{
  "video_id": "t4359sKBu4w",
  "channel_slug": "aidotengineer",
  "channel_handle": "aidotengineer",
  "title": "Bounded Autonomy: Between Free Will and Determinism — Angus J. McLean, Oliver",
  "duration_seconds": 1012.0,
  "url": "https://www.youtube.com/watch?v=t4359sKBu4w",
  "upload_date": "",
  "transcript": "Äh, vielen Dank an alle fürs Kommen.\nSchönen Freitag!   Ähm,\nmein heutiger Vortrag heißt „Begrenzte\nAutonomie zwischen freiem Willen und\nDeterminismus“ und es geht im Grunde darum, die Art und Weise zu\nverändern, wie\nwir über unsere\nInteraktionen mit großen Sprachmodellen nachdenken.\nDieser Vortrag hätte\nviele verschiedene Titel tragen können.\nIch spielte mit dem Gedanken an das Spannungsfeld zwischen\nAutomatisierung und Individualisierung, zwischen\nAufsicht und Handlungsfähigkeit sowie zwischen\nMöglichkeiten und Einschränkungen.  Aber im Grunde handelt es sich um\nüberlieferte Weisheiten für unkonventionelle\nZeiten, die auf meinen\npersönlichen Erfahrungen bei der Entwicklung von\nAgenten in der Industrie basieren.\nÄh, es ist für Leute gedacht, die aktiv\nmit Agenten experimentieren.  Es richtet sich\nsowohl an Anfänger, die\nvon dem Tempo der Veränderungen überfordert sind, als auch an\nExperten, die in einer Sackgasse stecken und eine neue\nPerspektive benötigen.  Es wird auf keinen Fall\nübermäßig technisch, endgültig oder\nvorschreibend sein.  Das sind meine Ideen,\nund ich erwarte nicht, dass du ihnen folgst, wenn\ndu nicht so interessiert bist.   Ähm,\nsuper.  Ich bin Angus.  Ich bin KI-Direktor bei\nOliver.  Äh, wir sind ein Startup.  Wir waren\neinige Jahre in der Werbebranche tätig\nund sind dann fast\nvollständig auf KI umgestiegen.  Wir haben 3.000 Mitarbeiter\nin 46 Ländern.\nSie haben wahrscheinlich noch nie von uns gehört, aber\nich garantiere Ihnen, dass Sie unsere\nArbeiten schon einmal gesehen haben.   Das ist\ndir wahrscheinlich nicht aufgefallen.  Das ist Ihnen\nwahrscheinlich nicht aufgefallen.  Als ich ins Unternehmen kam, wusste ich das nicht,\nweil man damals nicht erkennen konnte, dass es sich um KI handelte\n.\nÄh, das ist ein Teil unserer Arbeit\nfür Johnnie Walker.\nWir erstellen täglich rund 4.000 Assets\nfür mehr als 200 Marken, mit vielen davon\nsind Sie wahrscheinlich heute schon in Kontakt gekommen,\nvielleicht sogar heute Morgen oder heute\nNachmittag.\nIm Gegensatz zu anderen Agenturen, die sich auf KI-Inhalte spezialisiert haben\n, investieren wir tatsächlich beträchtliche Summen in die Vermarktung\ndieser Inhalte.\nSie wissen schon, alles von 20.000\nbis zu einigen Millionen.\nUnd das ermöglicht es uns, die\nLeistung dieser Anlagen in der Praxis zu messen.  Das\nermöglicht uns einen recht guten Feedback-Kreislauf.\nWir verfügen über riesige Datenmengen, die\nuns viel schnellere\nIterationen und ein tieferes\nVerständnis dafür ermöglichen, was tatsächlich funktioniert.\nRechts.  Wer weiß, wie eine Werbeagentur aussieht\n?\nIrgendjemand?  Vermutlich nicht.  Das dachte ich mir schon.\nÄh ja, du denkst wahrscheinlich, es ist vielleicht ein\nbisschen wie bei Mad Men.   Im\nWesentlichen besteht\neine Werbeagentur aus drei Teilen.  Es gibt die Buchhaltung\n, die\nKreativabteilung und die Strategieabteilung.\nFrüher machten Kundenkonten in der Regel 50 % der Agentur aus.  Jetzt haben wir 20 % Kreativität\nund 20 % Strategie.\nUh Accounts kümmert sich um die\nKundenbeziehungen und sorgt dafür, dass das Projekt im\nZeitplan bleibt.\nUh creative verwandelt die Ideen in\nüberzeugende Werbeanzeigen und Inhalte.  Das war\nhistorisch gesehen der Kern der\nBehörde.  Und dann wird die Strategie auf die\nKreativität aufgebaut.  Wie gelangen wir also an\ndiese Bilder?  Wie definieren wir die\nErkenntnis, die Zielgruppe und die Richtung\nhinter der Arbeit?\nKreativität und Strategie waren früher\nWissensarbeit, aber sie werden immer\nhandlungsorientierter.  Wir erstellen nicht nur\nBilder, sondern auch Ideen,\nWerbetexte und Inhalte –\nund das alles mit Hilfe von\nAgenten, richtig?  Äh,\nich bin eher für die Strategie zuständig.  Ich bin schon lange dabei\nund wir betreiben Zielgruppenanalyse,\nTrendanalyse, Wettbewerbsanalyse\nund Leistungsoptimierung, alles mit\nverschiedenen Mitarbeitern, weil wir überwiegend im direkten\nKundenkontakt stehen.  Wir agieren also in\neinem recht schnelllebigen und risikoreichen\nUmfeld.  Und wenn wir diese\nBilder skalieren, kann das\nfür eine Marke genauso nützlich oder negativ sein, wenn\ndie Bilder schlecht ankommen, wie wenn\nman gute Arbeit geleistet hat.\nÄh, warum setzen wir Agenten ein?  Wir nutzen sie in\nerster Linie wegen ihrer Geschwindigkeit und in zweiter Linie wegen ihrer\nSkalierbarkeit.  Agenten ermöglichen es uns, schneller zu agieren\nund reaktionsfähiger zu sein.\nFür kreative Teams ermöglicht uns dies,\nInhalte schnell zu generieren, was\ninsbesondere für Iteration und\nTests wichtig ist.\nFür Strategieteams ermöglichen uns Agenten,\nunsere Forschung auszuweiten, sodass wir\ndem Verbraucher viel näher kommen und\nihn letztendlich leichter zu Kunden machen können\n.  Typische Maßnahmen wären beispielsweise die\nPersonalisierung von Kampagnen oder die\nPersonalisierung von Gebieten.\nWir werden also ideale Personas erstellen und dann\nversuchen, jede\ndieser Personas bzw. jedes dieser\nGebiete eingehend zu recherchieren.  Ein gutes Beispiel dafür ist, dass\nwir in mehreren\nStädten weltweit Werbung schalten.\nDas müssten wir eventuell für New York anpassen.\nDas sollten wir eventuell für Miami lokalisieren.  Und ganz\nallgemein besteht das Ziel darin,\nmit deutlich weniger Aufwand deutlich mehr zu erreichen und\neffektivere Werbung zu schaffen.\nÄhm, also\nmein erster Ratschlag heute lautet:\nLangsamer machen.  Äh, ich glaube, die KI entwickelt sich\nsehr schnell.  Hier herrscht regelrechte „Wenn man nicht genau hinsieht,\nverpasst man es“-Mentalität.\nÄh, alles scheint sehr schnell zu kommen und zu\ngehen.  Es gibt viele\nVeränderungen.\nÄh,\nich habe in den letzten Jahren viele Tools kommen und gehen sehen\n, aber wenn man mal kurz weggeschaut\nund es verpasst hat, war es dann wirklich so\nwichtig?  Vermutlich nicht.\nDer eigentliche Kern des\nLLM-Studiums hat sich nicht verändert.  Ich meine, sagen wir zumindest\nseit den 1990er Jahren.  Um Andris\nDrubel würde sogar noch weiter zurückgehen.\nDoch egal wie fortschrittlich LLMs auch erscheinen mögen, die\nheutigen großen Sprachen\nverstehen die ihnen präsentierten Daten eigentlich nicht\n.  Und das wissen wir, weil sie immer noch\neinige klare Einschränkungen haben, richtig?  Der\nerste Punkt ist also die Dateneffizienz.  Der Mensch\nlernt also aus sehr wenigen Beispielen, während\nModelle riesige Datensätze benötigen, um zu\nvergleichsweise einfachen\nSchlussfolgerungen zu gelangen.\nUnd das wird besonders\ndeutlich beim Lernen.\nModelle lernen also nicht kontinuierlich, ohne zu\nvergessen, wie es Menschen tun.\nEs ist eine geschlossene Box, wie wir gleich sehen werden\n.  Man könnte argumentieren, dass die jüngsten\nFortschritte weniger auf materiellen\nDurchbrüchen, sondern vielmehr auf einer Art\nbrachialer Modellverbesserungen beruhen.  Sie haben\nin der letzten Präsentation gehört, wie\nviel Rechenleistung benötigt wird, um\ndiese Bilder zu erzeugen: 400 Marathonläufe.  Das ist\nvielleicht etwas zu viel\n.\nÄhm, also\nwas sind die?\nDas ist ein bekanntes Diagramm, das eine kleine\nLektion darstellt.   Ähm, also im Grunde genommen\nbasteln wir uns Notlösungen, um\ndiese Modellbeschränkungen zu umgehen, richtig?  Äh, und die\nmeisten unserer Werkzeuge sind nur Notlösungen, und man\nkönnte sogar argumentieren, dass die Art und Weise, wie die Modelle\nselbst trainiert werden, eine Art\nNotlösung ist, nicht wahr?  Und eines der Merkmale, an denen man\ndiese Notlösungen erkennt, ist, dass sie nur\nvorübergehend sind.  Sie sind eine schnelle Lösung.  Sie stellen\nkeine langfristige Lösung dar.  Sie sind ziemlich\noberflächlich.  Sie kaschieren oft nur die\nSymptome, anstatt das Problem zu beheben,\nund sind oft unzureichend, sodass sie\ndie Probleme nicht vollständig lösen.   Äh, also so stelle\nich mir LLMs vor.\nEs ist sehr vereinfacht dargestellt, aber im Grunde ist es wie eine\ngeschlossene Box mit Wissen darin.  Ich\nsehe es eher als eine flexible\nDatenbank, die semantische Berechnungen durchführen kann,\nals alles andere.  Es ist also komplett\ngeschlossen.  Ich erwarte keine Art von\nEmergenz oder dass das Modell tatsächlich\netwas lernt.\nDas wird besonders deutlich, wenn wir\nversuchen,\nTrends zu nutzen, vor allem in der Werbung.  Sie werden also wahrscheinlich darauf stoßen, dass es\nbestimmte Modelle nicht erkennt, aber\nfür uns liegt das größte Problem in der Trendidentifizierung\n.  Wenn es wirklich neu ist, wird das\nModell es nicht erkennen.   Die\njüngsten Fortschritte bei den\nFähigkeiten von Agenten sind größtenteils auf ein\nerweitertes Kontextfenster zurückzuführen.\nDies trifft insbesondere auf\nAgenten mit langer Laufzeit zu, da die längeren\nKontextfenster es ihnen ermöglichen, länger\nlaufende Aufgaben auszuführen.   Dafür benötigt es folgende Informationen:\nAktionsverlauf, Tool-Ausgaben,\nStruktur im Zeitverlauf, Ziele und Pläne.\nEs muss also organisiert werden.  Es muss wissen,\nwas es tut.  Es muss in der Lage sein,\nInformationen kurzfristig zu speichern und abzurufen\n.\nOhne einen umfassenden Kontext\nvergisst das System also mitten in der Aufgabe.  Es\nfunktioniert nicht bei langen, komplexen, mehrstufigen\nArbeitsabläufen.  Und vielleicht haben Sie schon von\ndem berühmten Vorfall gehört, bei dem das Programm\nviele E-Mails gelöscht hat, weil der Kontext fehlte.\nÄh, das ist ein\nUnterschied im Modellgrößenkontext, GPT-2 versus Gemini 3.5 Pro.   Kann sich noch\njemand an 512 Kontextfenster erinnern\n?  Sie sind sehr klein.   Die\nKontextfenster werden zwar immer größer, aber\nsie werden nie ausreichen.\nDas gesamte Wissen der Welt\nverdoppelt sich etwa alle 12 Stunden, daher werden wir\nimmer mehr wollen.  Egal wie groß\nsie werden, es wird nicht\ngenug sein.  Ich denke, das ist ein ganz klares\nProblem.  Wie funktioniert das also\naus der Sicht eines Entwicklers?\nÄhm\n, eigentlich finde ich, dass der Kontext die\nModelle ebenso sehr einschränkt wie er Leitplanken darstellt.  Der Kontext\nist also eher eine weiche\nals eine harte Einschränkung.  Sie können also\nDaten eingeben, sie verschieben\nund formen. Ein\nBeispiel dafür ist, dem Modell keinen\nInternetzugang zu gewähren, sondern stattdessen eine\nhochwertige Dokumentation bereitzustellen. Dadurch\nerzielen Sie deutlich bessere Ergebnisse.\nUnd typischerweise stellen wir bei solchen Untersuchungen fest,\ndass Models sehr schlecht darin sind,\nWerbeinhalte zu erkennen.  Wenn\nwir also Werbung schalten, schauen wir uns die\nKonkurrenz an. Dabei greifen wir auf all die\nInformationen zurück, die diese selbst geschrieben haben, anstatt auf\nVerbraucherinformationen, die\nletztendlich das sind, was wir anstreben.\nUnd sie sind sehr anfällig für SEO.\nIch glaube, sobald man das\nWissen aus dem Modell herausnimmt und ihm ein\nanderes Werkzeug gibt, ist es ziemlich stark\ndurch die Art und Weise eingeschränkt, wie es dieses Werkzeug verwendet.\nÄhm\n, also in der Vergangenheit haben\nwir das ursprünglich so gemacht.\nWenn wir also sehr kleine Kontextfenster hatten\n,\nverwendeten wir TF-IDF für die Clusterkennzeichnung\n.  Man würde also die\nhäufigsten Wörter innerhalb des Clusters nehmen.  Sie\ngruppieren den Textkorpus.  Man würde die\nhäufigsten Wörter innerhalb des\nClusters auswählen und diese dann benennen.  Äh,\nman würde dann auch sowas wie „Top Top K“ und\nähnliches machen.\nHeutzutage\nist die Kontextassemblierung viel dynamischer, nicht wahr?\nÄhm, und wir sind von so etwas wie Kontext – äh, einem\nMangel an Kontext – zu so etwas wie zu viel\nKontext übergegangen, richtig?  Ich denke, wir müssen uns jetzt genauer überlegen,\nwas wir davon\nausschließen können.  Die Herausforderung besteht also\nnicht mehr darin, Kontextinformationen einzubeziehen, sondern bis zu einem\ngewissen Grad die Störfaktoren auszublenden,\nrichtig?\nUnd\nEinschränkungen schaffen doch tatsächlich Kreativität,\noder?  Überfluss hindert dich daran,\nknauserig zu sein.  Wenn also der\nFortschritt morgen plötzlich aufhört, wie würden Sie\ndas Beste aus dem machen, was Sie haben?  Äh,\nich denke, es ist wichtig, sich\nselbst gewisse Beschränkungen aufzuerlegen.  Jeder weiß,\ndass man nicht das gesamte Kontextfenster verwenden sollte\n, aber vielleicht ist die Frage, wie wenig vom\nKontextfenster man verwenden kann und\ndie Aufgabe trotzdem erledigt wird, eine interessantere\nFrage.  Ich bin noch kein symbolischer Milliardär\n.  Ich weiß, dass sich wahrscheinlich einige Leute\nin diesem Raum befinden.\nDies ist wiederum eine Parallele zur Frühzeit der\nComputertechnik, als der\nMangel an Rechenleistung sehr schwierige Zeiten mit sich brachte.\nDas stammt vom Modelleisenbahnclub.\nDas war von gestern.\nAber aus Einschränkungen und Begrenzungen entstehen doch oft großartige Dinge\n, oder?  Wenn man also einen\nWeltraumkrieg mit nur 4.000 Wörtern aufbauen kann,\nist das schon eine beachtliche Leistung.\nUnd ich weiß nicht, ob Sie die\nEntwickler von Grand\nCrash Bandicoot kennen, aber sie sprechen oft\ndarüber, wie sie die\nSpeicherfunktion der PS2 nutzen möchten, um\nmassive Verbesserungen zu erzielen, richtig?\nWenn die das können, dann kannst du das\nwahrscheinlich auch.\nAndere Dinge, die man ausprobieren könnte, wären vielleicht die Verwendung eines alten Geräts.\nDies ist nur ein Experiment.  Ich\nrate Ihnen nicht dazu, dies in der Produktion umzusetzen.\nVerwendung einer älteren, kleineren Version eines\nModells oder Kabelbaums.\nDas kann Ihnen helfen,\ndas Modell besser zu verstehen und sich vielleicht etwas besser damit zu identifizieren.\nEigene Konstruktion von Gurten,\neigener Speicherkonstruktion und Komprimierung.\nUnd ich denke auch, dass die Vorverarbeitung und\nArchivierung von Daten sehr wichtig ist.\nWie funktionieren Dateisysteme?  Wie\nverhandelt man\nWissensgraphen?  So etwas in der Art.  Und dies wird\ninsgesamt Ihre\nFähigkeit verbessern, das Modell anzuleiten und zu steuern.\nDu wirst dem Ganzen viel näher sein.\nUnd Sie werden über bessere Grundlagen und\nbessere Best Practices verfügen.\nUnd ganz allgemein hat man einfach ein besseres\nVerständnis für die Daten, mit denen man\narbeitet.\nMan weiß nie, was\nspäter mal nützlich sein wird.  Hier\nzieht Rosenblatt tatsächlich\nDrähte im Perzeptron heraus.\nUnd das bildete später die\nGrundlage für das, was zum Schulabbrecher wurde.  Der nächste Tipp lautet:\nHalte es einfach.\nHaben Sie jemals etwas gebaut und dann\nfestgestellt, dass das Modell es von\nallein viel besser könnte?\nWahrscheinlich.  Ich habe viele zustimmende Blicke ernteten.   Ist\nmir vor Kurzem passiert.  Ich war gerade dabei,\nmeinen Lebenslauf zu erstellen.\nWer würde gewinnen?\nDies war meine sehr aufwendige Bewerbung.   Hat\nnicht funktioniert.  Nun ja, es hat zwar funktioniert, aber nicht so gut\nwie vier einfache\nBuchstaben.\nDiese vier einfachen Buchstaben waren HTML.\nUnd\nja, ich war ziemlich überwältigt davon\n.\nDas war also eine mehr als zehnfache Verbesserung.  Ich würde\nsagen, es ist wahrscheinlich eine 100-fache Verbesserung.\nIch denke also, nur weil man die\nMacht der Götter besitzt, heißt das nicht, dass man sie auch\nnutzen sollte.\nModelle sind von Natur aus wortreich und neigen\nzur Komplexität.\nAls würden sie die\nkomplizierteste Lösung vorschlagen.  Verschwenden Sie also nicht\nIhre Zeit.  Verschwende\nkeine Token und mach dir keine zusätzliche\nArbeit.  Deine Ideen werden\nziemlich schnell mit der Realität kollidieren.   Also, was am wichtigsten ist,\nist der\nBau einer einfachen, funktionierenden Version.\nUnd ich denke, wenn wir über den\nEinsatz von Agenten sprechen, geht es darum,\ndiesen Feedback-Zyklus zu verkürzen.  Aber vielleicht sollten Sie\nIhren Feedback-Zyklus mit der Realität verkürzen,\nwenn Sie Produkte entwickeln.\nDas ist wohl der\ninteressanteste Teil.   Künstliche\nIntelligenz ist im Kern also nichts anderes als Übersetzung.\nDas ist also das Aufmerksamkeitspapier, das Sie brauchen\n.  Es wurde\nzunächst von Englisch nach Französisch übersetzt.\nUnd noch interessanter finde ich die\nIdee, Text\nin Bilder, Bilder in Audio und\nAudio in Video umwandeln zu können, nicht wahr?\nUnd ich denke, es gibt das Argument, dass\nWissensproduktion an sich nichts anderes als\nZusammenfassung ist, richtig?\nWie in diesem Vortrag versuche ich,\nmeine Erfahrungen der letzten\nJahre zusammenzufassen.\nWir fassen das dann zu so etwas wie\nWissen oder so etwas wie gutes Wissen zusammen, richtig?\nSo können unterschiedliche Datentypen\nin gemeinsame interne\nDarstellungen umgewandelt und dann\nin etwas anderes transformiert werden.  So, als hätte\nman eine unstrukturierte Eingabe und würde daraus\neine unstrukturierte Ausgabe erzeugen.\nSie haben eine strukturierte Eingabe und\nwandeln diese in eine unstrukturierte\nAusgabe um.  Das ist so ähnlich wie, glaube ich, das, was\nMCP bei\nModellübergaben für langlaufende Agenten ist.\nDas ist doch alles eine sehr ähnliche\nIdee, oder?\nAuf der einen Seite haben Sie etwas Strukturiertes,\nauf der anderen Seite etwas sehr Unstrukturiertes.\nUnd ich glaube, diese beiden Dinge können gewissermaßen nebeneinander\nexistieren.\nUnd wenn man etwas\ndurch einen Repräsentationsraum manipulieren kann, dann\nbedeutet das, dass die Struktur dieser\nDaten keine inhärente\nEigenschaft dieses Objekts ist, richtig?  Es handelt sich also eher um eine\nEigenschaft der\nRepräsentation des Beobachters.  Es geht darum,\nin welchem ​​Format ich diesen Inhalt sehen möchte, richtig?  Und\nmanchmal denke ich, dass die einfachste Art, darüber\nnachzudenken, die Verwendung von Folien ist.\nWas lässt sich in ein Diagramm umwandeln?  Was soll\ngeschrieben werden?  Was soll vertont werden\n?\nUnd ich finde es super interessant.\nDas hat also viele relevante Auswirkungen\nbeim Bauen, richtig?\nDas bedeutet, dass Sie idealerweise\nmehrere Repräsentationsstrukturen verwenden sollten.\nDaher empfiehlt sich die Verwendung von\nMarkdown für eine menschenlesbare Hierarchie\nund Dokumentenerstellung.  Möglicherweise möchten Sie\nGraphbeziehungen und -referenzen verwenden.\nMöglicherweise möchten Sie auch Clustering verwenden,\nwenn Sie es mit großen\nTextmengen oder eher unstrukturierten\nTexten zu tun haben.  Und vielleicht möchten Sie\nOrdner für Dinge verwenden, die Sie\nwirklich sehr schnell wiederfinden müssen.\nSie könnten auch Zeitachsen verwenden, falls dies\nfür Ihre Aufgabe relevant ist.\nUnd schließlich gab es noch einige weitere\npraktische\nRatschläge.\nAber letztendlich finde ich es doch sehr wichtig,\nSpaß zu haben und zu experimentieren, oder?  Ich\nglaube, vieles von dem, was wir tun, ist beruflich bedingt\n, aber vieles davon\nkann man eigentlich nur durch\nspielerisches, nachdenkliches Ausprobieren lernen.\nIch besuche jetzt viel mehr Hackathons\nals früher.  Ich sehe einfach nicht ein, warum\nich in meiner Rolle nicht so mit diesen\nDingen experimentieren darf, wie ich es tun würde\n.  Das hilft mir dann umso mehr\n.\nIch habe noch eine Minute.  Das ist wirklich\ninteressant.  Ich möchte noch etwas sagen.\nIch wollte also darüber sprechen, wie Agenten\nin den Arbeitsalltag passen\nund ob man eher\nstrukturierte oder weniger strukturierte\nAgenten einsetzen sollte.\nUnd ich sage nur so viel:\nWenn man sich Adam Smith und seine\nStecknadelfabrik ansieht, erkennt man, dass der Kapitalismus\nAufgaben naturgemäß in kleine, leicht\nwiederholbare Teile zerlegt.  Und oft haben wir\nfestgestellt, dass Arbeitsabläufe weitaus\neffektiver sind.\nIch wollte gerade sagen,\ndass ich noch etwas anderes sagen wollte:\nAutomatisieren Sie keine Aufgabe, es sei denn, Sie können sie\nselbst erledigen.\nDas ist mein alter Job.  Das war soziale\nIntelligenz in den sozialen Medien.\nUnd was Sie hier sehen, ist quasi ein\npraktischer Bericht.  Dies geschieht durch ein\nanalytisches Clustering der Daten.  Es hat\nalles getan.  Und genau solche\nInformationen würden wir typischerweise\nvon einer Werbeagentur erwarten, weil wir\nKI-Ingenieure sind.  Ich habe das für offene Krallen\nnur auf Basis der Daten des letzten Jahres gemacht.  Und\ndas ist alles, was wir an Erkenntnissen gewinnen würden\n.  Hierbei handelt es sich um 50.000 Tweets, die\ngruppiert und anschließend in\nStrategien organisiert wurden, sodass wir\ndies nahezu sofort für unsere\nKreativteams oder unsere Strategieteams erstellen können.\nUnd dann gibt es da noch die herausragendsten Tweets, die wir\nIhnen ausführlich erklären.\nUnd ich glaube, das war's dann mit meiner Zeit dort.  Vielen\nDank.",
  "transcript_chars": 19921,
  "ingested_at": "2026-05-25T16:30:45.153555+00:00",
  "source": "channel",
  "yt_meta": {
    "view_count": 372,
    "like_count": 15,
    "channel_id": "UCLKPca3kwwd-B59HNr-_lvA",
    "categories": [
      "Science & Technology"
    ],
    "tags": [
      "ai",
      "ai engineer",
      "ai engineering",
      "software development",
      "tech",
      "startups",
      "software architecture",
      "machine learning"
    ]
  }
}