#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