KI nach eigenen Spielregeln

Künstliche Intelligenz wirkt oft wie eine Dienstleistung, die irgendwo stattfindet. Die Machine Learning Management Platform (MLMP) der BFH-TI geht einen anderen Weg: Sie bietet Studierenden, Dozierenden, Mittelbau-Angehörigen und Fachpersonal Zugang zu einer gemeinsamen KI-Infrastruktur und hält Wissen und Kontrolle nahe bei der Hochschule.

SocietyByte: Die Abkürzung MLMP klingt ziemlich technisch. Was steckt dahinter?

Daniel Reichenpfader: MLMP steht für Machine Learning Management Platform. Konkret ist das eine gemeinsame Umgebung an der BFH, Departement Technik und Informatik, in der Studierende, Dozierende, Forschende und Fachpersonal KI-Modelle entwickeln, trainieren und nutzen können. Die Plattform verbindet leistungsfähige Rechner mit Diensten, die aktuelle Sprachmodelle zugänglich machen. Entscheidend ist nicht die Technik an sich, sondern was sie ermöglicht: An der BFH kann man experimentieren, lernen, lehren und forschen, ohne für jedes Projekt eine eigene Infrastruktur aufbauen zu müssen.

Welches Problem löst die Plattform?

Peter von Niederhäusern: KI-Projekte brauchen mehr als eine gute Idee. Das Training von Modellen verlangt viel Rechenleistung, und auch der zuverlässige Betrieb eines modernen Sprachmodells erfordert Fachwissen. Für einen einzelnen Kurs oder ein Forschungsteam können diese Hürden zu hoch sein. MLMP bündelt die nötigen Ressourcen. Dozierende können eine Übung vorbereiten, Studierende das Verhalten eines Modells untersuchen und Forschungsteams Anwendungen auf einer gemeinsamen Grundlage testen. So bleibt mehr Zeit für die eigentliche Fragestellung.

Viele Menschen nutzen bereits öffentliche KI-Chatbots. Weshalb braucht eine Hochschule eine eigene Plattform?

Daniel Reichenpfader: Öffentliche KI-Chatbots sind bequem, fast wie Take-away für Texte. Für Hochschulen stellt sich aber die Frage, was in der eigenen Küche gelernt (vorbereitet) und kontrolliert (gekocht) werden soll; wo Daten verarbeitet werden, wer die Technologie versteht und wie sich die Abhängigkeit von einzelnen Anbietern verringern lässt. MLMP betreibt eine lokale Hochleistungsinfrastruktur und stellt der BFH-Gemeinschaft offene Modelle bereit. Das stärkt die Daten- und Technologiesouveränität: Die BFH behält mehr Kontrolle über Infrastruktur, Modelle und Know-how. Gleichzeitig wird die gesamte Kette von der Hardware bis zur Anwendung zum Gegenstand von Lehre und Forschung.

Bedeutet «lokal», dass man bedenkenlos alle Daten eingeben darf?

Fernando Pareja: Nein. Verantwortungsvolle Nutzung beginnt weiterhin bei den Menschen, die das Werkzeug einsetzen. Ein lokal betriebener Dienst schafft mehr Raum für Kontrolle und Lernen, ersetzt aber weder Datenschutz noch kritische Prüfung und klare Regeln. Gerade in der Ausbildung ist das wertvoll: Studierende sollen nicht nur lernen, was KI kann, sondern auch, wo ihre Grenzen und Risiken liegen.

Was kann man mit MLMP konkret machen?

Peter von Niederhäusern: Das Spektrum reicht von klassischem maschinellem Lernen bis zu generativer KI. Nutzende können Rechenkapazität reservieren, um Modelle zu trainieren oder anspruchsvolle Berechnungen auszuführen. Sprachmodelle lassen sich über den Browser oder eine standardisierte Programmierschnittstelle nutzen. Damit können Texte zusammengefasst und analysiert, Dokumentensuchen erprobt, Prototypen gebaut, Sprache transkribiert oder Bild-Text-Anwendungen untersucht werden. Für grössere Klassen lassen sich browserbasierte interaktive Jupyter Notebook-Umgebungen vorbereiten, sodass alle mit denselben Werkzeugen und Beispielen starten.

Wie funktioniert das Teilen dieser leistungsfähigen Geräte im Alltag?

Hanspeter Zimmermann: Es braucht Koordination. Rechenressourcen sind begrenzt, deshalb werden intensive Arbeiten geplant und Unterrichtsaktivitäten vorbereitet. Eine Klasse, deren Studierende zu unterschiedlichen Zeitpunkten arbeiten, lässt sich leichter bedienen, als wenn alle gleichzeitig eine aufwendige Anfrage senden. Das klingt zunächst nach einer Einschränkung, vermittelt aber eine wichtige Einsicht: Auch künstliche Intelligenz arbeitet nicht im luftleeren Raum: Irgendwo rauscht ein Rechner, wird Strom verbraucht, muss Hitze abgeführt werden, und es muss jemand dafür sorgen, dass alles läuft.

Für wen ist die Plattform gedacht und wohin soll sie sich entwickeln?

Daniel Reichenpfader: Die erste Zielgruppe ist die BFH-Gemeinschaft: Studierende, Dozierende, Forschende und Fachpersonen. Darüber hinaus soll ein praxisnahes KI-Kompetenzzentrum entstehen, das Erfahrungen teilt und mit anderen Hochschulen sowie Partnern zusammenarbeitet, darunter kleine und mittlere Unternehmen. Die Vision besteht nicht einfach darin, schnelle Computer zu besitzen. Die BFH soll KI verantwortungsvoll und souverän einsetzen, wichtiges Wissen in der Institution halten und das Innovationsökosystem stärken.

Was sollen die Leserinnen und Leser über MLMP in Erinnerung behalten?

Peter von Niederhäusern: KI-Souveränität wird konkret, wenn Menschen mit der Technologie lernen, ihre Grenzen untersuchen und Anwendungen selbst gestalten können. Wir als MLMP-Team machen KI nicht magisch, aber greifbar: als Infrastruktur, Lernort und Werkstatt zugleich.

Public MLMP documentation: https://infra.pages.ti.bfh.ch/mlmp/src/