Googles \u201eGemini 4 Argon\u201c verspricht eine Million Ausgabetoken pro Durchlauf. Aktuelle Konkurrenzprodukte liegen bei etwa 128.000. Zu den genannten Anwendungsf\u00e4llen z\u00e4hlen umfangreiche Codemigrationen und mehrstufige autonome Agenten \u2013 also Aufgaben, bei denen ein Modell den Kontext \u00fcber Dutzende von Dateien hinweg im Blick behalten oder Schlussfolgerungsschritte ohne menschliches Eingreifen miteinander verkn\u00fcpfen muss.<\/p>\n
Agentenarchitektur taucht mittlerweile regelm\u00e4\u00dfig in Stellenausschreibungen von Kunden in der gesamten DACH-Region auf. Eine M\u00fcnchner Versicherungsgruppe fragte letzten Monat bei uns nach einem Dateningenieur, der Agenten-Orchestrierungsschichten entwerfen kann \u2013 insbesondere nach jemandem, der versteht, wie man komplexe analytische Aufgaben in Teilaufgaben zerlegt, die ein Modell nacheinander bearbeiten kann. Diese Stelle blieb elf Wochen lang unbesetzt. Die Bewerber mit reinem Data-Engineering-Hintergrund hatten Schwierigkeiten zu erkl\u00e4ren, wie sie die Ergebnisse der Agenten testen und validieren w\u00fcrden. Die Bewerber mit Forschungserfahrung im Bereich maschinelles Lernen verf\u00fcgten oft \u00fcber keine Erfahrung mit der Bereitstellung in der Produktion. Die Stelle wurde schlie\u00dflich mit einer Kandidatin aus einem Unternehmen f\u00fcr klinische Studien besetzt, wo sie automatisierte Pipelines zur Dokumentenpr\u00fcfung aufgebaut hatte.<\/p>\n
Die reine Token-Kapazit\u00e4t hat kaum Bedeutung, wenn es keine Menschen gibt, die die Arbeit so strukturieren k\u00f6nnen, dass sie diese Kapazit\u00e4t aussch\u00f6pft. Ein Modell, das in einem Durchlauf eine Million Token generieren kann, produziert nicht automatisch eine Million n\u00fctzlicher Token. Diejenigen, die aus einer solchen Infrastruktur Wert sch\u00f6pfen, sind diejenigen, die Probleme zerlegen, Validierungskontrollpunkte entwerfen und wissen, wann sie die Kontrolle wieder an einen Menschen zur\u00fcckgeben m\u00fcssen. Unternehmen stellen immer wieder fest, dass die Person, die den Arbeitsablauf entwirft, die begrenzende Ressource ist.<\/p>\n
Unternehmen, die KI-native Datenfunktionen entwickeln, sollten nach Mitarbeitern suchen, die bereits agentenbasierte Systeme in die Produktion gebracht haben. Erfahrung in der Koordination mehrstufiger automatisierter Workflows hebt Kandidaten auf der engeren Auswahlliste von anderen ab. Die Stelle in M\u00fcnchen ging an eine Kandidatin, die genau beschreiben konnte, wie sie mit Fehlerf\u00e4llen in einer Live-Umgebung umgegangen war, ihren \u00dcberwachungsansatz detailliert darlegte und erkl\u00e4rte, warum sie an bestimmten Kontrollpunkten eine manuelle \u00dcberpr\u00fcfung eingebaut hatte.<\/p>\n
Angeregt durch einen Bericht von BigDATAwire.<\/em><\/p>","protected":false},"excerpt":{"rendered":" Das neue Modell von Google verspricht eine 8-fache Steigerung der Leistungskapazit\u00e4t gegen\u00fcber der Konkurrenz. Unternehmen, die autonome Datenpipelines und mehrstufige Agenten-Workflows aufbauen, ben\u00f6tigen Mitarbeiter, die in der Lage sind, Arbeitsabl\u00e4ufe in dieser Gr\u00f6\u00dfenordnung tats\u00e4chlich zu konzipieren.<\/p>","protected":false},"author":4,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[30,26],"tags":[],"class_list":["post-2726","post","type-post","status-publish","format-standard","hentry","category-data-digital","category-latest-news"],"yoast_head":"\n