Kategorie: Werkstatt

(Kontext: Technik/Making-of)

  • Making of: Der Sinnfeld-Scanner

    Making of: Der Sinnfeld-Scanner

    INSIDE THE AGENCY // DEV LOG 05

    Making of: Warum wir einen philosophischen Türsteher programmiert haben

    Bullshit ist nicht immer eine Lüge. Oft ist er einfach nur im falschen Raum.

    Wenn jemand behauptet, Liebe sei „nur chemische Reaktionen im Gehirn“, oder Quantenphysik beweise „kosmisches Bewusstsein“, dann lügt er meist nicht bewusst. Er begeht einen sogenannten Kategorienfehler. Um genau diese Fehler zu finden, haben wir keine weitere Fact-Checking-KI gebaut, sondern einen ontologischen Kompass.

    Hier ist der Blick unter die Haube unseres neuen Tools: Der Sinnfeld-Scanner.

    1. Das Problem: Faktenchecks reichen nicht

    Die meisten Anti-Fake-News-Tools fragen simpel: „Stimmt dieser Fakt?“
    Das Problem dabei ist, dass viele moderne Mythen immun gegen Fakten sind, weil sie gar keine Fakten behaupten, sondern Gefühle oder Normen als Fakten tarnen.

    „Wer sagt: ‚Mein Gefühl sagt mir, dass Impfen falsch ist‘, stellt keine Tatsachenbehauptung auf, die man widerlegen könnte. Er macht aus einem privaten Gefühl (Spiritus) ein öffentliches Gesetz (Ethos).“

    Wir brauchten also eine Engine, die nicht prüft, ob eine Aussage wahr ist, sondern ob sie zulässig ist.

    2. Die Theorie: Markus Gabriels Matrix

    Die intellektuelle Basis unseres Scanners ist der Neue Realismus des Philosophen Markus Gabriel. Seine Kern-These: Dinge existieren immer nur in einem bestimmten „Sinnfeld“ (Kontext). Ein Einhorn existiert in der Mythologie, aber nicht in der Zoologie. Wer das Einhorn im Zoo sucht, irrt sich nicht nur – er macht einen logischen Fehler.

    Für den Scanner haben wir diese Philosophie (kombiniert mit Ansätzen von Yuval Noah Harari) in vier operative Cluster übersetzt:

    • LOGOS (Objektiv): Wissenschaft, Daten, Physik.
    • SPIRITUS (Subjektiv): Gefühl, Glaube, Authentizität.
    • ETHOS (Normativ): Politik, Moral, Gesetze.
    • POIESIS (Fiktiv): Kunst, Metapher, Storytelling.

    3. Die Technik: Python auf dem Pi

    Wie bringt man einem Computer Philosophie bei? Der „Sinnfeld-Scanner“ läuft lokal auf unserer eigenen Hardware (Raspberry Pi 5). Wir nutzen ein schnelles KI-Modell, das speziell auf „Ontological Hygiene“ trainiert wurde.

    Bevor die KI antwortet, durchläuft der Input eine interne „Chain-of-Thought“. So sieht das im Backend aus:

    USER_INPUT: „Quantenphysik beweist Seelenwanderung.“ —————————————- > ANALYZING VOCABULARY… [Quanten, Physik] -> LOGOS > ANALYZING INTENT… [Beweis, Seele] -> SPIRITUS > CHECKING COMPATIBILITY… ERROR. —————————————- RESULT: 🚨 MIMIKRY DETECTED. Reason: Usage of scientific terms to prove metaphysical claims.

    Gibt man hingegen ein: „Dieser KI-Song drückt meinen Schmerz aus“, erkennt der Scanner: Hier wird KI als Werkzeug (Logos) für Kunst (Poiesis) genutzt. Das Ergebnis: VALID.

    4. Die Grenzen

    Transparenz ist uns wichtig. Dieses Tool ist kein Wahrheitsministerium. Es weiß nicht, ob eine bestimmte Studie gefälscht wurde. Es prüft nur die logische Konsistenz der Aussage. Es respektiert Glauben, solange er sich nicht als Wissenschaft verkleidet.

    5. Fazit

    Der Sinnfeld-Scanner ist unser Versuch, die Debattenkultur zu retten. Wir wollen Spiritualität nicht verbieten und Wissenschaft nicht vergöttern. Wir wollen nur, dass beide in ihrem eigenen Spielfeld bleiben.

    Der Prototyp ist ab sofort im Arsenal verfügbar.

    SAPERE AUDE AGENCY // ENGINEERING DEPT.
  • Making-of: KI-Suche

    Making-of: KI-Suche

    CASE STUDY: AGENCY UPLINK

    Wie wir die dumme WordPress-Suche durch ein neuronales Netz ersetzten.

    Standard-Suchmaschinen sind wie schlechte Detektive: Sie suchen nur nach exakten Wortlauten. Wenn du nach „Überwachung“ suchst, finden sie Artikel über „Kameras“, „NSA“ oder „Privatsphäre“ oft nicht, weil das exakte Wort fehlt. Das war für unsere Mission inakzeptabel.

    Wir haben das System entkernt. Statt Keywords nutzen wir jetzt Vektoren. Hier ist der Blick in den Maschinenraum der neuen „Agency Uplink“ Architektur.

    🤖 Das Gehirn (Backend)

    Ein Raspberry Pi 5 dient als dedizierter KI-Server. Er läuft unabhängig von der Website und hostet eine Python FastAPI-Instanz.

    • Modell: intfloat/multilingual-e5-base
    • DB: ChromaDB (Vektor-Datenbank)
    • Logic: Semantic Chunking & Re-Ranking

    👁️ Das Gesicht (Frontend)

    WordPress wurde seiner Suchfunktion beraubt („Search Hijacking“). Jede Suchanfrage wird abgefangen und an die API des Pi 5 geleitet.

    • UI: Noir Terminal Overlay
    • Trigger: Text-Highlighting & Keyup-Events
    • Memory: SessionStorage für Persistenz

    Die Magie: Von Text zu Bedeutung

    Jeder Artikel, jedes Video und jeder Datenbank-Eintrag wird im Hintergrund in einen 768-dimensionalen Vektorraum verwandelt. Das System „liest“ den Inhalt nicht als Buchstaben, sondern als semantisches Konzept.

    # Der Kern der Logik: Semantische Distanzmessung results = collection.query( query_texts=[f“query: {user_input}“], n_results=10 ) # Wir filtern Ergebnisse, die zwar das Wort enthalten, # aber thematisch zu weit entfernt sind (Cosine Distance > 0.65). if score > 0.65: continue

    Feature Highlight: Der „Intel-Scanner“

    Wir wollten, dass sich Recherche anfühlt wie Ermittlungsarbeit. Deshalb haben wir einen globalen Selection Listener gebaut.

    Markiert der User irgendwo auf der Seite Text, erscheint sofort der Analyse-Button. Der markierte Text fliegt direkt in die Vektor-Maschine. Das Ergebnis ist keine Link-Liste, sondern ein kuratiertes Dossier aus Videos, Fakten und Artikeln.

    STATUS: OPERATIONAL // SYSTEM V.4.1

  • Making-of: Wie ich 10.000 Songs auf die Couch legte (und was die KI dabei fand)

    Making-of: Wie ich 10.000 Songs auf die Couch legte (und was die KI dabei fand)

    „Wir alle summen sie mit. Aber was singen wir da eigentlich? Während ich politische Narrative oft kritisch hinterfrage, ließ ich mich von Popmusik lange emotional berieseln. Die Philosophin Carrie Jenkins stellte die These auf, dass Popmusik Gefühle nicht nur spiegelt, sondern sie aktiv konstruiert. Ich wollte wissen: Kann man das messen?“

    Um Jenkins’ These zu prüfen, brauchte ich eine Datenbasis, die groß genug ist, um statistisches „Rauschen“ von echten Trends zu unterscheiden. Ich habe mich für die Billboard Hot 100 Charts entschieden – den kommerziellen Herzschlag der Popkultur seit 1960.

    Der Maschinenraum: 10.000 Songs und die Tücke der Daten

    In meiner Datenbank liegen nun rund 10.000 Songs. Doch Rohdaten sind oft „schmutzig“. Spotify-Metadaten geben zum Beispiel häufig das Jahr einer Compilation statt des Original-Releases an. Um die chronologische Präzision zu wahren, habe ich in mehreren iterativen Schritten unter Einsatz von KI die Veröffentlichungsjahre verifiziert und korrigiert.

    Zusätzlich habe ich die Texte mit der Spotify-API verknüpft. Werte wie Valence (musikalische Fröhlichkeit) und Danceability erlauben es mir, Lügen zu entlarven: Wenn ein Song textlich von Isolation handelt, aber musikalisch eine Party feiert, finden wir eine Dissonanz – ein perfektes Versteck für toxische Botschaften.

    Die KI als Soziologe: Prompt Engineering

    Das Herzstück ist die Analyse durch Google Gemini 2.5 Flash Lite. Ich musste die philosophischen Theorien in messbare Kriterien übersetzen. Mein Prompt zwingt die KI, jeden Song auf spezifische Hypothesen zu prüfen:

    • Phantom-Faktor (nach Thomas Scheff): Wird der Partner als Mensch mit Charakter beschrieben oder bleibt er eine Projektionsfläche für das eigene Ego?
    • Toxizitäts-Index: Wo beginnt Übergriffigkeit? Ich messe Elemente von Besitzanspruch, Stalking und emotionaler Erpressung.
    • Inevitability-Faktor: Wird Liebe als aktive Entscheidung dargestellt oder als schicksalhafte Naturgewalt?
    • Gender-Skript: Verharren wir in alten Rollenbildern (der aktive „Hero“ vs. die wartende „Damsel“)?
    • Volatilitäts-Index: Belohnt der Markt Stabilität oder das On-Off-Chaos der „intermittierenden Verstärkung“?

    Der „Pata Pata“-Moment & das Queen-Dilemma

    Datenanalyse ist nur so gut wie ihre Filter. Mitten im Testlauf meldete die KI für Miriam Makebas „Pata Pata“ einen maximalen Phantom-Score von 10. Warum? Weil der Song keinen Partner beschreibt, sondern einfach nur vom Tanzen handelt! Ich lehrte das System per Context-Injection, zwischen Romantic Love und reinen Party-Songs zu unterscheiden.

    Auch das Gender-Problem bei Bands musste gelöst werden: „Queen“ oder „ABBA“ sind laut Metadaten schlicht eine „Gruppe“. Ein Algorithmus, der nur das liest, kann keine Geschlechterrollen analysieren. Mein Skript zwingt die KI nun, anhand ihres Weltwissens die Lead-Stimme zu identifizieren (Freddie Mercury = Male), um die Rollenverteilung korrekt zuzuordnen.

    Das Ergebnis

    Nach einer Nacht Rechenzeit und tausenden API-Calls zeigen die Ergebnisse Muster, die ich so nicht erwartet hätte. Die Daten bestätigen nicht nur Jenkins und Scheff, sie zeigen eine extreme Korrelation zwischen Chart-Erfolg und Beziehungs-Instabilität. Es scheint, als ob wir Drama lieben – oder zumindest am liebsten kaufen.

    • Drama-Zunahme: Die emotionale Volatilität steigt geschlechterübergreifend an.
    • Emanzipations-Schere: Frauen befreien sich aus Rollen, Männer verharren oft im „Hero“-Skript.

    Methodischer Tiefgang: Wer mehr über das statistische „Rauschen“, die iterative Fehlerkorrektur der Jahreszahlen und die erkenntnistheoretischen Grenzen dieser Studie erfahren möchte, findet alle Details in meinem Whitepaper zur Songanalyse.

  • Agentic Process Automation im Wohnzimmer

    Agentic Process Automation im Wohnzimmer

    Making-of „News Radar“

    Wie ich FHEM per MQTT mit einer KI-Steuerung verknüpft habe

    Künstliche Intelligenz wird meistens als Text-Generator verstanden: Ich frage etwas, die KI antwortet im Chatfenster. Doch das wahre Potenzial liegt in der Agentic Process Automation (APA). Das bedeutet: Die KI agiert nicht nur als Orakel, sondern als autonomer Agent, der Entscheidungen trifft und Aktionen in der realen Welt auslöst.

    In diesem Projekt („KI-News-Radar“) wollte ich genau das beweisen. Das Ziel: Die KI soll die weltweite Nachrichtenlage analysieren und mein Smart Home (FHEM) steuern. Wenn die Weltlage „rot“ ist, soll auch mein Arbeitszimmer rot leuchten.


    Die Architektur: Die „Brain-to-Reality“ Bridge

    Das System besteht aus zwei Welten, die normalerweise nicht miteinander sprechen:

    THE BRAIN

    Python & LLM
    Ein Python-Skript auf dem Raspberry Pi, das Nachrichten liest und via Google Gemini bewertet („Analyst Agent“).

    MQTT
    THE BODY

    FHEM & IoT
    Mein bestehender Home-Automation-Server, der Lampen und Displays steuert.

    Die Brücke zwischen diesen Welten ist MQTT (Message Queuing Telemetry Transport). Es ist das Standard-Protokoll für IoT – leichtgewichtig, schnell und perfekt zum Entkoppeln von Systemen.

    Der „Dispatcher Agent“: Wenn Python funken lernt

    In meiner Agenten-Architektur gibt es einen speziellen Agenten für den Output: den DispatcherAgent. Seine Aufgabe ist es, das abstrakte Analyse-Ergebnis der KI in einen physischen Befehl zu übersetzen.

    dispatcher_agent.py
    import paho.mqtt.client as mqtt
    
    class DispatcherAgent:
        def __init__(self):
            # Verbindung zum MQTT Broker (FHEM-Server)
            self.mqtt = mqtt.Client(mqtt.CallbackAPIVersion.VERSION2)
            self.mqtt.connect("192.168.178.xx", 1883, 60)
    
        def trigger_iot(self, analysis):
            hype = analysis['hype']
            
            if hype > 80:
                # Alarmstufe Rot
                self.mqtt.publish("home/office/light/set", "rgb FF0000")
                self.mqtt.publish("home/office/matrix/text", "ALERT: HIGH HYPE")
            elif hype < 40:
                # Entwarnung / Grün
                self.mqtt.publish("home/office/light/set", "rgb 00FF00")
            else:
                # Normalbetrieb / Weiß
                self.mqtt.publish("home/office/light/set", "rgb FFFFFF")

    FHEM Seite: Der Empfänger

    Auf der Seite des Smart Home Servers (FHEM) muss lediglich ein MQTT_DEVICE angelegt werden, das auf diese Topics lauscht. Das Schöne an MQTT ist das „Fire and Forget“-Prinzip: Das Python-Skript muss nicht wissen, welche Marke die Lampe hat (Hue, Zigbee, WLAN). Es sendet einfach „Mach Rot“, und FHEM kümmert sich um den Rest.

    Fazit: Agentic Automation als Filter

    Dieses Experiment zeigt das Potenzial moderner KI-Architekturen: Wir verschieben den „Human-in-the-Loop“ an die Stelle, wo er am wichtigsten ist. Weg vom mühsamen Sichten der Rohdaten, hin zur Bewertung der qualifizierten Analyse.

    Mein News-Radar wird so zum Ambient Interface. Ich muss nicht aktiv suchen, um informiert zu bleiben. Ein Blick auf die Lichtfarbe im Raum genügt, um zu wissen, ob die Nachrichtenlage meine Aufmerksamkeit erfordert.

  • Warum ein Server nicht reicht: Meine Dual-Pi-Architektur für Frontend und KI-Backend

    Warum ein Server nicht reicht: Meine Dual-Pi-Architektur für Frontend und KI-Backend

    Resilience by Design

    Warum ein Server nicht reicht: Meine Dual-Pi-Architektur für Frontend und KI-Backend

    Wer KI-Anwendungen (wie meine Klartext-Engine) hostet, kennt das Problem der „Workload-Konkurrenz“. Ein WordPress-Server braucht schnelle Datenbankzugriffe und kurze Ladezeiten. Eine RAG-Engine hingegen braucht massiv RAM und CPU-Power. Lässt man beides auf derselben Maschine laufen, riskiert man den „Stau auf der Autobahn“.

    „Während die KI denkt, wartet der Webseiten-Besucher auf das Menü. Das ist der Tod jeder User-Experience.“

    Die Lösung: Separation of Concerns

    Um dieses Dilemma zu lösen, setze ich auf physikalische Trennung. Mein Setup besteht aus zwei Raspberry Pi 5, die als spezialisierte Nodes agieren.

    Node 1: The Face (Frontend)

    • Hardware: Raspberry Pi 5 (8GB)
    • Stack: Nginx, MariaDB, Caching
    • Ziel: Maximale TTFB-Performance

    Node 2: The Brain (Backend)

    • Hardware: Raspberry Pi 5 (16GB)
    • Stack: FastAPI, ChromaDB, LLM-Bridge
    • Ziel: Rechenpower ohne Blockaden

    Der Clou: Node 1 leitet API-Anfragen (/api/) via internem High-Speed-LAN direkt an Node 2 weiter. So bleibt das Frontend flüssig, während im Hintergrund die Vektordatenbank „glüht“.


    Der Hardware-Stack (x2)

    Keine Kompromisse bei der Geschwindigkeit: Beide Nodes sind identisch mit NVMe-SSDs ausgestattet, um SD-Karten-Flaschenhälse zu vermeiden.

    1. Die Rechenkerne (16GB Power)

    Besonders für den Backend-Node ist Arbeitsspeicher durch nichts zu ersetzen. Vektordaten im RAM halten das System responsiv. Node 1 nutzt die 8GB vor allem für riesige Caching-Reserven.

    2. Der Speicher-Turbo: M.2 HAT+ & NVMe

    Wir nutzen den PCIe-Port für NVMe-SSDs. Das macht Datenbank-Abfragen und Backups rasend schnell. Ein Unterschied wie Tag und Nacht im Vergleich zu herkömmlichen SD-Karten.

    3. Aktives Thermomanagement

    Da Node 2 bei KI-Anfragen unter Volllast läuft, ist aktive Kühlung Pflicht. Die originalen Active Cooler halten die Temperatur auch bei Dauerlast im optimalen Bereich.

    >_ FAZIT: WARUM DER AUFWAND?

    Natürlich könnte ein einzelner, dicker PC das auch leisten. Aber die Aufteilung auf zwei effiziente ARM-Rechner ist energieeffizienter und ausfallsicherer.

    Wenn ich am KI-Code auf Node 2 bastle und ihn versehentlich abstürzen lasse, bleibt die Webseite auf Node 1 für euch trotzdem erreichbar. Das ist „Resilience by Design“ – im Kleinen konsequent umgesetzt.

  • Making-of Klartext Engine

    Making-of Klartext Engine

    Digital Lab: Das Innenleben

    Die Klartext Engine – Der Experte für Bullshit-Resistenz

    In einer Informationslandschaft, die von „Bullshit“ – der Gleichgültigkeit gegenüber der Wahrheit – geprägt ist, brauchen wir mehr als nur Intuition. Die Klartext Engine ist ein prozedurales Analyse-Tool, das Texte systematisch auf logische Fehlschlüsse, Mythen und manipulative Absichten dekonstruiert.

    Architektur: Hybrides RAG mit Zwei-Ebenen-Abruf (Immer-dabei-Wissen vs. On-Demand-Tiefenwissen).
    Hardware: Dedizierter Python-Backend-Node (Raspberry Pi 5).

    Philosophie: Kontrollierte Intelligenz

    Die Engine verkörpert die Sapere Aude-Idee: Transparenz schaffen, statt nur Ergebnisse vorzugeben. Durch eine hybride KI-Architektur (Gemini Flash für die Triage, Gemini Pro für die Tiefenanalyse) wird sichergestellt, dass das System nicht nur Fehler aufzeigt, sondern den Nutzer zur Reflexion anleitet.


    Die Pipeline: In 6 Schritten zur digitalen Souveränität

    Der Prozess folgt einer strengen, regelbasierten Logik, um Halluzinationen zu minimieren und maximale Genauigkeit zu erzielen:

    1
    Sanity Check (Phase 1a)

    Agent 5 prüft den Text auf Substanz, Kohärenz und Vollständigkeit. Rein private Chats oder inhaltlose Fragmente werden hier bereits gestoppt.

    2
    Triage & Texttyp (Phase 1b)

    Identifikation des dominanten Texttyps (z. B. „Informativ“ vs. „Überzeugend und werbend“). Dies kalibriert die Strenge des späteren Scorings.

    3
    Argument Mining (Phase 1c)

    Extraktion der zentralen Claims (Thesen) und Premises (Begründungen). Diese bilden die semantischen Anker für die Wissensabfrage.

    4
    Semantische Analyse (RAG)

    Orchestrierung paralleler Abfragen in der Wissensbasis (Logik, Fakten, Motivation, Mythen). Ein Re-Ranker filtert Chunks nach didaktischer Relevanz und semantischer Distanz.

    5
    Hauptanalyse & Klassifikation

    Abgleich der Funde mit der „Intent-Complexity Matrix“. Klassifikation des Bullshitter-Typs (Manipulator, Ideologe, Schwätzer, Ahnungsloser), Wahrheitstyp, grobe politische Relevanz und Narrativ, sowie Kommunikationsebenen nach Schulz von Thun.

    6
    Synthese & Bewertung

    Berechnung der finalen Teil-Scores und der gewichteten Gesamtnote (40% Fakten, 35% Logik, 25% Manipulation).


    Die Analyse-Pyramide

    Fahre über die Schichten, um die tiefe Logik hinter den Kulissen der analyze_v2.py zu sehen:

    1. SYNTHESE / BEWERTUNG
    2. HAUPTANALYSE & KLASSIFIKATION
    3. SEMANTISCHE ANALYSE (RAG)
    4. ARGUMENT MINING
    5. TRIAGE & SANITY CHECK

    Systemstatus: Bereit

    Wähle eine Ebene, um die technischen Details der Pipeline-Logik einzusehen.

    Fazit: Mentale Souveränität

    Die Klartext Engine ist mehr als Technik; sie ist ein Beitrag zur digitalen Aufklärung. Durch ihre prozedurale Analyse gibt sie dir die Fähigkeit zurück, die Filter deines eigenen Denkens zu erkennen und die Wahrheit selbst zu suchen.

KAT TYP

Titel laden...

Die Behauptung (Narrativ)

...

Dahinter steckt (Implizite Annahme)

⚠️ Erkennungsmerkmale

    📜 Historischer Kontext

    🔍 Analyse & Kontext

    💡 Kritische Reflexion

    Ermittlungshilfe

    Stimmt diese Analyse mit deiner Wahrnehmung überein? Hilf uns, die Daten zu schärfen.

    👤
    AGENCY UPLINK // V.3.0 [X]

    > Secure Connection established.

    > User: GUEST

    >
    ×
    DATABASE ENTRY ×
    🎧 0
    📂 Zur Mediathek
    ✕ Ausblenden
    Playlist ×
    System bereit...