KI News: Kurz und klar.

EigenData ist ein hierarchisches Multi‑Agenten‑System, das interaktive Tool‑Agenten durch selbstentwickelnde Daten und verifizierendes Reinforcement Learning (RL) trainiert. Es erzeugt synthetische, tool‑geprägte Dialoge, ergänzt diese um ausführbare Prüfer und verbessert die Generierung durch einen geschlossenen Selbst‑entwickelnden Prozess, der Prompt und Workflow kontinuierlich anpasst.

In der heutigen Web‑Welt, in der Daten aus unzähligen Quellen zusammengeführt werden, ist die Multi‑View‑Multi‑Label‑Klassifikation (MvMLC) unverzichtbar. In der Praxis stoßen Entwickler jedoch häufig auf zwei große Hindernisse: viele Ansichten fehlen teilweise, und neue Klassen tauchen kontinuierlich auf. Diese Bedingungen erschweren robuste Lernmodelle und machen herkömmliche Ansätze unpraktisch.

Die präzise Bewertung der Aussprache von Zweitsprachelern ist entscheidend für effektives Sprachtraining. Sie liefert individuelles Feedback und sorgt für faire Fortschrittskontrolle. Trotz dieser Bedeutung bleibt die automatisierte Bewertung komplex, weil sie Satz‑Fluency, Prosodie und Vollständigkeit berücksichtigen muss.

Large‑Language‑Model‑basierte Multi‑Agenten‑Systeme (LLM‑MAS) haben in den letzten Jahren beeindruckende Leistungen in komplexen Aufgabenbereichen erzielt. Gleichzeitig sind sie, weil sie über mehrere Geräte und Umgebungen verteilt sind, anfällig für Störungen wie Agenten‑Ausfälle oder andere unerwartete Eingriffe.

In der medizinischen Künstlichen Intelligenz gewinnt multimodales Lernen zunehmend an Bedeutung, weil es Bilddaten mit ergänzenden Textinformationen verknüpft und dadurch ein umfassenderes Bild der Patientenlage liefert. Ein großes Hindernis bleibt jedoch die Knappheit heterogener Datensätze, insbesondere in der Dermatologie, wo Bildsammlungen meist nur mit minimalen Metadaten versehen sind. Durch die jüngsten Fortschritte bei großen Sprachmodellen (LLMs) ist es nun möglich, aus Bildbeschreibungen synthetische klinische Notizen zu generieren. Diese Technik eröffnet die Chance, Bild- und Textrepräsentationen zu kombinieren, birgt jedoch das Risiko von Halluzinationen in klinisch relevanten Kontexten.

Wenn man ein großes Sprachmodell zum ersten Mal nutzt, fühlt es sich an, als würde man rohe Intelligenz in den Händen halten. Die KI schreibt, fasst zusammen und argumentiert auf beeindruckende Weise. Doch sobald man ein echtes Produkt entwickelt und in die Praxis bringt, zeigen sich die Schwächen des Modells deutlich: Es merkt sich nicht, was man gestern gesagt hat, und verliert den Kontext über längere Interaktionen hinweg.

Die Zukunft des Reportings wird darin bestehen, den Nutzen eines Produkts in die Gestaltung von Prompt-Designs einzubetten. In dem Beitrag „Past is Prologue: How Conversational Analytics Is Changing Data Work“ wird erläutert, wie Conversational Analytics die Arbeitsweise mit Daten transformiert. Der Artikel erschien erstmals auf Towards Data Science.

Ein neues arXiv-Papier (2509.12914v1) untersucht, ob große Sprachmodelle (LLMs) nicht nur komplexe mathematische Probleme lösen oder tiefgreifende Fragen beantworten können, sondern auch zufällige Wohnadressen in europäischen Städten generieren.

In diesem zweiten Teil der Serie von Addy Osmani geht es um die Kunst des Context Engineering – die Anwendung von Ingenieursprinzipien auf Prompt‑Designs. Osmani erklärt, wie man genau die Informationen liefert, die ein Sprachmodell benötigt, ohne es mit unnötigen Details zu überfluten.