Tabellen und Datenarbeit

KI für Tabellen: Daten bereinigen, analysieren und visualisieren

Ein praktischer Leitfaden für den KI-Einsatz in Tabellen: Formeln entwerfen, unaufgeräumte Daten prüfen, Zusammenfassungen und Diagramme erstellen und jedes Ergebnis verifizieren.

10 Min. Lesezeit

Evals für Nichttechniker: Erkennen Sie, ob Ihr KI-Workflow besser oder schlechter wird

Evals messen die Qualität von KI-Ausgaben systematisch und gelten meist als Aufgabe für Entwickler. Doch jedes Team mit KI-Workflows benötigt sie, und die Grundlagen kommen ohne Code aus. Eine praktische Anleitung.

Mittelstufe

Weitere in diesem Thema

7 Min. Lesezeit

Haushaltsbudget durchrechnen: Szenarien ohne Finanzberatung

Rechnen Sie mit Ihren eigenen geprüften Haushaltszahlen transparent durch, was ein Arbeitsplatzverlust, eine Mieterhöhung oder ein Kind finanziell verändern würde. Keine Anlagetipps, keine Schuldenstrategie und keine Zahlen, die nicht aus Ihren Unterlagen stammen.

6 Min. Lesezeit

Unbemerkte Abonnementkosten finden, ohne Ihre Bankdaten offenzulegen

Prüfen Sie einen lokal geschwärzten Transaktionsexport auf wiederkehrende Abbuchungen, ohne ein KI-Werkzeug mit Ihrem Bankkonto zu verbinden. Das Ergebnis ist eine mit Konfidenzstufen versehene Händlerliste und eine Kündigungsprüfliste, die Sie selbst abarbeiten.

56 Minuten

KI-Agenten im Finanzwesen mit dem Finanzvorstand (CFO) von HPE

CXOTalk. HPE-CFO Marie Myers beschreibt die Einführung agentischer KI über die Plattform „Alfred“ in einer Finanzorganisation mit 3,600 Beschäftigten. Dabei folgt sie genau der vom Artikel geforderten Disziplin: ein Rahmen für direkten und indirekten ROI, Entscheidungsschleusen zur Fortsetzung oder Beendigung einzelner Anwendungsfälle, verpflichtende Qualitätskontrollen mit Menschen in der Prüfschleife und Workflowkennzahlen, etwa für einen wöchentlichen Prüfprozess, dessen manueller Aufwand um ungefähr 90% sank. Gemessen wird veränderte Arbeit, nicht die Zahl der Tool-Anmeldungen.

9 Min. Lesezeit

KI-ROI und Reifegrad: So messen Sie eine Einführung, die tatsächlich funktioniert

Der Erfolg einer KI-Einführung bemisst sich nicht daran, wie viele Personen ChatGPT ausprobiert haben. Ein praxisnaher Rahmen zur Messung von Workflow-ROI, Qualität, Risiko, Reifegrad und Skalierungsbereitschaft.

13 Min. Lesezeit

Strukturierte Ausgaben und Function Calling: Muster für den Produktivbetrieb

Strukturierte Ausgaben und Function Calling bilden die Brücke vom „LLM, das Text generiert“ zum „System, das Aufgaben ausführt“. Im Produktivbetrieb zählen robuste Schemata, Fehlerbehandlung, Idempotenz und kontrollierte Degradation – nicht nur der JSON-Modus.

18 Minuten

Wie Sie Ihre Excel-Kenntnisse mit ChatGPT verbessern können

Leila Gharani. Das Video stammt von Anfang 2023, ist aber weiterhin das klarste ausgearbeitete Beispiel dafür, eine reale Excel-Frage in ChatGPT einzufügen, eine Antwort mit SUMPRODUCT oder bedingter Formatierung zu erhalten und mit dem Modell weiterzuarbeiten, wenn die erste Formel nicht ganz passt. Das Modell wurde deutlich besser; der gezeigte Prompting-Workflow ist derselbe, den Sie heute verwenden.

12 Minuten

Excels neue KI-Funktion ist absolut unglaublich (Copilot-Funktion)

Leila Gharani. Eine Live-Demonstration der neuen Funktion `=COPILOT()` anhand unübersichtlicher realer Daten wie im Artikel: Schichtübergabenotizen werden zu einer strukturierten Maßnahmentabelle, Freitextbewertungen nach Stimmung klassifiziert und uneinheitliche Stellenbezeichnungen anhand einer Masterliste normalisiert. Gharani benennt auch die Grenzen klar: nicht für Ergebnisse verwenden, die exakt sein müssen, und die Resultate nach Abschluss in feste Werte umwandeln.

107 Minuten

Warum KI-Evals die gefragteste neue Fähigkeit für Produktentwickler sind | Hamel Husain & Shreya Shankar

Lenny's Podcast. Hamel Husain und Shreya Shankar durchlaufen den gesamten Eval-Workflow anhand eines realen KI-Assistenten für die Immobilienverwaltung — Traces prüfen, Fehler offen und axial kodieren, einen sinnvollen Abbruchpunkt bestimmen, einen LLM-as-Judge entwickeln und ihn anhand menschlicher Bewertungen validieren. Dieses seltene ausführliche Gespräch richtet sich tatsächlich an Produktmanager und Teamleitungen statt an ML-Entwickler. Es behandelt außerdem genau den vom Artikel empfohlenen Rhythmus von „30 Minuten pro Woche nach der Einrichtung“.

Mittelstufe

3 Minuten

Prompts in der Anthropic Console bewerten

Anthropic. Eine dreiminütige Anthropic-Anleitung für eine reale Evaluierung in der Workbench — realistische Testfälle automatisch erzeugen, Ausgaben bewerten, den Prompt anpassen und dieselbe Testsuite anschließend nebeneinander erneut ausführen. Die Aufrufzahl liegt unter der üblichen Schwelle. Für die Frage „Wie setze ich das ohne Programmierung praktisch um?“ ist dies jedoch die klarste offizielle Demonstration und eine gute Ergänzung zum strategischeren Gespräch mit Husain und Shankar.

Mittelstufe

41 Minuten

OpenAI DevDay 2024 | Strukturierte Ausgaben für zuverlässige Anwendungen

OpenAI. Der Vortrag behandelt `strict: true`, den Unterschied zum früheren JSON-Modus, den Umgang mit Ablehnungen sowie das Zusammenspiel von Funktionsaufrufen und Schemata für Antwortformate. Er ist besonders nützlich, weil er den API-Vertrag beschreibt, auf dem die Produktionsmuster des Artikels aufbauen.

18 Minuten

Pydantic ist alles, was Sie brauchen: Jason Liu

AI Engineer. Dieser Vortrag prägte das moderne Muster „Pydantic-Modell definieren, an das LLM übergeben und den Rest der Validierung überlassen“. Er zeigt konkrete Beispiele für verschachtelte Objekte, Validatoren, die halluzinierte URLs erkennen, und Gedankengänge als typisiertes Feld. Sehen Sie ihn sich vor dem erneuten Lesen des Artikelabschnitts über Validatoren an; dann wird deutlich, woher dessen Regeln für Wiederholungsversuche und Ablehnungen stammen.