KI-Signale

Native (YC F26) bringt künstliche Intuition auf den Markt. Es ist eine autonome Marketingplattform auf Basis von Norn, einem Modell für künstliche Intuition, das vorhersagen soll, welche Marketingideen Anklang finden, bevor Inhalte erstellt werden. Es bewertet Ideen anhand von Markenkontext, Performance, Trends und menschlichem Feedback. Das MVP von Norn ist in Native bereits im Einsatz und wird von mehr als 2.000 Unternehmen genutzt. Die Gründer Benjamin Bekken, Hakon Grasberg und Tron Hauga haben über Jahre Inhalte erstellt und die Software dahinter entwickelt. Native vereint diese Erfahrungen. Ben kommt aus dem YouTube- und Agenturumfeld und bringt 15 Jahre Erfahrung in Content und Marketing mit. Trond hat eine Marketingagentur aufgebaut und ein Musikfestival gegründet. Håkon hat Machine-Learning-Modelle für Bildmaterial entwickelt und bringt den KI- und Engineering-Hintergrund ein. Sie verstehen, dass das Wissen darüber, was man erstellen sollte, wertvoller wird, je günstiger die Erstellung wird. Die Norn API ist in Entwicklung. Auf die Warteliste setzen lassen: https://native.no/norn Glückwunsch zum Start, Ben, Trond und Håkon! 🚀 https://lnkd.in/gHSCkiNE

Der JEV-Gründer hat gerade einen echten Schatz geteilt! Diogo Almeida, Mitgründer und CEO von TypeSafe (dem Unternehmen hinter Jev), hat Designnotizen darüber verfasst, wie er einen Coding-Agenten rund um Jev bauen würde. Er ist auch Mitautor von OpenAIs InstructGPT-Paper. Die Notizen wurden zu einem Studien-PDF mit dem Titel „Jev Engineering for Coding Agents“ zusammengestellt. Es ist eine unabhängige Zusammenstellung, keine offizielle Veröffentlichung von TypeSafe. Zunächst dazu, was Jev ist: → Ein „System One“-Modell, das keinen Text schreibt → Man gibt ihm eine Situation und eine Reihe von Optionen, und es liefert typisierte Antworten mit Wahrscheinlichkeiten → Choice wählt 1 von bis zu 255 Optionen, Score bewertet etwas anhand eines Bewertungsrasters, Noul liefert eine Ja/Nein-Wahrscheinlichkeit → $0,042 pro Million Eingabetokens, die Ausgabe ist kostenlos → TypeSafes eigene Tests behaupten, es sei bis zu 193x schneller und 444x günstiger als führende LLMs. Noch kein unabhängiger Benchmark Die Notizen beginnen mit einer Frage: Wie würde man einen Coding-Agenten entwerfen, wenn LLMs keinen KV-Cache hätten? Die Antwort: Den Agenten nicht mehr als ein einziges langes Transkript behandeln. Den Zustand in typisierten Blöcken halten und Jev in jeder Runde die kleinen Entscheidungen treffen lassen: → Welche Kontextblöcke gezeigt werden und wie viel von jedem → Ob der Cache wiederverwendet wird → Welches Modell die Aufgabe bekommt → Welches Tool passt → Ob ein Befehl ausgeführt werden darf Die eigentliche Arbeit erledigen dann Spitzenmodelle, Tools und gewöhnlicher Code. 3 Ideen zum Abschauen, selbst wenn man Jev nie benutzt: → Die Weiterleitung an ein günstigeres Modell kann mehr kosten. Im Beispiel aus den Notizen kostet es 4,15 Einheiten, bei Opus zu bleiben, gegenüber 6,19 für die Übergabe an Sonnet und zurück, weil der Kontext erneut gelesen wird → Tools in Stufen zeigen: einzeilige Zusammenfassungen für Hunderte Tools, vollständige Schemas nur für die wenigen ausgewählten → Regeln aus AGENTS.md nur laden, wenn sie zutreffen, etwa Frontend-Stilregeln nur bei UI-Arbeit LLMs schreiben. Jev entscheidet. Code handelt. Vollständiges PDF: https://lnkd.in/ecrY6but Welche Entscheidung in deinem Agenten würdest du zuerst einem Modell wie Jev überlassen? 🤔

Unternehmen für Fertigungssoftware haben im September 𝟮𝟬𝟮𝟲 USD $𝟮𝟱𝟴M eingeworben. Hier sind die 8 Finanzierungsrunden, die ich letzten Monat erfasst habe 👇 Engineering und Daten 1. CADDi 🇯🇵 – $114M Series D bei einer Bewertung von $1,2B. KI-Datenplattform, die Zeichnungen, ERP- und Qualitätsdaten eines Herstellers organisiert, damit KI-Agenten damit arbeiten können. Gegründet von Yushiro Kato und Aki Kobashi. Unterstützt von Coreline Ventures, Salesforce Ventures, Woven Capital, HR Tech 100 Fund, Atomico, Globis Capital Partners und JPS growth. 2. Flow engineering 🇺🇸 – $50M Series B bei einer Bewertung von $750M. KI-Agenten, die CAD-, Simulations- und Testergebnisse für Hardware-Teams gegen Anforderungen prüfen. Gegründet von Pari Singh. Angeführt von Valor Equity Partners und Atreides Ventures, mit Sequoia Capital und EQT. Angebotserstellung und Vertrieb 3. CloudNC 🇬🇧 – $20M. KI, die CNC-Maschinen programmiert und nun auf die Angebotserstellung für Zerspanungsbetriebe ausgeweitet wird. Gegründet von Theo Saville und Chris Emery. Angeführt von Nimble Ventures, mit Calculus Venture Capital, Entrepreneur First und LM Ventures. 4. Atira 🇩🇪 – $17,5M aus Pre-Seed- und Seed-Runden. KI-Agenten, die industrielle Angebote und Ausschreibungsangebote entwerfen. Gegründet von Florian Diegruber und August DuMont Schütte. Angeführt von Accel, mit UVC Partners, Fortino Capital und BOOOM sowie Business Angels von Whirlpool und Celonis. Beschaffung 5. Magentic 🇬🇧 – $18M Series A. KI-Agenten, die die Beschaffung für Hersteller übernehmen, von der Lieferantenauswahl bis zu Rechnungen. Gegründet von Robin Van Aeken und Odhran O'Donoghue. Angeführt von Felicis, mit Sequoia Capital und The Westly Group. 6. Axya 🇨🇦 – $12M Series A, einschließlich Venture Debt. KI-Beschaffungsplattform für Hersteller mit komplexer Fertigung wie GE Aerospace. Gegründet von Félix Bélisle-Dockrill. Angeführt von McRock Capital, mit Yamaha Motor Ventures, BDC und Real Ventures. Fertigung 7. IPercept 🇸🇪 – $16,5M Series A. Ein nachrüstbares Gerät plus KI, die Ausfälle von CNC-Maschinen vorhersagt, bevor sie eintreten. Gegründet von Karoly Szipka und Andreas Archenti. Angeführt von Isogon Ventures und 2150, mit Luminar Ventures Luminar Ventures, RunwayFBU, J12 Ventures und AI.Fund. 8. Harmoni 🇺🇸 – $10M Series A. Fabrikorchestrierung und ein KI-Assistent für Beschäftigte an Bestandsmaschinen. Gegründet von David Caputo und Adam Ellis. Angeführt von Bessemer Venture Partners. Investoren setzen darauf, dass KI-Agenten die Verwaltungsarbeit in der Fertigung übernehmen: Einkauf, Angebotserstellung und Prüfung. Nur 2 der 8, CloudNC und Harmoni, sind für den Auftragsfertigungsbetrieb selbst entwickelt. Der Rest verkauft überwiegend an OEMs und große Werke. Wer entwickelt noch Software für die Fertigung? Markiert sie unten.

🚀 STELLENANGEBOT | KI- / GenAI-Engineer 🌍 Werden Sie Teil eines internationalen, innovativen Umfelds mit Projekten rund um generative künstliche Intelligenz. 🎯 Gesuchtes Profil: • 5+ Jahre Erfahrung in KI / Softwareentwicklung • Expertise in GenAI, RAG & AI Agents • Sichere Beherrschung von Python, LangChain, LangGraph, MCP, A2A • Erfahrung mit Azure, Kubernetes/OpenShift & CI/CD • Kenntnisse in MLFlow, Langfuse, Guardrails & Vektordatenbanken • REST-APIs, Microservices & automatisierte Tests • Fließend Französisch & Englisch 🇫🇷🇬🇧 📩 Interesse? Senden Sie Ihren Lebenslauf an: Recrutement@black-box.ma #Hiring #AIEngineer #GenAI #RAG #AIAgents #LangChain #Azure #ArtificialIntelligence

Hör auf, deinen Laptop / Mac mini / VPS zu verwenden. Wir stellen http:// instabox.sh vor: Cloud-Computer für KI-Agenten: - 4 vCPU, 8 GB RAM, bereit in <1s - Integrierte Computerbedienung - Snapshots zum einfachen Klonen - Persistente Dateien, Pakete und Konfiguration - Öffentliche URLs für lokale Ports. Wir starten heute mit einem Beta-Programm nur auf Einladung. Der Early Access umfasst 20 vCPU und 40GB RAM kostenlos. Wenn du es ausprobieren möchtest, kommentiere oder schick mir eine Privatnachricht.

Anthropic zahlt $750.000+ pro Jahr für Engineers, die LLM-Architekturen von Grund auf entwickeln können. Diese 2-stündige Stanford-Vorlesung zeigt dir genau die Pipeline, für die LLM-Engineers $750K/Jahr bekommen. Daten + Architektur + Skalierungsgesetze + Post-Training. Speichern und noch heute ansehen.

ich bin von „ich ersetze hermes und grok bot einfach mal für mich selbst“ dazu übergegangen, sie nicht nur zu ersetzen.. sondern auch unseren familienchat und dabei den wahrscheinlich besten persönlichen produktivitätsagenten zu bauen rm -rf hermes grok-bot lernt Pip kennen :)

GPT-6 wird kritischer gegenüber Behauptungen in Listenartikeln und Vergleichsseiten. ⚠️ Seit GPT-6 am 7. Oktober zum Standardmodell von ChatGPT wurde, beobachten wir, wie es mit Listenartikeln und Vergleichsseiten umgeht. 👉 ChatGPT warnt Nutzer zunehmend vor den Quellen, die es zitiert. Wir haben fast 3 Millionen Chats analysiert, die einen Listenartikel oder eine Vergleichsseite zitieren, und zwei interessante Trends entdeckt: 🔍 1. ChatGPT hinterfragt Rankings und Vergleiche ChatGPT weist häufiger darauf hin, wenn Rankings oder Empfehlungen nicht unabhängig überprüft wurden. Zum Beispiel: „Dies ist kein unabhängig überprüftes Ranking. Die meisten Ergebnisse stammen von den Agenturen selbst.“ Oder: „Dieser Vergleich basiert auf Angaben der Anbieter, nicht auf unabhängigen Tests.“ 📈 Diese Hinweise stiegen von 0,56% auf 3,46% der Chats. Das ist ungefähr 6-mal so häufig. 🏷️ 2. ChatGPT hinterfragt Anbieterbehauptungen ChatGPT wird auch kritischer gegenüber Leistungszahlen und Erfolgsgeschichten, die Unternehmen selbst veröffentlichen. Zum Beispiel: „Diese Genauigkeitsangaben stammen vom Anbieter und wurden nicht unabhängig überprüft.“ Manchmal weist ChatGPT sogar auf das kommerzielle Interesse hinter einer Quelle hin: „Diese Fallstudien wurden vom Unternehmen selbst veröffentlicht, das ein Interesse daran hat, seine Produkte zu bewerben.“ 📈 Diese Hinweise stiegen von 1,01% auf 2,27% der Chats. Mehr als eine Verdopplung. Beide Arten von Hinweisen stiegen innerhalb von zwei Tagen nach dem Wechsel zu GPT-6 sprunghaft an und sind seither auf ähnlichem Niveau geblieben. 💡 Was bedeutet das für Marken? In Listenartikeln aufzutauchen, hilft weiterhin dabei, von ChatGPT zitiert zu werden. Aber zitiert zu werden bedeutet nicht automatisch, dass man als vertrauenswürdig gilt. Wenn ein Unternehmen eigene Rankings veröffentlicht, behauptet, das beste zu sein, oder eigene Leistungszahlen als Beleg verwendet, weist ChatGPT inzwischen eher darauf hin. 👉 Von ChatGPT erwähnt zu werden, ist das eine. Als glaubwürdig wahrgenommen zu werden, das andere. Unabhängige Bewertungen, Benchmarks von Dritten und überprüfbare Daten werden wichtiger.

🚀Hey Linkedin, mein Team sucht einen AI Engineer (Python, PyTorch, ML)! 📍 Remote | 3–5 Jahre Berufserfahrung | 💰 Bis zu 50 LPA CTC Deine Aufgaben: -> LLMs mit Techniken wie SFT, RLHF und Reinforcement Learning mit verifizierbaren Belohnungen feinabstimmen und nachtrainieren sowie ihre Leistung systematisch messen. -> Benchmarks und Evaluierungsumgebungen für agentisches Verhalten, Modellsicherheit und Zuverlässigkeit entwerfen und entwickeln. -> Infrastruktur zum Erzeugen, Ausführen und Verifizieren von Aufgaben in Reinforcement-Learning-Umgebungen aufbauen und pflegen. -> Docker-basierte Umgebungen, Bewertungsprogramme, Rollout-Pipelines und Evaluierungsinfrastruktur entwickeln. -> Den Durchsatz von Aufgaben und Evaluierungen von Hunderten auf Tausende Durchläufe pro Woche skalieren und dabei die Daten- und Evaluierungsqualität bewahren. -> Engineering-Standards etablieren, Code prüfen und Engineers sowie Mitwirkende betreuen. -> Direkt mit führenden KI-Laboren und Kunden zusammenarbeiten, um technische Anforderungen zu verstehen und produktionsreife Lösungen zu liefern. -> Zuverlässigkeit, Reproduzierbarkeit und Skalierbarkeit von Modelltrainings- und Evaluierungspipelines verbessern. Bewerbungslink: https://lnkd.in/gSHRCzVP Kennst du jemanden, der passt? Markiere die Person unten. #Hiring #EngineeringJobs #AIEngineer #TechJobs #IndiaTech #Startups

Caveman (YC F26) hat heute @supabase bei den GitHub-Sternen überholt. Ach ja, und wir trainieren jetzt Modelle? trim-1: ein 1,2 MB großes Modell, das ein langes Dokument liest und nur die Zeilen behält, die euer Agent braucht. Jede beibehaltene Zeile wortgetreu. Keine GPU, etwa 7 ms für 5.000 Tokens auf einem CPU-Kern. Leichter, schlanker, schlagkräftiger. Mehr kommt bald.

Ich suche einen Manager of Applied AI Architecture für Anthropics Startups-Team mit Standort in San Francisco oder NYC. Du würdest ein Team von Applied AI Architects leiten, die Gründer dabei unterstützen, KI-native Produkte auf Claude zu bauen – vom ersten Prototyp bis zum exponentiellen Wachstum. Du würdest Strukturen schaffen, mit denen das Team skalieren kann, Menschen fördern und weiterentwickeln, selbst einige strategische Kunden betreuen (technische Bedarfsanalyse, Evals, Agentenarchitekturen) und unsere Erkenntnisse aus der Arbeit mit Startups an unsere Produkt-, Engineering- und Forschungsteams zurückspielen. Du könntest passen, wenn du: • ein Team aus Solutions Architects, Sales Engineers oder Forward Deployed Engineers geleitet hast • selbst auf einer LLM-API aufgebaut hast • gern im Startup-Tempo mit technisch versierten Gründern arbeitest Eine Bitte: Wenn du mir eine Kontaktanfrage oder Privatnachricht schickst, füge eine kurze Notiz zu etwas bei, das du gebaut hast, und zu einem Team, das du geleitet hast. Ich bekomme viele Anfragen, und die ohne Notiz werden meist nicht gesehen. Hier bewerben: https://lnkd.in/gf8Yf_U4

🚀 OPENAI STELLT DATA SCIENTISTS EIN – GEHÄLTER BIS ZU $515K! Wenn du in Data Science, KI, Machine Learning, Produktanalyse oder Experimentierung arbeitest, verdienen diese Stellen deine Aufmerksamkeit. OpenAI hat auf seiner Karriereseite mehrere spannende Stellen in den USA mit umfangreichen Vergütungspaketen ausgeschrieben. 🔥 7 STELLEN BEI OPENAI: 1️⃣ Data Scientist, Product 💰 $230K–$385K | San Francisco / Seattle 🔗 https://lnkd.in/g_N8EBA2 2️⃣ Data Scientist, Platform & B2B Products 💰 $230K–$385K | San Francisco 🔗 https://lnkd.in/gWfveKTs 3️⃣ Data Scientist, Infrastructure 💰 $230K–$385K | San Francisco 🔗 https://lnkd.in/gkSEGF-h 4️⃣ Data Scientist, Core Experimentation 💰 $293K–$325K | Bellevue, WA 🔗 https://lnkd.in/g_3ZnaaA 5️⃣ Data Scientist, B2B Strategy & Intelligence 💰 $347K–$510K | San Francisco 🔗 https://lnkd.in/g4y4iCpt 6️⃣ Machine Learning Data Scientist, Forecasting 💰 $340K–$500K | San Francisco 🔗 https://lnkd.in/g-s4W7FZ 7️⃣ Data Scientist, SMB Ads Growth 💰 $293K–$515K | San Francisco 🔗 https://lnkd.in/gmWbnpJY 💡 Ein wenig Orientierung für die Karriere: Du musst nicht unbedingt das nächste KI-Basismodell entwickeln, um in einem KI-Unternehmen zu arbeiten. Experimentierung, SQL, Python, kausale Inferenz, Prognosen, Produktanalyse und Business Intelligence sind wertvolle Kompetenzen in der KI-Branche. Bei Clarity Foundry bin ich überzeugt, dass talentierte Menschen einen besseren Überblick über Chancen verdienen, die ihre Karriere verändern können. Wenn du deinen nächsten Schritt in KI oder Data Science planst, vernetze dich gern mit mir oder melde dich. Ich tausche mich immer gern aus, bespreche berufliche Perspektiven und helfe talentierten Menschen, wertvolle Kontakte zu knüpfen. 📌 Speichere diesen Beitrag. 🔁 Teile ihn, um jemandem in deinem Netzwerk zu helfen. 💬 Markiere einen Data Scientist, der diese Stellen sehen sollte. Die Gehaltsangaben sind ausgeschriebene jährliche Grundgehaltsspannen, keine garantierten Angebote. Prüfe die aktuelle Verfügbarkeit und Vergütung in der jeweiligen Stellenanzeige. #OpenAI #DataScience #AIJobs #MachineLearning #Hiring #TechCareers #CareerDevelopment #ClarityFoundry

Ein neues Framework, um den Kontext deines KI-Agenten stets aktuell und korrekt zu halten. Die meisten KI-Agenten setzen noch auf Batch-Indexierung: Man liest Dokumente einmal ein, erzeugt Embeddings und hofft, dass sich nichts Wichtiges ändert. Doch Unternehmenswissen verändert sich ständig: Dokumente, Codebasen, PDFs, Tickets und so weiter. CocoIndex wurde entwickelt, um das zu lösen. Statt alles erneut zu verarbeiten, berechnet es nur die Änderungen neu. Ändert sich eine Datei, werden nur die betroffenen Textblöcke, Embeddings oder nachgelagerten Transformationen aktualisiert. Target = F(Source). Du deklarierst in Python, wie dein Ziel aussehen soll, und CocoIndex hält es dauerhaft synchron. Es ist wie React, aber für Data Engineering und KI-Pipelines. Seine inkrementelle Engine ist sehr gut darin, die Datenherkunft nachzuverfolgen und auf granularer Ebene zu cachen. Ändern sich deine Quelldaten oder sogar dein Transformationscode, werden also nur die betroffenen Teile neu berechnet. Das ist wichtig, wenn Embeddings und LLM-Aufrufe teuer werden! Außerdem unterstützt es sofort einsetzbare praktische KI-Workflows: Codebasis-Indexierung, PDF-zu-RAG-Pipelines, Extraktion von Wissensgraphen aus Gesprächen, Zusammenfassungen über mehrere Repositories hinweg und laufende Datenaufnahme in Vektordatenbanken oder andere Datenbanken. Sehr nützlich, wenn du KI-Agenten für längerfristige Aufgaben, Unternehmenssuche oder Retrieval-Systeme baust, bei denen veralteter Kontext unbemerkt zum größten Engpass wird. ♻️ Teile es mit allen, die KI-Agenten oder RAG-Systeme bauen :) In meinem Newsletter 𝑨𝑰 𝑨𝒈𝒆𝒏𝒕 𝑬𝒏𝒈𝒊𝒏𝒆𝒆𝒓𝒊𝒏𝒈 teile ich Tutorials dazu, wie man KI-Apps und -Agenten baut und verbessert: https://lnkd.in/gaJTcZBR Tolle Arbeit von Linghua Jin und dem Team! #AI #RAG #AIAgents

Die Nachfrage von Unternehmen war der WAHNSINN. Jetzt gibt es Regionen in @opencomputerHQ https:// docs.opencomputer.dev/agents/regions

Hier ist Open-Spaces. Der ehemalige Produktchef von Slack hat gerade $34M für Scuba eingesammelt, einen gemeinsamen KI-Arbeitsbereich für Teams. Ich veröffentliche eine Open-Source-Version, die ihr selbst betreiben könnt. Enthalten: - KI-Bearbeitung direkt im Text + Bildgenerierung - Keine Warteliste Repo -> https:// github.com/Anil-matcha/op en-spaces …

Wir suchen einen ML Research Scientist für unser Inference-ML-Team bei Cerebras. Wenn du die Grenzen von Geschwindigkeit und Effizienz der KI-Inferenz mit neuen ML-Algorithmen und -Methoden voranbringen möchtest, etwa in Bereichen wie spekulativem Decoding, Modell-Pruning und -Komprimierung sowie Sparse Attention, schick mir gern eine Privatnachricht oder bewirb dich über den Link unten. https://lnkd.in/grAxhVzF

🚨 EILMELDUNG: Ramp hat gerade Glass vorgestellt, einen KI-Arbeitsbereich für alle Beschäftigten. Das ist kein Schritt, den man von einem „Fintech-Unternehmen“ erwartet. Ramp sagt, sein KI-Harness Glass habe alle Beschäftigten schneller gemacht. Das wirklich Besondere sei aber, dass es „das gesamte Unternehmen klüger macht“. Man fragt mich, warum ich sage, Fintech sei tot. Weil die Unternehmen, die die nächste Generation anführen, darum konkurrieren müssen, die besten Unternehmen zu sein. Punkt. Das sieht man an den Produkten, die sie auf den Markt bringen. Ramp half dir erst, KI-Kosten zu sparen. Dann, deine KI-Anfragen zu routen. Und jetzt stellt es selbst den Harness. CEO Eric Glyman sagt, Glass sei eines ihrer Geheimnisse dafür gewesen, als Unternehmen so schnell voranzukommen. Und das sieht man an all den Produkten, die sie daraus hervorbringen. --- - Am 16. Juli brachte Ramp AI Token Spend Management heraus. Ein Dashboard für Token-Ausgaben bei Anthropic, OpenAI, Gemini und Cursor, mit Obergrenzen und Warnmeldungen. - Am 19. August folgte Router.com. Eine API, die jede Anfrage an das günstigste Modell schickt, das deine Qualitätsanforderungen erfüllt. - Heute kam Glass dazu, mit offenem Early Access. Der Arbeitsbereich, in dem eure Leute mit KI arbeiten. Jedes davon begann als Tool, das Ramp für Ramp baute. Router wickelte drei Jahre lang Ramps eigenen KI-Traffic ab. 99,5% der Ramp-Belegschaft nutzen Glass, und in einer Woche im Mai gab Ramp $1,5M für Tokens aus. --- Was Glass bietet: - Einen vom ersten Tag an vorkonfigurierten Arbeitsbereich, der über SSO bei Slack, Notion und internen Tools angemeldet ist. - Einen Marktplatz mit 350+ Skills. Ein Workflow, der einmal funktioniert, wird gespeichert und von allen wiederverwendet. - Gedächtnis über Sitzungen hinweg und geplante Automatisierungen, die Ergebnisse in Slack posten. Das ist eine grundlegend andere Erfahrung als die Slack-Agenten, die die meisten Unternehmen haben. Ein gutes Gedächtnis für eine einzelne Person umzusetzen, ist schwer; für das gesamte Unternehmen ist es irrsinnig schwer. Unternehmen bauen Tools für sich selbst und verkaufen sie dann. Die Produkte, die die besten Finanzunternehmen herausbringen, gehen zunehmend über das Finanzwesen hinaus. Und damit auch die Liste ihrer Wettbewerber.

Von „Hey Siri“ zu „Wie kann ich helfen?“ Mit PolyAI ist die Zukunft agentischer Dialoge schon da! https://lnkd.in/eR6f5VTH

Ich werde oft gefragt, ob sich das Fine-Tuning von LLMs lohnt. Unserer Erfahrung nach ist das im Allgemeinen der Fall, wenn man präzise Bewertungen mit der Flexibilität verbinden muss, umfangreiche, heterogene Belege zu nutzen. Nehmen wir Risikoentscheidungen bei Stripe. LLMs sind hier vielversprechend, weil sie verstehen, wie reale Unternehmen funktionieren, und Zahlungsdaten, Text und Zeitreihendaten verarbeiten können, die in einem einzigen Datensatz serialisiert sind. Von Haus aus sind sie allerdings Wortvorhersagemodelle und nicht für die strenge statistische Analyse gebaut, die unsere Risikoentscheidungen erfordern. In einer Kohorte von Händlern zur Betrugsprüfung erreichte Zero-Shot-Prompting bei gleichem Recall wie die menschliche Prüfung eine Precision von 0,49, fachlich angeleitetes Prompting 0,71 und menschliche Prüfer 0,79. Deshalb haben wir ein Open-Weight-Modell mit 4B Parametern anhand von Prüfungslabels feinabgestimmt und einen kontinuierlichen Betrugsscore direkt aus den Wahrscheinlichkeiten seiner Ja/Nein-Tokens abgelesen. Die Average Precision stieg gegenüber fachlich angeleitetem Prompting um 24%, und das Modell übertraf menschliche Prüfer bei gleichem Recall. Für alle, die der Mechanismus interessiert: Lineare Probes deuten darauf hin, dass ein wichtiger Grund für die Verbesserung darin liegt, dass das Fine-Tuning die Signale *legitimer* Unternehmen leichter dekodierbar machte. Der vollständige Bericht: https://lnkd.in/gY5PQFmq

Keine Pull Requests, keine Code-Reviews. Wir pushen direkt auf main. Unsere Agenten lesen Produktionslogs, überwachen Deployments, schalten Feature-Flags frei und überprüfen ihre eigene Arbeit von Anfang bis Ende. So machen wir das:

Eine der schwierigeren Aufgaben beim Testen eines KI-Agenten ist es, genau die Situation zu reproduzieren, in der etwas schiefgelaufen ist. Die Eingaben können gleich sein, aber der Agent kann jedes Mal einen anderen Weg einschlagen. Deshalb gibt es in Veval die Replay-Funktion. Du kannst einen tatsächlichen Agentenlauf nehmen und als Test erneut abspielen. So lässt sich dasselbe Szenario wiederholt gegen Änderungen an deinem Agenten prüfen. Das ist besonders nützlich bei Geschäftslogik, wenn du wissen willst: „Hat dieser konkrete Fall auch noch funktioniert, nachdem ich etwas geändert habe?“ Du musst das Szenario nicht jedes Mal manuell nachstellen. Einfach erneut abspielen und die Ergebnisse vergleichen.

Wir geben unsere Series-A-Finanzierung über $10M bekannt, mit der wir die Videoerstellung für jedes Unternehmen automatisieren wollen. 1.000+ Unternehmen und Organisationen weltweit wie Atlassian, GitLab, Zendesk, Gainsight, Legrand und Samsara nutzen Clueso, um Videos für Marketing, Customer Success, Schulungen, Enablement, Change Management und vieles mehr zu automatisieren. Die herkömmliche Videoproduktion ist langsam, teuer und schwer zu skalieren. Selbst mit KI-Videotools müssen Teams jedes Video weiterhin manuell per Prompt anstoßen, bearbeiten und aktualisieren. Eine Plattform für Unternehmensvideos muss weit mehr leisten: - Skalierung: Agenten müssen selbstständig Hunderte von Videos identifizieren, planen und erstellen, ohne auf menschliche Prompts oder Eingaben zu warten. - Produktionsgeschwindigkeit und Qualität: Unternehmensvideos brauchen echte Bildschirmaufnahmen und Motion Graphics, nicht nur KI-generiertes Bildmaterial. Dafür braucht es Browser-Agenten, die durch echte Produkte navigieren, und KI-gestützte Bearbeitungstools. - Kontext: Die Plattform muss die Produkte, Kunden, Prozesse und Marke eines Unternehmens verstehen, indem sie sich mit den Systemen verbindet, in denen dieser Kontext steckt. - Pflege: Im KI-Zeitalter verändern sich Produkte und Prozesse ständig. Die Plattform muss diese Änderungen erkennen und alte Videos automatisch aktualisieren. Clueso baut die agentische Ebene hinter all dem. Mehr als 𝟴𝟬% dieser Finanzierungsrunde stammen von bestehenden Investoren, die ihr Engagement verstärken. Danke an Dharana Capital, Y Combinator und f7 Ventures, die uns erneut unterstützen. Und ein herzliches Willkommen an unsere neuen Investoren: Neotribe Ventures und Founders Future! Ohne unser unglaubliches Team wäre all das nicht möglich. Prajwal, Neel, meine beiden besten Freunde und Mitgründer. Wir sind ein unglaubliches Trio, und ich arbeite jeden Tag sehr gern mit euch zusammen. Und an das gesamte Clueso-Team: Der Ehrgeiz, die Energie und die Eigenverantwortung, die ihr jeden Tag einbringt, motivieren mich, immer weiterzumachen. Ein riesiges Dankeschön an alle unsere allerersten Kunden. Ihr habt unser Produkt von seinen Anfängen bis zu seinem heutigen Stand entscheidend geprägt. Unser Produkt entwickelt sich in eine unglaublich spannende Richtung. Das Tempo der KI-Entwicklung in den letzten 6 Monaten war beispiellos, und wir sind perfekt aufgestellt, um diese Leistungsfähigkeit in die Workflows zur Inhaltserstellung großer Unternehmen zu bringen. Wenn du Teil eines schnell wachsenden Teams werden möchtest, das die Zukunft dieses Bereichs gestaltet, melde dich. Wir stellen in mehreren Bereichen ein und freuen uns, von dir zu hören. Weiter geht’s 🚀 Mehr über die Finanzierung und unsere Zukunft erfahrt ihr über die Presse-Links in den Kommentaren.

Ich freue mich riesig, endlich bekannt geben zu können, dass sainaptic in einer kürzlich abgeschlossenen Finanzierungsrunde £1m eingeworben hat!! Und wir gehen eine Partnerschaft mit Skilltech Solutions ein! 🚀 Die Runde wurde gemeinsam von Cornerstone VC und Ufi Ventures angeführt, mit Beteiligung von Elm Venture Partners, Brighteye Ventures und Business Angels. Wir sind dankbar für euer Vertrauen und euren Rat – danke, dass ihr uns unterstützt. 🙏 Warum gerade jetzt 🧐? Prüfungsorganisationen und Bildungsanbieter stehen zunehmend unter Druck, schneller zu arbeiten, Lernenden zügiger Feedback zu geben und Standards auch bei wachsendem Umfang einheitlich zu halten. Zugleich möchte die Branche KI verantwortungsvoll einsetzen, ohne qualifizierte Prüfer aus wichtigen Entscheidungen herauszunehmen. Genau dafür haben wir unsere Lösung entwickelt: KI, die die Expertise der Prüfer stärkt 💪 und sie niemals ersetzt. Die bisherigen Ergebnisse: ⚡ Bei einigen Qualifikationen wurde die Bewertungszeit von 45 Minuten auf 8 Sekunden verkürzt 🎯 Weniger als 1% Abweichung von erfahrenen Prüfern ✅ 97% weniger Nachbewertungen bei einer unserer Partner-Prüfungsorganisationen Mit dieser Finanzierung erweitern wir unser Angebot um Qualitätssicherung, Analysen und personalisierte Bewertung und vergrößern zugleich unser unglaubliches Team. 🤝🤝 Gemeinsam mit Skilltech Solutions bringen wir ab Q1 2027 die KI-gestützte Portfolio-Bewertung zu einigen der größten britischen Organisationen für die Abschlussbewertung von Berufsausbildungen. 🔜 Bald mehr dazu – also bleibt dran! 🔜 Vielen Dank an Tech Funding News für die exklusive Berichterstattung heute Morgen! Sofia C. Akansha Dimri Wir stehen erst am Anfang. Wenn ihr in den Bereichen Prüfungswesen, Bewertung von Berufsausbildungen, Zertifizierung oder Weiterbildung arbeitet, lasst uns sprechen! 👋

🔍 Unsere Anforderungen: Wir suchen echte KI-Engineers. 🚀 9 Stellen im Bereich Data & KI: Wir suchen Menschen, die Lösungen skalieren können! Ich begleite derzeit einen großen Konzern bei 9 strategischen Einstellungen in Data Science, GenAI und Agentic AI – mit großartigen Perspektiven für Menschen, die an anspruchsvollen KI-Projekten arbeiten möchten. 🎯 Die gesuchten Profile 🔹 4 Senior Data Scientists mit Schwerpunkt GenAI und Agentic AI 🔹 2 Senior Data Scientists mit Schwerpunkt Machine Learning und GenAI 🔹 2 Engineers mit Schwerpunkt Agentic AI für Konzeption und Entwicklung von KI-Agentenarchitekturen 🔹 1 Senior Data Scientist mit Schwerpunkt GenAI und Machine Learning Der Kunde hat hohe Anforderungen. Ziel ist nicht, einen POC nach dem anderen zu bauen, sondern robuste Lösungen zu entwickeln, die produktiv eingesetzt werden und Wert schaffen. ✅ Produktion zuerst: Konkrete Erfahrung mit der Überführung in den Produktivbetrieb ist unerlässlich. Wer ausschließlich POCs umgesetzt hat, wird nicht berücksichtigt. ✅ End-to-End-Perspektive: Fähigkeit, den gesamten Lebenszyklus eines KI-Produkts zu begleiten, von der Konzeption über das Deployment bis zur Überwachung im Produktivbetrieb. ✅ Moderner technischer Stack: AWS Bedrock AgentCore, LangGraph, Langfuse, MCP, GraphRAG und Multi-Agenten-Architekturen. ✅ Produkt- und Geschäftsorientierung: ausgezeichnete Kommunikation, selbstständiges Arbeiten und Zusammenarbeit mit interdisziplinären Teams. ✅ Beruflich sicheres Englisch ist Pflicht. 📍 Standort: ausschließlich Île-de-France ⚡ Verfügbarkeit: so schnell wie möglich 💰 Einkaufstagessatz: 650 bis 700 € / Tag 🧠 Zusammengefasst Wir suchen Menschen, die weit mehr können, als ein Modell zu entwickeln: Engineers, die aus einer KI-Ambition ein konkretes, für den professionellen Betrieb geeignetes und tatsächlich genutztes Produkt machen können. Sind Sie offen für neue Angebote oder kennen Sie jemanden, der diese Kriterien erfüllt? 📩 Kontaktieren Sie mich per Privatnachricht mit Ihrem Lebenslauf, Ihrer Verfügbarkeit und Ihrem Tagessatz. #Recrutement #DataScience #GenAI #AgenticAI #MachineLearning #IntelligenceArtificielle #DataJobs