Talks

2017 war die KI-Landschaft zersplittert: Caffe2, CNTK, MXNet, TensorFlow, PyTorch – jedes Trainingsframework mit eigenem Modellformat, und jede Version mit eigenen Inkompatibilitäten. Genau dafür entstand ONNX, Open Neural Network Exchange: ein offenes Austauschformat, damit ein Modell nicht für immer an das Framework gebunden bleibt, in dem es trainiert wurde. Die Hälfte dieser Frameworks existiert heute nicht mehr. Die Trainingsseite hat sich konsolidiert – die Zielseite dagegen ist vielfältiger denn je: CPUs, GPUs, NPUs, Browser. Die Fragmentierung ist nicht verschwunden, sie ist umgezogen. Getragen wird ONNX von einer herstellerneutralen Foundation; über die Weiterentwicklung entscheidet die Community.

Der Vortrag beantwortet drei Fragen.

Was leistet ONNX heute? Nach einer kompakten Einordnung – Graph, Operatoren, Opset-Versionierung als Kompatibilitätsvertrag – geht es in die Praxis: Modell exportieren, mit Netron inspizieren, über verschiedene Execution Provider ausführen. Dazwischen die Stolperstellen: Opset-Wahl, dynamische Achsen, Quantisierung – lösbar, wenn man sie kennt.

Wo stößt es an Grenzen? Generative Modelle passen nicht bruchlos in einen statischen Graphen: dynamische Berechnungspfade wie Mixture of Experts, die Verwaltung von Key-Value-Caches, Ahead-of-Time-Kompilierung für Beschleuniger, die Vielzahl gebräuchlicher Quantisierungsverfahren, die jedes Backend anders umsetzt.

Wer schließt diese Lücken? Eine Working Group arbeitet an den Herausforderungen, die generative Modelle mitbringen: fehlende Operatoren, Exporter, backend-spezifische Repräsentationen, Pipeline-Konstrukte. Einiges steht bereits im Standard – Attention, Rotary Embeddings, RMS-Normalisierung –, parallel läuft die Arbeit an Quantisierung und Graph-Optimierung. Eine zweite Gruppe definiert ein Profil für sicherheitskritische, zertifizierungspflichtige Systeme – dort ist „läuft meistens" keine Antwort. Eine dritte, seit Anfang 2026 aktiv, nimmt sich probabilistischer Modelle an – die nicht nur ein Ergebnis liefern, sondern gleich eine ganze Wahrscheinlichkeitsverteilung darüber – ein Feld, das heute so zersplittert ist wie das Framework-Ökosystem 2017. Dazu die unsichtbare Arbeit an der Lieferkette: SBOM, SLSA-Provenance, reproduzierbare Builds, tokenloses Publishing. Ein Modellformat ist auch ein Angriffsvektor.

Das ist der Vorteil eines Standards: Niemand muss die ganze Kette bauen, jede Gruppe löst ihr Stück. Mitmachen kann jeder – alle Meetings sind öffentlich.

Ihr findet nichts in der Git-Historie? Rebase verursacht nur Konflikte? History-Rewriting ist zu kompliziert?

Ich zeige euch anschaulich das Grundprinzip von Git. Danach werden Rebase, Cherry-Pick und History-Rewriting zur Routine. Für alle, die nicht nur mit Git zurechtkommen, sondern es wirklich verstehen wollen.

Are you still prompting directly in your IDE? Learn how to move up a layer and build the right feedback loop so your agents can work on their own for hours and days without any input - while still performing actual, useful work.

Mit Realtime-Sprachmodellen wie GPT-realtime oder Gemini-Live entsteht eine neue Generation von Interfaces: Sprache wird zum sofort reagierenden, latenzarmen Interaktionskanal – ohne Prompting, ohne Wartezeiten, hands-free. In diesem Talk zeigt Sascha Lehmann, wie Realtime-Modelle technisch funktionieren, wie man Kontextgrenzen, Rollen und Sicherheit zuverlässig kontrolliert und wie sich Realtime-AI gezielt in Web- und Mobile-Anwendungen integrieren lässt – von Architektur über Kostenoptimierung bis hin zur UX, die Nutzer transparent durch den Dialog führt.

Chatbots wie ChatGPT generieren heute bereits kleine UI-Snippets, die sich an die aktuelle Konversation anpassen. Damit ist ziemlich klar, wohin die Reise geht: Benutzer werden den Chat immer seltener verlassen müssen, um Nachrichten zu lesen, Einkäufe zu tätigen oder andere Aufgaben zu erledigen.

Ist damit das Ende der Frontends besiegelt?

Nicht wirklich. Man möchte Benutzern zum Beispiel online weiterhin ein bewusst gestaltetes Einkaufserlebnis bieten oder hat regulatorische Vorgaben (wie bei der Schadensfallmeldung einer Versicherung), die man selbst kontrollieren und implementieren muss. Gleichzeitig gibt es aber sehr wohl Bereiche in der UI, in denen KI dynamisch eingreifen und einen Mehrwert bringt. Etwa durch effizientere Abläufe oder eine Oberfläche, die sich an die aktuelle Situation und die Bedürfnisse des Users anpasst.

Genau darum geht es bei Agentic UI.

In diesem Vortrag sehen wir uns an, was dahinter steckt, welche Standards wie AG-UI, A2UI und MCP Apps es bereits gibt, welche Tools und Frameworks dabei eine Rolle spielen und welche Erfahrungen man damit bereits in realen Projekten gesammelt hat.

Wer kennt es nicht: Man landet in einem lange laufenden Projekt, öffnet die ersten Dateien und schlägt direkt die Hände über dem Kopf zusammen. Auf die Frage, warum die Codebase aussieht, als hätte ChatGPT-3 sie an einem Freitagabend blind generiert, kommt der absolute Klassiker: „Dafür haben wir keine Zeit!", dicht gefolgt von: „Ist uns bewusst, aber…"

Genau diese Situation hatte ich erst kürzlich wieder, als ich meine neue Rolle als Bereichsleiter für AI Engineering angetreten habe. Das Bild war altbekannt: Keine klare Architektur, veraltete Dependencies und eine bescheidene Performance. In meinem Talk zeige ich euch anhand echter Praxisbeispiele, wie ich mit modernen KI-Werkzeugen technische Schulden effizient abbaue, anstatt sie nur zu verwalten. Und noch wichtiger: Ihr erfahrt, wie ich im Anschluss mit harten, deterministischen Quality Gates - ganz ohne KI - dafür sorge, dass dieses Chaos gar nicht erst wieder entsteht.

Jedes KI-Feature wird heute auf dieselbe Weise ausgeliefert: Ein Chat-Fenster wird notdürftig an die Seite der App geklatscht. Chat ist die Kommandozeile der KI-Ära – mächtig, aber faul. Er zwingt Nutzer dazu, Absichten mühsam zu formulieren, reißt sie aus dem Flow und verschleiert, was das Produkt eigentlich kann.

Es geht besser – und die Lösung steckt bereits im Browser, für den ihr ohnehin entwickelt. Dank WebGPU, WebAssembly und dem aufkommenden WebNN-Standard können moderne Browser vollwertige ML-Modelle bei interaktiven Bildraten ausführen. Das erschließt Interaktionsmuster, die ein Cloud-Roundtrip niemals leisten kann: Interfaces, die über die Kamera sehen und Frame für Frame reagieren; Inline-Intelligenz direkt in Formularen und Editoren; semantische Suche ganz ohne Backend; und UIs, die sich an die Aktionen der User anpassen, statt darauf zu warten, was getippt wird.

In dieser Session bauen wir Nicht-Chat-KI-Features live und kartografieren die Landschaft der In-Browser-Inferenz: von LiteRT.js (Googles neuer WebAI-Runtime mit direktem PyTorch-Konvertierungspfad) über Transformers.js bis hin zu Chromes Built-in AI APIs. Vor Beginn der Demos schalten wir das WLAN ab: Alles läuft lokal auf dem Laptop auf der Bühne – inklusive eines Pose-Estimation-Modells, das einen Bowling-Anlauf in Echtzeit analysiert. Nebenbei klären wir die pragmatischen Fragen: Modellgröße vs. Download-Budget, Quantisierungs-Kompromisse, Hardware-Diversität sowie die massiven Vorteile für Datenschutz und DSGVO, wenn Daten das Gerät nie verlassen.

Am Ende nehmt ihr ein klares Framework mit, wann KI auf das Endgerät gehört, wann in die Cloud und wann schlicht gar nicht – plus Interface-Ideen, die eure Nutzer bemerken, noch bevor sie überhaupt an ein Chat-Fenster denken.

UX-Probleme werden in digitalen Produkten oft erst spät sichtbar – und werden dann schnell zur Schuldfrage: „Das Design war schlecht", „Die Entwickler haben es falsch umgesetzt" oder „Das Produktmanagement hat nicht sauber priorisiert". Dabei ist gute User Experience weder ein isolierter Arbeitsschritt noch die Aufgabe eines einzelnen Teams. Sie entsteht im Zusammenspiel von UX, Entwicklung und Produkt über den gesamten Entstehungsprozess hinweg.

In diesem Talk beleuchte ich, wo UX-Verantwortung tatsächlich beginnt, wo sie sinnvoll endet und an welchen Stellen Entwickler:innen einen entscheidenden Einfluss auf die tatsächliche Nutzungserfahrung haben. Anhand praxisnaher Beispiele aus B2B- und Produktprojekten zeige ich, welche Entscheidungen UX treffen kann und sollte, wie technische Rahmenbedingungen UX-Arbeit beeinflussen und warum UX kein reines „Design-Problem", sondern ein System aus Entscheidungen ist. Dabei wird auch deutlich, welche Rolle Übergaben und Abstimmungen – etwa im Handoff zwischen UX und Entwicklung – spielen, warum sie häufig zu Reibung führen und wie Verantwortung an diesen Schnittstellen sinnvoll geteilt werden kann.

Java 25 ist das jüngste Release mit Langzeitunterstützung und es kam mit jeder Menge Features. Aber seitdem sind auch Java 26 und 27 bereits erschienen und haben noch ein wenig draufgelegt:

* von Modulimporten zu besserem Pattern Matching * von Structured Concurrency zu HTTP/3 * von einer einfacheren Main-Methode zum direkten Start von Quellcode * von besserer Performance zu quantencomputer-resistenter Verschlüsselung

Ob neu, verbessert oder finalisiert - es gibt jede Menge Features in der Sprache, der Standardbibliothek und der Laufzeit zu besprechen. Also machen wir genau das!