#87: [PAIQ3] Predictive AI Quarterly

Im aktuellen Predictive AI Quarterly sprechen wir über zentrale Entwicklungen im Bereich Predictive AI und teilen Erfahrungen aus einem konkreten LLM-Projekt. Thema sind unter anderem TabPFN 2.5, neue Ansätze für Explainability sowie der wachsende Einfluss von AI-Agents auf Softwareentwicklung. Im Praxisteil berichten wir über ein mehrsprachiges Textanalyse-Projekt für den gemeinnützigen Verein Monda Futura. Dabei geht es um die strukturierte Auswertung von rund 850 Zukunftsvisionen mithilfe von LLMs. Abschließend diskutieren wir Learnings zu Modellwahl, Kosten und dem sinnvollen Zusammenspiel von Mensch und KI.

**Zusammenfassung**

• TabPFN 2.5: Skalierung, Distillation für produktive Nutzung und höhere Inferenzgeschwindigkeit
• ExplainerPFN als Alternative zu SHAP für Feature Importance ohne Zugriff auf das Originalmodell
• Trend zu AI-Agents, die große Teile der Softwareentwicklung übernehmen
• Use Case Monda Futura: Analyse von 850 mehrsprachigen Zukunftsvisionen (DE/FR/IT)
• Pipeline: Fragmentierung, Themenextraktion, Klassifikation und Szenarienerstellung
• Effektiver Einsatz von GPT-5-Mini vs. GPT-5.2-Pro je nach Aufgabentyp
• Zentrales Learning: Beste Ergebnisse durch Human-in-the-Loop statt Vollautomatisierung

**Links**

• Prior Labs TabPFN-2.5 Model Report https://priorlabs.ai/technical-reports/tabpfn-2-5-model-report
• ExplainerPFN Forschungs-Paper (zero-shot Feature Importance) https://arxiv.org/abs/2601.23068
• OpenCode – Open Source AI Coding Agent https://opencode.ai/
• Monda Futura https://mondafutura.org/
• OpenAI API & GPT-Modelle Überblick https://platform.openai.com/docs/models
• OpenAI Structured Output Guide https://platform.openai.com/docs/guides/structured-outputs

📬 Fragen, Feedback oder Themenwünsche?
Schreibt uns gern an: podcast@inwt-statistics.de