Startseite
Podcasts
Data Science Deep Dive Podcast
#94: [PAIQ4] Predictive AI Quarterly

#94: [PAIQ4] Predictive AI Quarterly

Data Science Deep Dive vor 4 Monaten

0:00

37:41

In dieser Ausgabe des Predictive AI Quarterly geben Till und Amit
einen Überblick über die wichtigsten Entwicklungen des letzten
Quartals im Bereich Predictive AI. Themen sind unter anderem
Hyper-Agents von Meta, praktische Herausforderungen beim Einsatz
von Coding-Agents sowie neue Foundation-Modelle für tabellarische
Daten wie TabImpute und TabICL v2. Im Praxisteil teilen die
beiden ihre Erfahrungen aus einem Experiment zur Preisprognose
von Autos, bei dem GPT-4o mit Bildern und Freitext gegen TabPFN
antritt. Im Zentrum stehen dabei der Mehrwert unstrukturierter
Daten, Fragen der Generalisierbarkeit und der Tradeoff zwischen
Erklärbarkeit und Prognosegüte.

**Zusammenfassung**

Hyper-Agents von Meta: selbstevaluierende Agenten mit
Potenzial für schnelleren Fortschritt, aber auch Risiken durch
fehlende Kontrolle und verstärkte Biases

Praktischer Einsatz von Coding-Agents: Subscriptions,
Sandboxing, Audit Logs und Ausschluss kritischer Artefakte als
Voraussetzungen

Erfahrungen mit dem GitHub Cloud Agent, insbesondere bei der
Überarbeitung bestehenden Codes

TabImpute als neues Foundation-Modell für Imputation auf
Basis von TabPFN inklusive eigenem Benchmark

TabICL v2 als offen lizenzierte Alternative zu TabPFN mit
schnellerer Inferenz

Praxis-Experiment zur Preisprognose von Autos: GPT-4o mit
Bildern erzielt die besten Ergebnisse, deutlich vor TabPFN

Generalisierbarkeit bestätigt durch 30-fache Kreuzvalidierung
mit einem aus Bildern erzeugten Score-Feature

Tradeoff zwischen Erklärbarkeit (Feature-Generierung) und
Prognosegüte (Finetuning) als zentrale Erkenntnis

**Links**

Predictive LLMs: Die Rolle multimodaler Daten bei der
Preisprognose
https://www.inwt-statistics.de/blog/predicitve-llms-rolle-multimodaler-daten

HyperAgents (Zhang et al., 2026): Paper unter
https://arxiv.org/abs/2603.19461, Code unter
https://github.com/facebookresearch/Hyperagents

Feitelberg, J., Saha, D., Choi, K., Ahmad, Z., Agarwal, A.
& Dwivedi, R.: TabImpute: Universal Zero-Shot Imputation for
Tabular Data. https://arxiv.org/pdf/2510.02625

TabICL GitHub Repo https://github.com/soda-inria/tabicl

OpenAI Developers: Vision fine-tuning
https://developers.openai.com/api/docs/guides/vision-fine-tuning

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