„KI ist keine Zauberei“: Künstliche Intelligenz verstehen & sinnvoll einsetzen
Interview mit Dr. Julien Siebert
KI – Faszination und Angst. Die Debatte um Künstliche Intelligenz ist allgegenwärtig. Auch in der Wissenschaft. Doch was ist „die KI“ überhaupt? Die Klärung dieser Frage ist essentiell, um KI, besonders in der Forschung zielgerichtet und erfolgreich einsetzen zu können. Im Interview klärt Dr. Julien Siebert vom Fraunhofer-Institut IESE Kaiserslautern den KI-Begriff, wie KI wissenschaftliches Arbeiten verändert, und wo die persönliche Verantwortung des Einzelnen gefragt ist.
Wer mehr über eine Promotion mit Schwerpunkt künstliche Intelligenz erfahren möchte, findet hier ein Interview mit Qendrim Schreiber, Doktorand an der Johannes Gutenberg-Universität Mainz.
Auch in der Lehre ist KI längt nicht mehr wegzudenken. Wie KI an Hochschulen eingesetzt wird und was es in Zukunft für Lehrmethoden gibt, erzählt Prof. Dr. Ulrike Padó hier.
Wie sieht Ihre tägliche Arbeit aus? – Forschen Sie momentan aktiv an KI-Modellen?
Dr. Julien Siebert: „Nicht an KI selbst, aber an KI für Software Engineering. Meine Berufsbezeichnung lautet „KI-Experte“. Das bedeutet hier am Fraunhofer-Institut, dass ich viele Projektanträge schreibe, Projekte leite und mich auch um die strategische Entwicklung der Abteilung kümmere. Unsere Arbeit am Fraunhofer besteht vor allem aus Industrieprojekten. Dabei entwickeln wir konkrete Lösungen und setzen diese praktisch um. Die Industrie bezahlt uns dafür, die Hintergründe der KI-Technologie zu verstehen, anzuwenden und so einen praktischen Wissenstransfer zu schaffen.“
Dr. Julien Siebert: „In den letzten Jahren lag unser Schwerpunkt vor allem auf Sprachmodellen. Ein Kollege verfügte bereits über Erfahrung mit dem Self-Hosting von Open-Source-Sprachmodellen. Dadurch haben wir begonnen, zunächst kleinere Modelle selbst zu betreiben. Nach und nach haben wir am Institut immer mehr Infrastruktur bekommen, sodass wir heute leistungsfähigere Modelle lokal betreiben können.“
KI für Wissensmanagement und E-Learning
Was machen Sie mit diesen Modellen konkret?
Dr. Julien Siebert: „Unsere Projekte beschäftigen sich oft mit Wissensmanagement. Dazu gehören sogenannte Retrieval-Augmented-Generation-Systeme (RAG). Das ist eine Technik, bei der die Antworten eines Sprachmodells durch externe Datenquellen verbessert werden. Wir versuchen dann Fragen zu klären wie: „Wie extrahiere ich welche Informationen aus welchem Dokument?“ oder „Wie packe ich die Informationen in eine Datenbank?“ Dahinter steckt sehr viel Data Engineering.“
Dr. Julien Siebert: „In einem anderen Projekt haben wir zusammen mit einem anderen Fraunhofer-Institut Anwendungen für E-Learning entwickelt. Dafür haben wir aus Lehrbüchern Informationen extrahiert und daraus automatisch Lernmaterialien erzeugt. Zum Beispiel Zusammenfassungen, Quizfragen oder Multiple-Choice-Aufgaben. Diese Verfahren sind weitgehend domäneunabhängig. Wir arbeiten sowohl mit Softwareunternehmen zusammen, die Chatbots für Dokumentationen oder Quellcode entwickeln möchten, als auch mit Ingenieurbüros, die Berichte anhand sehr technischer Beschreibungen entwickeln müssen oder Firmen, die einen großen Produktkatalog effizient durchsuchen wollen.“
Was ist „die KI“ überhaupt?
Dr. Julien Siebert: „Das ist tatsächlich eine sehr gute Frage. Mit genau dieser Frage beginne ich häufig meine Keynotes und Impulsvorträge. Für mich bedeutet KI verschiedene Sachen. Zunächst einmal gibt es Künstliche Intelligenz als Forschungsfeld. Das Forschungsgebiet existiert ungefähr so lange wie es Computer gibt. Im Laufe der Forschung sind daraus unterschiedlichste Technologien entstanden. Zum Beispiel neuronale Netze, Multi-Agenten-Systeme, Entscheidungsbäume oder regelbasierte Expertensysteme.“
Dr. Julien Siebert: „Die KI-Forschung beschäftigt sich also mit der Frage, wie sich intelligente Verfahren entwickeln lassen. Das Ergebnis dieser Forschung sind neue Algorithmen und Technologien. Aus meiner Sicht ist generative KI deshalb eine Technologie innerhalb dieses Forschungsfeldes. In den 80er Jahren wurde ein Entscheidungsbaum auch als KI bezeichnet. In den 60er Jahren waren das Systeme, die über Logik gearbeitet haben. Damals war man überzeugt, dass sich in wenigen Jahren alle Sprachen der Welt automatisch übersetzen lassen würden. Tatsächlich hat es aber noch einige Jahre länger gedauert, bis Systeme wie DeepL diese Qualität erreicht haben.
Dr. Julien Siebert: „Aber die grundlegenden Fragestellungen der KI-Forschung sind bis heute nahezu gleichgeblieben. Es geht darum Sprache zu verstehen, Bilder zu interpretieren, kognitive Prozesse nachzubilden und diese Fähigkeit auf Maschinen zu übertragen.“
Vom Modell zur Anwendung
Gibt es ein Beispiel für eine aktuelle Technologie aus der KI-Forschung?
Dr. Julien Siebert: „Eine Technologie ist die Transformer-Architektur. Das „T“ in GPT steht für „Transformer“. Diese Architektur beschreibt, wie ein neuronales Netz aufgebaut und trainiert wird. Durch das Training entsteht anschließend ein Modell. Ein Modell ist letztendlich ein System, das bestimmte Aufgaben lösen kann. Bei GPT bedeutet das beispielsweise: Ich gebe einen Text ein und erhalte Text zurück. Ich stelle eine Frage und bekomme eine Antwort.“
Dr. Julien Siebert: „Diese Modelle können wir dann in Applikationen einbauen, wie zum Beispiel ChatGPT oder Claude. Hier entsteht häufig ein Missverständnis. Viele Menschen sagen: „ChatGPT ist die KI“. Tatsächlich ist ChatGPT aber eine Anwendung, die ein Sprachmodell verwendet. ChatGPT kann aber deutlich mehr. Zum Beispiel Suchmaschinen einbinden, Chatverläufe speichern oder persönliche Informationen aus früheren Chats berücksichtigen. All das gehört zur Anwendung, nicht zum eigentlichen Sprachmodell.“
Wie nutzt man KI richtig?
Dr. Julien Siebert: „Ich versuche den Leuten immer zu erklären, dass man zunächst das eigentliche Problem verstehen muss. Erst dann entscheidet man, welche Technologie dafür geeignet ist. Wenn ich eine Textaufgabe lösen möchte, nehme ich wahrscheinlich ein Sprachmodell. Anschließend entscheide ich mich für eine konkrete Modellinstanz, beispielsweise Qwen, DeepSeek oder ein GPT-Modell von OpenAI.“
Dr. Julien Siebert: „Das Sprachmodell ist aber nur ein Baustein für meine Problemlösung. Zum Beispiel kennt das Sprachmodell meine Unternehmensdaten nicht. Es hat keinen Zugriff auf interne Dokumente oder Datenbanken und kann keine Werkzeuge, wie eine Suchmaschine nutzen, solange diese nicht angebunden werden. Die Verbindung zwischen Modell, Datenquellen und Werkzeugen wird durch die Anwendung, wie ChatGPT, hergestellt. Wenn einem diese Begriffe klar sind, kann man auch „die KI“ sagen. Das Problem ist eher, wenn die Leute keine Ahnung haben, was was bedeutet. Wenn die KI für sie Zauberei ist. Es passiert etwas, aber ich verstehe nicht, wie das funktioniert.“
Wo KI an Grenzen stößt
Gibt es Aufgaben, die KI nicht lösen kann?
Dr. Julien Siebert: „Das ist schwierig zu sagen. Die heutigen Modelle können bereits mit nahezu allen Datentypen umgehen. Also Text, Audio, Video, Bilder. Die entscheidende Frage lautet deshalb weniger, ob sie etwas verarbeiten können, sondern wie gut sie es können. Wir haben beispielsweise Projekte mit Bauplänen von Straßen und Brücken durchgeführt. Für Gebäude existieren bereits klassische regelbasierte Verfahren, weil dort viele geometrische Strukturen wie Rechtecke vorkommen. Aber bei Brücken oder Straßen ist das deutlich schwieriger für KI-Modelle. Multimodale Sprachmodelle können Pläne inzwischen jedoch erstaunlich gut interpretieren. Das ist eine Aufgabe, die man schon gut automatisieren kann und uns etwas bringt. Also konkret, wo ist eine Böschung, wo gehören Gullydeckel hin?“
Dr. Julien Siebert: „Das Problem ist, der Mensch will eher komplexere Berechnungen lösen lassen. Also ein Ingenieur möchte zum Beispiel berechnen, wie viel Sand oder Beton für eine Brücke benötigt wird. Auch Menschen lösen diese Aufgabe nicht in einem einzigen Rechenschritt. Wir müssen messen und Teilberechnungen anstellen. Diese Teilschritte kann man besser einer KI vorgeben. Das heißt, wenn komplexe Aufgaben in kleinere Schritte zerlegt werden, ist die Qualität der Antwort häufig besser. Man muss sich die Frage stellen: Wie muss ich die Aufgabe strukturieren, damit KI sie zuverlässig lösen kann?“
Dr. Julien Siebert: „Eine andere Frage ist, gibt es Aufgaben, die die KI noch nie gesehen hat? Das ist eine echt gute Frage, weil die Modelle, die wir haben, sind mit den Daten des gesamten Internets trainiert. Das heißt, alle Modelle haben ähnliche Daten gesehen. Es kann sein, wenn jemand heute im Forschungsumfeld ein neues Gerät erfindet, haben wir neue Daten, die noch kein Trainingsdaten für die Modelle waren. Rein technisch können die Modelle aber mit allen Aufgaben umgehen. Deshalb die Frage, gibt es Daten, die die KI nicht verarbeiten kann? Ich glaube eher nicht. Es gibt lediglich bestimmte Bilder, wie die eines Brückenplans, welche die KI nicht im Ganzen, sondern nur in Teilaufgaben, in guter Qualität verarbeiten kann.“
KI in der Wissenschaft
Wie kann KI die wissenschaftliche Arbeit erleichtern?
Dr. Julien Siebert: „KI ist in der Wissenschaft längst angekommen. Sie kennen wahrscheinlich Perplexity, den Google AI Modus und so weiter. Ähnliche Technologien existieren auch für die Wissenschaft. Zum Beispiel gibt es scienceOS oder auch entsprechende Funktionen in Scopus. Im Grunde handelt es sich dabei um deutlich leistungsfähigere Suchmaschinen. Uns Wissenschaftlern hilft das unheimlich, wenn wir einen State of the Art oder eine systematische Literaturrecherche durchführen und keine relevanten Papers übersehen wollen.“
Formulierung der Forschungsfrage
Dr. Julien Siebert: „Schon bei der Formulierung der Forschungsfrage kann KI enorm unterstützen. Oft habe ich eine Idee, aber weiß nicht wie ich diese sauber formulieren oder wissenschaftlich begründen kann. Dann lasse ich das Sprachmodell die Rolle eines Devil’s Advocate übernehmen, der alle meine Annahmen kritisch hinterfragt, alle impliziten Voraussetzungen offengelegt und konstruktive Gegenargumente liefert. Plötzlich kommen ganz viele Vorschläge. „Hast du an das und das gedacht?“ Und dann kann ich selbst einordnen: „Das ist wichtig, daran habe ich noch nicht gedacht, das spielt in meinem Fall keine Rolle“.
Literaturrecherche
Dr. Julien Siebert: „Sobald die Forschungsfrage steht, folgt die eigentliche Literaturrecherche. Zunächst kann die KI in bibliographischen Datenbanken suchen. Das ist einfach, weil diese sehr gut strukturiert sind. Darüber hinaus interessiert uns als Anwendungsforschung aber auch, was aktuell in der Industrie passiert. Das ist meist grey literature, also Informationen, die fast nirgendwo dokumentiert sind. Wenn überhaupt in Blogs oder in den sozialen Medien. Da hilft KI sehr.“
Dr. Julien Siebert: „Für die Literaturrecherche braucht es geeignete Suchbegriffe. Ich nutze Sprachmodelle häufig, um Synonyme oder alternative Fachbegriffe zu finden. Anschließend kann man mit diesen Begriffen Suchanfragen bei Datenbanken wie Scopus, Google Scholar oder Web of Science stellen. Die Suchergebnisse kann man sich in einer Excel-Tabelle ausgeben lassen, sichten und selbst entscheiden, ob diese relevant sind oder nicht. Es hilft unheimlich weiter, wenn die KI aus den Papers schnell die Forschungsfrage, den Datensatz, die Methoden und die Ergebnisse herauszieht. Normalerweise müsste ich jedes Paper vollständig lesen und die Informationen manuell zusammentragen. Sprachmodelle können solche Informationen jedoch sehr zuverlässig extrahieren. Das spart im wissenschaftlichen Alltag enorm viel Zeit.“
Klare Grenzen
Dr. Julien Siebert: „Gleichzeitig gibt es klare Grenzen. Vor einiger Zeit habe ich gemeinsam mit einer Masterstudentin untersucht, ob Sprachmodelle Forschungsfragen automatisch aus wissenschaftlichen Artikeln extrahieren können. Grundsätzlich hat das funktioniert, aber nicht in der erwarteten Qualität. Die Modelle erzeugten deutlich mehr Forschungsfragen als tatsächlich vorhanden waren. Wir hatten etwa 30 Paper, von denen ungefähr achtzehn explizite Forschungsfragen enthielten. Die beiden getesteten Modelle erzeugten jedoch insgesamt weit über tausend vermeintliche Forschungsfragen. Ich erwarte pro Paper drei, vier Forschungsfragen und die Antwort darauf. Das zeigt die aktuellen Grenzen solcher Systeme. Die grundlegenden Aufgaben können die Sprachmodelle lösen, aber die Qualität entspricht nicht dem, was wir wissenschaftlich erwarten würden.“
Kann theoretisch der gesamte wissenschaftliche Prozess von einer KI automatisiert werden?
Dr. Julien Siebert: „Inzwischen gibt es Forschungsarbeiten, die genau das behaupten. Wenn man aber genauer in die Arbeit hineinschaut, zeigt sich jedoch häufig, dass sie lediglich auf Benchmarks getestet wurden. Solche Benchmarks besitzen wiederum eigene Verzerrungen und spiegeln die Realität nicht immer vollständig wieder. Es gibt schon Werkzeuge, die Hypothesen falsifizieren können, aber einem Sprachmodell zu sagen „Mach mal diese Forschung“, verbrennt hunderttausend bis Millionen Tokens. Vielleicht kann sich das Google leisten, sonst aber kaum jemand.“
Dr. Julien Siebert: „Ich glaube es gibt einfachere Wege, indem man den Forschungsprozess in kleine Schritte aufteilt. Es gibt auch nicht nur Sprachmodelle. Im Maschine Learning gibt es beispielsweise AutoML. Dort werden Modelle automatisch trainiert, Hyperparameter optimiert und Experimente wiederholt durchgeführt, bis gute Ergebnisse erreicht werden. ich habe bislang jedoch kein System gesehen, das eigenständig ein vollständiges wissenschaftliches Versuchsdesign entwickelt, Hypothesen formuliert, kausal begründet und anschließend systematisch überprüft. Dafür braucht es aus meiner Sicht weiterhin explizite Kausalmodelle und ein sauberes experimentelles Design.“
Wie wichtig ist gutes Prompting?
Dr. Julien Siebert: „Das hängt davon ab, welche Anwendung man nutzt. Wer direkt mit einem Chatbot arbeitet, muss gut prompten. Wer spezialisierte Anwendungen wie wissenschaftliche Suchsysteme oder Coding-Assistenten nutzt, hat viele Prompts im Hintergrund schon eingebaut. Als Nutzer muss man dann oft gar nicht mehr daran denken“
Dr. Julien Siebert: „Allgemein gilt aber, je klarer ein Prompt aufgebaut ist, desto besser. Der wichtigste Punkt für mich ist der Kontext. Das Modell benötigt alle relevanten Hintergrundinformationen, um die Aufgabe richtig einordnen zu können. Darüber hinaus kann man Rollen definieren oder einen gewünschten Schreibstil vorgeben. Interessant ist, dass sich Prompting in den letzten Jahren verändert hat. Früher musste man Sprachmodelle häufig explizit auffordern Schritt für Schritt zu denken oder ihre Überlegungen ausführlich darzustellen. Moderne Modelle übernehmen einen großen Teil dieses Prozesses inzwischen selbst.“
Dr. Julien Siebert: „Letztendlich sollte man sich immer zuerst fragen: „Was möchte ich als Ergebnis erhalten?“. Wenn ich merke, dass mein Prompt mehrere Seiten lang wird oder sehr viele Anforderungen enthält, ist die Aufgabe vermutlich zu komplex. Dann zerlege ich sie lieber in mehrere kleinen Schritte. Ich beginne häufig mit einer einfachen Bitte wie: „Das ist meine Idee. Fasse sie zunächst stichpunktartig zusammen.“ Danach lasse ich die Inhalte strukturieren oder kategorisieren. Erst anschließend folgt der nächste Schritt. Dieses schrittweise Vorgehen führt nach meiner Erfahrung zu deutlich besseren Ergebnissen als ein einzelner, sehr umfangreicher Prompt.“
Wie nutzen Sie KI in Ihrer täglichen Arbeit?
Dr. Julien Siebert: „Ich nutze KI für alles, was Anträge angeht. Ich lasse Paper schreiben und überarbeiten. Ich gebe der KI Ideen, die Argumentationen, die Struktur vor und lasse mir dann Formulierungsvorschläge geben. Oft schreibe ich auf Englisch und lasse die Anträge dann übersetzen. KI hilft mir auch dabei, eine klare Struktur zu finden: Was ist die Fragestellung? Was haben wir für Kompetenzen? Was planen wir genau? Ich nutze KI auch gerne als eine Art Sparringpartner, um die Struktur zu hinterfragen. Was könnte noch klarer werden? Die Kernidee und Reflexion muss von uns kommen, aber für Struktur, Schreiben und Feedback ist KI sehr gut. Diese Ergebnisse der KI kann man auch leicht selbst prüfen, sodass es keine Halluzinationen gibt.“
Verantwortung und Risiken
Was birgt KI für Risiken?
Dr. Julien Siebert: „Bekannte Angriffe wie Jailbreaking oder Prompt Injection zeigen, dass moderne KI-Systeme neue Sicherheitsherausforderungen mit sich bringen. Hinzukommen, dass Modelle wie Claude viele neue Werkzeuge integriert haben, wo wir noch nicht genau wissen, wie diese konfiguriert sind. Heißt, viele dieser Technologien sind noch sehr neue, sodass wir noch nicht wissen, wie sicher diese sind.“
Dr. Julien Siebert: „Am Ende interessiert uns die Qualität. Also kann ich der dem KI-Modell vertrauen? In meiner Forschung geht es deshalb auch darum, Methoden für Qualitätstests zu entwickeln. Wir wollen prüfen, ob ein System wie erwartet funktioniert, wie hoch das Risiko von Halluzinationen ist und wie sich Unsicherheiten im Modelverhalten messen lassen.“
Dr. Julien Siebert: „Große Sprachmodelle arbeiten grundsätzlich stochastisch. Das bedeutet, dass derselbe Input unterschiedliche Outputs erzeugen kann. Das allein ist aber nicht das einzige Problem. Das größte Problem von Sprachmodellen ist, dass diese nicht linear sind. Das heißt, bereits kleine Änderungen am Input können größere Änderungen am Output verursachen. Ob beim Prompt zum Beispiel die Reihenfolge einzelner Wörter verändert oder ein Synonym verwendet wird, kann das Verhalten des Modells deutlich beeinflussen. Aber niemand weiß, wie stark diese Effekte tatsächlich sind. Daran forschen wir momentan und machen Experimente.“
Was sehen Sie für ethische Grenzen, wenn KI im wissenschaftlichen Bereich genutzt wird?
Dr. Julien Siebert: „Für mich steht dabei vor allem die Frage nach der Verantwortung im Mittelpunkt. Wer trägt letztlich die Verantwortung für einen wissenschaftlichen Artikel, eine Forschungsantrag oder die Ergebnisse eines Experiments? Ist es nicht mehr hundertprozentig meine Arbeit, wenn die KI mir Ideen gibt und ich diese nur bearbeite? Ich sehe das weniger kritisch, weil am Ende bin ich es, der entscheidet, was aus der Antwort der KI wichtig und weniger wichtig war. Ich habe das getriggert. Ich bin die einzige Person, die das Paper schreibt und einreicht und trage damit die Verantwortung.“
Dr. Julien Siebert: „Das ist nicht anders, als wenn man Studierende ein Experiment durchführen lässt. Auch dann muss man sicherstellen, dass die Arbeit ordentlich gemacht wurde. Ich trage die Verantwortung, wenn ich keine Zeit hatte mir dieses Experiment anzuschauen, aber trotzdem ein Paper schreibe, dass sich auf das Ergebnis des Experiments bezieht.“
Blackbox
Oft ist die Antwort der KI schwer nachzuvollziehen – Wie kann man die Blackbox-Problematik möglichst gering halten?
Dr. Julien Siebert: „Je kleiner die einzelnen Aufgaben sind, desto geringer ist in der Regel das Risiko von Halluzinationen. Beim Programmieren arbeite ich häufig mit Test-Driven Development. Dabei lasse ich die KI zunächst Testfälle oder Testpläne erstellen. Diese überprüfe ich sorgfältig. Erst wenn ich überzeugt bin, dass die Tests sinnvoll sind, lasse ich den eigentlichen Programmcode erzeugen. Wenn mein Testplan so gut implementiert ist, muss ich den Code nicht zu 100% verstehen. Hauptsache die Tests passen. Die Frage ist aber auch, habe ich genug Tests durchgeführt?“
Dr. Julien Siebert: „Bei wissenschaftlichen Texten funktioniert dieser Testansatz nur bedingt. Letztendlich habe ich keine andere Wahl als den Menschen zu vertrauen, die diese wissenschaftliche Applikation gebaut haben. Aber man sollte den Werkzeugen nicht blind vertrauen. Man kann die Ergebnisse der KI leicht mit klassischen Datenbanken wie Google Scholar abgleichen. Bekomme ich die gleichen Suchergebnisse, oder andere? Ich weiß nicht, ob schon jemand systematisch untersucht hat, wie gut solche Werkzeuge tatsächlich arbeiten. In meinem Forschungsgebiet kenne ich die wichtigsten Veröffentlichungen und kann deshalb relativ gut einschätzen, ob relevante Literatur gefunden wurde oder nicht. Da kann ich sagen, die Werkzeuge sind an dieser Stelle ziemlich gut. Grundsätzlich müsste man jedoch für jedes Fachgebiet separat untersuchen, ob KI-basierte Suchsysteme dieselbe Qualität erreichen, wie menschliche Expertinnen und Experten.“
Werden KI-Anwendungen in moralisch kritischen Bereichen schon praktisch eingesetzt?
Dr. Julien Siebert: „Ja, zum Beispiel in der medizinischen Bildanalyse. In München gibt es ein Labor, in dem KI vollautomatisch Chromosomen analysiert, etwa um Trisomie 21 zu erkennen. Früher wurde die Analyse händisch von Menschen durchgeführt. Mit diesen Erfahrungen und Informationen wurde ein Deep-Learning-Modell trainiert. Das funktioniert, weil das Labor sehr viele Daten gesammelt hat, mit denen das KI-Modell trainiert wurde, die Aufgabe sehr spezifisch ist sowie der gesamte Prozess getestet werden konnte. Wenn die Tests sagen, die Fehlerrate der KI ist 0,01 % und die Fehlerrate der Menschen ist 2%. Dann werden die Menschen ausgetauscht, weil die Maschine das besser und schneller erledigt. Die Frage ist heute, für was es noch die menschliche Kompetenz braucht? Die KI kann fast alles übernehmen. Nicht dass die KI alles übernehmen soll und wird. Meiner Meinung nach kann man eine KI nur sinnvoll einsetzen, wenn es kleine Aufgaben sind, die man auch testen kann.“
Das Interview führte Redakteurin Hanna Uhl am 19.06.2026.
Aktuelles aus der Wissenschaft, Karriere Informatik, Karriere und Wissenschaft, Karrierecoach Tipps & Wissen