Mira Muratis Thinking Machine Lab
Deterministisches KI-Schlussfolgern
Erhält man absolut konsistente Ergebnisse, wenn man die Temperatur eines KI-Modells auf 0 setzt? Die intuitive Antwort ist “Ja”, die tatsächliche Antwort ist jedoch “Nein”.
Eine neue Studie des Thinking Machine Lab deckt die grundlegenden Gründe dafür auf: Server-Charge-Verarbeitung, Matrixmultiplikation und Genauigkeitsverluste bei der Normalisierung. Die Inkonsistenzen sind real und für stark regulierte Branchen problematisch.
Das Thinking Machine Lab hat eine ladungsunabhängige Lösung entwickelt, die 100%ige Determinierung garantiert, allerdings mit Kosten von 60% Leistungsverlust. Für Bereichen, in denen Zuverlässigkeit Vorrang vor Geschwindigkeit hat, ändert diese Technologie jedoch die Spielregeln vollkommen.
💬 Lese mehr: 2025 Jahresrückblick (Auf Deutsch)
RAG-Systemdesign
Ein RAG-System im Bankwesen aufbauen: Wie wählt man Chunk-Strategie, Embedding-Modell und Retrieval-Pipeline? Erfahrungen aus der Produktion.
Warum die KI-Einführung im Bankwesen 10x schwieriger ist...
KI in einer Bank einzusetzen bedeutet nicht einfach ein Modell auszuwählen. Compliance, Sicherheit, Data Governance, Organisationskultur — jede Hürde ist de...
RAG-Systemdesign
Ein RAG-System im Bankwesen aufbauen: Wie wählt man Chunk-Strategie, Embedding-Modell und Retrieval-Pipeline? Erfahrungen aus der Produktion.
Warum die KI-Einführung im Bankwesen 10x schwieriger ist...
KI in einer Bank einzusetzen bedeutet nicht einfach ein Modell auszuwählen. Compliance, Sicherheit, Data Governance, Organisationskultur — jede Hürde ist de...