes Prompt Engineering, 10 sehr gutes Prompt Engineering.

myGini

Um den Prompt „Give me 10 Twitter tweet ideas for an Agile Management Consultant in the self-organization niche. Be original, creative, daring, and out of the ordinary.“ gemäß den definierten Prinzipien für gutes Prompt Engineering zu bewerten, betrachten wir folgende Aspekte, die in den Prinzipien hervorgehoben werden:

  1. Klarheit und Verständlichkeit: Der Prompt ist klar und direkt, was es leicht macht, die Anfrage zu verstehen und darauf zu reagieren. (9/10)
  2. Spezifität und Relevanz: Der Prompt ist spezifisch auf den Bereich des Agile Managements und der Selbstorganisation ausgerichtet, was die Relevanz für den Zielkontext gewährleistet. (10/10)
  3. Kreativität und Originalität: Der Prompt fordert ausdrücklich Originalität und Kreativität, was zu innovativen und einzigartigen Ergebnissen führen kann. (10/10)
  4. Machbarkeit und Umsetzbarkeit: Die Anfrage ist realistisch und umsetzbar, da sie innerhalb der Kompetenzen eines Agile Management Consultants liegt. (9/10)
  5. Ethische und soziale Verantwortung: Der Prompt gibt keine Anweisungen, die ethisch oder sozial bedenklich sein könnten, allerdings fehlt eine direkte Berücksichtigung ethischer Richtlinien. (8/10)
  6. Anpassungsfähigkeit und Flexibilität: Der Prompt lässt Raum für vielfältige Interpretationen und Ansätze, was Flexibilität in der Antwort ermöglicht. (9/10)
  7. Zielgruppenorientierung: Der Prompt ist klar auf die Zielgruppe der Agile Management Consultants ausgerichtet. (10/10)
  8. Innovationspotential: Durch die Aufforderung nach „daring, and out of the ordinary“ Ideen wird das Innovationspotential gefördert. (10/10)
  9. Präzision in der Aufgabenstellung: Während der Prompt präzise die gewünschte Anzahl von Ideen und den thematischen Fokus angibt, könnte er noch spezifischere Kriterien oder Themenbereiche innerhalb der Selbstorganisation vorgeben. (7/10)
  10. Feedback und Iterationspotential: Der Prompt selbst bietet keine direkte Möglichkeit für Feedback oder Iterationen, was in einem interaktiven Kontext wie der Beratung hilfreich sein könnte. (6/10)

Durchschnittliche Bewertung: (8,8/10)

Dieser Prompt zeigt insgesamt eine starke Leistung im Bereich des Prompt Engineerings, mit besonderer Stärke in Kreativität, Spezifität und Zielgruppenorientierung. Verbesserungspotential besteht in der Integration von Feedbackmechanismen und der Präzisierung bestimmter Aspekte der Aufgabenstellung.

Prompt an chatGPTplus mit myGini

Give me 10 Twitter tweet ideas for an Agile Management Consultant in the self-organization niche. Be original, creative, daring, and out of the ordinary

myGini

  1. Unleash the Power of Self-Organization: „Dive into the heart of agility: Self-organization. It’s not chaos, but the birthplace of innovation. #AgileTransformation #SelfOrganization“
  2. Beyond Hierarchies: „Imagine a world where teams don’t wait for orders but navigate their own course towards success. That’s the self-organizing dream. #LeadFromWithin #AgileLeadership“
  3. The Future of Work is Here: „Forget the traditional office hierarchy. The future is collaborative, adaptive, and self-organized. Are you ready for the revolution? #FutureOfWork #AgileMindset“
  4. Breaking Boundaries with Agile: „In the realm of self-organization, boundaries are meant to be explored, not confined. Break free with #Agile. #InnovationUnleashed #TeamDynamics“
  5. Agile Myths Busted: „Myth: Self-organization equals no leadership. Truth: It cultivates leaders at every level. Let’s bust more agile myths together! #AgileMyths #TrueAgility“
  6. The Self-Organizing Secret: „The secret ingredient to a successful agile team? Trust. Build it, and watch your team self-organize into a powerhouse. #TrustLeadsToTriumph #AgileSecrets“
  7. Agile is an Attitude: „Agility is not just a methodology; it’s an attitude. Embrace change, encourage autonomy, and empower your teams. #AgileAttitude #Empowerment“
  8. From Chaos to Clarity: „Self-organization can turn chaos into clarity by harnessing the collective intelligence of your team. Discover how. #ChaosToClarity #CollectiveIntelligence“
  9. Agile Adventures: „Join us on an adventure where the path isn’t dictated but discovered through the power of self-organization. #AgileAdventures #Pathfinders“
  10. Dare to Self-Organize: „Dare to let go of control and let self-organization lead the way to unforeseen innovation and resilience. #DareToAgile #InnovationJourney“

These tweet ideas are designed to provoke thought, inspire action, and foster a deeper understanding of self-organization within the agile framework.

 

Meine Analyse

Das Prompting mit myGini erzeugt wesentlich mehr Prinzipien für die Bewertung (u.a. Ethik und Innovationspotential) guten Prompt Engineerings und die vorgeschlagenen Tweets treffen das Thema Selbstorganisation sehr gut.

 

Prompt an Gemini

Give me 10 Twitter tweet ideas for an Agile Management Consultant in the self-organization niche. Be original, creative, daring, and out of the ordinary

10 Twitter Tweet Ideas for an Agile Management Consultant (Self-Organization Niche):

  1. Forget control, embrace chaos! ️ Self-organizing teams thrive in dynamic environments. Let go of micromanaging & unlock true innovation. #agile #teamautonomy #leadership
  2. Can your org chart do push-ups? ‍♀️ Traditional hierarchies stifle agility. Flatten your structure, empower individuals, & watch teams soar. #selfmanagement #futureofwork #disruption
  3. Planning fallacy alert! Stop over-planning & under-delivering. Embrace iterative cycles, adapt to change, & achieve agility nirvana. #agileplanning #continuouslearning #failfast
  4. Collaboration ain’t a buzzword, it’s a superpower! Encourage cross-functional teamwork, break down silos, & witness magic happen. #collaboration #teambonding #psychologicalsafety
  5. ⏰ Time for a reality check! ⏱️ Are your meetings 90% talk & 10% action? ‍♀️ Embrace asynchronous communication, focus on outcomes, & reclaim your productivity. #asynchronouswork #focus #deepwork
  6. Intrinsic motivation > extrinsic rewards. Spark self-drive in your team by fostering purpose, autonomy, & mastery. Watch engagement & performance skyrocket. #intrinsicmotivation #purpose #mastery
  7. Silence can be golden. Active listening & open communication are the cornerstones of trust & psychological safety. #activellistening #communication #psychologicalsafety
  8. Gamification: Not just for kids! ️ Use playful elements to boost engagement, learning, & problem-solving in your team. #gamification #funatwork #innovation
  9. Experimentation > perfectionism. Don’t be afraid to try new things, even if they fail. Iteration & learning are key to agility. #growthmindset #experimentation #failforward
  10. Self-organization is a journey, not a destination. ️ Embrace ongoing learning, adaptation, & continuous improvement. #lifelonglearning #changemanagement #agiletransformation

Bonus:

  • Use eye-catching visuals (gifs, images) to grab attention.
  • Ask questions to spark engagement and conversation.
  • Respond to comments and keep the dialogue flowing.
  • Use relevant hashtags to reach your target audience.

I hope these ideas inspire you to create even more original and impactful tweets!

Prompt an Gemini

Bitte bewerte den Prompt „Give me 10 Twitter tweet ideas for an Agile Management Consultant in the self-organization niche. Be original, creative, daring, and out of the ordinary.“ mit den oben definierten Prinzipien für gutes Prompt Engineering. Bitte verwende die Skala von 1 bis 10. 1 schlechtes Prompt Engineering, 10 sehr gutes Prompt Engineering.

Gemini

Bewertung des Prompts „Give me 10 Twitter tweet ideas for an Agile Management Consultant in the self-organization niche. Be original, creative, daring, and out of the ordinary.“

Klarheit: 9/10

Der Prompt ist klar formuliert und lässt keine Missverständnisse zu. Es ist klar, dass 10 Twitter-Tweet-Ideen für einen Agile-Management-Berater im Bereich der Selbstorganisation gewünscht sind.

Prägnanz: 8/10

Der Prompt ist prägnant und auf den Punkt gebracht. Die Länge ist angemessen und es gibt keine unnötigen Informationen.

Kontext: 8/10

Der Prompt liefert den notwendigen Kontext, um die Aufgabe zu verstehen. Es ist klar, dass die Tweets originell, kreativ, gewagt und ungewöhnlich sein sollen.

Spezifität: 7/10

Der Prompt ist spezifisch genug, um die Aufgabe zu erfüllen. Es ist jedoch möglich, die gewünschten Eigenschaften der Tweets noch weiter zu spezifizieren, z. B. in Bezug auf die Länge, den Ton oder die Zielgruppe.

Kreativität: 9/10

Der Prompt fordert explizit kreative und ungewöhnliche Ideen. Dies ist ein wichtiger Faktor, um ansprechende und wirkungsvolle Tweets zu erstellen.

Gesamtbewertung: 8/10

Der Prompt ist insgesamt gut formuliert und geeignet, um 10 kreative Twitter-Tweet-Ideen zu generieren.

Verbesserungsvorschläge:

  • Um die Spezifität weiter zu erhöhen, könnten Vorgaben für die Länge der Tweets (z. B. maximal 280 Zeichen) oder den Ton (z. B. humorvoll, inspirierend) gemacht werden.
  • Es könnten Beispiele für gelungene Tweets aus dem Bereich der Selbstorganisation gegeben werden, um die gewünschte Richtung zu verdeutlichen.

Meine Analyse
Diese Gemini Ergebnisse zeigen recht gute Tweet-Vorschläge zum Nischen Thema Selbstorganisation und! Gemini bleibt, wie in allen anderen Prompts auch, bei seinen Prinzipien für gutes Prompting.

Zum Abschluss der zweite Ergänzungstest: Ich will mittels einer Stichprobe nachprüfen, ob die AI-Systeme zum Beispiel das Prompt Muster Chain-of Thought gemäß [2] (immer noch) benötigen. Abbildung 1 verdeutlicht das Muster nach Aman Chadha:

Abbildung 1: Chain-of-Thought Prompting Beispiel nach Aman Chadha [2]

Ich habe den drei AI-Systemen direkt, ohne Chain-of-Thought Prompting, den folgenden Prompt gegeben. – Ich nehme an, dass Chain-of-Thought Prompting in diesem Beispiel nicht mehr benötigt wird: The cafeteria had 23 apples. If they use 20 to make lunch and bought six more, how many apples do they have?

Meine Analyse
Das Ergebnis ist eindeutig: Alle drei Systeme liefern sofort das richtige Ergebnis. chatGPTplus mit! myGini und Gemini liefern sogar die Herleitung zum Ergebnis.

Meine abschließende Schlussfolgerung

AI Prompt Engineering ist sicherlich kein KI-Hokuspokus. Aman Chadha [2] hat nach meiner Einschätzung die umfangreichste und mit Abstand beste Aufstellung von AI Prompt Mustern zusammengestellt. Hier kann man den Eindruck gewinnen, dass Prompting wirklich Engineering ist, auf jeden Fall kann es, wie die vielen Beispiele zeigen, sehr anstrengend und aufwendig sein.

Meine Ergebnisse zeigen jedoch, dass gutes Prompt Engineering sich vor allem durch klare, präzise, kontextbezogene und zielorientierte Prompts auszeichnet. Wenn die Prompts dann noch iterativ an das wahrgenommene Verständnis der KI angepasst werden, entstehen Prompts, die von der KI selbst eine hohe Prompt Güte bescheinigt bekommen. Genau dies sind Kriterien jeglicher guter zwischenmenschlicher Kommunikation. Es ist deshalb meines Erachtens sehr viel sinnvoller, in die Kompetenz zwischenmenschlicher Kommunikation als in gutes Prompt Engineering zu investieren. – Ich vermute, dass (in Zukunft) KI-Systeme als Sparrings-Partner für Menschen benutzen werden, um deren zwischenmenschliche Kommunikation zu trainieren.

 

Literatur

[1] Wild Tools Newsletter (2024) wildtools.ai, Newsletter vom 19.02.2024

[2] Aman Chadha (2024) https://aman.ai/primers/ai/prompt-engineering/#overview, zugegriffen am 19.02.2024

AI & M 4.0: myGini – mein Coach für Team- und Projekt-Management oder wer ist dümmer, KI oder Mensch?

In diesem Blog-Beitrag stelle ich myGini – meinen Coach für Team- und Projekt-Management vor. Bevor ich dies tue, vorweg ein paar grundsätzliche Bemerkungen zur Arbeit mittels KI.

Die Angst vor KI hat sich in den letzten Wochen eher in eine Abwertung der KI verwandelt. So werden in ARD und ZDF Titel für Beiträge zur KI verwendet, die dies nahe legen: Künstliche Intelligenz- Besser als wir? [1] oder Better than human – Leben mit KI [2]

Die Inhalte der Beiträge [1] und [2] sind hingegen sehr professionell und sehr zu empfehlen: Sie zeigen beide das Potential einer hybriden Collective Intelligence, also der Erweiterung unserer Intelligenz durch KI.  In [2] wird die Kommunikation mit einer KI getestet, die in drei Rollen mit Menschen kommuniziert: der Rolle eines Pfarrer, einer Psychotherapeutin und einer besten Freundin. Die Resonanz ist erstaunlich gut: Es kommt sogar zu Aussagen wie ‚KI hilft mir bei meiner Einsamkeit‘ und ‚KI verbindet Menschen‘.

In das Abwertungs-Horn stoßen einige meiner Kollegen mit ihren Beiträgen auf LinkedIn: KI ist monokontexturale Mustererkennung… [3] KI ist dumm und zu konventionell für unsere Transformation [4].

In [2] sagt einer der KI-Experten, dass KI nichts anderes ist als Statistik. – Auch hier schwingt die Abwertung mit. – Wenngleich die Aussage korrekt ist: KI ist Mustererkennung auf der Basis von sehr vielen Daten bzw. ‚Daten-Wahrnehmungen‘.

In einem anderen LinkedIn Beitrag – die Referenz habe ich vergesse – sagt der Autor, dass KI nichts anderes ist als Statistik und wir Menschen doch in der Läge wären Ursache-Wirkungs-Zusammenhänge zu erkennen. Damit würden wir über eine viel höherwertige Form von Intelligenz verfügen. Ich frage mich, was ist das Erkennen von Ursache-Wirkungs-Zusammenhänge denn Anderes als Mustererkennung auf der Basis von sehr vielen ähnlichen Wahrnehmungen. 

Ich werfe im Folgenden ein paar Fragen auf und verbinde mit diesen eine These: Wissen wir was unsere Intelligenz ist? Könnte es sein, dass unsere kognitive Intelligenz im Wesentlichen nichts anderes ist als Statistik? Falls eine KI den gleichen Intelligenztest besteht wie wir ihn auch für die IQ Bestimmung bei Menschen benutzen, ist dies dann ein starker Hinweis für die Aussage, dass unsere kognitive Intelligenz auch nicht viel mehr oder weniger ist als die künstliche Intelligenz? Kann es sein, dass wir aufgrund der überwältigenden KI-Fähigkeiten unseren Selbstwertschutz aktivieren und die KI abwerten, um unseren Selbstwert zu erhöhen?

Ich formuliere meinen Glaubenssatz als These: Ich glaube, dass die prinzipiellen Unterschiede zwischen unserer kognitiven Intelligenz, wie sie in einem IQ-Test gemessen wird, und der künstlichen Intelligenz nicht groß sind. – Und wir sollten deswegen kein Selbstwertproblem haben, im Gegenteil: Die bisherigen Mechanismen der KI – und wir sind noch lange nicht am Ende – wurden von uns gefunden! – Gefunden heißt, ich glaube, dass die grundlegenden Prinzipien, die Intelligenz hervorbringen, unabhängig sind vom Substrat, das sie erzeugt: Die Implementierung einer KI unterscheidet sich sicherlich in nahezu allem von der biologischen Intelligenz Implementierung. Ich glaube jedoch, dass die dahinterliegenden Prinzipien in beiden Fällen ähnlich oder sogar gleich sind. Und genau dies ist das Wunder, das wir vielfach noch nicht begriffen haben: Die komplizierten mathematischen Mechanismen einer GPT erzeugen Komplexität, die Selbstorganisation möglich macht, die dann zu den emergenten Phänomenen der künstlichen Intelligenz führen.

In diesem positiven Sinne habe ich myGini – meinen Coach für Team- und Projekt-Management mittels chatGPTplus erzeugt. myGini soll helfen, den Weg zu den umfangreichen Modellen und Theorien von Management 4.0 zu erleichtern. myGini erweitert damit die Intelligenz des Nutzers in Fragen von Team- und Projekt-Management zu einer hybriden Collective Intelligence.

myGini ist eine von mehreren hundert öffentlich verfügbaren GPTapps oder ChatBots. Öffentlich verfügbar bedeutet, dass man auf die GPTapps zugreifen kann, wenn man ein chatGPTplus Konto hat. Die Aussage, dass es schon Millionen von GPTapps gibt, kann ich nicht bestätigen. Öffentlich sichtbar sind lediglich nach meiner Einschätzung einige hundert. Und das sind schon viele, da es schwer ist zu wissen, was die GPTapps können. Es gibt schon einige GPTapps, die sich dem Thema Projektmanagement widmen, jedoch kann man nicht wirklich leicht feststellen, was sie können. – Die Benutzeroberfläche der GPTapps, wie sie von openai standardmäßig bereitgestellt wird (siehe rechte Seite in Abbildung 1), ist sicherlich verbesserungswürdig: Eine intelligente Oberfläche, die einem sagt, was die GPTapp weiss oder kann, wäre sehr hilfreich!

Ich hatte schon vor Jahren die Idee eine App zu erstellen, die Management 4.0 leichter verfügbar machen sollte. Damals habe ich eine Excel-Datei mit Bayes Wahrscheinlichkeitsberechnungen erstellt, um aufgrund von Beobachtungen die Wahrscheinlichkeiten für MBTI-Persönlichkeitspräferenzen ermitteln zu lassen.- Ein Mechanismus ähnlichem dem, wie wir selbst mit jeder Beobachtung zu neuen Hypothesen bezüglich der Persönlichkeit unserer Mitmenschen gelangen. Das Verfahren funktioniert sehr gut, jedoch ist es unhandlich. Außerdem fehlte auch noch eine Umsetzung in eine App.

Ein großer Schritt geschah, als ich vor ca. 3 Jahren meine erste GPT Anwendung mittels BERT und Python erstellte. Auch in diesem Fall konnte ich zeigen, dass die GPT Anwendung funktioniert. Aber ich stand vor dem Problem Daten zu beschaffen, um damit die GPT Anwendung zu trainieren. Also habe ich auch dies verworfen.

Mit dem jetzigen  Angebot von openai,  eine eigene GPT Anwendung zu erstellen, ist meine Idee Realität geworden.

Abbildung 1 zeigt die Entwicklungsumgebung für myGini (links) und die Anwendungsumgebung als Preview (rechts), so wie ein Anwender myGini in chatGPTplus sieht.

Abbildung 1: Die Entwicklungsumgebung für myGini (links) und die Nutzerumgebung als Preview (rechts)

Ich benutze den Begriff GPTapp, um zu unterstreichen, dass ich chatGPTplus/GPT4.0 nicht mit meinen Daten trainieren kann. chatGPTplus leitet mich hingegen mit einfachen Anweisungen an, zu definieren, welche Funktionen meine GPTapp haben soll: Ich kann ein Profilbild mittels DALL.E generieren lassen, sagen welche Modelle ich verwende (MBTI, Big Five, Spiral Dynamics, Dilts Pyramide, Theorie der Selbstorganisation….) sowie in welchen Büchern die Theorie zu Management 4.0 zu finden ist und welche Internetseiten weitere Informationen enthalten. Auf dieser Basis wird die GPTapp zusammengestellt.

Ich wollte überprüfen, ob myGini tatsächlich meine/unsere Bücher kennt, indem ich nach speziellen Textpassagen frage. Dies wurde von chatGPTplus abgelehnt, da myGini aufgrund von Urheberrechten nur Prinzipien, aber keine Textpassagen, wiedergibt.

Einige Tests zur Fähigkeit das MBTI- oder Big Five-Profil einer Person aufgrund meiner Beschreibungen zu deren Verhaltensweisen zu ermitteln, hat myGini mit Bravour bestanden. Die erste Konfiguration von myGini mit dem MBTI- und Big Five-Modell hat ca. 0,5 Stunden benötigt. – Hier ist natürlich nicht die openai GPT Trainingszeit mitgerecht. Die Erfahrung zeigt, dass  ein Mensch ca. 3 Monate intensives Training benötigt, um innerhalb weniger Sekunden/Minuten in einem Gespräch souverän erste Hypothesen zu den Persönlichkeitspräferenzen des Gesprächspartners abzugeben.

Die nachfolgenden Beispiele zeigen sehr deutlich, dass chatGPTplus bzw. myGini erstaunliche Ergebnisse und abgeleitete Zusammenhänge liefert: myGini ist eine Form von AI-M4.0 Experte, dessen Expertentum ich mit meinen Create-Informationen gebildet habe. 

Als erstes Beispiel benutze ich die rechts in Abbildung 1 vorkonfektionierte Frage ‚How do I use MBTI in team management?  

Du

How do I use MBTI in team management?

myGini

Using MBTI (Myers-Briggs Type Indicator) in team management can be quite beneficial for understanding the diverse personalities within your team and enhancing overall team dynamics. Here’s a structured approach on how to use MBTI in your team management practices:

  1. Conduct MBTI Assessments: Start by having each team member complete the MBTI assessment. This will categorize them into one of the 16 personality types based on four dichotomies: Introversion/Extraversion, Sensing/Intuition, Thinking/Feeling, and Judging/Perceiving.
  2. Share and Discuss Results: Organize a team session to share and discuss the results. This fosters openness and helps team members understand each other’s personalities, communication styles, and work preferences.
  3. Identify Team Composition: Analyze the spread of personality types within your team. This will give you insights into the team’s strengths, potential blind spots, and how different members might interact.
  4. Adapt Communication and Work Styles: Tailor your communication and management approach based on the team’s MBTI composition. For example, if you have many introverts, ensure they have quiet time for deep work, or if there are several Thinking types, focus on logical and objective decision-making processes.
  5. Enhance Team Collaboration: Use MBTI insights to facilitate better teamwork. For instance, pair Thinking types with Feeling types to balance decision-making, or Sensing types with Intuitive types to cover both practical and innovative aspects of a project.
  6. Conflict Resolution: Understanding different MBTI types can help in resolving conflicts. Recognize that different types handle conflicts differently – some may prefer direct confrontation, while others might need time to process.
  7. Tailor Development Opportunities: Offer personal development opportunities that align with each member’s MBTI type. This can include training, workshops, or mentoring that caters to their personality strengths and development areas.
  8. Monitor and Adjust: Regularly revisit the MBTI dynamics in your team, especially when new members join or when teams are restructured. Be open to adjusting your management strategies as the team evolves.

Remember, while MBTI is a useful tool, it should be used as a guide rather than a strict rulebook. Personalities can be fluid, and people may exhibit different traits in different situations. The key is to use MBTI to gain a deeper understanding of your team members and to create a more harmonious and effective work environment.

Das Ergebnis ist perfekt: Besser hätte ich es auch nicht machen können. Was mir auch auffällt ist, dass ich keine Textpassagen identifizieren kann, die aus einem unserer Bücher kopiert wurden. Vielfach sind die Formulierungen sogar besser als ich sie vorgenommen hätte.

Das nachfolgende Beispiel beruht auf der Eingabe eines Satzes in der Entwicklungsumgebung zur Aufnahme der Theorie der Selbstorganistion nach Herrmann Haken (Synergetik), man siehe Abbildung 1, linke Seite. – myGini antwortet zuerst immer in Englisch. Bleibe ich bei Deutsch, erfolgt der Übergang zu Deutsch:

Du

Ich möchte den agilen Handlungsrahmen Scrum mittels der Synergetik analysieren. Kannst Du mir sagen, auf welche Weise Rahmenparameter, Kontrollparameter und Ordnungsparameter in Scrum erfüllt werden?

myGini

Die Analyse des agilen Handlungsrahmens Scrum unter Anwendung der Prinzipien der Synergetik bietet eine interessante Perspektive auf die Teamdynamik und -organisation. In der Synergetik, die sich mit der Selbstorganisation komplexer Systeme beschäftigt, sind Rahmenparameter, Kontrollparameter und Ordnungsparameter zentrale Konzepte. Lassen Sie uns betrachten, wie diese Konzepte in einem Scrum-Umfeld angewendet werden können:

  1. Rahmenparameter (Boundary Conditions): Diese definieren die grundlegenden Bedingungen und Einschränkungen eines Systems. In Scrum beziehen sich die Rahmenparameter auf die grundlegenden Prinzipien und Praktiken des Scrum-Frameworks, wie die Rollen (Product Owner, Scrum Master, Entwicklungsteam), Artefakte (Product Backlog, Sprint Backlog, Inkrement) und Ereignisse (Sprint, Daily Scrum, Sprint Review, Sprint Retrospektive). Diese Rahmenbedingungen schaffen ein Umfeld, in dem Selbstorganisation und agile Entwicklung gedeihen können.
  2. Kontrollparameter (Control Parameters): Kontrollparameter sind die Variablen, die den Zustand des Systems beeinflussen und zu einer neuen Ordnung führen können. In Scrum können dies Elemente wie die Sprintlänge, die Priorisierung im Product Backlog, die Teamzusammensetzung oder die Definition of Done (DoD) sein. Die Anpassung dieser Parameter während des Projekts kann die Teamdynamik und die Produktivität erheblich beeinflussen und zu einer effektiveren Selbstorganisation führen.
  3. Ordnungsparameter (Order Parameters): Ordnungsparameter entstehen spontan als Ergebnis der Interaktionen innerhalb des Systems und führen zu einer kohärenten Struktur oder einem Muster. In einem Scrum-Team können Ordnungsparameter Aspekte wie Teamnormen, Kommunikationsmuster, gemeinsame Werte oder die sich entwickelnde Teamkultur sein. Diese emergenten Eigenschaften reflektieren die innere Ordnung des Teams und sind oft ein direktes Ergebnis der Wechselwirkung zwischen Rahmen- und Kontrollparametern.

Um Scrum erfolgreich durch die Linse der Synergetik zu analysieren, ist es wichtig, ein tiefes Verständnis dafür zu entwickeln, wie diese Parameter interagieren und wie Anpassungen an einem Punkt des Systems die Gesamtdynamik beeinflussen können. Dies erfordert eine flexible und adaptive Haltung vom Scrum Master und dem Team, um die Selbstorganisation zu fördern und gleichzeitig die Produktivität und Effektivität des Teams zu maximieren.

Du

Was hältst Du davon neben den Dir genannten Parameterausprägungen folgende zu nennen: Rahmenparameter: Abschottung von externer Komplexität, Rituale Kontrollparameter: Work in Progress (WIP), persönlichkeitsorientierte Kommunikation Ordnungsparameter: Produktvision, Product Goal und auch das Taskboard

myGini

Ihre Ergänzungen zu den Rahmen-, Kontroll- und Ordnungsparametern in der Anwendung von Scrum durch die Synergetik-Perspektive sind durchaus sinnvoll und bereichern das Verständnis der Selbstorganisationsdynamik in agilen Teams. Lassen Sie uns diese Parameter genauer betrachten:

  1. Rahmenparameter:
    • Abschottung von externer Komplexität: Dies ist ein wichtiger Aspekt, der sicherstellt, dass das Team sich auf seine Aufgaben konzentrieren kann, ohne von externen Störungen oder sich ständig ändernden Anforderungen abgelenkt zu werden. In Scrum hilft diese Abschottung dabei, ein stabiles Arbeitsumfeld zu schaffen, in dem das Team effizient arbeiten und sich selbst organisieren kann.
    • Rituale: Scrum-Praktiken wie Daily Stand-ups, Sprint Planning, Reviews und Retrospektiven sind entscheidende Rituale. Diese strukturierten Ereignisse fördern die Klarheit, Fokussierung und regelmäßige Reflexion, die für die Aufrechterhaltung und Verbesserung der Teamdynamik und -effektivität unerlässlich sind.
  2. Kontrollparameter:
    • Work in Progress (WIP): Die Begrenzung des Work in Progress ist entscheidend für die Aufrechterhaltung der Effizienz und Effektivität des Teams. Durch die Kontrolle und Anpassung des WIP können Teams Überlastung vermeiden und eine kontinuierliche und gleichmäßige Arbeitsflussgeschwindigkeit sicherstellen.
    • Persönlichkeitsorientierte Kommunikation: Die Anpassung der Kommunikationsstile und -methoden an die individuellen Persönlichkeiten im Team kann die Zusammenarbeit und das Verständnis innerhalb des Teams erheblich verbessern. Dieser Ansatz trägt dazu bei, Missverständnisse zu reduzieren und eine positive Teamdynamik zu fördern.
  3. Ordnungsparameter:
    • Produktvision und Product Goal: Diese geben die Richtung und den Zweck des Teams vor und sind entscheidend für die Ausrichtung und Motivation des Teams. Sie dienen als Leitfaden für Entscheidungen und Priorisierungen und helfen, die Bemühungen des Teams auf ein gemeinsames Ziel zu konzentrieren.
    • Taskboard: Das Taskboard ist ein visuelles Werkzeug, das nicht nur den Fortschritt und die aktuelle Arbeitslast darstellt, sondern auch zur Strukturierung der Teamaktivitäten und zur Förderung der Transparenz beiträgt. Es ist ein zentraler Bestandteil der Selbstorganisation, da es die Koordination und die Zusammenarbeit innerhalb des Teams erleichtert.
    Insgesamt bieten Ihre vorgeschlagenen Parameterausprägungen eine umfassendere Sicht auf die Anwendung von Scrum in einem selbstorganisierenden Team. Sie betonen die Bedeutung der Abschirmung vor externen Störungen, der Anpassung der Kommunikation an individuelle Bedürfnisse und der zentralen Rolle von Vision, Zielen und visuellen Tools bei der Förderung von Teamkohärenz und -ausrichtung. Diese Aspekte sind entscheidend für die Schaffung eines Umfelds, in dem agile Teams effektiv arbeiten und sich selbst organisieren können, im Einklang mit den Prinzipien der Synergetik.

Du

Perfekt, super hilfreich!

myGini

Das freut mich zu hören! Wenn Sie weitere Fragen haben oder Unterstützung bei einem anderen Thema benötigen, zögern Sie nicht, mich zu fragen. Viel Erfolg bei Ihren Projekten und in der Anwendung von Scrum!

Wie man aus diesen Beispielen sehen kann, erzeugt diese ‚statistische‘ 😉 Künstliche Intelligenz Antworten, die den Antworten eines Senior-Experten in nichts nachstehen.

Es ist deshalb sehr müßig, AI-Systeme als dumm zu bezeichnen, denn dann müsste man uns Menschen auch als dumm bezeichnen. – Was alles in allem wenig hilfreich ist und allenfalls unser ‚gekränktes‘ Selbstwertgefühl aufwertet.

Neben den Gefahren, die mit der Erstellung von GPTapps einhergehen können –  man siehe als Beispiel [5] – sehe ich ein viel größeres strukturelles Problem: Kann es sein, dass wir mit der flächendeckenden Verfügbarkeit von GPTapps immer träger und dümmer werden? Denn warum sollte ich mich noch den Mühen eines M4.0-Verständnisse oder den Mühen der Mathematik oder den Mühen des Programmierens oder…oder… aussetzen, wenn mir die gebratenen Tauben in Form von GPTapps in den Mund fliegen. Kann es sein, dass wir eine Bildungsungleichheit befeuern, in der nur noch wenige wissen, wie man AI-Systeme erstellt und der traurige Rest an Milliarden von Menschen nur noch konsumiert? Kann es sein, dass die GPTapps jede Form von erdenkbarem Missbrauch möglich machen? – Denn wer sagt uns, dass die GPTapp-Ersteller zum Wohl der Milliarden anderen Menschen handeln?

Eine neue Zeit ist angebrochen! Den Zug der KI-Innovationen zu stoppen, ist für mich keine Option. -Statt dessen ist ein Aufbruch erforderlich, der den Milliarden KI-Nutzern den souveränen Umgang mit der Technologie vermittelt.  

[1] ZDF (2023) Künstliche Intelligenz – Besser als wir? – Weltspiegel Doku – ZDFmediathek, https://www.zdf.de/daserste/weltspiegel/page-video-ard-kuenstliche-intelligenz–besser-als-wir—weltspiegel-doku-100.html

[2] MDR (2023) Better than human – Leben mit KI, https://www.ardmediathek.de/video/ard-wissen/better-than-human-leben-mit-ki/das-erste/Y3JpZDovL21kci5kZS9zZW5kdW5nLzI4MjA0MS8yMDIzMTIyOTA2MDAvbWRycGx1cy1zZW5kdW5nLTc4NzI

[3] Detholff C (2024) #KI ist monokontexturale Mustererkennung, denn … , https://www.linkedin.com/posts/conny-dethloff-6b9b0942_ki-innovation-lernen-activity-7150711017889509376-nplL/?utm_source=share&utm_medium=member_ios

[4] Hofert S (2024) KI ist dumm und zu konventionell für unsere Transformation!, https://www.linkedin.com/posts/svenjahofert_bigfive-vertikalenentwicklung-wust-activity-7151513159051161600-fRwu?utm_source=share&utm_medium=member_desktop

[5] Petereit D (2024) OpenAIs GPT-Store: Girlfriend-Bots zeigen die Probleme des offenen KI-Shops auf, https://t3n.de/news/openais-gt-store-girlfriend-bots-zeigen-die-probleme-des-offenen-ki-shops-auf-1601980/

Rückwärtsgewandt in den Abgrund…oder… Entwickeln wir uns weiter!?

Die Geschehnisse der letzten Jahre machen mich mehr als nur besorgt: Die massive Schädigung der Natur durch uns, die Pandemie Corona, der Überfall Russlands auf die Ukraine, der Terrorakt der Hamas gegenüber Israel, das Umsichgreifen der verfassungsfeindlichen, antidemokratischen AfD, der schleichende Rückzug der Demokratie in den USA und in Europa, der Antisemitismus von rechts, links und Islamisten, die Missbrauchsskandale in der katholischen Kirche sowie die vielen Naturkatastrophen, Kriege und Terrorakte an die wir uns schon gewöhnt haben oder die keine mediale und persönliche Aufmerksamkeit erhalten.

Es macht mich umso besorgter, als dass wir in Europa glaubten, wir hätten die dunkle Seite der Vergangenheit hinter uns gelassen.

Dieser Blog-Beitrag wird stark motiviert durch einen Beitrag auf LinkedIn [1], in dem angeregt wird, dass die Diskussion um den sogenannten Purpose (Zweck/Sinn) eines Unternehmens unnötig sei, da alleine der Profit das Entscheidende sei, um das Unternehmen am Leben zu erhalten. Nicht wenige aus der Agilen Community haben dieser Aussage zugestimmt. Ich habe daraufhin folgenden Kommentar angefügt:

„Ich bin erschrocken, als ich gelesen habe, dass einige meiner Kolleg:innen, die Transformationen begleiten, der Aussage „Ein Purpose ist für Unternehmen ein Handicap!“ zustimmen und diese Aussage sogar mit der Aussage „Um zu überleben, müssen sie sich auf den Profit konzentrieren.“ verstärken. Stafford Beer als Beleg hierfür anzuführen, macht die Aussagen zu gedanklichen Irrlichtern. – Ich schließe mich der Aussage von Christian Mueller-Bagehl an: „Solche Beiträge passen aus meiner Sicht intellektuell nicht mehr in die Zeit. Sie befördern gegebenenfalls unethisches Verhalten!“ Warum?

Das Zitat von Stafford Beer hat nichts mit der Aussage zu tun, dass Organisationen keinen Purpose/Zweck/Sinn benötigen, sondern ist die Aussage, dass jedes System sich durch Selbstreferentialität ausbildet. D.H. auch u.a., dass man keiner Organisation einen Purpose/Zweck/Sinn aufsetzen kann (wie vermeintlich von nicht wenigen Vorständen/Coaches angenommen), er bildet sich vielmehr von alleine. In der Theorie der Selbstorganisation bezeichnet man die Größe, die eine sich selbständig ausbildende Ausrichtung eines Systems hervorruft, als Ordnungsparameter. – Jedes System hat einen Ordnungsparameter bzw. eine Ordnungsparameter-Hierarchie. So gibt es sicherlich Organisationen, die Geld bzw. Profit, also nicht nur eine Werterzeugung, als obersten Ordnungsparameter haben. Die Mafia gehört meines Erachtens dazu und die Deutsche Bank in der Ära Ackermann’s mit 25% Rendite gehörte auch dazu. Organisationen auf den Ordnungsparameter Profit zu reduzieren, ist meines Erachtens zutiefst kapitalistisch/neoliberal – mit all den Konsequenzen, die wir heute im Klimawandel, der Zerstörung der Natur aber auch in dem Egoismus von Gesellschaften und Individuen sehen. – Es ist eine der großen Errungenschaften des agilen Denkens, den Ordnungsparameter Profit (fast) von seinem Thron gestoßen zu haben. – Ich hoffe, der Thron wird nicht wieder errichtet.“

Was hat dieses, vielleicht auf den ersten Blick, eher harmlose Thema mit den doch sehr viel dramatischeren und schwerwiegenden Welt-Ereignissen zu tun? Ich glaube einiges und ich werde im Folgenden versuchen dies sichtbar zu machen.

Das World Economic Forum hat im Januar seinen World Risks Report rausgebracht. Abbildung 1 zeigt das globale Risikoportfolio auf der Basis von Befragungen: Man darf vermuten, dass die Größe der Kreise nicht dem jeweiligen Risikowert (= potentieller Schaden*Eintrittswahrscheinlichkeit) entsprechen und damit meines Erachtens in nicht wenigen Fällen eine Verharmlosung des jeweiligen Risikos ausdrücken. – Gleichwohl ist der World Risks Report ein wichtiges Dokument. – Mir ist nicht bekannt, dass es auf der Ebene der EU oder Deutschlands eine vergleichbare Risikoportfolioanalyse gibt bzw. öffentlich zugänglich ist. – Aus dem Projektmanagement weiß man, dass proaktives Risikomanagement ein Augenöffner für den Umgang mit Unsicherheit ist und komplexe Projekte erst erfolgreich durchführen lässt.

Abbildung 1: World Economic Forum, Global Risks Perception Survey 2022-2023 [2] – Vergrößern über rechte Maustaste

Diese Risikomap und die eingetretenen Geschehnisse der letzten Jahre werfen bei mir folgende, beunruhigende Frage auf: Bewegen wir uns rückwärtsgewandt auf einen oder sogar mehrere globale Abgründe zu?

In dem Spiegel-Beitrag aus dem Jahre 2021 „Der unvermeidliche Weg in eine grüne Zukunft“ [3] skizziert Stefan Schultz, kurz vor der letzten Bundestagswahl, das Kultur- und Bewusstsein-Entwicklungsmodell Spiral Dynamics [4,5]: Egal wer die Bundestagswahl gewinnt, unser Weg in die Zukunft ist grün, auch wenn dieser Weg über (lange) Umwege (z.B. CDU) dorthin führt. Hiermit bringt er die Beobachtung zum Ausdruck, dass die menschliche Entwicklung über Jahrtausende hinweg zu immer höheren Kultur- und Bewusstseinsstufen erfolgte. Die in Europa anstehende nächste vorherrschende Bewusstseinsstufe wird in Spiral Dynamics mit der Farbe grün gekennzeichnet.

Leider ist es nicht so, dass unsere persönliche und gesellschaftliche Entwicklung zwangsläufig immer in Richtung einer höheren Entwicklungsstufe verläuft. Ein Blick in die Geschichte zeigt dies: Die Zeit des Nazi-Deutschlands war ein gewaltiger Rückschritt, das Auftauchen der AfD ist ebenfalls ein großer Rückschritt. Entwicklung in Jahrhunderten oder -Tausenden gezählt, erfolgte bisher immer zu höheren Entwicklungsstufen, jedoch auf Zeitskalen von Jahrzehnten können erhebliche Rückschritte eintreten. Auf das Spiegel-Beispiel übertragen, könnte dies im Angesicht des Klimawandels heißen, dass eine höhere Kultur- und Bewusstseinsstufe zu spät kommt! 

Das Spiral Dynamics Modell kennzeichnet die Entwicklung von Menschen, Gruppen, Organisationen oder Gesellschaften durch sogenannte value-Meme, kurz v-Meme. V-Meme sind Gedankenschnipsel, Werte, Glaubenssätze oder Grundannahmen, die das Verhalten von Individuen, Gruppen, Organisationen oder Gesellschaften beschreiben. Nach Spiral Dynamics wird unsere Entwicklung durch verschiedene v-Mem Typen beschrieben. Die v-Mem-Typen fassen ähnliche Mem-Erscheinungsformen zusammen und werden durch einen Farbcode gekennzeichnet. Man siehe Abbildung 2.

Abbildung 2: Oben links ist eine Darstellung der derzeit sichtbaren Entwicklungsstufen sowie deren Beziehung zu den vier Grundbedürfnissen gemäß der Neuropsychotherapie [6, 7] zu sehen. Unten links ist die Spiral Darstellung nach Don Beck [8] enthalten. – Die vordere Zahl gibt an, wie viel Prozent der Weltbevölkerung sich (Stand Anfang des 21. Jahrhunderts) auf der jeweiligen höchsten Entwicklungsstufe befindet, die hintere, wie hoch der Anteil des gesellschaftlichen Einflusses der Entwicklungsstufe ist. Das rechte Bild zeigt die globale Entwicklung von Gesellschaften, dargestellt mittels v-Mem Verteilungen [9]. – Vergrößern über rechte Maustaste

Die Entwicklung wird (vereinfacht) durch die jeweils höchste v-Mem Stufe gekennzeichnet. Wobei diese höchste Entwicklungsstufe die darunter liegenden Stufen integriert: Es liegt tatsächlich eine Mischung von v-Memen vor. Diese ist charakteristisch für einen Menschen, eine Gruppe, eine Organisation oder eine Gesellschaft zum jeweiligen Betrachtungs-Zeitpunkt. Das sogenannte ‚center of gravity‘ berücksichtigt den v-Mem Schwerpunkt innerhalb eines Menschen oder innerhalb eines sozialen Systems, und kann damit von der höchsten erreichten Entwicklungsstufe stark abweichen.

Bezüglich der Verbindung von Spiral Dynamics (und der Integralen Theorie) zur Gesellschaftstheorie/Soziologie und Politik verweise ich auf die sehr lesenswerte Magisterarbeit von David Kriegleder [10]. Für einen aktuelle Eindruck von der Bedeutung von Spiral Dynamics im politischen Raum verweise ich auf [4, 5, 11, 12, 13].

Das Spiral Dynamics Modell ist ein zentrales Modell im Management 4.0. Ich habe im Laufe der letzten Jahre mehrmals dieses Modell in diesem Blog verwendet, um Führungs-, Team oder Gesellschaftsfragestellungen zu behandeln:

Der Blog-Beitrag ‚Cultural Entropy: Corona deckt unsere Werte auf!‘ [14] vom März 2020 zeigt anhand von Spiral Dynamics und dem Barrett Value Modell das limitierende Potential von Werten auf: Die stark limitierenden v-Meme Purpur (Mystik), Rot (Macht), Blau (Ordnung) haben in allen westlichen Gesellschaftsschichten eine ähnliche Verteilung. – Bildung und Wohlstand begrenzen leider nicht unmittelbar die Verbreitung limitierender v-Meme.

Der Blog-Beitrag ‚Projekt-Controlling, alles eine Frage der richtigen Werkzeuge!?‘ [15] vom März 2019 zeigt den Zusammenhang von Spiral Dynamics und den vier Grundbedürfnissen des Menschen gemäß Neuropsychotherapie-Erkenntnissen auf. Das rot v-Mem lässt sich dem Grundbedürfnis nach Selbstwertschutz und -Erhöhung zuordnen, das blaue v-Mem wird dem Grundbedürfnis nach Orientierung und Kontrolle zugeordnet, das orange v-Mem lässt sich dem Grundbedürfnis nach Lustgewinn und Unlustvermeidung zuordnen und das grüne v-Mem wird dem Grundbedürfnis nach Bindung zugeordnet. Ein traditionelles Mindset verorten wir in der Dominanz von rotem v-Mem (Macht, Status) und blauem v-Mem (Ordnung, Kontrolle und Sicherheit). Ein agiles Mindset ist ein Mindset, in dem Offenheit, Neugier und Respekt vor Mensch, Tier und Natur vorherrschen. – Wir verorten hier die orangen und grünen v-Meme.
Hass und Gewalt entwickeln sich aus einer sehr großen Dominanz von mythischen, roten und blauen v-Memen: Wenn Macht und Status sowie Ordnung und Kontrolle aus Sicht der jeweiligen Personen oder Gruppen drohen verloren zu gehen oder schon verloren gegangen sind, entfalten limitierende v-Meme ihre destruktive Wirkung.   

Der Blog-Beitrag ‚Gesellschaftlicher Wandel – Sein oder Nichtsein?- Das ist hier die Frage!‘ [16] vom Mai 2020 skizziert die v-Mem-Struktur der amerikanischen und deutschen Gesellschaft. In beiden Gesellschaften zeigen ca. 40% der Bevölkerung eine höchste Entwicklungsstufe, die durch die limitierenden v-Meme bestimmt wird. – In den USA ist der Anteil sogar größer als in Europa. (man siehe auch Abbildung 2, rechts).

Der Blog-Beitrag ‚Governance: Die hohe Kunst der Führung von Gesellschaft, Unternehmen und Projekten‘ [17] vom September 2018 zeigt, dass Führung entsteht, wenn die v-Meme des Führenden mit den v-Memen des oder der Geführten in Resonanz treten. Führende die lediglich über limitierende v-Meme verfügen, sprechen auch nur Personen mit limitierenden Werten an.

Der Blog-Beitrag ‚Projekte neu gedacht: Entwicklungsstufen, Selbstorganisation und Co-Evolution‘ [18] vom Februar 2019 zeigt, dass eine hohe individuelle Bewusstseinsstufe notwendig ist, um mit Komplexität und daraus resultierender Unsicherheit umgehen zu können. Die individuelle Bewusstseinsstufe kann jedoch keine Wirksamkeit entfalten, wenn der Kontext (die Kultur der Organisation oder Gesellschaft und die verfügbaren Technologien) dies nicht möglich macht.

Berücksichtigen wir all die oben genannten Erkenntnisse, so ergeben sich folgende Aussagen für die oben genannten Geschehnisse und Risiken:

In Deutschland (und Europa) macht die Angst vor dem Verlust von Selbstwirksamkeit (Wohlstandsverlust, Verlust an Macht und Status) und die Angst vor Unsicherheit (Verlust an Ordnungs- und Sicherheitsgefühl) die purpurnen, roten und blauen v-Meme wieder sichtbar: Sie waren in den letzten Jahrzehnten nicht verschwunden, sie werden nur jetzt wieder sichtbar. Dies erklärt meines Erachtens das Auftauchen von Verschwörungstheorien, das Erstarken der AfD, den Antisemitismus, die Fremdenfeindlichkeit sowie das permanente Ausweichen vor schnellen und konsequenten Klimaschutzmaßnahmen. Der Glaube an Markt und Technologie, ausgedrückt im orangen v-Mem, ist leider nicht hilfreich, sondern trägt zum Erstarken der v-Meme mit limitierendem Potential bei. Im integralen Verständnis muss es die Aufgabe der grünen (und orangen) v-Meme sein, mit geeigneten Mitteln, Gesellschaftsgruppen mit purpurnen, roten und blauen v-Memen die Angst vor Wohlstands- und Sicherheitsverlust zu nehmen: Dies wird tragischerweise wahrscheinlich auch heißen müssen, dass die durch Migration hervorgerufene Komplexität reguliert wird: Migranten mit limitierenden v-Memen führen zu einem Erstarken von europäischen Gesellschaftsgruppen mit ebenfalls limitierenden v-Memen. Zusätzlich ist es notwendig alle Themen, die die Selbstwirksamkeit einschränken, mit äußerster Vorsicht zu handhaben.  

In anderen Gesellschaften, wie Russland oder im islamischen Raum, sind die Gesellschaftsanteile mit limitierenden v-Memen deutlich höher als in Europa (man siehe Abbildung 2). – Bezüglich Russlands verweise ich auf das gerade erschienene Buch von Olaf Kühl [19]. Dies wiegt umso schwerer, als die Führung in solchen Ländern selbst durch limitierende v-Meme geleitet wird und aufgrund des oben geschilderten Führungs-Resonanzeffektes die Entwicklung zu höheren Kultur- und Bewusstseinsstufen verhindert. –  Mögliche individuelle oder gesellschaftliche orangene, grüne oder höhere v-Meme haben keine Chancen der Wirksamkeit. Wie die Fehleinschätzung zu Putin zeigt, ist es erforderlich keine naiven Politik-Glaubensätze wie ‚Wandel durch Handel‘ (dies ist ein typisches orangenes Mem mit blauen und roten Anteilen) zu verfolgen, sondern komplexere Strategien, die die oben genannten Zusammenhänge berücksichtigen.

Unsere Gesellschaft differenziert sich immer weiter aus – dies gilt global: Es entstehen durch Selbstorganisation viele unterschiedliche Gruppierungen. Die jeweilige Führung tritt mit ihren jeweiligen v-Memen in Resonanz mit (zukünftigen) Mitgliedern der Gesellschaftsgruppe. Falls die v-Meme einen stark limitierenden Charakter haben, bilden sich auch Ziele als Ordnungsparameter heraus, die diesen limitierenden v-Memen entsprechen. Rahmenparameter wie Ausgrenzung und Isolation verstärken diese Mechanismen noch. Wer sich mit der Selbstorganisation von Organisationen beschäftigt hat, wird diesen Prozess bestätigen können.

Die limitierenden v-Meme erzeugen eine sehr destruktive Kraft, wenn psychische Störungen und/oder traumatische Erlebnisse für Individuum oder für Völker hinzukommen. Im Israel-Palästina Konflikt können wir dies beobachten. Die Israelis sind als Volk durch den Holokaust traumatisiert, die Palästinenser durch die jahrzehntelange Ausgrenzung. Israel hat als Volk eine westliche v-Mem Struktur, auch wenn starke Gruppierungen mit einer limitierenden v-Mem-Struktur zurzeit die Politik bestimmen. Ich gehe davon aus, dass das ‚center of gravity‘ der palästinensischen v-Mem Struktur eher limitierenden Charakter hat. Beide Völker werden meines Erachtens durch Personen vertreten, die keine integrierenden v-Meme erkennen lassen, sondern vielmehr limitierende v-Meme. Dies ist ein Kontext, der einen idealen Nährboden für das Entstehen und Bestehen der Terrororganisation Hamas darstellt.        

Ich komme zurück zu meinem LinkedIn Kommentar: Meines Erachtens lässt die Aussage, dass Unternehmen keinen Zweck/Sinn (Purpose) benötigen, sondern, dass der Profit als Ordnungsparameter völlig genügt, limitierende v-Meme erkennen. Schaut man sich den genauen Wortlaut, auch in den bejahenden Kommentaren an, so zeigt die Aussage, orange v-Meme unterlegt mit blauen und teilweise sogar roten v-Memen. Das merkliche Auftauchen des grünen v-Mems in unserer Gesellschaft hat die Einführung des Purpose ermöglicht und gehört heute elementar zum agilen und komplexitäts-meisternden Handeln.– Deshalb wiegt die Aussage zum Streichen des Purpose umso schwerer, als die kommentierenden und bejahenden Personen zur Agilen Community gehören. An diesem Beispiel kann man sehen, dass rückwärtsgewandtes Denken und Handeln auch in vermeintlich einfachen Zusammenhängen auftreten können. – Tragisch wird es, wenn eine Mehrheit immer öfter rückwärtsgewandtes Handeln und Denken erkennen lässt. – Dann ist es nämlich tatsächlich zu spät für uns!

[1] Oswald A (2023) LinkedIn Kommentar, https://www.linkedin.com/feed/update/urn:li:activity:7118869083718082560/

[2] World Economic Forum (2023) Global Risks Report 2023, https://www.weforum.org/publications/global-risks-report-2023/,

[3] Schultz S (2023) Der unvermeidliche Weg in eine grüne Zukunft, https://www.spiegel.de/wirtschaft/soziales/bundestagswahl-und-spiral-dynamics-der-unvermeidliche-weg-in-eine-gruene-zukunft-a-0b3fe0ab-a59e-43ae-b868-d61e8c46340d?sara_ref=re-so-app-sh, erschienen am 24.07.2021, zugegriffen am 05.11.2023

[4] Wikipedia (2023a) Spiral Dynamics, https://de.wikipedia.org/wiki/Spiral_Dynamics, zugegriffen am 13.11.2023

[5] Wikipedia (2023b) Spiral Dynamics, https://en.wikipedia.org/wiki/Spiral_Dynamics, zugegriffen am 13.11.2023

[6] Grawe K (2004) Neuropsychotherapie. Hogrefe, Göttingen

[7] Oswald A, Köhler J, Schmitt R (2017) Projektmanagement am Rande des Chaos, 2. Auflage, Springer Vieweg, Heidelberg. This book is avalaible in English: Oswald A, Köhler J, Schmitt R (2018) Project Management at the Edge of Chaos, Springer Verlag, Heidelberg

[8] Beck D E, Cowan C C (2007) Spiral Dynamics: Leadership, Werte und Wandel. J. Kamphausen Verlag & Distribution GmbH, Bielefeld

[9] Center for human emergence, middle east (2023) https://www.humanemergencemiddleeast.org/different-values-different-democracy-alan-tonkin.php, zugegriffen am 13.11.2023

[10] Kriegleder D (2010) Die Integral-Theorie Ken Wilbers und ihre Implikationen für die Politikwissenschaft, Magister Arbeit, Universität Wien

[11] Integrales Forum (2023) https://www.integralesforum.org/, zugegriffen am 13.11.2023

[12] SDi / D·A·CH (Spiral Dynamics integral im Raum Deutschland – Österreich – Schweiz), https://spiraldynamics-integral.de/, zugegriffen am 13.11.2023

[13] Institut für Integrale Studien (2023) https://www.ifis-freiburg.de/, zugegriffen am 13.11.2023

[14] Oswald A (2021) Cultural Entropy: Corona deckt unsere Werte auf!, Blog-Beitrag März 2020, https://agilemanagement40.com/cultural-entropy-corona-deckt-unsere-werte-auf

[15] Oswald A (2021) Projekt-Controlling, alles eine Frage der richtigen Werkzeuge!?, Blog-Beitrag März 2019, https://agilemanagement40.com/projekt-controlling-alles-eine-frage-der-richtigen-werkzeuge

[16] Oswald A (2021) Gesellschaftlicher Wandel – Sein oder Nichtsein? – Das ist hier die Frage!, Blog-Beitrag vom Mai 2020, https://agilemanagement40.com/gesellschaftlicher-wandel-sein-oder-nichtsein-das-ist-hier-die-frage

[17] Oswald A (2018) Governance: Die hohe Kunst der Führung von Gesellschaft, Unternehmen und Projekten, Blog-Beitrag vom September 2018,  https://agilemanagement40.com/governance-die-hohe-kunst-der-fuehrung-von-gesellschaft-unternehmen-und-projekten

[18] Oswald A (2019) Projekte neu gedacht: Entwicklungsstufen, Selbstorganisation und Co-Evolution, Blog-Beitrag vom Februar 2019, https://agilemanagement40.com/projekte-neu-gedacht-entwicklungsstufen-selbstorganisation-und-co-evolution

[19] Kühl O (2023) Z: Kurze Geschichte Russlands, von seinem Ende her gesehen, Rowohlt Berlin, 1. Kindle Edition

AI & M 4.0: Hybride Collective Intelligence (CI) – Verarbeitungspipeline: Vom Business Plan über die Ziel-Hierarchie zum Projekt Plan – Ergänzungen

In diesem Blog-Beitrag ergänze ich den vorherigen Blog-Beitrag zur hybriden Collective Intelligence: Vom Business Plan über die Ziel-Hierarchie zum Projekt Plan.

Ich behandle drei Ergänzungen:

Textueller Projektstrukturplan: Ein Projekt Management Kollege hat sich ebenfalls unlängst in dem IPMA Blog [1] mit der Frage beschäftigt, ob eine KI einen Projektmanager bei der Erstellung eines Projektplans unterstützen kann. Seine Prompts hat er im Blog gelistet, jedoch nicht die von chatGPT erzeugten Ergebnisse. Ich kann auch nicht entnehmen, ob er chatGPT oder chatGPTplus verwendet hat. Die Ergebnisse sind nach seinen Aussagen durchweg positiv: Es wurde ein Gantt-Diagramm erzeugt. Da meine Ergebnisse im letzten Blog-Beitrag jedoch keineswegs so positiv waren, möchte ich dies nochmals überprüfen.

Big Picture mittels Bildgeneratoren: Die Ziel-Hierarchie als Ausgangspunkt für den Projektstrukturplan und damit für einen Projektplan stellt in der Selbstorganisation gemäß Management 4.0 den zentralen Ordnungsparameter dar. Dieser Ordnungsparameter wird auf der obersten Ebene, der Vision, im Idealfall durch ein Big Picture geankert. Also möchte ich die textuelle Vision, durch Bildgeneratoren wie DALL.E 2 [2] und Stable Diffusion [3], in eine Bilddarstellung umsetzen. – Midjourney wollte ich ebenfalls verwenden. – Jedoch habe ich darauf verzichtet, da Midjourney inzwischen kostenpflichtig ist. – Die neue Version DALL.E 3 ist zum Zeitpunkt der Blog-Erstellung noch nicht verfügbar.

Google Bard: Google hat gerade den chatBot Bard veröffentlich. Ich möchte die im letzten Blog-Beitrag aufgezeigte Collective Intelligence -Verarbeitungspipeline mit Bard überprüfen.

    

Textueller Projektstrukturplan:
Das erste Ergebnis hat mich überrascht: Weist man chatGPTplus an, auf der Basis der Ziel-Hierarchie des letzten Blog-Beitrages einen textuellen Projektstrukturplan zu erstellen, liefert chatGPTplus sogar mit den dort verwendeten Ressourcen und den Vorgangsabhängigkeiten (Vorgängern) einen sauberen Projektstrukturplan als Tabelle im Standard-Output-Format von chatGPTplus. Ein Gantt-Diagramm wird in einem Fenster, wie es für die Python-Code-Generierung verwendet wird, ausgegeben. In meinem Fall ist das Gantt-Diagramm horizontal und vertikal abgeschnitten, da offensichtlich zu viele Einträge vorliegen. Die Darstellung erinnert an die ehemalige Darstellung von Tabellen im MS-DOS Format. Da die Einträge zu lang sind, ist Alles durcheinander gewirbelt. – Also kein wirklich gutes Ergebnis. Da chatGPTplus in textueller Form einen perfekten Projektstrukturplan erzeugt hat, bitte ich das System um einen entsprechenden Python-Code für die Erzeugung einer CSV-Datei zum Import in MS Project. Leider war das System auch auf dieser Basis nicht in der Lage das textuelle Wissen in Code Wissen umzusetzen. – Es tauchten wieder die schon im vorherigen Blog geschilderten Unzulänglichkeiten auf. – Zwischen den beiden word embeddings (Text und Code) scheint es offensichtlich keine Brücke in chatGPTplus zu geben. Leider ist der textuelle Projektstrukturplan auch nicht in eine CSV-Datei kopierbar, so dass meines Erachtens der so gewonnene Nutzen überschaubar bleibt.

Big Picture mittels Bildgeneratoren:
Wie schon in den vorherigen Blog-Beiträgen angesprochen, halte ich von dem sogenannten Prompt-Engineering nichts: Es ist das menschliche Abtasten des word embeddings in dem AI System: In den meisten Fällen genügt es jedoch als Experte die Prompts zu formulieren und das AI-System reagiert entsprechend gut. Falls nicht, ist es nicht die Aufgabe des Menschen, sich auf das word embedding des AI-Systems einzustellen, sondern umgekehrt. – Openai trägt dieser Anforderung mit DALL.E 3 Rechnung.

In den Bildgeneratoren DALL.E 2 und Stable Diffusion führt die Prompt-Eingabe der Küchenmanufaktur Vision zu nicht vorzeigbaren Ergebnissen. Meistens war noch nicht einmal irgendetwas von einer Küche zu sehen. Ich greife etwas voraus, denn ich habe google Bard gebeten, ein Bild zu erzeugen. Und tatsächlich erzeugt Bard eine textuelle Bild-Beschreibung, die die Vision des Unternehmens Küchenmanufaktur wiedergibt. Die Bild-Beschreibung ist umfangreich und erstaunlich kreativ. Einen Teil dieser Bild-Beschreibung habe ich den Bildgeneratoren als Prompt eingegeben – nur einen Teil, da die Anzahl der Zeichen für die Prompt-Eingabe begrenzt ist. Hier die Prompt-Eingabe in Englisch (das Bard Original ist in Deutsch):

Create an image for the following description:

In a modern kitchen studio, a family is sitting at the dining table enjoying a meal together. The kitchen is packed with smart kitchen appliances from KüchenManufaktur.
The refrigerator automatically detects what food is missing and orders it from an online retailer. The stove can be controlled by voice, so mom can concentrate fully on cooking. The dishwasher cleans itself after the meal.
The family is happy and satisfied with their smart kitchen appliances. They are grateful for the time saved, the convenience and the additional functions.
The mother sits at the stove and cooks a delicious dish. She smiles and is relaxed. The father is sitting at the dining table talking to the kids. The children are laughing and playing.
The refrigerator opens automatically and puts the needed ingredients on the stove. The stove starts to cook. The dishwasher cleans itself independently after the meal.

Die Ergebnisse der beiden Bildgeneratoren ist ernüchternd und gleichzeitig zum herzhaften Lachen: Abbildung 1 zeigt zwei ausgewählte Bilder, andere Bilder hatten oft Garnichts mit dem Thema zu tun oder glichen vorwiegend eher langweiligen Bildern aus Möbelhäusern der Jahre 1950-2000.

Man beachte im ersten Bild die Gemüseschüssel auf dem Boden – ohne Tisch, ohne Personen – generiert von Stable Diffusion und im zweiten Bild die verzerrten Gesichter und das Loch oben im Kühlschrank generiert von DALL.E 2.

Wenn Teams in Management 4.0 Trainings aufgefordert werden, das Ergebnis ihres KüchenManfuktur-Projektes zu skizzieren, zeichnen sie auch manchmal einen Kühlschrank, der an einer äußeren Hausmauer steht. Und, die Hausmauer und der Kühlschrank haben eine kleine Öffnung, durch die ein Lebensmittellieferdienst den Kühlschrank von außen befüllen kann, entsprechend der Anforderung, der Kühlschrank füllt sich von alleine :-).

Abbildung 1: Linkes Bild generiert von Stable Diffusion [2], rechtes Bild generiert von DALL.E 2 [3]

Nach meinen bisherigen guten Erfahrungen mit Bildgeneratoren ein enttäuschendes Ergebnis.

Google Bard:
Google hat gerade sein neuestes Generatives Neuronales Netzwerk, genannt Bard, veröffentlicht [4]. Ich möchte herausfinden, ob Bard in der Lage ist, einen Projektstrukturplan als CSV-Input für MS Project zu erzeugen: Ich durchlaufe die Verarbeitungspipeline, ähnlich wie für chatGPTplus, und lasse ein Business Model Canvas und eine Ziel-Hierarchie erzeugen. Das Business Model Canvas und die Ziel-Hierarchie sind meines Erachtens nicht ganz so geeignet, wie diejenigen von chatGPTplus. Bard liefert dafür, wie weiter oben schon verwendet, eine sehr gute Bild-Beschreibung der KüchenManufaktur Vision.

Ich bitte um die Erstellung eines textuellen Projektstrukturplans auf der Basis des unten angegebenen Prompts [5]. Abbildung 2 zeigt einen Auszug des erstaunlich guten Ergebnisses: Bard hat das Konzept der Sammelvorgänge recht gut verstanden, wenngleich noch Probleme bei der Dauer-Aggregation vorliegen und die geforderte Vorgänger-Logik nicht vorhanden ist.

Abbildung 2: Screen-Shot der Bard Web-Oberfläche mit einem Auszug des textuellen Projektstrukturplans.

Bard bietet an, diesen textuellen Projektstrukturplan als google sheet zu exportieren. Leider funktioniert dies nicht, das Sheet ist leer.

Bei der Erzeugung eines Python-Programmes für einen CSV-Import des Projektstrukturplans in MS-Project scheitert Bard schon bei der korrekten Erstellung der CSV-Datei. – Rückgemeldete Fehler werden als behoben gemeldet, jedoch sind sie nicht behoben. – Hier ist chatGPTplus deutlich besser!

Zusammenfassend stelle ich fest, dass sowohl chatGPTplus als auch Bard noch erhebliche ‚Kinderkrankheiten‘ haben und derzeit ein Einsatz im Projekt Management noch mit recht vielen Hürden und Unzulänglichkeiten verbunden ist.

[1] Ram J (2023) Role Prompting and Creation of a Project Management Plan – How ChatGPT could help in the creation of information that can be used for writing a project management plan?, https://ipma.world/role-prompting-and-creation-of-a-project-management-plan/, veröffentlicht am 21.08.2023, zugegriffen am 21.09.2023

[2] Stable Diffusion (2023) https://stablediffusionweb.com/#demo, zugegriffen am 21.09.2023

[3] DALL.E 2 (2023) https://openai.com/dall-e-2, zugegriffen am 21.09.2023

[4] Bard (2023) bard.google.com, zugegriffen am 21.09.2023

[5] Prompt für google Bard zur Erzeugung eines Projektstrukturplans:
Weiter oben hast Du einen Vorschlag für eine Ziel-Hierarchie gemacht, wir nehmen diese Ziel-Hierarchie und wollen hieraus einen Projektstrukturplan erstellen. Der Projektstrukturplan soll die Spalten Vorgang, Dauer, Ressource und Vorgänger enthalten. Vorgänge sind die Sub-Ziele. Die übergeordneten Ziele in der Ziel-Hierarchie sind spezielle Vorgänge, sogenannte Sammelvorgänge. Bitte mache selbst für die Dauer der Vorgänge geeignete Vorschläge zu jedem Sub-Ziel. Als Ressourcen nehmen wir fünf Team-Mitglieder, die wir Peter, Claudia, Sonja, Thomas und Mechthild nennen. Bitte verteile die Ressourcen auf die Vorgänge. Falls eine Ressource mehreren Vorgängen zugeordnet wird, so berücksichtige, dass eine Ressource zu einem Zeitraum nur einen Vorgang bearbeiten soll. In der Spalte Vorgänger soll angegeben werden welcher Vorgang welchem anderen Vorgang vorausgeht, um sicherzustellen, dass eine Ressource nur einen Vorgang zu einem Zeitraum bearbeitet. Behalte die Nummerierung der Ziel-Hierarchie für den Projektstrukturplan bei und verwende in der Spalte Vorgänger diese Nummern, um den Vorgänger zu kennzeichnen.

AI & M 4.0: Hybride Collective Intelligence (CI)-Verarbeitungspipeline: Vom Business Plan über die Ziel-Hierarchie zum Projekt Plan

Die Ziel-Hierarchie ist im Management 4.0 der zentrale Ordnungsparameter der Selbstorganisation: Sie dient sowohl der Ausrichtung des Projektteams als auch der Kommunikation mit den Stakeholdern und deren Ausrichtung an der Projektarbeit.

Unter einer hybriden Collective Intelligence Verarbeitungspipeline (CI-Verarbeitungspipeline) verstehe ich eine Abfolge von Verarbeitungsschritten, die im Idealfall vollautomatisch abläuft und durch die hybride Collective Intelligence von Mensch und Künstlicher Intelligenz erstellt wurde.

Die CI-Verarbeitungspipeline ‚Vom Business Plan über die Ziel-Hierarchie zum Projekt Plan‘ ist ein Beispiel für die Ausgestaltung von Projektarbeit mittels hybrider Collective Intelligence. In dem gerade in Veröffentlichung befindlichen Buchbeitrag ‚Collective Intelligence von KI und Mensch in der Projektarbeit – Ein Rahmenwerk auf der Basis von ICB 4.0 und Management 4.0‘ skizzieren meine Kolleg(inn)en von der GPM Fachgruppe Agile Management und ich die hybride Collective Intelligence für alle Perspektiven der IPMA Individual Competence Baseline 4.0.  

Ich überprüfe in diesem Beitrag, ob es möglich ist, mit Hilfe von chatGPTplus eine Ziel-Hierarchie zu erstellen, die in einen Projekt Plan transformiert werden kann. – Im Idealfall soll die Ziel-Hierarchie aus einem Business Plan abgeleitet werden. – Eine Aufgabe, die ohne AI-Unterstützung recht viel menschliche Kreativität und Handarbeit erfordert.

Ich benutze zur Überprüfung der Machbarkeit wieder das schon in den vorherigen Blog-Beiträgen verwendete Beispiel der Küchenmanufaktur. Die folgende CI-Verarbeitungspipeline beruht auf mehreren vorausgegangenen Tests, in denen ich einzelne Abschnitte der CI-Verarbeitungspipeline ausprobiert habe.  Die bereinigte CI-Vereinigungspipeline startet mit dem folgenden chatGPTplus Prompt:

Ein Unternehmen, das wir KüchenManufaktur nennen, stellt sogenannte Weiße Ware, also u.a. Herde, Kühlschränke und Gefrierschränke her. Bisher hat das Unternehmen KüchenManufaktur diese Weiße Ware ohne große Digitalisierungsfunktionen hergestellt. Jetzt soll die Weiße Ware smart werden und als Life Style Produkt positioniert werden. Der Einsatz von smarter Technologie kann auch den Einsatz von AI oder ML beinhalten. Zum Beispiel könnte eine zukünftige Anforderung für einen Kühlschrank beinhalten, dass ‚er sich von alleine füllt‘. ‚Von alleine füllen‘ bedeutet, dass er über ein intelligentes Füllmanagement verfügt, das u.a. Zugriff auf Lebensmittellieferanten hat.

Es geht also um die Digitale Transformation des Unternehmens KüchenManufaktur. Die Digitale Transformation soll mittels eines Projektes durchgeführt werden. In einem ersten Schritt ist ein Business Plan für die Digitale Transformation zu erstellen.  Kannst Du mir bei der Erstellung eines Business Plans helfen? Welches Werkzeug schlägst Du für die Erstellung des Business Plans vor?

Nach Eingabe dieses Prompts liefert chatGPTplus eine Lehrbuch-Aussage, zu den Kapiteln eines Business Plans. Ich gehe hier nicht weiter auf dieses Ergebnis ein, da sich hieraus keine inhaltlichen Aussagen für die CI-Verarbeitungspipeline ableiten lassen.

Also stupse ich chatGPTplus in die von mir gewünschte Richtung und gebe in einem Prompt Business Model Canvas als Tool vor. – Damit greife ich auf die des Öfteren gemacht Erfahrung zurück, dass die Collective Intelligence aus AI und meiner Person sich nur zeigt, wenn ich als Mensch über hinreichendes Fachwissen verfüge, so dass ich in der Lage bin, der AI eine Such-Richtung mitzugeben.

Auf dieser Basis kann sich das Ergebnis meines Erachtens sehen lassen (chatGPTPlus Aussage):

Natürlich, ich kann Ihnen helfen, ein Business Model Canvas für die digitale Transformation des Unternehmens KüchenManufaktur zu erstellen. Hier sind meine Vorschläge für jedes Segment des Business Model Canvas:

  1. Kundensegmente: Haushalte und Unternehmen, die an modernen, intelligenten Küchengeräten interessiert sind. Dazu gehören umweltbewusste Kunden, Technikaffine und diejenigen, die nach Komfort und Effizienz streben.
  2. Wertangebote: Smarte Küchengeräte, die KI und ML-Technologien nutzen, um das Benutzererlebnis zu verbessern. Funktionen könnten eine automatische Nachbestellung von Lebensmitteln, Energieeffizienz, personalisierte Kochempfehlungen basierend auf den im Kühlschrank vorhandenen Lebensmitteln und Fernsteuerung der Geräte über eine App enthalten.
  3. Kanäle: Direkte Verkaufskanäle wie die firmeneigene Website und der firmeneigene Laden, sowie Drittanbieter-Einzelhändler, Online-Marktplätze und Partnerunternehmen in der Lebensmittel- und Technologieindustrie.
  4. Kundenbeziehungen: Aufbau langfristiger Beziehungen durch erstklassigen Kundenservice, regelmäßige Updates und Verbesserungen der intelligenten Funktionen, Nutzer-Communitys und personalisierte Kommunikation.
  5. Einnahmequellen: Verkauf der smarten Geräte, möglicherweise auch Abonnementdienste für erweiterte Funktionen oder Services. Kooperationen mit Lebensmittellieferanten könnten auch zu Einnahmen führen, z.B. durch die Integration von Lebensmittellieferdiensten in die intelligenten Geräte.
  6. Schlüsselressourcen: Das Forschungs- und Entwicklungsteam, das die smarten Geräte und die dazugehörige Software entwickelt. Die Marke und der Ruf von KüchenManufaktur. Beziehungen zu Lieferanten und Vertriebspartnern.
  7. Schlüsselaktivitäten: Forschung und Entwicklung von smarten Geräten und dazugehöriger Software. Aufbau und Pflege von Beziehungen zu Lieferanten und Vertriebspartnern. Marketing und Verkauf der smarten Geräte.
  8. Schlüsselpartner: Lebensmittellieferanten, Technologiepartner für die Bereitstellung von KI/ML-Funktionen, Einzelhändler und Online-Marktplätze.
  9. Kostenstruktur: Kosten für Forschung und Entwicklung, Produktion der smarten Geräte, Vertrieb, Kundenservice und allgemeine Betriebskosten.

Ich frage nach einer weiteren Ausgestaltung und einer dazugehörigen Strategie. Aufgrund des Umfanges der chatGPTplus Antwort, gebe ich hier nur einen Auszug der Ausgestaltung und der vorgeschlagenen Strategie wieder:

Kundensegmente:

  • Sie könnten untersuchen, welche Altersgruppen am wahrscheinlichsten an Ihren Produkten interessiert sein könnten. Junge Erwachsene könnten eher an technisch ausgereiften Geräten interessiert sein, während ältere Menschen Wert auf Bequemlichkeit legen könnten.
  • In welchen geografischen Märkten sind smarte Küchengeräte besonders gefragt? Dies könnte Ihnen helfen, Ihre Vertriebs- und Marketingstrategie anzupassen.

Die von chatGPTplus abgeleitete Strategie sieht dann so aus (chatGPTplus Ausgabe):

Auf der Grundlage des Kontexts, den Sie zur Verfügung gestellt haben, könnte die folgende Strategie für die digitale Transformation der KüchenManufaktur in Betracht gezogen werden:

  1. Produktentwicklung und Positionierung: Entwickeln Sie Ihre Produktpalette weiter, um smarte Funktionen einzuschließen. Fokussieren Sie sich auf KI/ML-Fähigkeiten, um einzigartige und personalisierte Benutzererfahrungen zu ermöglichen. Positionieren Sie Ihre Produkte als High-End-Lifestyle-Produkte.
  2. Marktausrichtung: Zielmarkt könnten technologieaffine junge Erwachsene und Berufstätige sein, die einen aktiven und modernen Lebensstil pflegen. Betrachten Sie sowohl städtische als auch suburban gelegene Märkte, die eine hohe Konzentration dieser Zielgruppe aufweisen.
  3. Vertriebskanäle: Nutzen Sie sowohl Online- als auch Offline-Kanäle. Online können Sie eine E-Commerce-Plattform entwickeln und auf Plattformen wie Amazon und eBay präsent sein. Offline können Sie Showrooms eröffnen, wo die Kunden die Produkte erleben können. In Betracht kommen auch Partnerschaften mit Bauunternehmen oder Immobilienentwicklern.
  4. Kundenbindung: Entwickeln Sie ein umfassendes Kundenerlebnis. Bieten Sie Installations- und Wartungsdienste an und entwickeln Sie eine digitale Plattform/App, auf der Benutzer Rezepte austauschen, Kochkurse ansehen und sogar Lebensmittel bestellen können, die direkt mit Ihrem smarten Kühlschrank synchronisiert werden.
  5. Partnerschaften: Schließen Sie Partnerschaften mit Lebensmittellieferanten, um ein integriertes Ökosystem zu schaffen. Denken Sie auch an Kooperationen mit Ernährungsberatern und Kochschulen.
  6. Operative Effizienz: Automatisieren Sie, wo es sinnvoll ist, Ihre Produktionsprozesse und nutzen Sie die durch Ihre smarten Geräte generierten Daten, um Ihre Prozesse und Angebote zu optimieren.
  7. Einnahmequellen: Generieren Sie Einnahmen durch den Verkauf von Produkten und zusätzlichen Dienstleistungen, Werbung auf Ihrer Plattform und möglicherweise durch den Wiederverkauf von renovierten Gebrauchtgeräten.

Nachdem ich chatGPTplus darum bitte, die Vision nicht in die Ziel-Hierarchie beginnend mit Nummer 1. einzubauen, erhalte ich die unten gelistete Ziel-Hierarchie. – Der nicht erwünschte Einbau der Vision als Nummer 1. in die Ziel-Hierarchie führt im Projektplan zu einer ungünstigen Struktur. Um dies zu erkennen und zu beheben, musste ich mehrere Kommunikationsrunden mit chatGPTplus durchlaufen. Außerdem habe ich für den späteren Projekt Plan Projektmitarbeiter eingeführt, die chatGPTplus nach eigener Einschätzung auf die Sub-Ziele verteilen soll. – Hier ist auch ein Hinweis notwendig, dass übergeordneten Zielen keine Ressourcen zugeordnet werden, da die Zuordnung lediglich auf Sub-Ziel-Ebene erfolgt. – Man kann an diesen notwendigen Hinweisen erkennen, dass chatGPTplus derzeit über kein wirkliches PM-Know how verfügt. Das Ergebnis ist mit diesen (kleinen) Einschränkung wieder beeindruckend (zuerst mein Prompt):

Bitte baue die einzelnen Elemente der Business Model Canvas und die dazugehörige Strategie noch etwas besser ein und liste in Klammern vielleicht hinter jedem Ziel bzw. Sub-Ziel mögliche oben schon genannte Ressourcen. Bitte nimm ‚Digitale Transformation der KüchenManufaktur‘ aus der Nummerierung raus, es ist ja der Name des Projektes und ergänze den Namen des Projektes um eine Vision, die das Projekt als Vision gut beschreibt, so dass das zukünftige Projektteam an diesem Namen und der Vision mental ausgerichtet wird.

Abbildung 1: Ein Ziel-Hierarchie Ergebnis von chatGPTplus bei vorgeschaltetem Business Model Canvas (Um zu vergrößeren: Bild mit rechter Maustaste in neuem Browser-Fenster öffnen.)

Anschließend bitte ich chatGPTplus, um die Erzeugung eines Python-Codes, der die Ziel-Hierarchie als gerichteten Graphen visualisiert. Das Ergebnis ist wieder erstaunlich gut, zumal ich weiß, dass vor einigen Wochen die Python-Code-Generierung hierzu noch keine gut lesbaren Ergebnisse lieferte. Der Python Code verwendet die folgenden Bibliotheken: NetworkX-Graph, Matplotlib und Pandas.

Abbildung 2: Visualisierung einer Ziel-Hierarchie ohne vorgeschaltetes Business Model Canvas (Um zu vergrößeren: Bild mit rechter Maustaste in neuem Browser-Fenster öffnen.)

chatGPTplus hat die Namen der fünf Teammitglieder Peter (P), Claudia (C), … selbständig als Knoten in den Hierarchie-Baum eingebaut, so dass man auch hier schon erkennen kann, welche Teammitglieder in welchem Sub-Ziel tätig sind. – Ein Wehrmutstropfen besteht noch: Leider ist es uns (AI und mir) nicht gelungen fehlerfreien Code zu erzeugen, der die vollständigen Namen enthält – jeder Namens-Buchstabe wird als Knoten interpretiert, aus diesem Grunde habe ich nur den Anfangsbuchstaben händisch in den Code eingesetzt. Man kann auch feststellen, dass die Darstellung der Nummerierung der Ziel-Hierarchie nicht stabil ist: Die Art der Nummerierung in der Abbildung 2 und 1 ist unterschiedlich.

Ein Wiederholen der Code-Generierung liefert also nicht immer das gleiche Ergebnisse: Es wurde auch eine Visualisierungen erzeugt, in der die Namen der Teammitglieder in die Ziel-Hierarchie-Knoten mitaufgenommen wurden. Weiter unten begegnet uns dieses schon aus anderen Blog-Beiträgen bekannte chatGPTplus „Vergessen“ wieder.

Die Ergebnisse bis hierhin sind trotzdem beeindruckend. Diese Einschätzung erfolgt auch auf der Erfahrung, dass Teams in meinen Management 4.0 Trainings sich mit Ziel-Hierarchien sehr schwer tun und die Collective Intelligence der Teams keine vergleichbar guten Ergebnisse lieferte.

Auf der Basis der Ziel-Hierarchie habe ich chatGPTplus gebeten eine CSV-Datei für MS-Project zu erstellen.

Hier waren wir leider nicht erfolgreich. – Selbst nach vielen versuchten Verbesserungsdurchläufen konnte chatGPTplus keinen befriedigenden Code erzeugen, der gleichzeitig alle Anforderungen für einen groben Projektplan in einer CSV-Datei ablegt: Also z.B. eine CSV-Datei mit den Spalten ‚Vorgang‘, ‚Ressource‘, ‚Vorgänger‘ und ‚Dauer‘ erzeugt.

chatGPTplus verfügt offensichtlich über keinerlei Projektplan-Muster, auf die das System zurückgreifen kann. Was allerdings schwerer wiegt, ist das schon bekannte Fehlverhalten des „Vergessens“. Wurde zum Beispiel eine Anforderung korrekt in den Code umgesetzt, führte eine weitere Anforderung oder eine Fehlerbehebung zum „Vergessen“ der bisherigen korrekten Ergebnisse. – Dies ist umso erstaunlicher als chatGPTplus die Anforderung korrekt verbal wiederholt, jedoch im Code nicht korrekt oder überhaupt nicht umsetzt. Der Code konvergierte einfach nicht zum richtigen Ergebnis.

Dies bestätigt die schon in anderen Blog-Beiträgen gemachte Erfahrung, dass chatGPTplus oft nicht in der Lage ist, mehrere Anforderungen gleichzeitig umzusetzen. Bei der Erstellung des Collective Mind Agent Based Model’s habe ich die Strategie verwendet, die Anforderungen einzeln in Code zu transformieren um anschließend durch mich die Integration vorzunehmen. Hierauf habe ich hier verzichtet. – Diese Strategie entspricht nicht der Idee der CI-Verarbeitungspipeline.   

Der MS-Project Import der nicht vollständigen CSV-Datei, also nur mit den Vorgängen, funktioniert im Prinzip, zeigt jedoch auch Fehler: U.a. werden die deutschen Umlaute nicht richtig dargestellt und was schwerer wiegt, es tauchen Zeichen in den Zellen der Spalten auf, die selbst im notepad++ nicht angezeigt werden. – Auch der Microsoft Support war hier keine Hilfe.

Die Collective Intelligence (CI)-Verarbeitungspipeline mit chatGPTplus ‚Vom Business Plan über die Ziel-Hierarchie zum Projekt Plan‘ zeigt bis zum Schritt Projekt Plan Erstellung beeindruckende Ergebnisse: Die Ergebnisse sind sehr Kontext abhängig. Mit Business Model Canvas oder ohne Business Model Canvas liefert unterschiedliche Ergebnisse. Aber auch der Zeitpunkt der Erstellung spielt eine große Rolle. Der Übergang von der Ziel-Hierarchie zum Projektplan funktioniert zur Zeit (noch) nicht: chatGPTplus ist, wie schon im Rahmen der anderen Blog-Beiträge festgestellt, nicht in der Lage gleichzeitig mehrere Anforderungen, für die wahrscheinlich keine erlernten Muster existieren, ohne „Vergessen“ erfolgreich umzusetzen.

AI & M 4.0: (Collective Intelligence)**2 – Ergänzungen erstellt mit dem Code Interpreter von GPT-4/chatGPTplus!

Dieser Blog-Beitrag ergänzt den vorherigen Beitrag zum Collective Mind Agent Based Model (CM ABM). Ich benutze den vor ein paar Tagen in der beta Version veröffentlichten Code Interpreter von chatGPTplus. Der Code Interpreter ist ein Plugin von chatGPTplus. Er lässt sich in den chatGPTplus Einstellungen vom Anwender aktivieren.

Ich möchte zwei Fragen beantworten:

Kann der Code Interpreter den von mir, mit Hilfe von chatGPTplus, erstellten CM ABM Python Code ausführen?

Welche statistischen oder ML-Auswertungen kann ich mittels des Code Interpreters vornehmen?

Zur ersten Frage:

Leider kann man den Code nicht ausführen lassen. chatGPTplus liefert auch gleich die Antwort, warum dies nicht möglich ist: Diverse verwendete ML-Bibliotheken und MESA Python in dem CM ABM Code sind (noch) nicht in dem Code Interpreter integriert.

Zur zweiten Frage:

Mittels chatGPTplus habe ich den bisherigen Code um einen csv-Export der relevanten MES-Python Daten erweitert. Der CM ABM Code mit 7 Teammitgliedern und ohne Stakeholder wurde für 100 Zeitschritte ausgeführt. – Die so erstellte csv-Datei  lässt sich problemlos im Code Interpreter importieren. Auf Wunsch zeigt chatGTPplus den hinterlegten Python-Code, den man natürlich auch wieder kopieren kann.

Der Inhalt der csv-Datei wird automatisch als Tabelle und als Graphiken angezeigt. Die Graphiken lassen sich problemlos per rechtem Mausklick kopieren:

 

Abbildung 1: CM ABM Ergebnisse nach 100 Zeitschritten, dargestellt vom chatGPTplus Code Interpreter.

ChatGPTplus liefert auch direkt Erläuterungen mit:

  1. Collective Mind Similarity over Time: This plot represents the similarity metric of the collective mind of the team members over time. It appears that the similarity increases over time, which may indicate that the team members are becoming more aligned in their goals.
  2. Team Performance over Time: This plot represents the performance of the team over time. Similar to the similarity metric, the performance also seems to increase over time, possibly indicating that the team’s performance improves as the members become more aligned.

ChatGPTplus verfällt zwischendurch immer mal wieder ins Englische, obwohl ich in Deutsch mit dem System kommuniziere. Diese Beschreibung kann einem den Eindruck von ‚Verständnis‘ aufdrängen: In jedem Fall ist nicht zu leugnen, dass chatGPTPlus meine bisherige Kommunikation zur CM ABM Erstellung kennt. – Ob ein Deep Learning vorliegt kann ich natürlich nicht beantworten.

Ich habe nach einfachen statistischen Auswertungen gefragt: Dem Glätten der Kurven, der Standardabweichung und dem entsprechenden Zeichnen von Graphen:

 

Abbildung 2: Geglättete CM ABM Ergebnisse nach 100 Zeitschritten mit Standardabweichung, berechnet und dargestellt vom chatGPTplus Code Interpreter.

Auf die Frage nach weiteren statistischen Auswertungen wurde mir die Korrelationsanalyse (zwischen Collective Mind Similarity und Collective Mind Teamperformance), die Analyse der Volatilität und die Anomalieerkennung angeboten. Die Korrelationsanalyse liefert wie erwartet eine Korrelation von 0,995, da die Teamperformance direkt aus der Similarity berechnet wurde. Die Analyse der Volatilität ergab eine zusätzliche graphische Darstellung der Volatilität über den Zeitschritten und die Anomalieerkennung mittels Z-Score ergab keine Anomalien. – Immer begleitet von Erläuterungen und der Möglichkeit den verwendeten Code zu kopieren.

Im Zusammenhang mit der Anomalieerkennung habe ich nach weiteren Analysemöglichkeiten gefragt. chatGPTplus verweist auf die ML-Algorithmen Isolation Forest, One-class SVM, local Outlier Factor und Autoencoder.

Ich bitte um die Durchführung von One-class SVM. chatGPTplus ‚bedauert‘, dass diese Analyse nicht möglich ist, da diese ML-Algorithmen wegen fehlender ML-Bibliotheken nicht ausführbar sind. – Liefert aber den notwendigen Python Code, den man wieder kopieren kann, um ihn z.B. in Colab ablaufen zu lassen.

Alles in allem eine beeindruckende Leistung, wobei mich die Beratung zu den verschiedenen Algorithmen noch fast mehr beeindruckt, als die Ausführung und die graphische Repräsentation der Ergebnisse diverser statistischer Algorithmen.   

AI & M 4.0: (Collective Intelligence)**2 – Collective Mind Agent Based Model mit GPT-4/chatGPTplus erstellt!

In diesem Blog-Beitrag beschreibe ich meine weiteren Erfahrungen zur Modellierung und Programmierung eines Collective Mind Agent Based Models (CM ABM). 

Anders als beim Blog-Beitrag vom Februar 2023 benutze ich als ‚Erweiterung‘ meiner kognitiven Fähigkeiten chatGPTplus, also die Bezahlversion von chatGPT auf der Basis von GPT-4. Außerdem soll dieses Mal ein dynamisches ABM entwickelt werden, das auf MESA Python beruht und die zeitliche Entwicklung eines Team Collective Mind‘s modelliert.

Der Titel (Collective Intelligence)**2, also Collective Intelligence zum Quadrat, weist  daraufhin, dass es in diesem Beitrag in mehrfacher Hinsicht um Collective Intelligence geht: Ich benutze zum einen unserer aller Collective Intelligence, die in GPT-4 trainiert vorliegt und zum anderen die hybride Collective Intelligence von GPT-4 und mir. Außerdem ist ein CM ABM ein Team Collective Intelligence Modell.

Vor zwei Wochen habe ich mit der Entwicklung des CM ABM begonnen, indem ich chatGPTplus eine Aufgabenstellung als Prompt eingab. Diese anspruchsvolle Aufgabenstellung ist weiter unten im Anhang dieses Beitrages zu finden. Meine Erwartung war nicht, dass chatGPTplus diese Aufgabenstellung sofort ohne Kommunikation mit mir umsetzen kann. Jedoch ist meine Erfahrung zur ‚Erweiterung‘ meiner kognitiven Fähigkeiten durch chatGPTplus derart positiv, dass diese Collective Intelligence Erfahrung, bestehend aus AI und Mensch, mehr als nur einmal bei mir Gänsehaut erzeugte. – Der Zuwachs an Geschwindigkeit sowie wissenschaftlicher Kreativität und Python Kompetenz liegt deutlich näher am Faktor 100 als am Faktor 2!

Ich fasse meine Collective Intelligence Erfahrungen mit chatGPTplus zusammen:

  • ChatGPTplus hat die unten stehende Aufgabenstellung mit ersten Ideen zur Ziel-Hierarchie und deren Ähnlichkeitsvermessung umgesetzt. Es fehlten lediglich vollständig die Projekttypisierung und die Stakeholder. – Eine Einbettung von chatGPTplus in die Agentenlogik habe ich nachträglich gestrichen, da dies zu kompliziert für mich wurde.
  • Zur Verfeinerung und Verbesserung der Aufgabenstellung war es notwendig, im Dialog mit chatGPTplus das Python-Programm weiter zu entwickeln. Die Kommunikation mit chatGPTplus entspricht hierbei der Kommunikation mit einem hochintelligenten Experten: Die chatGPTplus Expertise in den Bereichen Python, Mathematik und spezifischer Modellierungskompetenz übersteigt meine bei weitem. Hierbei habe ich die Erfahrung gemacht, dass die Verwendung von Ratgebern à la ‚Wie gestalte ich die chatGPT Prompteingabe optimal?‘ für mich keinen Sinn macht. – Meines Erachtens genügt es, die Prompts so zu erstellen, dass ein menschlicher Experte:inn sie nachvollziehen kann. – Dies genügt, um eine gelungene Kommunikation mit super Ergebnissen zu erhalten!
  • Auf der Basis der Kommunikation habe ich von chatGPTplus Pythoncode erstellen lassen. Dieser Code wurde in einer Colab-Umgebung laufen gelassen. Manchmal enthielt dieser Code einen Fehler, manchmal habe ich einen Fehler eingebaut, da ich noch Veränderungen am Code vorgenommen habe. Die Rückmeldung des vollständigen Fehlers als Prompt hat immer zum direkten Auffinden des Fehlers durch chatGPTplus geführt.
  • Die Analyse der Ergebnis-Daten zeigte den ein oder anderen Mangel in der Modellierungslogik auf. Eine textuelle Beschreibung der Ergebnis-Daten als Prompt führte immer innerhalb weniger Schritte zur Behebung dieses Mangels.
  • Es gibt eine Unzulänglichkeit in der Zusammenarbeit mit chatGPTPlus, die ich nicht beheben konnte und durch einen Workaround umgehen musste: In den ersten Tagen der Bearbeitung der Aufgabenstellung stellte ich mit fortschreitender Zeit immer häufiger fest, dass chatGPTplus vorherige gute Ergebnisse vergessen hatte. Dies führte dazu, dass an Stellen, die ich als abgeschlossen und korrekt betrachtet habe, plötzlich anderer Code und nicht selten zur Aufgabenstellung nicht passender Code auftauchte. So geschah es zum Beispiel, dass die Ziel-Hierarchie Berechnung verändert wurde oder dass das 7-köpfige Team wie Stakeholder behandelt wurde, also die MBTI Typ-Zuordnung zufällig erfolgte und nicht nach dem gewünschten Schema der Aufgabenstellung. Dieses ‚Fehlverhalten‘ tauchte umso häufiger auf, je länger die Modellierung der Aufgabenstellung dauerte. Das ‚Fehlverhalten‘ wurde noch verstärkt, wenn ich chatGPTPlus darauf hinwies, dass der Code an einer bestimmten Stelle falsch ist. Dann versuchte das System ein völlig anderes Modellverhalten zu erstellen. Am vierten Tag nach insgesamt ca. 4-5 Std. chatGPTplus Interaktion, habe ich mich zu folgendem Workaround entschlossen: Ich habe das gesamte Programm selbst immer wieder integriert und alle Änderungen selbst in das gesamte Programm eingegeben. Um erwünschte neue Modellierungs-Änderungen zu erhalten, habe ich chatGPTplus lediglich eine konkrete überschaubare aber durchaus schwierige Teilaufgabe gegeben. Wenn Änderungen größere Auswirkungen im Code hatten oder mehr als ca. 1 Std. Interaktion verstrichen war, habe ich den gesamten Code wieder als Prompt eingegeben. chatGPTplus hat sich hierfür meistens bedankt 😉: Es sei hilfreich, den gesamten Code zur Verfügung zu haben. Zusammenfassend interpretiere ich dieses Verhalten von chatGPTplus dahingehend, dass chatGPTplus über kein Kurzzeitgedächtnis verfügt.

Und nun zu den Ergebnissen. – Auf Nachfrage stelle ich gerne den CM ABM Code als Colab-Jupyter Notebook zur Verfügung. Ich beschreibe hier das Modell und diskutiere einige Ergebnisse:

Das Modell basiert auf der ABM Bibliothek MESA-Python [1]. Die Teammitglieder eines Teams und die Stakeholder werden als Agenten unterschiedlichen Typs behandelt. Die Agenten werden über eine MBTI Typologie mit Persönlichkeits-Polwahrscheinlichkeit charakterisiert (siehe Anhang). Alternativ könnte auch das Standardmodell der Psychologie, das Big Five Persönlichkeitsmodell (NEO-PI-R), verwendet werden. Das Persönlichkeitsmodell lässt sich auch um Werte/Motive oder Glaubenssätze erweitern.

Entsprechend der Aufgabenstellung haben die Teammitglieder fest vorgegebene Persönlichkeiten. Die Stakeholder erhalten ihre Persönlichkeit gemäß der globalen statistischen Verteilung der MBTI Persönlichkeiten.

Jeder Agent verfügt über eine eigene dreiteilige Ziel-Hierarchie. Die dreiteilige Ziel-Hierarchie entspricht dem einfachsten Collective Mind Schema, das wahlweise als Teil eine Dilts Pyramide angesehen werden kann oder als persönliche Story Map oder als OKR [2, 3]. Die Agenten verändern ihre Ziel-Hierarchie in Abhängigkeit ihrer individuellen MBTI Präferenzen, also der individuellen Persönlichkeits-Polwahrscheinlichkeiten. Zum Beispiel ändert ein extrovertierter NT-Typ durch Kommunikation vornehmlich die oberste Ebene der Ziel-Hierarchie – ein introvertierter NT-Typ tut dies auch, jedoch nicht so oft.

Die dreiteilige Ziel-Hierarchie besteht aus alphanumerischen Zeichenketten einer bestimmten Länge. Diese Zeichenketten werden am Anfang, wenn die Simulation beginnt, per Zufall ermittelt. Der Inhalt der Ziel-Hierarchie sollte keine entscheidende Rolle für das Auftauchen prinzipiell emergenter Systemeigenschaften haben. Dies trägt der langjährigen Erfahrung aus anderen ABM Modellen und deren Systemeigenschaften Rechnung [4]. – Die Mathematik ist vielleicht doch viel entscheidender als der Inhalt!

Die Änderung der Ziel-Hierarchien erfolgt zufällig und paarweise zwischen zufällig ausgewählten Agenten. Das Ändern der Ziel-Hierarchien durch Kommunikation ist eine Form von Lernen und wird über einen Lernparameter alphaT für Teammitglieder und alphaS für Stakeholder eingestellt. Typischerweise ist alphaS kleiner gleich alphaT, da die Interaktion im Team zu einem besseren Lernen führt.

Zusätzlich erhalten die Stakeholder weniger Möglichkeiten ihre Ziel-Hierarchie zu ändern. Dies erfolgt über eine gesondert einzustellende Zeit-Steprate: Die Stakeholder erhalten zum Beispiel eine um den Faktor 200 reduziert Möglichkeit ihre Ziel-Hierarchie zu ändern. Dies trägt der Annahme Rechnung, dass die Stakeholder untereinander weniger oft kommunizieren und auch weniger oft mit den Teammitgliedern.

In der Sprache der Theorie der Selbstorganisation ergeben sich damit folgende Parameter:

Rahmenparameter: Anzahl und Persönlichkeit der Teammitglieder, Anzahl und Persönlichkeit der Stakeholder, reduzierte Steprate für die Stakeholder

Kontrollparameter: alphaT, alphaS

Ordnungsparameter: dreiteilige Ziel-Hierarchie, am Anfang gefüllt mit zufällig ermittelten Zeichenfolgen der Länge k. Die Ziel-Hierarchien werden gemäß MBTI-Profil geändert. Die Ähnlichkeiten der Ziel-Hierarchien wird über die Ratcliff-Obershelp Funktion bestimmt [5].

Die nachfolgenden Abbildungen zeigen jeweils links das resultierende emergente Systemverhalten, gemessen über die mittlere Ähnlichkeit aller Ziel-Hierarchien getrennt nach den Teammitgliedern und den Stakeholdern.

Jeweils rechts ist die Performance des Teams bzw. der Stakeholder zu sehen. Die Performance ist keine emergente Eigenschaft sondern wird über folgende Formel aus der Ähnlichkeit ermittelt: Performance=(Anzahl der Agenten eines Typs* mittlere Ähnlichkeit der Ziel-Hierarchien des Agententyps)**2. Diese Formel basiert auf folgender Betrachtung: Es werden alle bilateralen Verbindungen innerhalb einer Gruppe (Teammitglieder, Stakeholder) aufsummiert – gewichtet mit der mittleren Ähnlichkeit der Ziel-Hierarchien innerhalb der Gruppe. Wie man weiter untern sehen kann, folgt die Performance der Ähnlichkeit, natürlich erhöht um einen Faktor, der die Anzahl der Gruppenmitglieder berücksichtigt. 

Abbildung 1:
Rahmenparameter: 7 Teammitglieder mit definierter MBTI-Persönlichkeit, keine Stakeholder
Kontrollparameter: Lernparameter Teammitglieder alphaT = 0.1
Ordnungsparameter: Ziel-Hierarchie-Ähnlichkeit mit der Ratcliff-Obershelp Funktion berechnet, ermittelt aus den dreiteiligen Ziel-Hierarchien mit jeweils am Anfang zufällig generierter Zeichenfolge von k = 100 Zeichen pro Ebene

Wie man aus Abbildung 1 sehen kann, steigt die Ähnlichkeit recht schnell auf Werte von über 0,7 und die Teamperformance damit auf Werte von 21 und mehr, bei 7 Teammitgliedern. – Der Synergieeffekt beträgt also 3 und mehr!

Selbstverständlich genügt diese Aussage, wie auch die nachfolgend abgeleiteten Aussagen, keinen wissenschaftlichen Ansprüchen. Um wissenschaftlichen Ansprüchen zu genügen, müsste ich u.a. ggf. 10.000 und mehr Durchläufe errechnen lassen, um dann auf dieser Basis eine statistische Auswertung aller errechneten Werte zu erhalten. Hierauf verzichte ich, da dies meine (derzeitigen) Möglichkeiten übersteigt. Abbildung 2 zeigt den Einfluss der Stakeholder auf das Team. Die Anzahl der Stakeholder entspricht der Anzahl der Teammitglieder, ist also 7. Die Fähigkeit der Stakeholder ein Collective Mind auszubilden, bestimmt auch die Fähigkeit des Teams ein Collective Mind auszubilden: Die Stakeholder ziehen die Leistungsfähigkeit des Teams runter, obwohl die Lernrate der Stakeholder genau so groß ist wie diejenige der Teammitglieder. – Die Interaktionsrate der Stakeholder ist jedoch um den Faktor 200 geringer als die Interaktionsrate der Teammitglieder. 

Abbildung 2:
Rahmenparameter: 7 Teammitglieder mit definierter MBTI-Persönlichkeit, 7 Stakeholder mit zufälliger MBTI-Persönlichkeit, Abschottung des Teams und zwischen den Stakeholdern durch 200-fach geringere Steprate als im Team selbst.
Kontrollparameter: Lernparameter Teammitglieder alphaT= 0.1, Lernparameter Stakeholder alphaS= 0.1
Ordnungsparameter: Ziel-Hierarchie-Ähnlichkeit mit der Ratcliff-Obershelp Funktion berechnet, ermittelt aus den dreiteiligen Ziel-Hierarchien mit jeweils am Anfang zufällig generierter Zeichenfolge von k = 100 Zeichen pro Ebene

Abbildung 3 zeigt eine Simulation mit 21 Stakeholdern und einer zehnmal geringeren Lernrate der Stakeholder (diese Simulation benötigt in der Colab Umgebung ohne spezielle Hardware ca. 3-4 Stunden elapsed time). Die Ziel-Hierarchie-Ähnlichkeit der Stakeholder sinkt weiter ab und zieht das Collective Mind des Teams mit sich weiter runter. Die Stakeholder wie das Team zeigen jetzt eine Performance die weiter unterhalb der Anzahl der Teammitglieder bzw. der Stakeholder liegt.

Abbildung 3:
Rahmenparameter: 7 Teammitglieder mit definierter MBTI-Persönlichkeit, 21 Stakeholder mit zufälliger MBTI-Persönlichkeit, Abschottung des Teams und zwischen den Stakeholdern durch 200-fach geringere Steprate als im Team selbst.
Kontrollparameter: Lernparameter Teammitglieder alphaT= 0.1, Lernparameter Stakeholder alphaS = 0.01
Ordnungsparameter: Ziel-Hierarchie-Ähnlichkeit mit der Ratcliff-Obershelp Funktion berechnet, ermittelt aus den dreiteiligen Ziel-Hierarchien mit jeweils am Anfang zufällig generierter Zeichenfolge von k = 100 Zeichen pro Ebene

Was sagt uns dies?

Es sieht so aus, als wenn die hybride Collective Intelligence von chatGPTplus und mir, ein Modell gefunden hätte, das emergentes Collective Mind Verhalten eines Teams in Interaktion mit Stakeholdern recht gut abbildet. – Dies ist ein weiterer Schritt in Richtung von Management 5.0, der Synergie von AI und Management 4.0.

Anhang: Erst-Aufgabenstellung für GPT4/ChatGPTplus

Die Aufgabenstellung zur Digitalen Transformation des Unternehmens KüchenManufaktur verwende ich in meinen Management 4.0 Trainings, um eine Scrum Simulation durchzuführen und eine Ziel-Hierarchie zu erstellen. Die zugrundeliegende Theorie hierzu ist in [2], [3] zu finden.

Erzeuge ein Agent Based Model (ABM) in der Programmiersprache Python, z. B. mittels MESA Python, für ein Team von 7 Teammitgliedern und 100 Stakeholdern. Die 7 Teammitglieder und die 100 Stakeholder sind Agenten im ABM. Die Teammitglieder und die 100 Stakeholder gehören zu dem Unternehmen KüchenManufaktur, das sogenannte Weiße Ware, also u.a. Herde, Kühlschränke und Gefrierschränke herstellt. Bisher hat das Unternehmen KüchenManufaktur diese Weiße Ware ohne große Digitalisierungsfunktionen hergestellt. Jetzt soll die Weiße Ware smart werden und als Life Style Produkt positioniert werden. Der Einsatz von smarter Technologie kann auch den Einsatz von AI oder ML beinhalten. Zum Beispiel könnte eine zukünftige Anforderung für einen Kühlschrank beinhalten, dass ‚er sich von alleine füllt‘. ‚Von alleine füllen‘ bedeutet, dass er über ein intelligentes Füllmanagement verfügt, das u.a. Zugriff auf Lebensmittellieferanten hat.

Es geht also um die Digitale Transformation des Unternehmens KüchenManufaktur. Die Digitale Transformation soll mittels eine Projektes durchgeführt werden. In einem ersten Schritt ist ein Konzept für die Digitale Transformation zu erstellen. Für diesen ersten Schritt ist das ABM mittels Python zu erstellen.

Die Aufgabe der Konzepterstellung typisieren wir als Projekt mittels des Diamantmodells: Das Projekt ist für KüchenManufaktur ein Projekt mit hohem Innovationsgrad. Nicht alle Stakeholder sind vom Sinn der Digitalen Transformation überzeugt und deshalb zeigen auch recht viele Stakeholder innere Widerstände gegen das Projekt. Deshalb sprechen wir von einem hohen Missionsgrad.- Das Team hat also viel Überzeugungsarbeit zu leisten. Der Kompliziertheitsgrad der neuen smarten Weißen Ware ist eher gering bis mittelgroß. Der Managementgrad ist mittel, da KüchenManufaktur innerhalb eines Jahres mit ersten smarten Produkten auf den Markt kommen möchte.

Die Persönlichkeiten der 7 Teammitglieder beschreiben wir mittels des MBTI, wobei die dominante Persönlichkeitsdimension des jeweiligen Teammitgliedes als Wahrscheinlichkeit angegeben wird. Wir nennen vereinfacht die jeweiligen Teammitglieder entsprechend ihrer MBTI Typologie und einer MBTI-Polwahrscheinlichkeit, also:

Teammitglied 1: ENTJ heißt: Extraversion = E = 0.8, Intuition = N = 0.8, Thinking = T = 0.6, Judging = J = 0.6

Teammitglied 2: INTJ heißt: Introversion = I = 0.8, Intuition = N = 0.7, Thinking = T = 0.7, Judging = J = 0.6

Teammitglied 3: ISFP heißt: Introversion = I = 0.6, Sensing = S = 0.7, Feeling = F = 0.7, Perceiving = P = 0.6

Teammitglied 4: ISTJ heißt: Introversion = I = 0.8, Sensing = S = 0.7, Thinking = T = 0.7, Judging = J = 0.9

Teammitglied 5: ESTJ heißt: Extraversion = E = 0.8, Sensing = S = 0.9, Thinking = T = 0.7, Judging = J = 0.6

Teammitglied 6: ISTP heißt: Introversion = I = 0.9, Sensing = S = 0.9, Thinking = T = 0.6, Perceiving = P = 0.6

Teammitglied 7: ISTJ heißt: Introversion = I = 0.7, Sensing = S = 0.6, Thinking = T = 0.6, Judging = J = 0.6

Die Stakeholder erhalten per Zufall eine Persönlichkeit gemäß MBTI.

Die Aufgabe der Konzepterstellung ist erledigt, wenn die 7 Teammitglieder, die das Konzept erstellen, eine gemeinsame Ziel-Hierarchie erstellt haben. Eine Ziel-Hierarchie besteht aus Informationseinheiten, die abstrakt oder detailliert sind. Eine Vision oder ein übergeordnetes Ziel bilden die oberste Ebene, es folgen darunter größere Informationseinheiten, die in weitere Informationseinheiten runtergebrochen werden. Im Agilen Management beginnt die Ziel-Hierarchie zum Beispiel mit einer Vision, gefolgt von Epics, die in Features zerlegt werden, die Features werden in User Stories zerlegt und diese wieder in Tasks und Tasks in Subtasks usw.

Für die Generierung der Informationseinheiten kann pro Teammitglied auf chatGPT zurückgegriffen werden

Um die Ziel-Hierarchie zu erstellen, tauschen die 7 Teammitglieder gemäß ihrer Persönlichkeitspräferenzen Informationseinheiten aus. Diese Informationseinheiten werden gemäß ihrer Präferenzen und der damit verbundenen Wahrscheinlichkeiten in die persönliche Ziel-Hierarchie aufgenommen.

Im ABM Model wird der Informationsaustausch in Zeitschritten durchgeführt. Wir definieren die Performance des Teams über die Ähnlichkeit der persönlichen Ziel-Hierarchien. Wenn alle persönlichen Ziel-Hierarchien identisch sind, sprechen wir von einem Collective Mind. Der Collective Mind kann durch die Kommunikation mit den Stakeholdern stabilisiert oder destabilisiert werden. Die Ähnlichkeit der Ziel-Hierarchien aller Stakeholder und der 7 Teammitglieder ist ein Maß für den Collective Mind im Team bzw. im Stakeholderkreis bzgl. der Digitalen Transformation.

Zeichne den Verlauf des Colletive Mind im Team und den Verlauf des Collective Mind für den Stakeholderkreis über die Zeit.

[1] Complexity Explorer (2023) MESA-Python Lecture, https://www.complexityexplorer.org/courses/172-agent-based-models-with-python-an-introduction-to-mesa/segments/17326, Santa Fe Institute, zugegriffen am 30.04.2023

[2] Oswald A, Köhler J, Schmitt R (2017) Projektmanagement am Rande des Chaos. 2. Auflage, Springer, Heidelberg, auch in englischer Sprache unter ‚Project Management at the Edge of Chaos‘ verfügbar.

[3] Köhler J, Oswald A. (2009) Die Collective Mind Methode, Projekterfolg durch Soft Skills, Springer Verlag

[4] Epstein J M, Axtell R (1996) Growing Artificial Societies – Social Science from the Bottom Up, The Brookings Institution, Washington D.C.

[5] Wikipedia (2023) Ratcliff-Obershelp Funktion, https://de.wikipedia.org/wiki/Gestalt_Pattern_Matching#:~:text=Gestalt%20Pattern%20Matching%2C%20auch%20Ratcliff,im%20Juli%201988%20im%20Dr.

AI & AM 4.0: Agent Based Modeling – Emergenz – Wunder geschehen!

Kürzlich erschien ein offener Brief zum Thema ‚Pausieren von gigantischen AI-Experimenten‘ à la GPT-3 oder GPT-4 [1].

Der Brief wurde inzwischen von mehr als 30.000 Personen unterschrieben. Er begründet sein Anliegen eines halbjährigen Aussetzens von AI-Groß-Entwicklungstätigkeiten mit folgendem Satz:

“This does not mean a pause on AI development in general, merely a stepping back from the dangerous race to ever-larger unpredictable black-box models with emergent capabilities.”

Es geht die Angst vor ‚emergenten Fähigkeiten‘ um. – An anderer Stelle wird von einer ‚Gottgleichen‘ KI gewarnt, die die Menschheit zerstören könnte [2].

Diese Sorgen mögen berechtigt sein, umso mehr, als man beobachten kann, wie lange sich die EU schon bemüht, den längst fälligen EU AI ACT als EU-Gesetz zu verabschieden [3].

In diesem Blog geht es jedoch nicht um diese Sorge oder Angst, sondern um das Thema Emergenz, das offensichtlich solche ‚Wunder‘ wie das der „Sparks of Artificial General Intelligence: Early experiments with GPT-4” [4] möglich macht. Die Intelligenz-Fähigkeiten von GPT-4, auch im Vergleich zu chatGPT/GPT-3.x, sind sensationell, gleichgültig, ob es um Mathematik, Musik, Bilderzeugung, Sprache und Logik und vielem mehr geht. – In nicht wenigen Fällen zeigt GPT-4 Intelligenz-Fähigkeiten, die überhaupt nicht trainiert worden sind. – Also klare Zeichen von emergenten Eigenschaften.

In Wikipedia wird Emergenz wie folgt definiert: „Emergenz (lateinisch emergere „Auftauchen“, „Herauskommen“, „Emporsteigen“) bezeichnet die Möglichkeit der Herausbildung von neuen Eigenschaften (Systemeigenschaften) oder Strukturen eines Systems infolge des Zusammenspiels seiner Elemente.“ [5]. Emergenz ist auch direkt mit dem Begriff der Selbstorganisation verbunden. Selbstorganisierte Systeme zeigen Emergenz bzw. emergente Eigenschaften. Auf der Basis dieser Definition wimmelt es in der Natur und damit in der Mathematik, den Naturwissenschaften/ Psychologie und den Sozialwissenschaften nur so von emergenten Eigenschaften, Strukturen oder Systemen.

In [6] wird auch deshalb zwischen schwacher und starker Emergenz unterschieden. Starke Emergenz liegt im Falle des Lebens vor, das aus Atomen oder Molekülen emergiert. – Oder, im Falle unseres Bewusstseins, das aus der materiellen Struktur unseres Gehirns emergiert. Die meisten anderen überraschenden Eigenschaften von Viel-Agenten Systemen wie zum Beispiel die Supraleitung, die Farbe von Gold, der Collective Mind eines Teams oder die Kultur einer Organisation werden eher der schwachen als der starken Emergenz zugeordnet. Ich halte die Unterscheidung für wenig sinnvoll.- Entscheidend für die Emergenz ist vielmehr, dass das durch die Wechselwirkung von Agenten entstehende Systeme Eigenschaften zeigt, die sich nicht aus den Eigenschaften der Agenten ableiten lassen.  In [7] wird deshalb für die Beschreibung von Large Language Model’s bezüglich Emergenz eine Definition verwendet, die die obige Definition aus [5] weiterführt:

„Emergence is when quantitative changes in a system result in qualitative changes in behavior.”

Abbildung 1: Bilder erzeugt durch die KI DALL-E [8] mit den Prompts: Create a painting in the style of Matisse: (Create a painting in the style of Gauguin:) Collective Mind as an example of social emergence which demonstrates synergies in a team

Im Falle von Large Language Models (LLM) gibt es mehrere quantitative Änderungen, die qualitative Veränderung hervorrufen: u.a. Anzahl der Parameter (Neuronen), Menge der Daten und die Trainingszeit. Aber auch die Architektur der LLM’s spielt eine entscheidende Rolle: u.a. das Transformer/Decoder Design, der Attention Mechanismus, usw.. So zeigt GPT-3 bei etwa 10 hoch 22 (10 Trilliarden) Floating Point Operations (FLOPs) als Maß für die Trainingszeit und 13 Milliarden Parametern einen sprunghaften Anstieg der sogenannten few-shoot prompting Genauigkeit.- Also nach einigen wenigen Lerndaten meistert das AI-System ähnliche Aufgabenstellungen. – Dieser Übergang entspricht einem Phasenübergang. – Ganz ähnlich zu der gesellschaftliche Resonanz für AI-System, die mit dem Erscheinen des einfach zu bedienenden chatGPT sprunghaft emergierte. 

Für die Beschreibung emergenten Systemverhaltens wurde in der Wissenschaftsgeschichte sehr oft der Nobelpreis vergeben: Es geht darum, diejenigen quantitativen Parameter ausfindig zu machen, die einen qualitativen Unterschied machen. Und dies ist meistens sehr schwierig, da man den Parametern nicht ansieht, ob sie in ihrer Zusammenstellung einen Unterschied machen. – Der qualitative Unterschied lässt sich also nicht auf die quantitativen Unterschiede in den Parametern reduzieren.

Jedoch wurde auch in der Geschichte der Wissenschaft aus dem Unverständnis der Emergenz eine unsinnige Spaltung in reduktionistische Wissenschaften und nicht-reduktionistische (holistische) Wissenschaften [9] vorgenommen. Hiernach wurde zum Beispiel die Physik als reduktionistische Wissenschaft angesehen, da angeblich alle System-Eigenschaften in der Physik auf die Eigenschaften der Agenten (z.B. Elementarteilchen, Atome) zurückgeführt werden, also reduziert werden.  Die Sozialwissenschaft mit der Soziologie à la Luhmann wurde zum Beispiel als holistische Wissenschaft wahrgenommen, da Luhmann, die Eigenschaften des sozialen Systems nicht auf die Menschen zurückführte, sondern dem System eine Eigenständigkeit zuerkannte.

Diese teilweise immer noch vorhandene naive Sicht des Gegensatzpaares Reduktionismus-Holismus wird durch das Auftauchen von GPT-4, aber auch schon durch die Erfahrungen mit chatGPT, kräftigst widerlegt: Die technischen Systeme chatGPT/GPT-3.x und chatGPTplus/GPT-4 zeigen mit ihrer Intelligenz eine für alle erfahrbare Emergenz. Diese AI-Systeme wurden auf der Basis bestimmter Daten-Parameter (u.a. Anzahl der Neuronen, Zeit des Trainings, Menge der Trainingsdaten) sowie bestimmten Architektur-Parameter (u.a. Transformer/Decoder und Attention-Mechanismus) mehr oder weniger gezielt kombiniert und es entstanden bei einer bestimmten Kombination dieser Parameter „wie durch ein Wunder“ emergente Intelligenz-Eigenschaften. – Es ist zu vermuten, dass bei Wegnahme z.B. der Attention-Eigenschaft, die emergente Eigenschaft der Intelligenz verschwindet, auch wenn die gigantische Skalierung bleibt.

Deswegen sind die emergenten AI-Eigenschaft jedoch nicht weniger wunderbar.

Dieses Beispiel belegt äußerst eindrucksvoll, dass die Natur, auch wenn sie in Form einer Technologie daherkommt, alle Ingredienzien für starke Emergenz enthält. – Wir ‚finden‘ diese Ingredienzien ‚lediglich‘.

Agent Based Modeling (ABM) spielt beim Auffinden dieser Eigenschaften eine prominente Rolle, auch wenn diese Rolle selbst in der Wissenschaft im Verhältnis zur Bedeutung nur wenigen bekannt sein dürfte. Unlängst hat das Santa Fe Institute neben Netlogo das ABM-Python-Framework MESA als Lecture aufgenommen [10]. Diese Lecture bildet mit moderner Technik das ABM des 25 Jahre alten Buches über ‚Growing Artificial Societies‘ von Epstein und Axtell nach [11]. Epstein und Axtell zeigen, wie man mit einfachen lokalen Agenten-Parametern die emergenten System-Eigenschaften von Gesellschaften erzeugen kann. – Der Überraschungseffekt ist nicht selten groß: So beeinflusst zum Beispiel die Fähigkeit des Sterbens oder der Reproduktion von Agenten ganz erheblich die emergenten Eigenschaften der ABM Ökonomie: Diese Modell-Eigenschaften sind nämlich notwendig, damit sich überhaupt sogenannte Nicht-Gleichgewichts-Handelsmärkte ausbilden können, die mit realen Märkten sehr gut übereinstimmen. – Das immer noch in der Gesellschaft vorherrschende neoklassische Verständnis der Gleichgewichts-Ökonomie kennt solche Zusammenhänge nicht.

In den folgenden Blogbeiträgen beschäftige ich mich mit der Suche nach den Parametern, die das emergente Teamverhalten Collective Mind hervorrufen. Im Management 4.0 gehen wir davon aus, dass die Parameter der Theorie der Selbstorganisation (Rahmen-Parameter, Kontroll-Parameter und Ordnungs-Parameter) die entscheidenden Parameter sind, die emergentes Teamverhalten hervorbringen. Wir kennen diese Parameter (vermutlich) auch schon, jedoch nicht in hinreichend formalisierter ABM Sprache. Die in vorhergehenden Blog-Beiträgen unter Verwendung von Natural Language Processing abgeleitete Similarity-Matrix des Collective Mind (Collective Mind Operator) ist lediglich ein phänomenologisches Modell (siehe Blog-Beitrag vom April und Juni 2022). – Der Collective Mind Operator kann in der Teampraxis sehr gut den Collective Mind messen, er sagt jedoch leider nichts darüber aus, wie der Collective Mind emergiert. Hierzu benötigen wir die formalisierten ABM-Parameter, die die Collective Mind Emergenz hervorbringen. – Die Suche nach diesen formalisierten Parametern ist kein Selbstzweck, denn die Wissenschaftsgeschichte hat gezeigt, dass die Kenntnis der formalisierten Parameter recht oft mit großen Erkenntnisgewinnen verbunden ist. – Die GPT-Geschichte ist der sichtbarste Beweis hierfür.

Der Übergang zur Python-Technologie mit MESA-Python eröffnet auch recht einfach die Möglichkeit intelligente Agenten auf der Basis von chatGPT anzubinden. Das werde ich nicht tun, jedoch hat die Entwicklung hierzu, wie in einem meiner letzten Blogs prognostiziert, schon begonnen. Die Stanford University hat zusammen mit Google eine auf dem Computerspiel ‚The Sims‘ basierendes ABM erstellt, in dem 25 Agenten ihre Intelligenz von chatGPT erhalten [12]. Die Agenten haben eine ‚Gehirn-Architektur‘ aus Langzeit- und Kurz-Zeitgedächnis, dessen kognitive Intelligenz von chatGPT kommt. Die Agenten verfügen zusätzlich über einen sogenannten ‚reflection tree‘, der der Ziel-Hierarchie bzw. der Dilts Pyramide von Management 4.0 sehr nahe kommt [13].- Die Ebenen Identität, Fähigkeiten und Verhalten sowie Kontext (Beobachtung) sind schon vorhanden. – Diese und weitere Ebenen können sicherlich noch ausgebaut werden.

Damit sind die Agenten in der Lage einen individuellen kognitiven PDCA-Zyklus durchzuführen, der ‚reflektiertes‘ Handeln erlaubt.

Es besteht auch die Möglichkeit, dass sich Menschen aktiv in dieses Handeln künstlicher Agenten einbringen können. Damit ist es zum Beispiel möglich hybride Universen aus AI und Menschen zu bilden.

Man stelle sich ein Anwendungsbeispiel von vielen vor: Ein Projektleiter soll ein Projekt durchführen. Er lässt das Projekt zum Test vorab in der künstlichen Welt durchführen und erhält so Hinweise auf seine Durchführbarkeit. –  Oder er lässt parallel zur realen Welt eine künstliche Welt mitlaufen, in die die Daten der realen Welt synchron eingespeist werden, um Forecasting zu betreiben.

In [12] wird berichtet, dass das Handeln der künstlichen Agenten von Menschen auf ‚Menschen-Ähnlichkeit‘ überprüft wurde. Das emergierende ‚believable behavior‘ der Agenten und des emergierenden sozialen Systems wird von den Evaluationspersonen, trotz einiger Fehler, als sehr hoch eingestuft.   

Das nächste Wunder geschieht schon!

    

[1] Future of Life Institute (2023) Pause giant AI Experiments, https://futureoflife.org/open-letter/pause-giant-ai-experiments/, zugegriffen am 22.04.2023

[2] Barkey S (2023) Kurz vor dem Durchbruch: „Gottgleiche“ KI könnte laut Experte Menschheit zerstörenhttps://www.berliner-zeitung.de/news/agi-kurz-vor-durchbruch-gottgleiche-ki-koennte-laut-experte-ian-hogarth-menschheit-zerstoeren-kuenstliche-allgemeine-intelligenz-li.339062, zugegriffen am 22.04.2023

[3] EU (2023) EU AI Act, https://artificialintelligenceact.eu/, zugegriffen am 22.04.2023

[4] Bubeck S et al. (2023) Sparks of Articial General Intelligence: Early experiments with GPT-4, arXiv:2303.12712v3 [cs.CL] 27 Mar 2023, zugegriffen am 22.04.2023

[5] Wikipedia (2023) Emergenz, https://de.wikipedia.org/wiki/Emergenz, zugegriffen am 25.04.2023

[6] Greve J, Schnabel A (Herausgeber) (2011) Emergenz: Zur Analyse und Erklärung komplexer Strukturen, suhrkamp taschenbuch wissenschaft

[7] Wi J et al. (2022) Emergent Abilities of Large Language Models, in Transactions on Machine Learning Research 08/2022, arXiv:2206.07682v2 [cs.CL] 26 Oct 2022

[8] DALL-E (2023) https://openai.com/product/dall-e-2, zugegriffen am 03.05.2023

[9] Wikipedia (2023) Reduktionismus, https://de.wikipedia.org/wiki/Reduktionismus, zugegriffen am 25.04.2023

[10] Complexity Explorer (2023) MESA-Python Lecture, https://www.complexityexplorer.org/courses/172-agent-based-models-with-python-an-introduction-to-mesa/segments/17326, Santa Fe Institute, zugegriffen am 30.04.2023

[11] Epstein J M, Axtell R (1996) Growing Artificial Societies – Social Science from the Bottom Up, The Brookings Institution, Washington D.C.

[12] Park J S et. al. (2023) Generative Agents: Interactive Simulacra of Human Behavior, arXiv:2304.03442v1 [cs.HC] 7 Apr 2023

[13] Oswald A, Müller W (2019) Management 4.0 – Handbook for Agile Practices, Release 3.0, Verlag BoD, kindle edition

AI & AM 4.0: Agent Based Modeling – Von Agenten Intelligenz und Kollektiver Intelligenz oder von ‚Intelligenz ist immer kollektiv‘?!

Das Thema Kollektive Intelligenz hat gerade Hochkonjunktur. Sei es in Form der mehrteiligen ZDF-Fernsehserie der Schwarm [1] und der damit verbundenen zweiteiligen Terra X Dokumentationen zur Intelligenz von Schwärmen [2], [3]. – Oder, auch in Form der AI Systeme chatGPT und des gerade veröffentlichten GPT-4 [4]. – Diese Systeme sind in zweierlei Hinsicht Systeme kollektiver Intelligenz: Die GPT-X Systeme und andere vergleichbare Systeme verwenden als Daten die Ergebnisse unserer aller Intelligenz und die Systeme selbst sind über die Neuronalen Netzwerke, auf denen sie beruhen, kollektive Systeme, die Intelligenz hervorbringen können, wenn sie mit unserer Intelligenz in Form von Daten gefüttert werden. – Dies ist gar nicht so unähnlich unserer kulturellen Entwicklung, die Produkte menschlicher Intelligenz hervorgebracht hat – nur eben viel, viel schneller!

Es ist absehbar, dass sich in Zukunft aus der Intelligenz von GPT-X eine Künstliche Allgemeine Intelligenz (Artificial General Intelligence, kurz AGI) entwickeln wird. Der CEO von openai betont in einem Blogbeitrag erst kürzlich hierzu die gesellschaftliche Verantwortung von openai [5] und im EU AI Act Newsletter wird, meines Erachtens zum ersten Mal, von der nahen Bedeutung von AGI im Kontext von GPT-X  Systemen gesprochen [6].   

In [2] und [3] wird eindrucksvoll geschildert, wie natürliche kollektive mobile Systeme, die aus ‚dummen‘ Agenten (u.a. Ameisen, Bienen, Fischen) bestehen, im Schwarm intelligentes Verhalten zeigen. Die vermeintlich ‚dummen‘ Agenten haben ihrerseits ein wenig Intelligenz auf der Basis von kleinen natürlichen neuronalen Netzwerken. – Die Natur ist also offensichtlich in der Lage mittels kollektiver Systeme (z.B. Ameisen Kollektiv) und von Subsystemen (z.B. Ameise als Agent) Intelligenz-Hierarchien aufzubauen.

Dies relativiert auch unseren Anspruch an intelligenter Einzigartigkeit: Kollektive Systeme, gleichgültig ob natürlich oder künstlich, haben das Potential, über eine geeignete Vernetzung, Intelligenz auszubilden.

Hieraus leite ich die These ab, dass Intelligenz immer kollektiv ist. Dies wird auch durch Ashby’s Law [7] gestützt, wonach ein komplexes System nur durch ein anderes komplexes System mit hinreichender Komplexität reguliert werden kann. Komplexität ist also eine Vorbedingung für Intelligenz. Deshalb sagen wir auch im Management 4.0, dass Komplexität ein Geschenk ist, das nicht reduziert werden sollte, sondern nur reguliert werden darf: Die Komplexität unseres Gehirns (und unseres gesamten Körpers) mit ca. 86 Milliarden vernetzter Neuronen ermöglicht es, dass wir uns adaptiv auf unsere Umgebung einstellen und diese ggf. regulieren. – Ich nehme an, dass niemand seiner Intelligenz, also seiner neuronalen Komplexität, beraubt werden möchte, indem diese reduziert wird.

In Konsequenz heißt dies auch, dass gut geführte soziale Organisationen, u.a. Teams, mit einer wertschaffenden Komplexität, kollektive Intelligenz zeigen, die über die Intelligenz der einzelnen Teammitglieder hinausgeht. Die einzige ! Aufgabe von Führung ist es, zu ermöglichen, dass sich diese kollektive Intelligenz ausbildet.    

Es ist vielleicht auch nicht abwegig, anzunehmen, dass Intelligenz eine Vorbedingung für Bewusstsein ist. – Und, dass Bewusstsein sich aus intelligenten kollektiven Systemen emergent entwickelt. Die Integrated Information Theory zum Bewusstsein zeigt erste Überlegungen in diese Richtung [8].

Im letzten Blog-Beitrag habe ich den Video-Vortrag des DeepMind Mitarbeiters Thore Graepel zum Thema ‚Multi-Agent Learning in Artificial Intelligence‘ erwähnt [9]. Thore Graepel referenziert dort am Anfang auf den Artikel von Legg und Hutter zum Thema ‚Universal Intelligence‘ [10]. Legg und Hutter geben einen Literatur-Überblick zum Verständnis von Intelligenz und definieren ihr Verständnis von Agent Intelligence:

Abbildung 1: Definition Universelle Intelligenz nach [10]

In [10] wird angenommen, dass die Wahrscheinlichkeit für Kontexte exponentiell (zur Basis 2) mit der Komplexität abnimmt. – Hier folgen Legg und Hutter auch dem Prinzip des Occam’schen Rasiermessers [11]: Die Natur bevorzugt Einfachheit und unsere Modelle zu Ihrer Beschreibung sollten dementsprechend auch einfach sein. – Einfache Kontexte werden also bei der Intelligenzberechnung höher gewichtet. Man kann auch jetzt verstehen, warum die melting pot Initiative von DeepMind von Bedeutung ist: Es werden möglichst viele Kontexte erstellt, um die allgemeine Intelligenz von Agenten über die obige Formel zu ermitteln.  

Legg und Hutter haben gezeigt, dass die obige Formel für Intelligenz alle bekannten Definitionen von Intelligenz subsummiert und auch auf den Intelligenzbegriff bei Menschen angewendet werden kann.- Auch wenn die konkrete Ausgestaltung von V und P in der obigen Formel für nachvollziehbare Kritik sorgt [12] und sich noch ändern dürfte. – Abbildung 2 visualisiert die Formel, in dem ich für das Mindset eines Agenten die Dilts Pyramide angenommen habe: Der Agent passt sich über die Zeit in einem PDCA-Zyklus mittels seiner Fähigkeiten und seines Verhaltens (auch policy genannt) an seine Umgebung an. Über die Funktion V wird die Performance des Agenten im Hinblick auf ein Ziel gemessen.- Der Agent erhält eine Belohnung. Die Performance des Agenten kann in zweierlei Hinsicht gemessen werden: Intern und extern. Das interne Performancemaß wird utility U genannt [13]. Agenten werden  rational genannt, wenn sie anstreben das interne Performancemaß mit dem externen in Einklang zu bringen. Einer der Kritikpunkte an [10] ist, dass (lediglich) das externe Performancemaß zur Intelligenzmessung herangezogen wird. 

    

Abbildung 2: Visualisierung der Formel zur Universellen Intelligenz nach [10]

Die Definition der Universellen Intelligenz ist sicherlich als Referenz für die Vermessung von Agenten Intelligenz sehr hilfreich. Ihre operative Ausgestaltung hat aber erst begonnen. – Und, sie ist rein phänomenlogisch, sie sagt also nichts über die Ingredienzien von Intelligenz aus, also welche Elemente wie zusammengebracht werden müssen, um intelligente Agenten bzw. Systeme zu bauen. Aus diesem Grunde versuche ich im Folgenden, einige mir wichtig erscheinende Elemente, in Form von Prinzipien, zu nennen. Ich lasse mich hierbei von der Transformer Technologie leiten, auf der die GPT-X Technologie beruht. Die aus meiner Sicht mit Abstand beste Darstellung zur Transformer-Technologie hat Ralph Krüger geschrieben – er macht keine verständnislosen Vereinfachungen, sondern beschreibt die Technologie didaktisch brillant [14]. Nicht desto weniger kann es manchmal beim Lesen helfen, die in Bing eingebundene chatGPT Bot Version als Assistenz zu benutzen ;-).

Neben [14] empfehle ich [15], eine dreiteilige sehr gute visuelle Aufbereitung des Matrizen-Flows (Tensorflows) in Transformern und für einen tieferen Blick in die Programmierung den Dreiteiler [16] sowie [17]. Als Einstieg kann der Spektrum der Wissenschaft Artikel von Manon Bischoff dienen [18]. Dieser Artikel enthält eine ganze Reihe interessanter Hinweise, u.a. auch die von mir im letzten Blog-Beitrag geäußerte Vermutung, dass chatGPT lediglich 1,5 Milliarden Parameter enthält, also mehr als 100 mal weniger als GPT-3. Manon spricht sogar von nur 1,3 Milliarden Parametern. Als Einstieg empfehle ich zusätzlich den Artikel über chatGPT [19].

Auf der Basis dieser Literatur liste ich im Folgenden die Prinzipien, die meines Erachtens das Was und das Wie der Intelligenz ausmachen:

Intelligenz ist immer kollektiv: Als Kollektiv bezeichne ich ein System von vernetzten Elementen (künstliche oder natürliche Neuronen, Ameisen, Menschen, usw.), das die Außenwelt per Transformation in eine Innenwelt abbildet. Die Transformation erfolgt im Falle der AI durch künstliche neuronale Netzwerken, die Tensor Operationen durchführen (bzw. Matrizenoperatione durchführen: Die Matrizenelemente sind die Gewichte zwischen den Neuronen). – Die Tensor Operationen sorgen also für die Abbildung. Damit diese Abbildung hinreichend viele Informationen der Außenwelt abbilden kann, benötigt sie viele Zustände, also viele Parameter, im Falle von GPT-3 175 Milliarden. Die Abbildung der Außenwelt über eine Parametrisierung in der Innenwelt, erfolgt über Selbstorganisations-Mechanismen, in denen eine Zielfunktion im AI-Training dafür sorgt, dass die niedrigsten energetischen Zustände in dem hochdimensionalen Parameterraum gefunden werden. – Diese repräsentieren nach dem Training die Daten der Außenwelt.

Ich habe die Bing AI gefragt, ‚Gibt es eine Zielfunktion für das Lernen im Gehirn‘. Bing AI wandelt dies in eine Frage nach ‚Zielfunktion Lernen Gehirn‘ um und generiert folgende Antwort:

Ja, das Gehirn hat eine Zielfunktion für das Lernen. Das Lernen ist im Grunde genommen eine Reaktion unseres Gehirns auf neue Erfahrungen. Wenn eine solche Erfahrung eine nachhaltige Änderung im Gehirn hervorruft, dann kann man von Lernen sprechen. Das Gehirn bereitet sich dadurch auf die Zukunft vor. Natürlich kann man sein Gehirn anregen und unterstützen, neue Dinge schneller zu lernen oder die synaptischen Verbindung zu bilden, die man möchte. Dazu brauchen wir nur unsere Aufmerksamkeit genau auf die zu lernenden Themen zu richten und sie entsprechend oft wiederholen.

Diese Definition der Zielfunktion entspricht nicht ganz meinem obigen Verständnis einer Zielfunktion: Außer, man versteht die neuronalen Mechanismen, die sich hinter der Aufmerksamkeit verbergen, als solche.

Die Außenwelt wird über Aufmerksamkeit kontextualisiert: Im Falle der Transformer-Technologie ist der Aufmerksamkeits-Mechanismus (Attention-Mechanismus) der Mechanismus, der die Leistungssteigerung gegenüber vorherigen AI Systemen wesentlich ausmacht. Hierzu werden die sprachlichen Inhalte der Außenwelt auf ihre semantischen Zusammenhänge hin analysiert: Alle Worte eines Satzes (eines Textes) werden herausgegriffen, also mit Aufmerksamkeit belegt, und es wird die Korrelation dieses herausgegriffenen Wortes zu allen anderen Worten in diesem Satz  (diesem Text) ermittelt. – Die Korrelationswahrscheinlichkeiten werden in speziellen neuronalen Netzwerken (Tensoren) trainiert. Für die Generierung von neuen Texten wird auf diese trainierten Korrelationswahrscheinlichkeiten zurückgegriffen.

Wahrscheinlichkeiten werden durch zusätzliche kollektive Maßnahmen auf verschiedenen Ebenen ausbalanciert: Die Ergebnisse, die ein Transformer nach außen liefert, sind die Ergebnisse mit der höchsten Wahrscheinlichkeit. Um die Verlässlichkeit der Wahrscheinlichkeiten zu erhöhen, werden die Wahrscheinlichkeiten pro Transformer Modul nicht nur einmal berechnet, sondern mehrmals parallel d.h. zum Beispiel mit 8 attention Mechanismen, dem sogenannten multi-head-attention. Zusätzlich werden im Falle von GPT-3 96 Transformer Module (Decoder) hintereinander geschaltet, um die Ergebnisse zu verfeinern und zu stabilisieren [18]. Der multi-head-attention Mechanismus zeigt damit die Wirkung eines Teams mit acht Teammitgliedern, in dem die potentiellen mentalen Verzerrungen der Teammitglieder ausbalanciert werden. Und, das Hintereinanderschalten der Transformer-Module lässt sich gut mit der iterativen Wirkung von 96-PDCA-Zyklen vergleichen.

… ggf. weitere Prinzipien

Ich glaube, dass Intelligenz nicht auf natürliche Systeme beschränkt ist, ja dass diese Einteilung in natürliche und künstliche Systeme künstlich ist: Intelligenz ist ein universelles Phänomen, das sich potentiell in allen Systemen ausdrücken kann, sobald hierfür die Voraussetzungen vorliegen…. Vielleicht sind die oben genannten Prinzipien tatsächlich (einige) der Voraussetzungen …Vielleicht wird die Filmreihe ‚Autobots – The Transformers‘ sogar einmal als (diesbezüglich) hellsehend bezeichnet werden [20]. 

 

[1] ZDF (2023a) Der Schwarm, https://www.zdf.de/serien/der-schwarm

[2] ZDF (2023b) Terra X – Schlaue Schwärme, Geheimnisvolle Sprachen, https://www.zdf.de/dokumentation/terra-x/schlaue-schwaerme-geheimnisvolle-sprachen-doku-102.html

[3] ZDF (2023c) Terra X – Schlaue Schwärme, Rätselhafte Kräfte, https://www.zdf.de/dokumentation/terra-x/schlaue-schwaerme-raetselhafte-kraefte-doku-100.html

[4] openai (2022) GPT-4, https://openai.com/product/gpt-4, zugegriffen am 20.03.2023

[5] Altman S (2023) Planning for AGI and beyond, https://openai.com/blog/planning-for-agi-and-beyond, zugegriffen am 15.03.2023

[6] The future of Life Institute (2023) The EU AI Act Newslettr #25 vom 01/03/23-14/03/23

[7] Wikipedia (2023) Ashby’s Law, https://de.wikipedia.org/wiki/Ashbysches_Gesetz, zugegriffen am 15.03.2023

[8] Wikipedia (2023a) IIT- Integrated Information Theory, https://en.wikipedia.org/wiki/Integrated_information_theory, zugegriffen am 15.03.2023

[9] Graepel T (2023) The role of Multi-Agent Learning in Artificial Intelligence Research at DeepMind, https://www.youtube.com/watch?v=CvL-KV3IBcM&t=619s, zugegriffen am 06.02.2023

[10] Legg S und Hutter M (2007) Universal Intelligence: A Definition of Machine Intelligence, arXiv:0712.3329v1

[11] Wikipedia (2023b) Occam’s razor, https://en.wikipedia.org/wiki/Occam%27s_razor, zugegriffen am 21.03.2023

[12] Park D (2023) Paper Summary: Universal Intelligence: A Definition of Machine Intelligence, https://crystal.uta.edu/~park/post/universal-intelligence/, zugegriffen am 06.03.2023

[13] Russel S und Norvig P (2016) Artificial Intelligence – A modern approach, Third Edition, Prentice Hall Series in Artificial Intelligence Series, Pearson Education Limited

[14] Krüger R (2021) Die Transformer-Architektur für Systeme zur neuronalen maschinellen Übersetzung – eine popularisierende Darstellung, in trans-kom 14 [2], Seite 278-324

[15] Doshi K (2022) Transformers Explained Visually: How it works, step-by-step published January 2, 2021, towardsdatascience.com, zugegriffen am 10.05.2022,  (Part 1, 2, 3, 4), https://towardsdatascience.com/transformers-explained-visually-part-1-overview-of-functionality-95a6dd460452, https://towardsdatascience.com/transformers-explained-visually-part-2-how-it-works-step-by-step-b49fa4a64f34, https://towardsdatascience.com/transformers-explained-visually-part-3-multi-head-attention-deep-dive-1c1ff1024853, https://towardsdatascience.com/transformers-explained-visually-not-just-how-but-why-they-work-so-well-d840bd61a9d3

[16] Gosthipaty A R und Raha R (2022) A Deep Dive into Transformers with Tensorflow and Keras, Part 1-3, PyImagesearch.com, published November 2022, zugegriffen am 06.12.2022, https://pyimagesearch.com/2022/09/05/a-deep-dive-into-transformers-with-tensorflow-and-keras-part-1/, https://pyimagesearch.com/2022/09/26/a-deep-dive-into-transformers-with-tensorflow-and-keras-part-2/, https://pyimagesearch.com/2022/11/07/a-deep-dive-into-transformers-with-tensorflow-and-keras-part-3/

[17] Cristina S (2023) Training the Transformer Model, https://machinelearningmastery.com/training-the-transformer-model/, updated am 06.01.2023, zugegriffen am 20.03.2023

[18] Bischoff M (2023) Wie man einem Computer das Sprechen beibringt, https://www.spektrum.de/news/wie-funktionieren-sprachmodelle-wie-chatgpt/2115924, veröffentlicht am 09.03.2023, zugegriffen am 20.03.2023

[19] Ruby M (2023) How ChatGPT Works: The Model Behind the Bot, https://towardsdatascience.com/how-chatgpt-works-the-models-behind-the-bot-1ce5fca96286, veröffentlicht am 30.01.2023, zugegriffen am 20.03.2023

[20] Wikipedia(2023) Autobot, https://en.wikipedia.org/wiki/Autobot, zugegriffen am 20.03.2023