{
  "video_id": "NKwIX3CiRgU",
  "channel_slug": "aidotengineer",
  "channel_handle": "aidotengineer",
  "title": "Does GenAI \"belong\" to data scientists? — Phil Hetzel, Braintrust",
  "duration_seconds": 1134.0,
  "url": "https://www.youtube.com/watch?v=NKwIX3CiRgU",
  "upload_date": "",
  "transcript": "Heute werden wir darüber\nsprechen, ob Agenten oder die\nEntwicklung von Agenten wirklich in den Bereich der\nDatenwissenschaft oder des maschinellen Lernens fallen\n.  Wie viele von Ihnen würden sich\nselbst als Data\nScientist oder Machine Learning\nEngineer bezeichnen?\nOkay.  Das wird großartig.  Ich bin\nfroh, dass niemand faule Tomaten mitgebracht hat,\ndenn die Antwort, die ich\ngeben werde, wird Ihnen wahrscheinlich nicht\nganz zusagen, aber geben Sie\nmir die Chance, Ihnen den Grund dafür zu erläutern.  Ähm,\nwas wir heute machen werden, ist, über\ndiese paar Dinge zu sprechen.  Ich werde\nmich vorstellen, das Unternehmen, für das ich\narbeite,\nund dann werden wir zum Thema kommen.\nIch werde die Folien wahrscheinlich\nziemlich schnell durchgehen und hoffentlich etwas\nZeit für Fragen und Antworten einplanen.   Ähm,\naber bevor ich das tue, möchte ich\nmich vorstellen.  Mein Name ist Phil Hetzel.  Ich leite\ndas Solutions Engineering Team bei\nBrainTrust.  Ähm, BrainTrust, äh,\nich werde das gleich erläutern, aber\näh, das Solutions Engineering Team ist im\nGrunde genommen ähm,\nich glaube, da ist ein Platz frei\n.  Ja.   Das\nUm\nSolutions Engineering Team besteht im Wesentlichen aus\nden Mitarbeitern, die es unseren Kunden ermöglichen,\nso schnell wie möglich den größtmöglichen Nutzen aus der Plattform zu ziehen.\nVor meiner Zeit bei BrainTrust war ich 12 Jahre lang\nin der Unternehmensberatung und Systemimplementierung tätig\n.\nMeine letzte Tätigkeit im Consulting war die Leitung\nder globalen Data Bricks Business Unit bei\neinem Unternehmen namens Slalom Consulting, und\nmir fiel auf, dass viele meiner Kunden zwar sehr\nproduktiv darin waren,\ngenerative KI-Proof-of-Concepts zu erstellen, aber bei weitem\nnicht so gut darin, diese\nProof-of-Concepts in die Produktion zu überführen.  Ich habe\nBrainTrust zunächst als Benutzer genutzt\nund war so begeistert von dem Produkt,\ndass ich mich um eine Stelle beworben habe. Seitdem bin ich nun seit etwa\neinem Jahr hier\n.\nAußerhalb der Arbeit spiele ich gerne Schach,\nbin aber nicht besonders gut darin, und\nverbringe gerne Zeit mit meiner Frau und meinem Hund\nSaint Pistol Pete.  Äh, er ist\ndort drüben abgebildet.  Er ist derjenige in Braun und\nnicht der in Schwarz.  Der in Schwarz bin\nich.  Der in Braun ist er.\nÄh, was ist BrainTrust?  BrainTrust ist eine\nPlattform zur Verbesserung der Agentenqualität.  Die Art und Weise, wie\nwir die Agentenqualität messen, basiert auf zwei\nverschiedenen Säulen: Evaluierungen und\nBeobachtbarkeit.\nEvaluierungen, das sind die Dinge, die Sie im Rahmen von\nExperimenten durchführen, während Sie\nIhren Agenten optimieren und weiterentwickeln, um\nVertrauen in die Ausführung Ihres Agenten zu gewinnen, sobald\nSie ihn in die Produktion überführen.\nFür uns bedeutet die Beobachtbarkeit eines Agenten, dass Sie, sobald er\nin Produktion ist, weiterhin\nVertrauen in seine Ausführung haben können, wenn er\nmit realer Nutzung und echten\nBenutzern konfrontiert wird.  Es gibt noch einige andere\nergänzende Dinge, die die Plattform leistet,\naber im Allgemeinen ist das, was wir tun.  Äh,\nich werde heute wirklich nicht über das\nProdukt sprechen.  Falls Sie sich\nfür das Produkt interessieren, können Sie mich am Stand im\nUntergeschoss finden. Ansonsten freue ich mich\nsehr, mehr über die\nInhalte zu erfahren.   Ähm,\nnur ein paar Beobachtungen, die ich im Laufe\ndes letzten Jahres beim\nBeobachten einiger der besten Teams beim\nAufbau von Agenten in vielen verschiedenen\nBranchen gemacht habe.\nIch glaube, es gibt im Grunde zwei\nverschiedene Arten von Organisationen, mit denen wir\nzusammenarbeiten.  Es gibt die traditionellen\nUnternehmen und es gibt die KI-Natives.\nTraditionelle Unternehmensansätze unterscheiden sich bei der Agentenentwicklung\netwas von\nKI-Systemen.   In\ntraditionellen Unternehmen liest die\nverantwortliche Person, eine wichtige Persönlichkeit, der\nCEO oder CIO, in der\nmonatlichen CIO- oder CEO-Zeitschrift etwas, das besagt,\ndass sie sich um den Aufbau von Agenten kümmern müssen.\nUnd dann werden sie ihrem Delegierten sagen,\ndass man Agenten entwickeln muss,\ndenn nur so können\nwir ins gelobte Land der KI gelangen.\nUnd das wird dann weiter\nan ein bestehendes ML- oder Data-Science-\nPlattformteam delegiert, das bereits über einen Großteil\nder benötigten Tools verfügt. Da\ngenerative KI KI im Namen trägt, ist es naheliegend,\ndiese\nFähigkeit an ein bestehendes KI- oder Data-\nScience-Team zu übergeben.  Gibt es\nheute noch jemanden, der sich in einer ähnlichen Situation befindet, wo er\nvorher als Ingenieur für maschinelle Lernplattformen tätig war und nun einfach die\ngenerative KI übernommen hat, weil\ndas irgendwie\nbesser zu ihm zu passen schien?\nJa, verstanden.  Und ich und dort gibt es keine\nWertung oder Konnotation hier.  Ich habe einfach etwas\nbeobachtet.  Es gibt aber auch eine ganze\nReihe anderer Unternehmen, die\neher auf KI setzen und weniger darüber nachdenken,\nwas bereits existiert, weil es\nvor dem Aufkommen der generativen KI\nfür diese\nUnternehmen eigentlich nichts gab.  Tatsächlich begannen sie,\nihr gesamtes Angebot um\nAgenten herum aufzubauen.  Anstatt also ein Team für eine KI/ML-\nPlattform zu haben, werden sie nur ein\nkleines Team von Ingenieuren haben, die\nagil genug sind, um mit der Zeit zu wachsen.  Und\nwissen Sie, anstatt dass es sehr\nspezifische Aufgabenbereiche gibt, in denen sie tätig sind, arbeitet\njeder sehr\nfunktionsübergreifend sowohl im Bereich\nProduktentwicklung als auch im Bereich KI-Entwicklung.\nÄh, was\nan diesen KI-Experten ebenfalls interessant ist, ist, dass, da es sich\ntypischerweise um kleinere Unternehmen handelt, jede\nPerson näher am\nProblem dran ist.  Das heißt, sie haben ein besseres\nVerständnis dafür, welches Problem der Endagent\neigentlich lösen soll.   Es gibt\nzwei verschiedene Unterschiede\nzwischen traditionellem maschinellem Lernen und generativer\nKI.  Das Modell ist bereits gebaut.  Ein Großteil der Arbeit von\nData Scientists und\nMachine-Learning-Ingenieuren besteht darin, Daten in\ndie Datenpipeline des\nModelltrainings einzubeziehen.  Was tun wir, wenn das\nModell bereits erstellt ist?  Und das andere\nInteressante – oder besser gesagt, eine weitere interessante\nNuance – ist, dass man, wenn man\ndiesen Modellen einen Mehrwert verleihen möchte, diesen\nnicht unbedingt durch\nFeature Engineering, sondern durch\nnatürliche Sprache erzielen kann, wodurch ein\nanderes Kompetenzspektrum in die\nKonversation eingebracht werden kann.   Um das Ganze etwas\ndeutlicher zu machen:\nIch weiß, dass es in Wirklichkeit viel\nkomplizierter ist, aber vereinfacht gesagt, ist das im Grunde das, was\nData Scientists und Machine-\nLearning-Ingenieure tun.  Es handelt sich um eine\nDatenpipeline für Training und Test, die\nsicherstellt, dass kein Overfitting auftritt, und\nschließlich das Modell dort einsetzt, wo es\nvon einem nachgelagerten Produktteam verwendet werden kann\n.  Das ist im Grunde das, was\nDatenwissenschaftler und\nIngenieure für maschinelles Lernen üblicherweise tun.\nDies ist jedoch bereits geschehen.\nAnthropic, OpenAI und Mistral\nhaben den Datenprozess bereits abgeschlossen,\nindem sie die Daten erfasst,\nsie durch die Pipeline geleitet,\ndas zugrunde liegende LLM trainiert und\nes dann über einen Endpunkt bereitgestellt haben, damit\nihre Kunden es nutzen können.  Die einzige\nNuance hierbei ist, dass, anstatt dass\nAnthropic, OpenAI und\nMistral ihre eigenen Tests durchführen\n,\nwir als KI-Teams dennoch\nEvaluierungen durchführen müssen, nachdem wir\ndiese APIs in unser\nProdukt implementiert haben.  Das muss\nfür uns sehr wichtig sein.  Das ist im Grunde der\neinzige Unterschied zwischen diesen beiden\nBildern.   Ähm,\nwie ändert man das? Das\ngeht im Grunde auf diese beiden Unterschiede hinaus,\nden zweiten Unterschied.  Wie\nverändern wir diese prädiktiven Anwendungen\nvor und nach der Anwendung?  Bei traditionellen ML-Verfahren\nfügt man entweder mehr Daten hinzu, um das Modell neu zu trainieren,\noder man führt Feature Engineering durch, um die Leistung des\nzugrunde liegenden\nModells anzupassen, und führt dann\nviele A/B-Tests durch, um zu\nverstehen, ob die\nÄnderungen am Modell einen Lift bewirkt haben oder nicht\n.  Mit generativer KI ist das\nmöglich, da das Modell bereits\ntrainiert ist und unabhängig davon, ob eine\nFeinabstimmung des Modells vorgenommen wird, was\nziemlich selten vorkommt.  Die Möglichkeit,\ndieses Verhalten zu ändern, besteht darin,\ndie Eingaben, die Aufforderungen und den Kontext, den\nSie diesem Modell geben, zu ändern.  Es gibt also\nviele Leute, die\nKontextentwicklung auf\nBasis dieser Modelle betreiben werden, und diese Leute\nkönnten ein besseres Verständnis dafür haben, wie\nechte Benutzer diesen Agenten verwenden könnten.\nSie werden näher am\nProblem sein.\nAlso, ich werde Argumente für\nund gegen Agenten, die zu\nDatenwissenschaftlern gehören, darlegen.  Äh, sagen wir mal,\nich würde darüber diskutieren, ob die Position\nwirklich den Datenwissenschaftlern\nund traditionellen Machine-Learning-\nIngenieuren zusteht.\nUh-Agenten verwenden Modelle.\nIn unserer Organisation werden die Modelle\nvon Datenwissenschaftlern verwaltet.  Ein Data Scientist verfügt also über umfangreiches\nGrundlagenwissen darüber, wie neuronale Netze vernetzt sind\nund somit auch darüber, wie LLMs funktionieren.  Deshalb werden\nsie\ndie Risiken, die\nmit der Nutzung dieser sehr komplexen\nTechnologie einhergehen, viel besser einschätzen können.  Und noch etwas:\nSie werden sehr strenge\nProzesse anwenden, um Modelle und\nModellressourcen in die Produktion zu überführen.  Sie werden\neine Art Testverfahren verstehen, mit dem\nsie das Unternehmen schützen\nund sicherstellen können, dass die Endbenutzer die\nbenötigte Erfahrung erhalten.\nUnd dann Nummer drei, die eng damit zusammenhängt, ist\neinfach eine sehr strenge Herangehensweise an das\nTesten.\nDer gegenteilige Punkt ist wiederum, dass die\nModelle bereits erstellt sind, sodass wir ähm\nnicht unbedingt\nTraining und Tests durchführen müssen.\nÄhm, äh, eine völlig andere\nPipeline.  Wir machen jetzt nicht diesen ganzen\nKreuzvalidierungs-Tanz.  Und das ist\nwahrscheinlich der größte Streitpunkt.\nWeiß ein KI-Ingenieur – oder Entschuldigung, ein ML-\nIngenieur oder ein Datenwissenschaftler – eigentlich wirklich,\nworauf er testet?\nEine Sache, die mir bei\neinigen dieser Teams aufgefallen ist, ist, dass sie sich sehr\nauf die traditionellen Kennzahlen von ML-Ingenieuren\nwie Präzision, Trefferquote, F1-Score usw. konzentrieren\nund von diesen Kennzahlen besessen sind,\nweil sie dadurch bis zu\ndiesem Punkt gekommen sind.  Bei der\nAnalyse von Wirkstoffen muss jedoch ein wesentlich breiteres Spektrum an\nAspekten\nausgewertet werden.  Sie müssen\ndie funktionale\nLeistung dieses Agenten bewerten und nicht\nnur die technische Leistung in den\nbeiden Boxen, mit denen wir\ntraditionell zu arbeiten gewohnt sind.\nAlso, das\nArgument hier ist, sagen wir, dass ich\nargumentieren würde, dass Agenten zu Nicht-Datenwissenschaftlern gehören\n, wozu sowohl\ntechnische als auch nicht-technische Experten gehören könnten.\nMan könnte argumentieren, dass LLMs\nlediglich APIs sind.  Produktentwickler sind die\nVerwendung von APIs beim Erstellen von\nAnwendungen sehr gewohnt.  Ähm, ein\ngroßer Teil ihrer Arbeit besteht darin,\nDaten aus einem anderen\nSystem anhand einer bestimmten Nutzlast abzurufen und\ndiese Daten so aufzubereiten,\ndass sie für die Endnutzer nützlich sind.  Das ist eine\nAufgabe, die Produktentwickler\nhaben.\nÄhm, das andere Besondere an Agenten\nist, dass ein sehr\nkomplexer Agent auf\nvielen verschiedenen Arten von Rechenleistung laufen kann,\nwenn es sich um einen verteilten Agenten handelt,\nd.h. wenn es hier einen Supervisor-Agenten gibt, der\ndann verschiedene untergeordnete Agenten\noder Sub-Agenten aufruft, die möglicherweise\nauf unterschiedlicher Infrastruktur laufen.  Und\nda sie auf unterschiedlicher\nInfrastruktur laufen, rufen sie möglicherweise auch\nunterschiedliche Systeme auf.  Das\nkann ein sehr komplexes Systemproblem sein,\ndas möglicherweise nicht in den Zuständigkeitsbereich von\njemandem mit einem eher\nstatistischen oder mathematischen Hintergrund fällt.\nUnd schließlich, ähm, eher auf der\nnicht-technischen Seite, ist\nes wirklich wertvoll, wenn\nFachexperten oder\nProduktmanager die Möglichkeit haben, die konkreten\nEingabeaufforderungen zu kontrollieren, mit denen wir den Agenten füttern\n.  Diese Personen sind diejenigen, die\ndem Problem,\ndas der Agent zu lösen versucht, am nächsten stehen.  Es bringt also viel, wenn\neine\nPerson ohne technischen Hintergrund viel Mitspracherecht\nbei der Arbeitsweise des Agenten hat.  Darüber hinaus gibt es einen\nsehr umfangreichen\nWorkflow für die manuelle Annotation, der in die\nEntwicklung hervorragender Agenten einfließt.\nWenn Sie jedoch eine\nnicht-technische Person sind, aber über viel\nFachwissen hinsichtlich der Funktionsweise des Agenten verfügen,\nkann diese nicht-technische Person anhand eines\nAgenten-Trace beschreiben, ob\nder Agent gut oder schlecht funktioniert\nund vor allem, warum das\nder Fall ist.   Mein Fazit\nist also\nnicht, dass alle, die die\nHand gehoben haben, sagen: „Ja, ich bin stolz darauf,\nData Scientist oder ML-Ingenieur zu sein.“  Ich werde jetzt\nnicht hier stehen und sagen: „Wisst ihr\nwas? Ihr müsst\neure Kenntnisse komplett auffrischen.“  Ähm,\ndas wäre eine ziemlich dumme Aussage,\ndenn ich gehe davon aus, dass sich\nviele Datenwissenschaftler im Raum befinden und\nich bin zumindest schlauer als das.  Aber,\nähm, es macht schon Sinn, ein sehr\ndiverses Team zu haben, wenn man\nsolche Plattformen entwickelt.  Ähm, es macht\nSinn, sowohl Nicht-Techniker als auch\nverschiedene Arten von Technikern mit einzubeziehen\n.  Wie können Datenwissenschaftler einen\nMehrwert bei der Entwicklung von Agenten schaffen?  Ähm, auf\nverschiedene Arten.  Außerdem sind all diese Wege\nunabhängig davon, ob sie tatsächlich zur\nEntwicklung des Produkts selbst beitragen.  Ich denke, das ist in der Natur der Sache\n.  Mit den Werkzeugen, die\nuns heute zur Verfügung stehen, ist es\nfür uns tatsächlich recht einfach,\neinem Produkt einen Mehrwert zu verleihen, selbst wenn man\nkeinen\nHintergrund im Bereich Produktentwicklung hat.  Was ich aber für wirklich\nwertvoll halte, ist, dass Datenwissenschaftler – um\neinen überladenen Begriff zu verwenden –\ndiesem Prozess Leitplanken hinzufügen können.  Viele\nMenschen gehen bei der\nUmsetzung von LLM-Programmen sehr aggressiv vor.  Sie\nverstehen nicht, wie die zugrundeliegende Technologie\nfunktioniert.  Sie haben keinen statistischen\nHintergrund.  Ich denke, Datenwissenschaftler können in\nsolchen Situationen die Rolle des Vernünftigen einnehmen und sagen: „\nWissen Sie, der LLM, so wird er\nausgebildet.“  Es geht lediglich darum, Token\nfür Token vorherzusagen.  Es weiß eigentlich gar\nnichts.\nAm Ende des Tages sind es nur ein paar statistische Probleme.\nIch denke auch, dass ein\nLLM als Gutachter ein wichtiger Bestandteil des\nEvaluierungsprozesses ist, wenn man\nagentenbasierte Anwendungen entwickelt.  Ähm, nochmal, die Leute neigen\nsehr dazu, LLM als Gutachter einfach zu vertrauen,\nwenn diese Bewertungen vornehmen.\nLetztendlich sind es nur Prompts und Modelle,\nund es ist sehr einfach,\neinen gekennzeichneten Datensatz zu erstellen und\ndie traditionellen Metriken wie Recall,\nPrecision und F1 darauf anzuwenden,\nwofür Datenwissenschaftler über das nötige\nFachwissen verfügen.  Und die allerletzte\n, die technisch anspruchsvollste,\nnatürlich.  Wenn Sie ein\nOpen-Source-Modell sehr spezifisch auf\nIhren Anwendungsfall abstimmen müssen, dann ist das wahrscheinlich\nder spannendste und technisch anspruchsvollste Teil,\nbei dem Data Scientists und\nMachine-Learning-Ingenieure einen\nenormen Mehrwert bieten können.\nÄhm, die ideale Mischung hier, zusätzlich zu dem, was im\noberen Abschnitt steht,\nwollen wir, dass sowohl Produkt-, Anwendungs- als auch\nSystemingenieure in der Lage sind,\ndiese Anforderungen in das\nProdukt selbst umzusetzen, die ihnen die\nnicht-technischen Experten geben\n.\nWir möchten sicherstellen, dass die Systeme,\ndie wir um diese Agenten herum aufbauen,\nd. h. wo die Agenten ausgeführt werden, so beschaffen sind,\ndass sie zu einem\nhervorragenden Benutzererlebnis führen.  Und\nschließlich, und hier\nkönnen sich wahrscheinlich auch die Data Scientists einbringen\n, sollten tatsächliche Evaluierungs- und\nObservability-Pipelines implementiert werden, damit man eine Feedbackschleife darüber hat, was\nin der Produktion passiert und was\nin der Experimentierphase geschieht.\nWir möchten, dass Nicht-Techniker sehr viel\nmanuelle\nAnnotation sowie umfangreiches Prompt- und\nKontext-Engineering durchführen.  Sie befinden sich in\nunmittelbarer Nähe ihres Problems.  Sie\nmüssen sie miteinbeziehen, wenn Sie\neinen wirklich relevanten Agenten für\nIhren Anwendungsfall haben wollen.   Äh\n, und was kommt als Nächstes?  Die Antwort liegt immer\nin der Mitte.  Ähm, ich hoffe also, dass ich\nheute nicht die Hälfte der Anwesenden beleidigt habe.  Ähm, falls ich das getan habe, dann können Sie\ngerne\nan meinen BrainTrust-Braustand kommen und mir Ihre Meinung sagen\n.  Das ist völlig in Ordnung.\nAber die Idee dahinter ist, dass es\nfür Datenwissenschaftler enorm wertvoll ist.  Stellen Sie einfach sicher, dass\nSie mehr Leute in den Raum bringen,\nwährend Sie\nAgenten aufbauen.  Zwei Minuten für Fragen.  Ich\nweiß, dass wir einen sehr\nengen Zeitplan einhalten.  Ja, Sir.  Ähm\nja, wirklich gut.  Ähm,\nso wie die Schlussfolgerung.  Mhm.  Ich\nhabe eine Frage zur Rahmung.\nAlso, wissen Sie, ich betrachte Agenten als ein\nWerkzeug.  Mhm.  Theoretisch könnte also jeder in der\nOrganisation\neinen Agenten erstellen und besitzen.   Ähm\n, und dann verfügen sie möglicherweise über mehr\nFachwissen im Bereich Data Science\nals im technischen Bereich.  Mhm.  Ähm,\nanstatt darüber nachzudenken, wem das\nWerkzeug gehört, mhm.  Wissen Sie, das ist das\nTeam für maschinelles Lernen oder das ist das Informatikteam\n.  Mhm.\nWie betrachten Sie das? Wenn Sie über das zu\nlösende Problem nachdenken und Agenten als\nWerkzeug zur Problemlösung sehen, anstatt\ndie Agenten als das zu lösende Problem selbst, dann denke ich, dass\nSie genau genauso darüber\nnachdenken.\nEs ist ein Produkt, das von einem\ndiversen Team entwickelt wird.\nIch glaube, der Fehler, den viele\ntypisch traditionelle Unternehmen begehen, ist, dass\nsie sagen: „Oh, das ist ein\nweiteres Vorhersagemodell.“  Und sie\nbeschränken das auf die ML-Ingenieure oder\nDatenwissenschaftler und sagen: „Baut und\nbaut diese Agenten-Dinger.“  Ähm, ich glaube,\nwir denken tatsächlich sehr, sehr\nähnlich darüber.  Ja.  Vielleicht ist es Zeit\nfür eine weitere Frage.  Ja.\nJa, ich habe\ndie Botschaft, die Sie\nvermitteln wollten, wirklich wiedergegeben.\nPersönlich bin ich einfach\nneugierig auf die\nWerkzeuge, die Sie zum\nSchließen des Regelkreises anbieten.\nIch glaube, zumindest meiner\nErfahrung nach, dass das fehlende Delta die\nWerkzeuge sind, um die\nInter-\nlike-Variation und ähnliches im traditionellen maschinellen Lernen zu ermöglichen.  Mhm.  Äh, ist das\netwas, worüber BrainTrust nachdenkt\n?  Ja.  Also,\nwie können wir es\nunserem Fachexperten erleichtern,\ndas System zu aktualisieren?\nJa, sicher.  Ja, es gibt\neine Menge Dinge, die wir tun, um\ndiese Rolle als Domänenexperte zu unterstreichen.  Wir haben eine\nKomponente zur manuellen Kennzeichnung als Teil\nunserer Plattform und wir haben so etwas wie einen Agenten-\nund Prompt-Spielplatz, wo die Benutzer\nmit ihren eigenen Prompts experimentieren und\ndiese an die zugrunde liegenden Agenten senden können\n.   Ja\n.  Und ähm,\nwie genau\nhalten Sie\nden Evaluator und das\nSystem systematisch auf dem neuesten Stand und verstehen,\nwann Sie\neine Fehleranalyse durchführen, z. B. ob\nder Fehler auf dem Evaluator basiert?\nMhm.\nDie Idee ist, dass wir Daten aus der Produktion sammeln, um den\nOffline-Datensatz, den wir auswerten, kontinuierlich zu erweitern\n.  Und dann gewinnen wir hoffentlich im Laufe der Zeit\nfundierte Daten, anhand derer\nwir uns selbst überprüfen können, um zu\nverstehen, ob unsere Bewertungen sich der\nmenschlichen Übereinstimmung annähern oder\nob sie davon abweichen.   Ja\n.  Okay,\nLeute, das war's für mich.  Ich weiß\ndie heutige Aufmerksamkeit sehr zu schätzen.  Sollten Sie\nnoch Fragen haben, finden Sie mich\nunten.",
  "transcript_chars": 20054,
  "ingested_at": "2026-05-25T16:30:37.449874+00:00",
  "source": "channel",
  "yt_meta": {
    "view_count": 335,
    "like_count": 29,
    "channel_id": "UCLKPca3kwwd-B59HNr-_lvA",
    "categories": [
      "Science & Technology"
    ],
    "tags": [
      "ai",
      "ai engineer",
      "ai engineering",
      "software development",
      "tech",
      "startups",
      "software architecture",
      "machine learning"
    ]
  }
}