Perfekter Espresso mit Claude und Databricks #02

00:00:00: Willkommen zu Tokenmade.

00:00:02: Philipp und ich sprechen zweimal die Woche mit ganz interessanten Leuten, die nicht was mit AI bauen.

00:00:08: Und zwar wirklich richtig coole Sachen, die innerhalb der Firma stattfinden, was man alles so machen kann, was vielleicht auch vor ein paar Monaten noch nicht geht.

00:00:14: Wir versuchen diese Insights rauszuholen.

00:00:16: Ich habe heute einen Gast!

00:00:19: Dominik, du bist dabei?

00:00:21: Wer bist du?

00:00:23: Was hast du in den letzten Monaten gebaut?

00:00:26: Christian, danke dir total schön, jetzt mit dir hier... Im Podcast zu sein.

00:00:30: Ich bin Dominik, ich sitze jetzt gerade am schönen Bodensee in Konstanz.

00:00:36: Bin wahrscheinlich im Buch mit vielen Seiten und vorne ist ein kleiner Kaffeefleck drauf.

00:00:39: Interessiere mich total für neue Geschäftsmodelle und alles was es eben noch nicht gibt da ganz viel schon machen dürfen in dem Bereich für alle möglichen Unternehmen in meiner Vorenkarriere und seit... Nicht nur ein paar Monaten sondern ein paar mehr Monate beschäftigen uns mit der Frage wie wäre das eigentlich wenn jeder Kaffeesperfekt schmecken würde?

00:00:57: Nämlich so wie im Lieblingscafe.

00:00:58: Ich glaube, du trinkst auch gerne Kaffee wie du weißt.

00:01:01: Das ist die große Herausforderung.

00:01:02: gerade wenn man so in den Espressobereich geht und in richtig gute Cafés geht dann wird das halt ein super schmales Zielfenster weil man muss dann mal grad Druckmenge Temperaturfluss alles einstellen und es ist auch wieder für jeden Kaffees eigentlich anders eigentlich für jeden Schatz sogar anders.

00:01:19: Und bisher hat man da so einen Doktor dafür gebraucht und wir haben uns gedacht Mensch Wie könnte man das eigentlich bauen mit Hardware und Software und Daten?

00:01:30: Dass man das ja nicht mehr selber einstellen muss, sondern dass der Barista wenn du so willst eingebaut ist und dir hilft auch deinen persönlichen Geschmack zu verstehen usw.

00:01:36: Da hat es natürlich... Die EI-Tool ist alles was jetzt draußen im Moment gibt unglaublich geboostet und da reden wir sehr gerne drüber!

00:01:45: Also um das einmal in kurz zu sagen ihr baut die Geizig Kaffeemaschine, die es gibt ich bin hier im Haushofer EI in San Francisco auch ein sehr stolzer Nutzer dieses Produkt Auch die ganzen Jungs und Mädels, die bei mir im Space sind.

00:01:59: Also wir haben auch noch eine Lamasoko-Maschine daneben stehen und bekommen doch angefasst.

00:02:02: Und für mich der Hauptuse Case ist eigentlich dass man eben verschiedene Geschmäcker halt fahren kann.

00:02:08: also ich habe drei verschiedene Bohnen hier mit dem Angebot dann können die Leute einfach den Hopper abnehmen... ...und packen ihn jetzt nochmal drauf.

00:02:14: das Malwerk stellt sich um und passt sich wieder auf die Bohne an.

00:02:17: Also wirklich ein famoses Produkt ist Frosty Milk so gut wie es kaum ein anderer kann.

00:02:22: Ich würde sagen ich habe auch einen PhD in ... in Coffee Making, also kein Echten.

00:02:27: Aber ich habe mich damit sehr viel befasst in meinem Leben, deswegen kann auch die Lamasoco mindestens genauso gut bedienen.

00:02:31: aber für den Durchschnittsnutzer ist wirklich ein geiles Produkt.

00:02:34: oder wo wir besonders interessiert dran sind was macht ihr genau mit KI?

00:02:39: Also wie habt ihr im Unternehmen, also ihr seid ja mittlerweile ein gut gefandetes Startup am Ende des Tages, habt das Produkt hier im Markt, aber was macht dir in der Firma, was ihr vielleicht vor drei bis sechs Monaten so nicht machen konnte und was kannst du uns da zeigen?

00:02:55: Ich gebe heute gerne mal ein paar Einblicke, also ich glaube es sind ein paar Ebenen.

00:02:58: Wir unterscheiden da immer so was ist eigentlich Process und Efficiency?

00:03:01: Also was funktioniert intern ganz anders?

00:03:04: Was machen wir mit Agents, was machen wir Mit Loops?

00:03:07: wie bauen wir quasi Prozesse auch Customer Facing-Prozesse ganz anders auf als wir das vor drei oder sechs Monaten gemacht haben oder überhaupt konnten?

00:03:15: Wie verknüpfen wir auch Daten?

00:03:16: Das ist vielleicht auch ein spannendes Thema wo wir mal kurz zu übersprechen können ja.

00:03:19: Also was kann man eigentlich wenn man nicht jetzt Datensilos und Unternehmenssilos baut sondern wie kann man Was kann das der Kundenservice zusammen mit den Ingenieuren, zusammen mit dem Daten-Wisards eigentlich lernen?

00:03:29: Und was bringt es wenn man jedem im Unternehmen die Daten zugänglich macht so weit wie das GDPR conform und so weiter möglich ist.

00:03:36: Es ist nämlich ultra spannend dass da passiert dann plötzlich ein Unternehmen.

00:03:40: Das eine das andere ist bis hin zu... Customer Tickets, wir haben ein kleines Tool gebaut jetzt erst released intern vielleicht kann ich da mal reinschauen das heißt Narvis.

00:03:48: Da kann ich quasi reingehen und also unser Jarvis für Nunk, Narvis, kann ich rein gehen und kann quasi jeden Customer Complaint, jeden Customer Request einfach eingeben.

00:03:56: es gibt dann einen Ticket Matching und ich kann dann in Slack quasi mit meinem Customer Bot sprechen und gucken ob das Ticket schonmal da ist ob sie sich irgendwo anknüpfen lässt und kann dann direkt uns auch übersetzen wenn du willst Gira oder anders gearbeitetes Ticket und es kann ja noch gleich zum Beispiel mit PCero oder anderen Tools abgearbeitet werden Dass du quasi wie so ein Loop baust, dass eben keine Silos mehr entstehen wo Dinge in der langen Wartage lange waren.

00:04:18: Das ist so intern im Process.

00:04:20: und das andere aber wo wir auch sicherlich ein paar Minuten drüber sprechen sind.

00:04:24: Wir haben nun gebaut diese Kaffeemaschine Siebträgermaschine mit Daten weil da so viel mehr möglich ist von Geschmack personifizieren entdecken bis hin zu jeden Schott perfekt machen Weil wir ihm Sensordaten genommen haben roughly daraus Algorithmen trainiert haben und die jetzt eigentlich durch jedes Cloud-Modell einmal durchschleifen.

00:04:46: Und gucken, hey was kann man denn eigentlich noch besseres finden mit diesem proprietaryen Daten um noch bessere Shots zu predict also noch besseren Kaffee zu machen?

00:04:54: Also diese zwei Dinge so Karstimmerpredict, Karstimer Value schaffen und auf der internen Seite eigentlich Prozesse und Strukturen intern verbessern.

00:05:02: Und kannst du mir da was zeigen, also kannst du dir zeigen wie zum Beispiel so ein Tool aussieht?

00:05:06: Wie das gebaut wurde.

00:05:07: Also ich weiß nicht ob ihr einfach deinen Bildschirm teilmachst und dass wir da so ein bisschen einen Einblick haben, weil ich auch wieder es gebaut würde.

00:05:13: Also wie nutzt Du halt die Tools oder Codecs, was gerade P-Zero angesprochen ist, freut mich natürlich besonders aber will keine Werbung machen sondern geht darum wie macht Ihr das?

00:05:25: Genau, also für alle die es noch nicht gesehen haben das ist im Grunde des Produktes von den Christian spricht.

00:05:29: Die Nunk?

00:05:29: Also keine Werbeveranstaltung sondern einfach nur dass man's mal gesehen hat eine Mühle und eine Siebträgermaschine sind miteinander vernetzt und hängen im Internet.

00:05:35: Also ein vernetztes Gerät.

00:05:38: Hier hat man die Möglichkeit, so ein vernetzten Gerät eben das hast du vorher eben angesprochen den Kaffee zu wechseln.

00:05:43: Also jede andere Farbe.

00:05:44: jedes mal wenn man noch drauf setzt ist der Kaffe anders und eigentlich müsste man jetzt hergehen und jedes Mal diese Mühle die drunter steht und eine Waage und noch Druck und Temperatur dann bei der Maschine anpassen.

00:05:54: und es war forder normalerweise Du musst wissen drei bis fünf Schots Wenn man den Kaffe wechselt und echt viel aufwandern.

00:06:01: und es gelöst mittlerweile weil man eben First Shot Brighten bekommt.

00:06:04: Das ist einmal die Grundidee also Smart Hopper Gelinger-Rantie für jeden Kaffee erzeugt, aber das alles eben Daten basiert.

00:06:11: Und jetzt gehe ich mal erstmal kurz auf den Customer Facing-Teiler weil ich glaube der ist für die... Für euch alle die hier zuhören ganz spannend.

00:06:16: also wir haben grundsätzlich angefangen haben gesagt Das gesamte Unternehmen und es spricht der Business Casper nicht der Datenerg nur Der sagt dem muss auf Daten was ihr denn?

00:06:25: Weil wenn ihr da draußen die Welt euch anschaut im Café egal ob sie Kapseln sind oder auch andere Maschinen Im Heimbereich gibt's keine Daten.

00:06:32: Also kein Mensch weiß wie euren Kaffe trinken Kein Mensch weiß was euch schmeckt Und es ist mehr so ein Zufassprodukt, ob danach ein guter Kaffee rauskommt oder halt viel Handarbeit.

00:06:40: Was wir gesagt haben ist wenn du die Daten aus jedem Shot hast und wenn du weißt was Nutzer möchte mit den Nutzern in die Interaktion drittst, hast du die Chance diesen Daten etwas zu machen also Business Valley zu kreieren und da hilft uns natürlich jetzt einige sich.

00:06:51: mache ich mal ein Beispiel.

00:06:51: Also ich schwinge mal kurz in den nächsten.

00:06:55: Ich glaube man ist noch geteilt.

00:06:55: Ich schwing einfach mal in so einen Live Dashboard rein.

00:06:57: Ich hoffe ich teile jetzt nichts was irgendwie akut is.

00:07:02: Ich habe einfach mal so ein Sandbit von fünfzigtausend Schots hier genommen, das ist jetzt Databricks.

00:07:05: Wir haben einen Microsoft Azure IoT Hub wo es drauf läuft und da Databracks als Auswertungstool wenn du sie nimmst kannst auch jedes andere dahinter hängen.

00:07:13: aber das haben wir jetzt mal genommen.

00:07:14: und jetzt sieht man hier mal die verschiedenen Kaffeesorten zum Beispiel an Roasts die so getrunken werden Sieht die Verteilung, sieht schon mal wie die Shot-Quality war.

00:07:23: Ob Single oder Double Coffee ist getrunken.

00:07:24: Also wir kriegen eigentlich einen Dashboard hier wo wir die Daten hoch aggregieren auch zum Beispiel um welche Uhrzeit wird z.B.

00:07:30: welcher Kaffee getrunkt?

00:07:31: und wenn ich jetzt mal auf den auf ein Sample von Decaf Scale kommen wir gleich auf den Sample und sehen das eigentlich die Veteilung der Kaffees über den Tag komplett anders ist.

00:07:38: Natürlich ist eine aggregierte Viewer.

00:07:39: was dahinter steckt ist dass in jedem einzelnen Kaffe Zickdaten stecken weil wir natürlich die Sensoren auslesen während der Kaffe gemacht wird.

00:07:49: Und da gehe ich jetzt mal ganz kurz rein.

00:07:52: Mit dir, habt ihr auch was vorbereitet?

00:07:55: Und zwar habe ich tatsächlich das Haus of AI genommen hier und hab mal jedes Event also jeden Shot der bei euch gemacht wurde.

00:08:02: Jetzt haben wir heute den elften Juni.

00:08:03: Das sind dann die drei oder vier hier heute Morgen bei euch.

00:08:07: Haben wir hier Cafés, House Of AI, Front Cafe mit Shotqualität, mit Kurven

00:08:12: usw.,

00:08:12: alles dahinter.

00:08:13: Wir sehen eigentlich zu jedem Kaffee in San Francisco Downtown gemacht wird, eine ganze Menge an Parametern und Daten.

00:08:21: Und ich baue es gerade so auf weil wir kommen gleich zur Konklusio, weil hier Tools für da noch Nutzung

00:08:25: usw.,

00:08:25: aber jetzt wird's spannend!

00:08:26: Jetzt gehen wir mal in so einen Shot rein.

00:08:28: Ich mache also ein Drilldown auf einen solchen Shot.

00:08:30: Gehe also jetzt mal live in dieses Sample-Datenzeit rein von diesem einen Shot, der bei euch gemacht wurde.

00:08:37: vor Kurzem mit deiner Zustimmung natürlich wenn du erlaubst muss man schnell ne Zucht gelten.

00:08:44: Und jetzt wirds halt spannend.

00:08:46: Wir sammeln eigentlich aus Sensoren und Aktuatoren alle möglichen Daten, also Raumtemperatur Luftfeuchtigkeit usw.

00:08:53: Und jetzt fragt man sich ja warum braucht man bei gutem alten Kaffee eine EI?

00:08:57: So ein Quatsch!

00:08:57: Also wir brauchen sowas.

00:08:58: aber jetzt kommt der Punkt die Sensoren hier gemessenen Daten... Ich mach das mal kurz alles weg Die hängen alle miteinander zusammen.

00:09:05: Das heißt wenn ich mal so einen Center Set von Daten über den Zeitraum von diesen thirty-fünf Sekunden von links nach rechts und dann die Werte anschaue Dann sehe ich hier eine ganze Menge an Kurven und kann zu jedem Zeitpunkt eigentlich sagen, wie war es der Druck auf dem Kaffee-Pokui?

00:09:20: War die Temperatur.

00:09:20: Wie war die Luftfeuchtigkeit zum Zeitpunkt?

00:09:24: Die Heizer usw.

00:09:28: Und was jetzt eigentlich wir gebaut haben.

00:09:30: und da hat uns eben.

00:09:31: das kann dann am Schluss der Mensch nicht und auch ne kleine Statistik oder Stochastik kriegt das dann am schluss nicht mehr hin.

00:09:36: Wir haben diese ganzen Sandbedatenset genommen mit Entsprenne Abtastrate haben das im Grunde in die Modelle gekippt, habe gesagt okay was wäre jetzt ein extrem gutes prediction model?

00:09:46: um vorher zu sagen.

00:09:47: Was ich bei diesem schott und beim nächsten Schott einstellen müsste zum Beispiel als mal grad oder als als Menge und damit haben wir bei der real life data in den ersten mannen für sich physikalisches modell gebaut.

00:10:00: also da ist es lau und physikmodell quasi gebauten fluid modell gebaute haben daraus dann erste Modelle abgeleitet.

00:10:06: und ich muss sagen, als wir angefangen haben vor zwei Jahren war das so, poh da waren die Tools wie Claude oder so noch lange nicht soweit.

00:10:12: Da war es quasi Handarbeit, da haben wir händisch Modelle gebaut.

00:10:14: heute kann ich das Datensamt bequasi, dass sehr sehr robuste Datensamten benehmen klar noch Filter, Noise Brows Schema Correction usw.

00:10:22: Und dann schmeiße ich das theoretisch einfach nur in Entrophic Fable Five Claude rein und bekomme ein recht relevantes prediction model nachher raus, was mir sagt okay wenn der Christian in San Francisco das nächste mal diesen Kaffee auflegt, nachdem er diesen Kaffe gemacht hat dann wird es wahrscheinlich am besten so laufen wenn du es so einstellst.

00:10:43: Und damit haben wir einen real world problem gesolved dass wir A ohne AI aber auch mit den neuen modellen die jetzt draußen sind halt wirklich lösen können.

00:10:51: und das lustig ist da alles IoT Geräte sind machen wir ab testen.

00:10:55: also wir haben eine vierstellige anzahl an gerätenden test und machen aber halt die ganze Zeit, ähnlich wie das in Facebook im E-Commerce macht, Tests.

00:11:02: Also deine Kaffeemaschine hat einen anderen Algorithmus drauf wie meine bei mir, wie die im Büro.

00:11:07: Und wir gucken halt, welche setzt sich durch am Schluss?

00:11:11: Auch da hilft natürlich der Algorithmos total, weil wir bauen nicht nur ein Modell für die Prediction, sondern wir bauen gefühlt zwanzig und lassen sie gegeneinander kompeten.

00:11:19: Das was sich am besten durchsetzt wird dann jeden Monat quasi zum Winter gekürt und bekommt dann am Schluss die Möglichkeit sich auf allen Geräten auszubreiten.

00:11:28: Du hast gerade angesprochen, dass du diese Daten nimmst und die halt einfach in die AI kippst.

00:11:32: Kannst du da ein bisschen mehr konkret sein?

00:11:34: Also wie macht ihr das mit zu deinem Co-Work?

00:11:36: oder machst du einfach Copy Paste... ...in Chatchi PT oder in Cloud?

00:11:41: oder wie genau machst du das?

00:11:44: Oder machst du es über Cloud Code?

00:11:46: Dass du das irgendwie so eigene Tools gebaut hast?

00:11:48: also wie genau funktioniert das?

00:11:50: Ja, also da gibt's ganz viele Layer.

00:11:52: aber erstmal müssen natürlich die ganzen Daten sauber über die Brosse, Silber und Gold-Layers laufen.

00:11:58: Das heißt sie müssen einfach bereinigt werden, sie müssen sauber gekleent werden weil man einfach nur den kompletten Dirty Datensatz da rein schmeißt mit händischen... das kann schief gehen.

00:12:05: also da kann dann auch Klaut irgendwann mal nix mehr mit anfangen.

00:12:08: aber wenn du es alles sauber gesamtet und sauber geclean hast dann kannst du wirklich vor allem was wir machen ist eigentlich nicht einfach blind in Klauth reinschmeißen und sagen hier mach mein Modell draus.

00:12:16: sondern wie haben ja jetzt von dem physischen Modell über unsere ganzen Modelliteration lauter Modelle.

00:12:21: Und jedes Mal, wenn eine neue Version von Claude rauskommt, challenging wir quasi die Annahmen und die Logiken in diesen Modellen, die wir gebaut haben gegen das neue sample Datenset und die Live-Daten, wie wir täglich bekommen.

00:12:32: Und schauen uns an ob diese anonymisierten Livedaten bessere Ergebnisse prädikten könnten, wenn wir sie anschauen als das was wir momentan benutzen.

00:12:39: also das heißt Claude hilft uns eigentlich weniger beim Model bauen aktuell noch sondern vielmehr bei Ultraschnellen eigentlich live validieren ob ein model was draußen gerade läuft Eine Stunde später, besser wird oder nicht.

00:12:51: Das heißt es ist on-stereoids lernen ob ein Modell was du dir so'n über eineinhalb Jahre arbeitet hast wirklich besser funktioniert.

00:12:58: und die Ursprüngungsmodelle sind tatsächlich... Die werden immer simpler.

00:13:01: Das ist echt das Interessante.

00:13:02: Das heisst wir können heute mit viel weniger Sensoren, dass ist eigentlich der Business Value dahinter, mit viel weniger Sensoren mit viel Weniger Abtastgenauigkeit Mit vieler größeren Toleranz umgehen weil die Modelle soviel besser in Predigten werden Und haben ja uns auch Barista Champions angebaut angestellt.

00:13:17: Die hätten heute schon keine Chance mehr, weil hier fällt eigentlich das Rainbow für Kaffee.

00:13:20: Das ist eigentlich der The World's Most Experienced Barista schon.

00:13:24: Also was heißt es?

00:13:25: Wir schmeißen nicht einfach irgendwelche ungefilterten Daten in Claude und hoffen dass ein Modell rauskommt sondern wir haben uns über eineinhalb Jahre Modelle erarbeitet und validieren die und Challengen die eigentlich die ganze Zeit gegen Claude Und das hilft uns eigentlich am meisten.

00:13:35: also das Modell kommt nicht aus Claude, das ist tatsächlich ein... ich wiege Krips auch vorher drin aber wer weiß vielleicht kanns in.

00:13:44: Und sag mal, du bist ja jetzt nicht der Entwickler jetzt bei euch im Team.

00:13:49: Mich interessiert aber trotzdem wie du auch AI persönlich dann einsetzt im Unternehmen?

00:13:53: Also hast du zum Beispiel jetzt einfach deine E-Mail-Accounts mit Cloud gesünkt und gibst vollen Zugriff oder benutzt du Cloud Co-Work?

00:14:00: also kannst du da vielleicht noch ein paar Insights geben, wie du das so benutzt?

00:14:04: Also ich mach kurz die Brücke, weil das ist super spannend.

00:14:05: Ihr seid ja total hands-on!

00:14:06: Das finde ich so cool und deswegen habe ich mich auch total gefreut hier im Podcast zu sein.

00:14:10: Weil am Schluss... also für mich fängt jetzt die Ebene eigentlich... das war jetzt die Datenherleitung.

00:14:13: Für mich fängt die Ebne jetzt eigentlich hier an wo es sogar die Dummies, also jeder bei uns im Team wenn er das möchte und die Zugang hat und die anonymisierten und so weiter.

00:14:21: Ich hab dich mal freigeschaltet.

00:14:23: oder diese E-Mail, dieses Sample-E-Mails bei euch da bin ich jetzt einmal kurz rein und gehen wir in den Beanie rein.

00:14:28: Und ich habe jetzt gerade mal unseren Beanie gefragt.

00:14:30: Es ist quasi der wie wenn du so wisst von Databricks die kleine Cloud Engine, wenn du so willst.

00:14:36: Die habe ich einfach mal gefragt, what kind of customer is Christian?

00:14:39: Also diese E-Mail, die ihr da benutzt, steht hier Highly Active und Engage Customer who has brewed four hundred thirteen shots over seventy one days.

00:14:47: also Glückwunsch!

00:14:48: Das sind sechs Shots am Tag.

00:14:49: ungefähr im ersten April wurde dieser Account auf das umgestellt.

00:14:53: Ihr habt eine Zero Serial Numbler, very consistent daily usage.

00:14:57: seven to ten shots active.

00:14:59: seventy nine percent Das ist eigentlich jeden Tag, weil er am Wochenende nicht so viel brüht.

00:15:04: Wir sehen auch hier über die Tage, Shots per day, da war wahrscheinlich ein Event oder einen Besuch oder so da.

00:15:11: Wir können gucken was eure Lieblingspreferences sind, DKF, Espresso, Rakuza, DKF und so weiter und so fort.

00:15:20: Ich könnte jetzt noch beliebig viele andere Fragen stellen.

00:15:22: Welches Feedback habt ihr zum Kaffee gegeben?

00:15:25: Wann gab's oft times, wann hat was mal nicht funktioniert.

00:15:28: Ich will also sagen wir haben eigentlich über die ganze extreme Daten-Nerd-Layers eine Anwendungslayer gelegt.

00:15:34: das Databricks hilft dann natürlich massiv aber ich kann jetzt mit dem Ding checken.

00:15:38: Das heißt ich kann als jeder Nutzer bei uns im Unternehmen, ich kann es unanomisiert sehen aber die normalen Leute haben anonymisierten Zugang.

00:15:46: könnt ihr bitte device ID's wo sie reingehen können dann sehen was eigentlich auf dem Device passiert, was auch über eine Flotte passiert oder was an einem Sample im Cluster passiert und könnte zum Beispiel als Beispiel predictive Shipping machen.

00:15:57: Also wir haben jetzt hier die Möglichkeit das hier direkt anzubinden an Cloud Code, an unser ERP und können zum Beispiel sagen hey wenn der Kunde so viele Shots brüht und sich die Shot Brewing verändert in den Kunde dann wäre doch eigentlich eine Recommendation den früher einen neuen Kaffee wieder zu schicken also predictive Shippings zum Beispiel zu machen.

00:16:16: Also du kannst jetzt jede Art von, da fängt echt der Wert jetzt an.

00:16:19: Der Wert ist nicht nur in der Modelllogik besseren Kaffee zu brühen sondern da kommt jetzt genau die Brücke wo es für so Nicht-Tex wie mich eigentlich total spannend wird dass ich heute die Fähigkeit habe mit Cloudcode, mit Databricks und diesen Beanie hier Insights rauszuziehen.

00:16:33: Ich könnte jetzt dich gegen ein tausend andere Kunden vergleichen und sagen was müsste ich den Christian wahrscheinlich anbieten als nächstes mal einen Decaf oder sowas damit er ein anderes Kundenverhalten vermutlich dann entwickelt?

00:16:44: Und ich zeige euch das jetzt in der Reihenfolge.

00:16:46: Es gibt unglaublich viele Daten, aber was ich halt ultra cool finde an Databricks Beanie zum Beispiel oder auch den Insights die mir einen mcp zugeschaltet ist und über ein mcps zugeschaltete Cloud Code zum Beispiel bietet Ich kann da mit den Daten jetzt wirklich arbeiten!

00:17:02: Ich kann meine monthly reports für meine Investoren rausziehen als Beispiel meine Weekly Stats fürs Team rausziehen, habe einen Agent am Laufen.

00:17:10: Weil da jetzt personenbezogene Daten drin sind kann ich den nicht live zeigen.

00:17:13: leider würde ich super gerne gleich machen.

00:17:15: wird jetzt einfach quasi ein Agent anrufen und sagen pass auf Ich hab irgendwie in einem Team Meeting abkomming.

00:17:20: um Montag zehn Uhr bereit mir nochmal bitte ganz kurz die Customer Complaints und die Customer Statistics vor Die Customer Ratings vor Und schau wo das Ganze hingeht.

00:17:28: Das kann halt jeder im Team machen.

00:17:30: Das heißt es gibt diese universelle Datengrundlage.

00:17:34: Das ist eigentlich aus meiner Sicht die Magic.

00:17:37: Nicht, dass du die Tools hast sondern das du wenn du saubere Daten hast halt und die Leute im Team Enables mit den Daten umzugehen fangen plötzlich alle an Daten basiert Entscheidungen zu treffen und sich zu unterhalten.

00:17:49: Und wir haben komplett seit also seit drei Monaten haben wir ein Komplett wirklich ein komplett anderes Business eigentlich und Mainstream Business weil die Menschen anfangen mit den Daten zu argumentieren und zu arbeiten als das Team.

00:18:02: Entwicklungsingenieur, von jemandem der Embedded Software schreibt.

00:18:05: Jemanden der im Customer Service sitzt, jemand der die Software entwickelt, jemand der irgendwie Vertrieb macht hat halt ein Datengrundlage den echten Unterschied machen und deswegen sind die Tools halt immer so gut wie sie angebunden sind.

00:18:19: Nur so parallele Frage ich meine das sind ja jetzt Sachen die eben vielleicht seit sechs Monaten wirklich funktionieren weil vorher hat man eher hast du auch gesagt einfach nicht in der Lage das umzusetzen wenn du das vergleichst.

00:18:32: Hast du jetzt die gleiche Anzahl von Mitarbeitern auf dem Thema und AI unterstützt euch?

00:18:38: Und ihr habt einfach geilere Sachen gebaut?

00:18:40: oder kannst du auch einsparen auf der Seite, oder musst du deshalb vielleicht nicht so stark heiern?

00:18:45: also wie sind da so die Verhältnisse zwischen was macht AI und wie viel Mensch braucht man noch?

00:18:50: Ja ich glaube das ist eine Philosophie Frage.

00:18:52: wir sehen tatsächlich dass wir einen Bus bekommen im Umsetzungskompetenz und in der Umsetzungsgeschwindigkeit von Provotypen bis über echte Datenthemen, bis über Backlog auf schneller abarbeiten.

00:19:05: Ich komme einfach viel, viel schneller und ganzheitlicher zum Ziel.

00:19:09: Und wir haben uns zielgesetzt um deine drei Punkte durchzugehen.

00:19:13: Wir haben niemanden deswegen auf die Straße gesetzt sondern wir haben einen extrem Productivity-Boost.

00:19:19: zweitens geschaffen und auch upskilling und upleveling geschaffen von Menschen die eigentlich nie mit Daten oder mit Code zu tun hatten, die jetzt aber anfangen lernen zu Coden.

00:19:28: Und das dritte ist, dass wir weiterhin hiren.

00:19:29: Aber natürlich unseren Hiring-Plan angepasst haben weil du heute als... Nehmen wir unser Head of Design.

00:19:38: Der ist eigentlich ein Design Büro mittlereile.

00:19:40: Also wenn der irgendwelche Roast Artworks oder Videos oder Animationen oder Appdesigns macht Dann kann er halt mit Claude Design zum Beispiel wo unser Design System dann drin hängt.

00:19:52: Eigentlich die kompletten Appscreens und neue Features in der snap bauen was vorher eigentlich eine woche und ein ganzes team benötigt hätte plus drei abstimmung schleifen.

00:20:01: das heißt ich glaube es für uns ist es eher einen booster in der produktivität als jetzt irgendwie ein kostsaving tool.

00:20:11: Hast du da so ein budget pro mitarbeiter was die an ausgeben dürfen?

00:20:14: oder wie steuerst du das

00:20:16: ja unlimited.

00:20:19: Wir haben natürlich limits gesetzt und die sind auch recht hoch Aber wir haben die Philosophie, as much is possible.

00:20:26: Use as much you

00:20:26: can.".

00:20:27: Und ich freu mich immer wenn jemand kommt und sagt, ich hab alle meine Token so aufgebraucht und dann sag' ich ja hast du irgendwelche Bilder gemalt oder hast du Business Value geschaffen?

00:20:36: Und wenn jemand dann sagt, du, ich habe probiert Business Value zu schaffen, dann Double Down also einfach noch mehr weil... Ich glaube das ist jetzt genau die Zeit wo man es ausprobieren muss und was wir halt lernen müssen ist glaube ich intelligente Loops und Schleifen zu bauen dass sich also quasi Claude nicht selber füttert die ganze Zeit.

00:20:53: Also vielleicht hast du Loop-Engineering mitbekommen.

00:20:55: Wenn du Agenten baust, die wieder Agenten anleiten und so einen Loop für sich quasi loot treten... Die haben ja mittlerweile Fähigkeiten tagelang zu arbeiten wenn du so willst ohne großes Supervision.

00:21:05: Du musst halt aufpassen dass du intelligente Loops baust das da nicht in ein Holefest sondern plötzlich hast du ein paar tausend Euro weniger auf dem Konto.

00:21:11: Das macht natürlich wenig Sinn.

00:21:12: aber genau ich wollte noch eine Sache zeigen weil ich das vorher ansprach.

00:21:17: mal nur zum Beispiel Ich glaube ich darf es zeigen was mache ich einfach jetzt?

00:21:22: Das ist alles nicht abgestimmt hier.

00:21:24: Aber ich hoffe, es ist Zeit voll für die Leute, die zuhören!

00:21:26: Also mal ein Beispiel, Narvist ist eine kleine App, der habe ich heute morgen so einen Thema gehabt.

00:21:38: So wie würde das aussehen?

00:21:43: Jetzt fand's ganz geil... Da habe ich gefragt, okay hat quasi mit mir die intelligenten Chat angefangen.

00:21:57: Got it?

00:21:58: So der Erste ist General Realization Systems Covering both dem Machine UI und der App.

00:22:02: Hat quasi ein Ticket aufgerufen was es schon gab, hat gesagt passt das zu dem Ticket?

00:22:06: und hat mich dann gefragt similar but distinct?

00:22:08: hat dann noch mal beschrieben Ich habe gesagt, ja passt so hat ein neues Ticket wo ich jetzt direkt in Atlassien reingehen kann und mir anschauen kann.

00:22:16: Und wir haben theoretisch auch gleich die Abarbeitungsmaschinerie.

00:22:19: könnte man jetzt mit PCRO Purple machen oder mit anderen Tools quasi.

00:22:23: Das was wir hier sehen ist eigentlich eine recht... naja simpel ist es nicht aber auf alle Daten zugreifbarere und vor allem auf den Backlog greift Claude direkt zu.

00:22:32: das haben wir noch mit einem Alt tatsächlich mit vier acht Opus gebaut bin gespannt wie das auf fünf ist performt der einfach die Möglichkeit hat, von Echtzeitkundendaten über unsere Datenbank bis hin zu Live-Marktdaten halt alles zu verbinden und jetzt für jeden Team, der irgendein Complaint oder irgendeine Frage oder ein Featurerequest hat das Ding zu erledigen.

00:22:49: Bei uns spricht eigentlich kein Ingenieur mehr mit damit sondern es wird jetzt wirklich richtig gut abgebildet.

00:22:54: ich muss echt sagen... Für mich ist es eine Ultraerleichterung.

00:22:59: warum?

00:23:00: Weil es eine Asiankrone also eigentlich zu synchronisieren, der Arbeit als Synchron macht.

00:23:06: Das heißt ich kann jetzt als Gründer, sorry to say aber bei Tag und Nacht theoretisch Dinge flecken die sauber aufbereit in der Sports von Menschen landen, die das dann wieder triagen.

00:23:16: Und das ist halt für mich ultra cool.

00:23:18: da bisher also ganz ehrlich meine Tickets waren quatsch ne?

00:23:21: Also meine Ticket, die ich sonst so rausgeschmissen habe war nicht gut.

00:23:24: Du schreibst doch mal ein ordentliches Ticket und wenn ich sage sorry ich bin kein Ingenieur Keine Zeit.

00:23:31: Jetzt ist halt geil, so jetzt wird es halt irgendwie dabei dir zu schuht oder so.

00:23:33: Ich würde uns auch noch mal ganz kurz damit man das versteht also dieses Navistoo das ist ein eigenes Tool was... Das habt ihr einfach nur in den Namen gegeben, das habt ihr selber gebaut.

00:23:41: Genau.

00:23:43: Was ich hier so besonders spannend finde ist halt dieses in the flow of work, ne?

00:23:46: Ich meine man ist sowieso ins Slack und da arbeitet man.

00:23:49: Und dass man gar nicht irgendwie das wechseln muss und du kannst wirklich eine Konversation führen... ...und dann ist aber auch das Ergebnis nachher.

00:23:55: Das heißt das Ergebnis ist ein Jira-Ticket und wie du dann sagst, kannst du damit weiterarbeiten irgendwo.

00:24:00: Aber es ist ja sehr spannend!

00:24:03: Noch eine Frage.

00:24:03: Hast du das Gefühl, dass es im Moment so hart subventioniert von den großen Modellen oder...?

00:24:09: Also erwartest du, dass das noch deutlich teurer wird?

00:24:11: Man sieht ja jetzt in den Medien irgendwie Anthropic Rasty Prices openly all wie sie weiter senken.

00:24:17: Was glaubst du, was da hingeht?

00:24:18: Ich

00:24:19: bin ja nicht so raktig von Ohama oder Umaha aber ich glaube es passiert so beides.

00:24:23: Ich glaube die Frontiermodelle, die eigentlich viel zu gut sind für die Spielerei, die wir hier tun und anfangs dahin werden extrem teuer bleiben.

00:24:33: Genauso gepreist sein, dass die Innovation wieder bezahlt wird und die werden auch für bestimmte Use Cases echt spannend.

00:24:37: Aber es ist eigentlich oberingeniert für das, was wir jetzt hier gerade machen, let's be honest.

00:24:42: Deswegen ich freue mich eher auf wie viel können wir lokal machen?

00:24:46: Also wie viel funktioniert auf lokaler Architektur?

00:24:48: Wie viele können wir mit minimal token spent hinkriegen?

00:24:51: Und ich glaube, da werden wir eher eine Komodizierung von den Modellen sehen auf einer gewissen Ebene.

00:24:56: Sowieso Achtzigzwanzig die Top-Zwanzigprozenten von Use Cases werden ultra teuer und ultra innovativ bleiben immer, immer krasser.

00:25:02: Und die anderen Sechzig bis Aachzig drunter werden wahrscheinlich irgendwann so komodisiert werden dass sie ja einfach im Business Use untergehen.

00:25:11: Das wäre jetzt meine Hypothese.

00:25:12: Ich weiß nicht, wie lange das dauert bis dieser Split so sichtbar wird aber das wär meine Hypothesis.

00:25:15: deswegen bauen wir eigentlich schon immer auf den Frontier Models.

00:25:18: die Dinge sind es ist uns ja auch und wir sind irgendwie eager to explore.

00:25:22: Aber am Schluss haben sie alle den Anspruch dass sie auf lokalen Und auch wirklich Eigentlich musst du denn das ganze was wir da gerade machen in der Maschine muss das auf der Maschinen später laufen können Es darf eigentlich nicht mehr ins Internet und so Da sind wir heute noch nicht.

00:25:35: aber ich würde erwarten Bevor der Nikolaus mit seinem Sack um Rücken klingelt und anklopft dort sind.

00:25:42: Ja vielen vielen dank dass du die zeit genommen hast.

00:25:45: wenn ihr also die hier zuhören zuschauen auch so eine demo geben wollt auf token made.

00:25:52: dann bewerbt euch.

00:25:53: geht einfach auf www.tokenmade.ai-demo Und da könnt ihr euch eintragen und vielleicht bist du dann demnächst hier schon podcast.

00:26:03: wir hören uns wieder in ein paar tagen wie gesagt zweimal die woche filibund ich machen hier die Interviews.

00:26:08: Wir freuen uns, bis dann!

00:26:09: Ciao ciao.