Emil Ohligs

Bias, Metriken, Benchmarks, Performance-Tests – verständlich erklärt (Stand: 28.02.2026) KI-Modelle wirken in Demos oft beeindruckend: ein hoher Score, ein paar gute Beispiele – fertig. In der Praxis zeigt sich aber schnell: Ein Modell kann auf dem Papier stark sein und trotzdem im Alltag schwächeln. Gründe sind neue Daten, verändertes Nutzerverhalten

"Die erste Welle war Euphorie. Die zweite war Überforderung." Viele Prozesse stehen mitten im Wandel: Sie laufen schneller, Entscheidungen werden komplexer und die Spielregeln verändern sich leise – aber radikal. Hierbei wird Ki zunehmend immer wichtiger und beginnt massiven Einfluss zu haben, wodurch jedoch die Verantwortung komplett auf den

Künstliche Intelligenz wird häufig als einheitliche Technologie wahrgenommen. In der Praxis basiert moderne KI jedoch auf grundlegend unterschiedlichen Architekturen, die jeweils für klar abgegrenzte Problemklassen optimiert sind. Ob ein System Texte analysiert, Bilder erkennt oder autonome Entscheidungen trifft, hängt nicht von einer allgemeinen „Intelligenz“ ab, sondern von der strukturellen Auslegung

Große Sprachmodelle werden häufig noch wie ein universelles Werkzeug behandelt: ein Prompt, eine Antwort, ein Ergebnis. Dieser Ansatz funktioniert für einfache Aufgaben erstaunlich gut, stößt aber schnell an Grenzen sobald Komplexität ins Spiel kommt. Genau hier setzt das Konzept von Agenten an. Agenten sind weniger eine neue technologische Fähigkeit als

Disclaimer: In diesem Artikel versuche ich das Thema Large Language Models (LLMs) und ihre Funktionsweise kurz und möglichst intuitiv zu erklären. Hierbei dient das phänomenale Video vom Youtube Kanal "3Blue1Brown" als Hauptquelle. Generell kann ich diesen Kanal für mathematische Konzepte sehr empfehlen. Zu jeder Formel und jedem Theorem

Ein Gespräch mit Tom Buchholz über Erwartungen, Realität und den wachsenden Einfluss künstlicher Intelligenz im Finanzsektor.