Ailio GmbH

Möchtest du die Recordings unserer Masterclasses und Speaker Slots auf der Data Unplugged? Kein Problem! Wir haben nochmal alles sauber aufgenommen und veröffentlichen alle Slides und Videos in einem geschützten Bereich. Kommentier unter diesem Beitrag: "Ailio:Unplugged" und ich schicke dir den Zugang taggleich zu 🚀 Darin findest du dann unter anderen: 45 Minuten Masterclass: "Kaffeebohnen und KI-Algorithmen - Ein Data Science Rezept für die Fertigungsindustrie" von Dr. David Geisel und "Datenplattform 360°: ETL, Persistierung & Governance für nachhaltige Datenstrategien" von Janis Goesser Sowie meinen 20 minütigen Impulsvortrag: "Was erfolgreiche KI Projekte ausmacht - Industrie-Beispiel mit Predictive Quality" inklusive aller Slides zum Download und ein paar zusätzlicher Goodies :)

Das Ailio Team war letzte Woche auf der Data:Unplugged und hat bereits viele spannende Eindrücke geteilt! Es gibt nichts schöneres als bestehende Kunden und Partner so wie werdende zu treffen und sich mal richtig kennenzulernen. Etwas das in Teams-Calls leider nur bedingt möglich ist. Danke an alle die unserer Einladung gefolgt sind für die unvergesslichen Tage!

Danke data:unplugged für die Möglichkeit vor fast 200 Leuten einen Impuls zu setzen, wie Industrial Projekte aussehen und erfolgreich umgesetzt werden können. Dabei hab ich eine parallele gezogen, was KI Projekte und Start-Ups gemeinsam haben und warum KI Projekte gerade im Industrial AI Umfeld oft etwas riskanter und unwägbarer erscheinen als klassische Softwareprojekte. Trotzdem ists am Ende alles nur Python Code und mit dem richtigen Mindset beherrschbar. Dazu gehört: 👉 Salami Taktik: Kleine Projektphasen mit definierten Outcome, die das Risiko minimal halten und immer Appetit auf mehr machen. 👉 Möglichst wenig beteiligte Personen. Am Anfang in der Rapid Prototyping Phase im Optimalfall ein Allrounder mit Sparringspartner und Domänenexperten. Dadurch entstehen minimale Kommunikationsaufwände und man hat mehr Budget zum experimentieren. Mehr Experimente -> Höhere Erfolgschance. 👉 Viel entscheidet sich schon bevor man überhaupt anfängt zu arbeiten. Wenn man sich auf die falschen Use-Cases versteift für die die Groundwork noch nicht erledigt ist, geht viel Zeit und Budget ins Land, dem Unternehmen kann die Puste ausgehen und das Thema ist verbrannt. 👉 Nah am Kunden entwickeln. Früh erste Software releasen. Data-Science zum anfassen für Domänenexperten um schnell Feedback aus der "Real World" zu holen. 👉 Beim experimentieren mit Bordmitteln arbeiten und keine IT Projekte auf die man warten muss anstoßen. Erst herausfinden was Signale sendet bevor man 1 Jahr auf etwas wartet, das am Ende kein guter Business-Case ist. 👉 Wenn man einen Use-Case Prototypen hat der gute Signale sendet einen Schritt zurückgehen und nicht mehr mit Bordmitteln arbeiten sondern über Data-Engineering, Daten Infrastruktur, Automatisierung und Streaming Data nachdenken, falls noch nicht vorhanden. 👉 Templates und wieder verwendbare SetUps helfen Experimentgeschwindigkeit zu erhöhen. 👉 Offen sein umzudenken, wenn sich rausstellt, dass einzelne Use-Cases gerade noch nicht funktionieren. Oft findet man beim machen alternative Wege um mit den Daten Geld zu verdienen. 👉 90% der Erkenntnisse kommen beim Machen und mit den Daten arbeiten. Nicht beim drüber reden. Foto Credits: Kim Battefeld (IG: kimbattefeld.photo, LI: Kim Battefeld Jan Wohlfahrt (LI: Jan Wohlfahrt) #du25

Letzte Woche durften wir mit Ailio GmbH Teil der data:unplugged sein und uns mit eigenen Augen davon überzeugen, wie dieses Festival sich seit dem letzten Jahr entwickelt hat. Mehr als 6.000 Menschen haben sich intensiv mit Daten und KI Themen beschäftigt und planen die nächsten notwendigen Schritte für einen KI-Ruck in Deutschland. Dabei haben wir von Ailio auch unseren Beitrag geleistet und in zwei Masterclasses von Janis Goesser und mir gezeigt, wie man Daten- und KI-Projekte langfristig zum Erfolg führen kann. Unsere zum Teil technischen Demos wurden vom Impulsvortrag von Aleksander Fegel unterstützt, der aus Sicht von Entscheidern und einem echten Use Case von uns nachgezeichnet hat, wie KI-Projekte in der Praxis funktionieren können. Daneben war ein absolutes Highlight für uns auch das selber veranstaltete Pre-Event auf der 🛥️ MS Günther, auf der wir mit rund 50 Gästen das abendliche Münster vom Schiff aus bestauenen konnten. Zu meinen sonstigen thematischen Highlights gehörte unter anderem der Mut machende Vortrag von Sascha Lobo, der aufzeigte, wie ein KI-Ruck in Deutschland auch und gerade für den Mittelstand funktionieren kann und muss. Als BVB Fan war ich natürlich auch begeistert, Carsten Cramer und Prof. Dr. Volker Gruhn über die Digitalisierung meines Lieblingsvereins sprechen zu hören. Unter anderem habe ich dabei aber auch gelernt, dass wir bei Ailio den PT-Umfang unserer Angebote noch deutlich hochschrauben müssen 😜 Daneben gab es natürlich noch hunderte interessanter Gespräche und cooler Kontakte sowie Geschichten, die in Erinnerung bleiben werde (magische Dönertür). Wir kommen sicher wieder! P.S.: Offizieller Glückwunsch an Janis Gösser, der das Zitate-Duell für sich entschieden hat. 

Am 10. April könnt ihr euch um 11:40 auf der Data:Unplugged einen Speakerslot anhören. Dabei wird es ohne zu viel zu spoilern darum gehen: 👉 Wie man komplexe KI Projekte beherrschbar macht 👉 Wie man unserer Erfahrung nach bei KI Projekten im industriellen Umfeld vorgehen kann und sollte 👉 Was KI Projekte im Kern ausmacht und worauf man sich einstellen muss 👉 Ein Use-Case aus der Praxis mit Zahlen, Daten, Fakten Ich freue mich möglichst viele bekannte und neue Gesichter aus dem Netzwerk bei der D:U zu treffen. Kommt gerne an unseren Stand oder schreibt mir direkt bei LinkedIn, damit man ein Treffen ausmachen kann 😊 Ein paar kleine Empfehlungen am Rande: 👉 Natürlich unsere 2 Masteclasses von Janis Goesser (Datenplattform 360°: ETL, Persistierung & Governance für nachhaltige Datenstrategien ) und Dr. David Geisel ("Kaffeebohnen und KI-Algorithmen - Ein Data Science Rezept für die Fertigungsindustrie") 👉 Unser Pre-Event am Vortag um 19:00 auf der MS Günther

📰 Spannende Neuerungen von Databricks: Claude 3.7 Sonnet kommt! Databricks integriert ab sofort Anthropic's fortschrittlichstes KI-Modell Claude 3.7 Sonnet nativ in seine Plattform. Damit ist das leistungsstarke generative Modell nun direkt und sicher in Databricks-Umgebungen auf Azure, AWS und GCP verfügbar. 🔍 Was zeichnet Claude 3.7 Sonnet aus? Sonnet ist das neueste KI-Sprachmodell von Anthropic mit beeindruckenden Fähigkeiten im Bereich komplexer Logik und Planung, längerer Dialogführung und der präzisen Analyse umfangreicher Dokumente. Claude ist das erste hybride Reasoning-Modell, bei dem Anwender sogar genau einstellen können, wie lange das Modell für die einzelnen Schritte der Lösungsfindung nachdenken darf – ein spannender Schritt in Richtung Transparenz und Kontrollierbarkeit. 🤖 KI-Agenten innerhalb von Databricks aufbauen Durch die native Integration mit der Databricks Data Intelligence Plattform entstehen spannende Möglichkeiten für individuelle und branchenspezifische KI-Agenten, die mit firmeneigenen Daten sicher arbeiten. Mosaic AI Gateway sorgt automatisch für Governance, Logging und Datenschutz, sodass Unternehmen mit ihren individuellen Use Cases direkt loslegen können. 💡 Was bedeuten diese Neuerungen für Mittelstand & Industrieunternehmen? Gerade für mittelständische Firmen und Unternehmen aus Produktion und Industrie ergeben sich durch die neuen Möglichkeiten greifbare Vorteile: - ✅ Agenten mit adaptivem Verhalten: Unternehmen können auf Basis eigener Daten und branchenspezifischer Informationen ihre individuellen KI-Agenten entwickeln, die transparente Entscheidungen ermöglichen und deutlich komplexere Aufgaben übernehmen können. - ✅ Effizientere Prozesse: Besonders komplexe Geschäfts- oder Fertigungsprozesse lassen sich mithilfe der erweiterten Reasoning-Fähigkeiten von Claude 3.7 klarer strukturieren, überwachen und optimieren. - ✅ Bessere Entscheidungen dank Transparenz: Mit der Möglichkeit, die Denkschritte des Modells nachvollziehbar zu gestalten, fällt es Anwendern leichter, Ergebnisse und Empfehlungen zu bewerten und KI-unterstützte Ansätze Schritt für Schritt in eigene Abläufe einzubinden. - ✅ Beschleunigung von Batch-Prozessen: Komplexe Auswertungen, die ein hohes Maß an Logik und Deep Data Inspection benötigen, werden deutlich effizienter in batchbasierten Abläufen umgesetzt, was Zeit- und Kostenvorteile bringt. 🤝 Strategische Partnerschaft und Ausblick Die Integration markiert erst den Anfang der strategischen Zusammenarbeit zwischen Databricks und Anthropic. Wir bei Ailio freuen uns sehr auf die spannenden weiteren Entwicklungen und innovativen Praxiseinsätze, die uns und unseren Kunden dadurch ermöglicht werden. Wie bewertet ihr die neue Integration? Seht ihr schon konkrete Anwendungsfälle bei euch im Unternehmen?

Aktuell ist in den Medien zu lesen, dass sich das Klima in Deutschland seid der Industrialisierung stärker erwärmt hat, als bisher angenommen. Man geht nun statt wie bisher von ca. 1,9 Grad Celsius von 2,5 Grad Celsius aus. Die Erklärung dieser Zahlen hat einen spannenden statistischen Hintergrund und zeigt, warum man auch bei anderen Data Science Methoden vorsichtig bei der Wahl der Modelle und ihrer Annahmen sein muss. Im Fall der Klimaberechnungen hatte man bisher Daten der Jahresmitteltemperaturen verwendet und diese mit einer linearen Regression gefittet. Voraussetzung ist jedoch die Annahme einer Linearität. Diese lässt sich prüfen, indem man die Differenzen zwischen tatsächlichen Daten und dem linearen Trend analysiert. Bei einem linearen Zusammenhang sollten die Residuen normalverteilt sein. Eine bessere Methode stellt das Loess oder Lowess Verfahren (locally weighted scatterplot smoothing) dar. Das Verfahren geht wie folgt vor: Man definiert für jeden der Punkte eine lokale Nachbarschaft innerhalb derer man unter Verwendung einer Gewichtungsfunktion die enthaltenen Punkte mittelt. Somit kann man in einer solchen gewichteten Nachbarschaft eine lokale Regression berechnen und damit eine lokale Anpassung an die Daten erreichen und eine Glättung der Daten erzeugen. Somit ist es möglich, verschiedene Abschnitte des Datensatzes lokal zu fitten und damit auch nichtlineare Beziehungen zu erfassen. Außerdem haben Ausreißer einen geringeren Einfluss auf die globale Schätzung, da jeder Punkt nur einen lokalen Einfluss hat. Im Fall der Temperaturwerte macht dieses Vorgehen vor allem deshalb Sinn, weil die Klimaerwärmung aufgrund der Treibhausgase seit den 1970er Jahren besonders stark zugenommen hat und nicht mehr linear zu beschreiben ist. Zur Veranschaulichung habe ich mir Daten des Deutschen Wetterdienstes (DWD) (https://lnkd.in/eZjTV_2g) der Jahresmitteltemperaturen in Nordrhein-Westfalen besorgt und die Berechnungen nachvollzogen. Berechnet man hier die mittlere Temperaturerhöhung seit 1881 ergibt sich mit der Linearen Regression ein Wert von 1.89 Grad Celsius während die Loess Glättung einen Wert von 2.58 Grad Celsius ergibt. In den beiden ergänzenden Plots habe ich die Verteilung der Residuen zur linearen Regression geplottet. Man sieht hier deutlich, dass diese keiner Normalverteilung folgen. Dies wird auch durch einen Shapiro-Wilk-Test bestätigt (p-Wert = 0.013). Auch unsere Erfahrungen bei @Ailio in mehren Data Science Projekten zeigen, wie wichtig es ist sich mit den statistischen Grundlagen und Annahmen verschiedener Modelle auseinanderzusetzen, bevor man diese nutzt und Schlussfolgerungen aus ihnen ableitet. Gerade in Zeiten der LLMs, die es unglaublich einfach machen schnell Code zu erzeugen und Modelle auf Daten zu werfen ist es wichtig, sich die ZEit zur Überprüfung der Annahmen zu nehmen.

---April Scherz--- Unser eigenes LLM schlägt die OpenAI Benchmarks!!! Voller stolz auf mein Team möchte ich heute verkünden, dass Ailio sein eigenes Large Language Model trainiert und Open Source veröffentlicht hat. Die Benchmarks unseres "Aioli-72b" seht Ihr in den angehängten Grafiken und es haut mich wirklich um, dass ein kleines Open-Source Team aus Bielefeld sowas in nur einem halben Jahr auf die Beine gestellt hat. Wie sind wir vorgegangen? Nur Quality Data nehmen und auf Social Media Datenmüll verzichten. Unsere Haupt-Datenquellen sind: 👉 Stackoverflow 👉 Diverse Expertenforen 👉 Wissenschaftliche Publikationen 👉 Reddit (einzige Ausnahme) 👉 Und viele Kollaborationen mit Universitäten wie zum Beispiel Stanford, aus denen wir auf Daten in nicht öffentlich zugänglichen Archiven zugreifen konnten Wie haben wir es als kleines Low Budget Team geschafft die Rechenpower zum trainieren zu finanzieren? 👉 Vor einem Jahr habe ich den Geschäftsführer Deutschland von Nvidia auf einem Event getroffen und wir haben uns gut verstanden. In Kooperation mit einer Förderung des Ministeriums für Wirtschaft und einem starken Nachlass von Nvidia haben wir eine Partnerschaft dafür auf die Beine gestellt. Dafür darf Nvidia unser Model kommerziell nutzen. Was kommt als nächstes? 👉 Aktuell verhandle ich mit Microsoft, ob "Aioli" direkt auf Azure verfügbar gemacht wird. Wenn ihr die Beta Version von "Aioli-72b" vorab testen wollt, kommentiert diesen Beitrag mit "Aioli bitte" und ich schicke euch eine DM mit einer Testumgebung.

Vibe Coding - Fluch oder Segen? Kurz für die die es noch nicht mitbekommen: Vibe Coding beschreibt die Möglichkeit mit KI durch Tools wie replit oder lovable ganze Software-Applikationen rein mit gesteuerter natürlicher Spracheingabe zu erstellen. Wie positionieren wir uns als Ailio nach ersten Tests dazu? Grundsätzlich muss man erstmal ganz klar anerkennen: 👉 Selbst mit hingesch*****en Prompts kriegt man schnell wirklich beeindruckende Applikationen die auf den ersten Blick schon sehr nach an dem dran sind was man haben will und wo der Code definitiv kein kompletter Müll ist. 👉 Tools wie replit und lovable gehen weit über mit ChatGPT / Gemini oder Claude über Code schreiben und sich Hilfe holen hinaus. 👉 Man kriegt nicht nur Click Dummys sondern vollwertige Applikationen mit Datenbank, Schnittstellen, API Keys, Permissions etc. Aber Vorsicht: 👉 Umso größer die Applikation wird, umso eher bekommt man Probleme mit dem Kontext und dem Verständnis. Viele die Vibe-Coding exzessiv getestet haben sind an einen Punkt gelangt an dem sie ein Loch stopfen und neue Probleme auftauchen. Und dann wieder das gleiche. Am Ende hat man eine große Applikation bei der man keine Zeile Code kennt und deren Architektur man kaum versteht. Man ist quasi hilflos. 👉 Das führt mich auch schon zum nächsten Punkt: Qualitätssicherung ist ohne automatisierte Tests, ohne mit dem Code selber gearbeitet zu haben und ohne wirklich jede Zeile nochmal gegenzuchecken kaum möglich. Denn wenn ich im Team normal entwickel, kann ich selbst wenn ich neu im Team bin davon ausgehen, dass jeder Step vorher durch ein Review ging und validiert wurde auch hab ich immer einen Ansprechpartner der sich auskennt. Eine große Enterprise Applikation bei der die meisten Zeilen Code aufgrund von halbgaren Anforderungen automatisch generiert wurden zu warten stelle ich mir gelinde gesagt sehr aufwändig vor. 👉 Code lebt, Software lebt, spätestens bei Framework Updates und Kompatibilitätsproblemen muss man nochmal selber dran und dann kann es schnell heißen "Komplett neu machen ist schneller als dieses Chaos zu fixen" Was heißt das für uns? 👉 Vibe Coding finden wir bisher vor allem in einer Konzeptions und Planungsphase stark. Schnell und agil etwas zeigen, auf Feedback reagieren und über etwas sichtbares sprechen können. Mega! 👉 Gerade bei kleinen Applikationen bekommt man schnell einen ersten Schuss auf dem man aufbauen und den man weiterentwickeln kann. So versteht man immer noch die Codebase und spart sich etwas Handwerk. Auch hilfreich! 👉 Ganze Projekte zu Vibe-Coden erscheint uns bisher sehr "mutig" Was man aber auch nicht außer Acht lassen darf: 👉 Die Technik entwickelt sich schnell weiter 👉 Limitierungen von Heute könnten nächstes Jahr schon geschichte sein 👉 Die Welt dreht sich technologisch so schnell wie noch nie und wir müssen bereit sein, uns neu zu erfinden. Praktische Tools können ganze Branchen umkrempeln und für bestehende Geschäfte ungemütlich werden.

📢 Databricks macht App-Entwicklung für AI und ML jetzt deutlich einfacher Databricks hat mit "Databricks Apps" eine spannende Funktion vorgestellt (aktuell noch in Public Preview), mit der Anwender direkt auf der Plattform eigene datengetriebene KI-Apps entwickeln und bereitstellen können. Konkret ermöglicht sie es, Daten und bestehende Modelle ohne Infrastruktur-Overhead unkompliziert in interaktive Anwendungen einzubinden. 👩💻 Folgende Eckpunkte der Neuerung sind besonders interessant: 🔸 Databricks Apps erlaubt es, Web-Apps auf Basis existierender Daten und KI-Modelle umzusetzen – ganz ohne tiefgreifende Kenntnisse in der Web-Entwicklung. 🔸 Modelle lassen sich per Unity Catalog registrieren, zentral verwalten und durch Model Serving als REST-Endpoints mit minimalem Aufwand verfügbar machen. 🔸 Beliebte Frameworks wie Gradio, Streamlit, Dash, Shiny und Flask werden unterstützt; Anwender haben freie Hand in der Wahl der Technologien für das Frontend. 🔸 Dank serverloser Infrastruktur können sich Entwickler ganz auf die Umsetzung ihrer Anwendungen konzentrieren – ohne Aufwand für Betrieb und Skalierung. Was bedeuten diese Neuerungen vor allem für mittelständische Unternehmen und Industrie-Firmen? 🏭 👉 Schneller und günstiger Prototyping-Prozess: Anwendungen lassen sich binnen weniger Stunden oder Tage realisieren, testen und iterativ verbessern – ideal für Mittelständler mit begrenztem IT-Team. 👉 Einfache Integration in bestehende Databricks-Umgebungen: Industrieunternehmen profitieren davon, vorhandene Daten-Infrastruktur und Governance mittels Unity Catalog weiter effektiv nutzen zu können. 👉 Niedrige Eintrittshürde zu Generativen KI-Anwendungen: Mittelständlern eröffnet sich ein erschwinglicher Einstiegspunkt, um aus komplexen Modellen praktische Anwendungen abzuleiten, ohne große Vorinvestitionen. 👉 Mehr Wert aus bestehenden Datensätzen erzielen: Unity Catalog sichert die Governance, während Databricks Apps neue Möglichkeiten eröffnet, vorhandene Datengrundlagen praktikabel in Prozesse und Services zu integrieren. Kurz gesagt: Gerade für mittelständische Unternehmen und die herstellende Industrie vereinfachen die neuen Databricks Apps erheblich den Zugang zu hochwertigen KI-Applikationen. Die Kombination aus effektiv verwalteten Daten, einfachem Deployment komplexer Modelle und serverlos betriebenen Web-Anwendungen könnte echte Produktivitätstreiber schaffen. 🏗️ Was denkt ihr: Klingt das nach einer echten Erleichterung bei der Entwicklung datenbasierter Anwendungen? Oder wie würdet ihr diese Funktionen künftig einsetzen? Wir sind gespannt auf eure Meinung!