#94: [PAIQ4] Predictive AI Quarterly

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**


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