{"id":103197,"date":"2019-11-26T11:00:05","date_gmt":"2019-11-26T11:00:05","guid":{"rendered":"https:\/\/dievolkswirtschaft.ch\/2019\/11\/krause-12-2019fr\/"},"modified":"2025-06-16T13:37:37","modified_gmt":"2025-06-16T11:37:37","slug":"krause-12-2019","status":"publish","type":"post","link":"https:\/\/dievolkswirtschaft.ch\/de\/2019\/11\/krause-12-2019\/","title":{"rendered":"K\u00fcnstliche Intelligenz: Schweiz forscht an der Spitze"},"content":{"rendered":"

K\u00fcnstliche Intelligenz (KI) fasziniert die Informatikwelt seit den F\u00fcnfzigerjahren: Damals ver\u00f6ffentlichte der britische Computerpionier Alan Turing das Werk \u00abComputing Machinery and Intelligence\u00bb.[1]<\/a> Turing skizzierte die Idee, ein Programm zu entwickeln, das durch Lernf\u00e4higkeit menschen\u00e4hnliche Intelligenz erreichen sollte. Um der Schwierigkeit einer Definition von KI gerecht zu werden, entwickelte er den sogenannten Turing-Test. Nach einem mehrmin\u00fctigen Chat-Dialog mit ihrem Gegen\u00fcber muss die Testperson entscheiden, ob sie es mit einer menschlichen oder einer k\u00fcnstlichen Intelligenz zu tun hat.<\/p>\n

Heute \u2013 fast 70 Jahre sp\u00e4ter \u2013 enthalten die meisten Smartphones Assistenten, von denen man Unterst\u00fctzung erfragen kann, zum Beispiel beim Stellen eines Weckers oder der Steuerung der heimischen Lampen. Ist der Turing-Test also bestanden? Wohl kaum. Siri und Alexa sind noch weit entfernt von einer \u00aballgemeinen\u00bb k\u00fcnstlichen Intelligenz im Sinne Turings.<\/p>\n

Dennoch hat sich in den letzten Jahren eine Revolution ereignet \u2013 eingeleitet durch den Zuwachs an digitalen Daten und durch exponentiell wachsende Rechenkapazit\u00e4ten. Beides sind Grundvoraussetzungen f\u00fcr das maschinelle Lernen (ML), das dem Computer menschliche F\u00e4higkeiten wie Sehen und H\u00f6ren n\u00e4herbringt.<\/p>\n

Ballons und Erdbeeren<\/strong><\/h2>\n

Das bisher erfolgreichste Teilgebiet des maschinellen Lernens ist das \u00ab\u00fcberwachte Lernen\u00bb (Supervised Learning). Basierend auf grossen, von Menschen annotierten Datenmengen wie beispielsweise beschrifteten Bildern von Objekten, werden komplexe Modelle trainiert, um das menschliche Verhalten nachzuahmen. Diese k\u00fcnstlichen neuronalen Netzwerke enthalten oft viele Millionen Parameter, die mittels Verfahren der mathematischen Optimierung auf die Daten angepasst werden. Diese Methodik \u00e4hnelt Ans\u00e4tzen statistischer Regressionsverfahren, allerdings sind die ML-Modelle wesentlich komplexer.<\/p>\n

Deep-Learning-Netze etwa k\u00f6nnen hierarchische Zusammenh\u00e4nge \u00fcber mehrere Ebenen erkennen. Eine Lernbasis liefert beispielsweise die Image-Net-Datenbank: Sie enth\u00e4lt Millionen von Bildern, denen Kategorien und Begriffe wie \u00abBallon\u00bb oder \u00abErdbeere\u00bb zugeordnet sind. Dank dieser Daten hat das maschinelle Lernen beachtliche Fortschritte erzielt: Innerhalb von acht Jahren sank die Fehlerrate der besten ML-Modelle von 25 Prozent auf 4 Prozent \u2013 dies entspricht etwa dem Wert, wenn Menschen die Zuordnung vornehmen. Weitere Erfolgsbeispiele sind die Spracherkennung und \u00dcbersetzungen, die auf sogenannten rekurrenten Netzwerken basieren. Eine popul\u00e4re Variante davon (LSTMs) wurde in der Schweiz am Dalle Molle Institute for Artificial Intelligence Research (IDSIA) entwickelt[2]<\/a>. Machine-Learning-Technologien sind bereits ein zentraler Bestandteil von Suchmaschinen und E-Commerce-Empfehlungssystemen.<\/p>\n

Die Zahl der ML-Anwendungsbereiche steigt stetig. Ein Gebiet mit grossem Potenzial ist die Medizin, wo die Fortschritte im Bildverstehen[3]<\/a> mittlerweile so gross sind, dass Entscheidungsunterst\u00fctzung auf dem Niveau menschlicher Experten geboten werden kann. Auch entwickeln Forscher der ETH Z\u00fcrich Systeme zur automatischen \u00dcberwachung von Intensivstationen in Spit\u00e4lern.[4]<\/a><\/p>\n

Um das Potenzial f\u00fcr ML-Anwendungen bestm\u00f6glich und branchen\u00fcbergreifend auszusch\u00f6pfen, gr\u00fcndeten die ETH Z\u00fcrich und die ETH Lausanne (EPFL) im Jahr 2017 das Swiss Data Science Center. Die Institution unterst\u00fctzt Projekte in Wissenschaft und Wirtschaft \u2013 wobei die Anwendungsgebiete von der Medizin \u00fcber Umweltwissenschaften bis zur Kosmologie reichen.<\/p>\n

Neue Krankheiten erkennen<\/strong><\/h2>\n

Eine weitere Auspr\u00e4gung des maschinellen Lernens ist das \u00abun\u00fcberwachte Lernen\u00bb (Unsupervised Learning). Hier gibt es zwar noch nicht so viele direkte praktische Anwendungen wie beim \u00fcberwachten Lernen, dennoch ist der Fortschritt rasant. Beim un\u00fcberwachten Lernen erfassen Computer selbstst\u00e4ndig Muster aus Daten. Sprich: Sie ben\u00f6tigen keine menschlich definierte \u00abBeschriftung\u00bb als Lernsignal. Ein Anwendungsbereich ist wiederum die Medizin, wo sich anhand von \u00e4hnlichen Datens\u00e4tzen neuartige Subtypen von Krankheiten erkennen lassen.[5]<\/a><\/p>\n

Zum un\u00fcberwachten Lernen geh\u00f6ren insbesondere \u00abgenerative Modelle\u00bb, welche in der Lage sind, komplexe Bild- und Textdaten zu modellieren und automatisiert \u00e4hnliche Daten zu erzeugen. Grosses Potenzial besteht etwa in der Arzneimittelforschung[6]<\/a> oder bei der Anonymisierung von Patientendaten.<\/p>\n

Eine wesentliche Schwierigkeit der un\u00fcberwachten Verfahren ist die Validierung: W\u00e4hrend im \u00fcberwachten Lernen die Fehlerrate anhand von Testdaten bewertet werden kann (also etwa wie viele Bilder falsch klassifiziert wurden), ist das im un\u00fcberwachten Lernen nicht m\u00f6glich. So ist im Voraus zum Beispiel nicht bekannt, wie viele Subtypen von unterschiedlichen Krankheiten in den Daten zu erwarten sind. F\u00fcr die Grundlagenforschung stellt dies eine wesentliche Herausforderung dar.<\/p>\n

Wo essen wir heute?<\/strong><\/h2>\n

Sowohl das \u00fcberwachte als auch das un\u00fcberwachte Lernen gelten als \u00abpassive Lernverfahren\u00bb: Ein Modell \u2013 zum Beispiel ein neuronales Netz \u2013 wird auf einem vorgegebenen Datensatz trainiert und danach zum Einsatz gebracht. Im Gegensatz dazu findet in \u00abaktiven Lernverfahren\u00bb eine Interaktion mit der Umgebung oder den Nutzern statt.<\/p>\n

Ein bekanntes Beispiel ist das best\u00e4rkende Lernen (Reinforcement Learning, RL), das zum Beispiel bei Empfehlungssystemen eingesetzt wird. Indem der RL-Agent Entscheidungen trifft, lernt er, wie sich die Umgebung ver\u00e4ndert, und erh\u00e4lt daf\u00fcr Belohnungssignale. Eine Herausforderung ist der sogenannte Exploration-Exploitation-Trade-off: Der Agent muss in jeder Situation abw\u00e4gen, ob er eine erfolgversprechende Aktion w\u00e4hlt (Exploitation) oder ob er durch eine neue Aktion mehr \u00fcber seine Umgebung lernen will (Exploration). Wir Menschen stellen uns solche Fragen h\u00e4ufig. Zum Beispiel, indem wir uns fragen: Sollen wir heute Abend in unserem Lieblingsrestaurant essen, oder probieren wir mal ein neues aus?<\/p>\n

Computer triumphiert bei Go<\/strong><\/h2>\n

Obwohl man seit Jahren zu Reinforcement Learning forscht, sind erst in j\u00fcngster Zeit grosse Durchbr\u00fcche erzielt worden. Ein prominentes Beispiel ist das Brettspiel Go: Im Gegensatz zu Schach, welches der Computer seit Langem mit herk\u00f6mmlichen Planungsverfahren ohne Einsatz von maschinellem Lernen besser als der Mensch spielen kann, ist Go um ein Vielfaches komplexer. Hier schaffte es der Agent Alpha Zero der Google-Tochter Deep Mind, die besten menschlichen Go-Spieler zu \u00fcbertreffen. Um sich zu verbessern, simulierte Alpha Zero unz\u00e4hlige Partien gegen sich selbst. Dabei experimentierte die KI mit neuen Z\u00fcgen, um zu sehen, wie der simulierte Gegner reagiert.<\/p>\n

Eine Voraussetzung f\u00fcr das Reinforcement Learning ist ein akkurater Simulator. Aus diesem Grund eignen sich Spiele besonders gut: Man weiss genau, wie das Go-Brett aussieht, sobald man selbst und der Gegner einen Zug gespielt haben. Ausserhalb der Spielwelt ist man auf m\u00f6glichst realistische Simulatoren angewiesen. In der Robotik ist es Kollegen an der ETH Z\u00fcrich beispielsweise k\u00fcrzlich gelungen, mittels RL ihrem Lauf-Roboter \u00abANYmal\u00bb neue Gehtechniken beizubringen.[7]<\/a><\/p>\n

Was aber, wenn keine hinreichend genauen Simulationstechniken zur Verf\u00fcgung stehen? Dies ist so in unz\u00e4hligen Anwendungen, von der medizinischen Rehabilitation \u00fcber die Prozessoptimierung bis hin zur wissenschaftlichen Versuchsplanung. In diesem Fall ist das Ausprobieren von Aktionen mit unsicherem Ausgang potenziell riskant. Meine Forschungsgruppe entwickelt im Rahmen eines vom Europ\u00e4ischen Forschungsrat unterst\u00fctzten Projektes neuartige RL-Verfahren.[8]<\/a> Dabei geht es um die sorgf\u00e4ltige Sch\u00e4tzung der Unsicherheit in ML-Modellen, welche es erlaubt, robuste und unter gewissen Voraussetzungen beweisbar sichere Entscheidungen zu treffen \u2013 eine wichtige Herausforderung in der Robotik und weiteren Anwendungen.<\/p>\n

Schweiz an der Spitze<\/strong><\/h2>\n

Die Forschung zur k\u00fcnstlichen Intelligenz \u00fcberschneidet sich mit anderen Wissenschaftsgebieten wie beispielsweise den Datenwissenschaften (Datascience). Dieser Wissenschaftszweig versucht anhand von algorithmischen und statistischen Verfahren Zusammenh\u00e4nge und Einsichten aus komplexen Daten zu gewinnen. Wie die moderne KI greifen auch die Datenwissenschaften essenziell auf maschinelles Lernen zur\u00fcck. \u00dcber ML hinaus verwenden moderne KI-Systeme oft weitere algorithmische, statistische, spieltheoretische und regelungstechnische Verfahren.<\/p>\n

Die Schweiz ist in Sachen KI-Forschung gut aufgestellt. Dank der hohen Autonomie betreiben die Technischen Hochschulen seit Jahrzehnten Grundlagenforschung \u2013 sie forschten bereits, als KI noch kein heisses Thema war. In Sachen Impact (Zitationen pro Forschungsarbeit) rangiert die Schweiz international auf Platz 1. Mit dem Idiap Research Institute in Martigny und dem IDSIA in Manno TI gibt es zwei Forschungsinstitute, die sich auf KI und den Transfer in die Industrie spezialisieren. Die Forschungsprojekte der ETH Z\u00fcrich und der EPFL erlangen auf den internationalen KI-Konferenzen regelm\u00e4ssig grosse Aufmerksamkeit.<\/p>\n

Der ETH-Bereich setzt zudem systematisch auf den Schwerpunkt Datenwissenschaften. In diesem Zuge wurden nebst neuen Professuren auch neue Master- und Weiterbildungsprogramme sowie das bereits erw\u00e4hnte Swiss Data Science Center gegr\u00fcndet. Auch die Universit\u00e4ten und Fachhochschulen sind auf dem KI-Gebiet aktiv. Die Universit\u00e4t Z\u00fcrich beispielsweise untersucht in ihrer Digital Society Initiative gesellschaftliche Auswirkungen der Digitalisierung und von KI. Auch private Unternehmen \u2013 darunter die Tech-Konzerne Google, Microsoft, Disney, IBM \u2013 forschen in der Schweiz zu KI.<\/p>\n

KI ist kein Selbstzweck<\/strong><\/h2>\n

K\u00fcnstliche Intelligenz hat das Potenzial einer Querschnittstechnologie mit Anwendungen in allen Branchen. KI und maschinelles Lernen ver\u00e4ndern dabei die Art und Weise, wie Forschung betrieben wird. Es erstaunt daher nicht, dass ein globaler Wettbewerb um dieses Zukunftsfeld herrscht. Damit Europa nicht den Anschluss an die USA und China verliert, begann sich vergangenes Jahr das Forschungsnetzwerk European Laboratory for Learning and Intelligent Systems (Ellis) zu formieren. Die Schweiz hat im Wettbewerb um kluge K\u00f6pfe gute Karten, muss aber konsequent in diesen Sektor investieren, wenn sie ihre F\u00fchrungsrolle in der Forschung verteidigen will. Letztlich gilt: KI ist kein Selbstzweck \u2013 Innovation und Nutzen f\u00fcr die Gesellschaft entstehen durch enge Kollaboration von KI-Grundlagenforschung und Anwendungsdisziplinen wie Medizin und Robotik.<\/p>\n

Wie bei jeder neuen Technologie bestehen Risiken \u2013 zum Beispiel stellen sich Fragen der Zuverl\u00e4ssigkeit, der Interpretierbarkeit und der Anf\u00e4lligkeit bez\u00fcglich verzerrter Daten. Die Schweiz bietet ideale Voraussetzungen, einen weltweit anerkannten, vertrauensvollen Umgang mit Daten und KI-Technologien zu entwickeln und zu leiten. Diverse Forschungsprojekte haben sich bereits mit der Frage befasst, wie KI-Verfahren fair, transparent und robust zu gestalten sind.[9]<\/a> Plattformen wie \u00abAI for Good\u00bb der Vereinten Nationen in Genf k\u00f6nnen helfen, die Schweiz international zu positionieren und gesellschaftlich relevante Anwendungsgebiete wie Nachhaltigkeit und Ern\u00e4hrung zu identifizieren. Die Schweiz sollte deshalb die Chance nutzen, die durch KI gepr\u00e4gte digitale Zukunft positiv und vertrauensw\u00fcrdig mitzugestalten.<\/p>\n

  1. Turing (1950). [<\/span>]<\/a><\/li>
  2. Hochreiter und Schmidhuber (1997). [<\/span>]<\/a><\/li>
  3. Z. B. Cire\u015fan et al. (2013). [<\/span>]<\/a><\/li>
  4. Hyland et al. (2018). [<\/span>]<\/a><\/li>
  5. Brodersen et al. (2014). [<\/span>]<\/a><\/li>
  6. Gupta et al. (2018). [<\/span>]<\/a><\/li>
  7. Hwangbo et al. (2019). [<\/span>]<\/a><\/li>
  8. Berkenkamp et al. (2017). [<\/span>]<\/a><\/li>
  9. Vgl. z. B. Berkenkamp et al. (2017), Moosavi-Dezfooli et al. (2018) und Goel et al. (2018). [<\/span>]<\/a><\/li><\/ol>","protected":false},"excerpt":{"rendered":"

    K\u00fcnstliche Intelligenz (KI) fasziniert die Informatikwelt seit den F\u00fcnfzigerjahren: Damals ver\u00f6ffentlichte der britische Computerpionier Alan Turing das Werk \u00abComputing Machinery and Intelligence\u00bb. Turing skizzierte die Idee, ein Programm zu entwickeln, das durch Lernf\u00e4higkeit menschen\u00e4hnliche Intelligenz erreichen sollte. Um der Schwierigkeit einer Definition von KI gerecht zu werden, entwickelte er den sogenannten Turing-Test. Nach einem mehrmin\u00fctigen […]<\/p>","protected":false},"author":4927,"featured_media":211257,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"om_disable_all_campaigns":false,"ep_exclude_from_search":false,"footnotes":""},"post__type":[69,66],"post_opinion":[],"post_serie":[],"post_content_category":[240],"post_content_subject":[230],"acf":{"seco_author":4927,"seco_co_author":"","author_override":"","seco_author_post_ocupation_year":"","seco_author_post_occupation_de":"Professor f\u00fcr Informatik, Institut f\u00fcr Maschinelles Lernen, ETH Z\u00fcrich und Akademischer Co-Direktor, Swiss Data Science Center","seco_author_post_occupation_fr":"Professeur d\u2019informatique \u00e0 l\u2019Institut d\u2019apprentissage automatique de l\u2019\u00c9cole polytechnique f\u00e9d\u00e9rale de Zurich (EPFZ), codirecteur acad\u00e9mique du Centre national de la science des donn\u00e9es","seco_co_authors_post_ocupation":null,"short_title":"KI: Schweiz forscht an der Spitze","post_lead":"Beim maschinellen Lernen gibt es zahlreiche Forschungsprojekte aus der Schweiz. Ein vielversprechendes Einsatzgebiet ist die Medizin.","post_hero_image_description":"Wirtschaftspolitik ist die Gesamtheit der Massnahmen, mit denen der Staat auf die Wirtschaft einwirkt.","post_hero_image_description_copyright_de":"KI-generiert \/ Die Volkswirtschaft","post_hero_image_description_copyright_fr":"Alamy","post_references_literature":"

      \r\n \t
    • \r\n
        \r\n \t
      • Berkenkamp, Felix, Matteo Turchetta, Angela Schoellig und Andreas Krause (2017). Safe Model-based Reinforcement Learning with Stability Guarantees. In: Advances in Neural Information Processing Systems: 908\u2013918.<\/li>\r\n<\/ul>\r\n<\/li>\r\n<\/ul>\r\n \r\n
          \r\n \t
        • \r\n
            \r\n \t
          • Brodersen, Kay H., Lorenz Deserno, Florian Schlagenhauf, Zhihao Lin, Will D. Penny, Joachim M. Buhmann und Klaas E. Stephan (2014). Dissecting Psychiatric Spectrum Disorders by Generative Embedding. In: NeuroImage: Clinical 4: 98\u2013111.<\/li>\r\n<\/ul>\r\n<\/li>\r\n<\/ul>\r\n \r\n
              \r\n \t
            • \r\n
                \r\n \t
              • Cire\u015fan, Dan C., Alessandro Giusti, Luca M. Gambardella und J\u00fcrgen Schmidhuber (2013). Mitosis Detection in Breast Cancer Histology Images with Deep Neural Networks. In: International Conference on Medical Image Computing and Computer-assisted Intervention: 411\u2013418.<\/li>\r\n<\/ul>\r\n<\/li>\r\n<\/ul>\r\n \r\n
                  \r\n \t
                • \r\n
                    \r\n \t
                  • Goel, Naman, Mohammad Yaghini und Boi Faltings (2018). Non-discriminatory Machine Learning Through Convex Fairness Criteria. In: Thirty-Second AAAI Conference on Artificial Intelligence.<\/li>\r\n<\/ul>\r\n<\/li>\r\n<\/ul>\r\n \r\n
                      \r\n \t
                    • \r\n
                        \r\n \t
                      • Gupta, Anvita, Alex T. M\u00fcller, Berend JH Huisman, Jens A. Fuchs, Petra Schneider und Gisbert Schneider (2018). Generative Recurrent Networks for De Novo Drug Design. In: Molecular Informatics 37, no. 1-2: 1700111.<\/li>\r\n<\/ul>\r\n<\/li>\r\n<\/ul>\r\n \r\n
                          \r\n \t
                        • \r\n
                            \r\n \t
                          • Hochreiter, Sepp, and J\u00fcrgen Schmidhuber (1997). Long Short-term Memory. Neural Computation 9.8: 1735\u20131780.<\/li>\r\n<\/ul>\r\n<\/li>\r\n<\/ul>\r\n \r\n
                              \r\n \t
                            • \r\n
                                \r\n \t
                              • Hwangbo, Jemin, Joonho Lee, Alexey Dosovitskiy, Dario Bellicoso, Vassilios Tsounis, Vladlen Koltun und Marco Hutter (2019). Learning Agile and Dynamic Motor Skills for Legged Robots. In: Science Robotics 4, no. 26: eaau5872.<\/li>\r\n<\/ul>\r\n<\/li>\r\n<\/ul>\r\n \r\n
                                  \r\n \t
                                • \r\n
                                    \r\n \t
                                  • Hyland, Stephanie L., Matthias H\u00fcser, Xinrui Lyu, Martin Faltys, Tobias Merz und Gunnar R\u00e4tsch (2018). Predicting Circulatory System Deterioration in Intensive Care Unit Patients. In: AIH@ IJCAI: 87\u201392.<\/li>\r\n<\/ul>\r\n<\/li>\r\n<\/ul>\r\n \r\n
                                      \r\n \t
                                    • \r\n
                                        \r\n \t
                                      • Moosavi-Dezfooli, Seyed-Mohsen, Alhussein Fawzi, Jonathan Uesato und Pascal Frossard (2019). Robustness via Curvature Regularization, and Vice Versa. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition: 9078\u20139086.<\/li>\r\n<\/ul>\r\n<\/li>\r\n<\/ul>\r\n \r\n
                                          \r\n \t
                                        • \r\n
                                            \r\n \t
                                          • Turing, Alan (1950). Computing Machinery and Intelligence. In: Mind 49 (1950): 433\u2013460.<\/li>\r\n<\/ul>\r\n<\/li>\r\n<\/ul>\r\n ","post_kasten":null,"post_notes_for_print":"Was macht das Wesen eines Ballons aus? In Deep-Learning-Netzen lernen Computer, Objekte anhand von bestimmten Eigenschaften zu erkennen.","first_teaser_header_de":"","first_teaser_header_fr":"","first_teaser_text_de":"","first_teaser_text_fr":"","second_teaser_header_de":"","second_teaser_header_fr":"","second_teaser_text_de":"","second_teaser_text_fr":"","kseason_de":"","kseason_fr":"","post_in_pdf":103200,"main_focus":[156051,156842],"serie_email":"","frontpage_slider_bild":211257,"artikel_bild-slider":null,"legacy_id":"89216","post_abstract":"K\u00fcnstliche Intelligenz (KI) und maschinelles Lernen besch\u00e4ftigen die \u00d6ffentlichkeit in zunehmendem Masse. Durch das rasante Wachstum von Daten und Rechenkapazit\u00e4t k\u00f6nnen diese Verfahren heute Probleme l\u00f6sen, die vor Kurzem Computern noch nicht zug\u00e4nglich waren. Verfahren des maschinellen Lernens entwickeln sich immer mehr zu Querschnittstechnologien, mit transformativem Effekt und enormem Potenzial, auch zur Disruption. Dieser Artikel skizziert den aktuellen Stand der Forschung mit einigen konkreten Beispielen aus der Schweiz. Die Schweiz ist im aktuell herrschenden intensiven globalen KI-Wettbewerb gut positioniert. Sie hat jetzt die vielleicht einmalige Chance, einen weltweit anerkannten, vertrauensvollen Umgang mit Daten und KI-Technologien mitzugestalten.","magazine_issue":"20191201","seco_author_reccomended_post":"","redaktoren":"","korrektor":"","planned_publication_date":"2019-11-26 10:00:05","original_files":null,"external_release_for_author":"20191102","external_release_for_author_time":"23:30:00","link_for_external_authors":"https:\/\/dievolkswirtschaft.ch\/exedit\/5d5e915d985a5"},"_links":{"self":[{"href":"https:\/\/dievolkswirtschaft.ch\/de\/wp-json\/wp\/v2\/posts\/103197"}],"collection":[{"href":"https:\/\/dievolkswirtschaft.ch\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/dievolkswirtschaft.ch\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/dievolkswirtschaft.ch\/de\/wp-json\/wp\/v2\/users\/4927"}],"replies":[{"embeddable":true,"href":"https:\/\/dievolkswirtschaft.ch\/de\/wp-json\/wp\/v2\/comments?post=103197"}],"version-history":[{"count":3,"href":"https:\/\/dievolkswirtschaft.ch\/de\/wp-json\/wp\/v2\/posts\/103197\/revisions"}],"predecessor-version":[{"id":211466,"href":"https:\/\/dievolkswirtschaft.ch\/de\/wp-json\/wp\/v2\/posts\/103197\/revisions\/211466"}],"acf:post":[{"embeddable":true,"href":"https:\/\/dievolkswirtschaft.ch\/de\/wp-json\/wp\/v2\/main_focus_post\/156842"},{"embeddable":true,"href":"https:\/\/dievolkswirtschaft.ch\/de\/wp-json\/wp\/v2\/main_focus_post\/156051"}],"acf:user":[{"embeddable":true,"href":"https:\/\/dievolkswirtschaft.ch\/de\/wp-json\/wp\/v2\/users\/4927"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/dievolkswirtschaft.ch\/de\/wp-json\/wp\/v2\/media\/211257"}],"wp:attachment":[{"href":"https:\/\/dievolkswirtschaft.ch\/de\/wp-json\/wp\/v2\/media?parent=103197"}],"wp:term":[{"taxonomy":"post__type","embeddable":true,"href":"https:\/\/dievolkswirtschaft.ch\/de\/wp-json\/wp\/v2\/post__type?post=103197"},{"taxonomy":"post_opinion","embeddable":true,"href":"https:\/\/dievolkswirtschaft.ch\/de\/wp-json\/wp\/v2\/post_opinion?post=103197"},{"taxonomy":"post_serie","embeddable":true,"href":"https:\/\/dievolkswirtschaft.ch\/de\/wp-json\/wp\/v2\/post_serie?post=103197"},{"taxonomy":"post_content_category","embeddable":true,"href":"https:\/\/dievolkswirtschaft.ch\/de\/wp-json\/wp\/v2\/post_content_category?post=103197"},{"taxonomy":"post_content_subject","embeddable":true,"href":"https:\/\/dievolkswirtschaft.ch\/de\/wp-json\/wp\/v2\/post_content_subject?post=103197"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}