AWS published a technical walkthrough describing how to build a product tagging system by customizing the Qwen3-8B open-weight model with SageMaker serverless model customization, using supervised fine-tuning and reinforcement learning with verifiable rewards, then deploying the result to SageMaker Asynchronous Inference for catalog enrichment.
AWS published a walkthrough for building an AI-powered product tagging system using Amazon SageMaker serverless model customization.
The walkthrough customizes the open-weight Qwen3-8B model, first with supervised fine-tuning (SFT), then with reinforcement learning with verifiable rewards (RLVR) using Group Relative Policy Optimization (GRPO).
Databricks says its internal marketing team uses data three times more often in decisions after adopting Marge, a Genie Agents-based assistant built on a governed Marketing Lakehouse. The company reports over 85% adoption among marketers, 800-plus monthly questions answered, and a 25% drop in flagged incorrect responses.
Databricks zufolge hat das Marketingteam mit Marge einen auf Genie Agents basierenden, konversationsfähigen Analyseassistenten entwickelt, der auf einem verwalteten Marketing Lakehouse aufsetzt. Das Unternehmen berichtet, dass Marketingfachleute Daten nun dreimal so häufig für Entscheidungen nutzen, die Akzeptanz über 85 Prozent der Marketingorganisation liegt und die Zahl gemeldeter fehlerhafter Antworten um 25 Prozent gesunken ist.
Databricks zufolge hat das Unternehmen mit Marge einen KI-Analyseassistenten entwickelt, der auf Genie Agents basiert und in einem governance-konformen Marketing Lakehouse verankert ist und es Marketingfachleuten ermöglicht, Fragen in natürlicher Sprache zu stellen. Das Unternehmen berichtet, dass Marketingmitarbeiter Daten nun dreimal häufiger in Entscheidungsprozesse einbeziehen, wobei die Nutzung mittlerweile mehr als 85 Prozent der Marketingorganisation erreicht.
NVIDIA gab am 14. September 2026 bekannt, dass Perplexitys Agent Portable Computer nun auf Windows-PCs mit NVIDIA-GeForce-RTX- oder RTX-PRO-Workstation-Grafikkarten (ab 24 GB VRAM) verfügbar ist. Der lokale Agent führt mehrstufige Aufgaben direkt auf dem Gerät aus, hält sensible Daten von der Cloud fern, verbraucht keine Perplexity-Computer-Credits und kann mit Erlaubnis auf Cloud-Modelle zurückgreifen.
Databricks hat das bedarfsgesteuerte State-Repartitioning angekündigt, ein Public-Preview-Feature in Databricks Runtime 18 und höher, mit dem zustandsbehaftete Structured-Streaming-Abfragen ihre Partitionsanzahl durch einen Neustart mit geänderter Konfiguration anpassen können, ohne den Checkpoint-Status zu verlieren oder neu aufbauen zu müssen.
·2 Min. Lesezeit
KI-Nachrichtenbriefing
Schlagzeilen anderer Medien, automatisch gesammelt und täglich aktualisiert. Jeder Eintrag verlinkt auf das Original.
The current program of building AI infrastructure is not cheap. The projected infrastructure spend in the 7-year period from 2025 to 2032 is projected to be $10.3 trillion in the US alone. The average investment would be at a level of almost 4% of US GDP, lar…
Microsoft Fabric and SQL innovations announced at FabCon and SQLCon Barcelona 2026 help organizations build trusted data foundations for AI. The post FabCon and SQLCon 2026 in Barcelona: Building the data foundation for Microsoft Copilot and agents appeared f…
Nvidia's board approved a record US$150 billion increase to its share buyback programme, as the AI boom boosts the chipmaker's cash flow and investor returns.
OpenAI has canceled the release of GPT-6.1 Astra after it turned out to be more deceptive than earlier models, the WSJ has reported Read Full Article at RT.com
OpenAI has cancelled the release of its newest AI model, Astra 6.1, after internal testing revealed it did not meet the company’s safety standards. Read More: https://punchng.com/openai-cancels-release-of-newest-model-due-to-safety-concerns/
Analysen und Erklärstücke
Technologie und Geschäft der KI von Grund auf erklärt.
Gehen Sie von den Rahmenbedingungen aus, nicht von der Bestenliste. Notieren Sie Ihr Latenzbudget, Ihre Kostenobergrenze pro Anfrage, Ihren Kontextbedarf, ob Sie Tool-Calling oder strukturierte Ausgaben benötigen und wohin die Daten fließen dürfen. Diese fünf Punkte scheiden meist schon die meisten Kandidaten aus. Testen Sie die verbleibenden zwei oder drei an fünfzig realen Fällen aus Ihrem eigenen Traffic, vergleichen Sie fallweise statt im Durchschnitt, und wählen Sie das günstigste Modell, das besteht.
Diagnostizieren Sie zuerst den Fehler. Wenn das Modell etwas nicht weiß, besteht eine Wissenslücke, die sich durch Retrieval schließen lässt. Wenn das Modell über das nötige Wissen verfügt, aber in der falschen Form, im falschen Ton oder Format antwortet, liegt eine Verhaltenslücke vor: Zunächst hilft Prompting, an zweiter Stelle die Feinabstimmung. Scheitert das Modell trotz beider Maßnahmen an einer spezialisierten Fähigkeit, bleibt die Feinabstimmung. Prompting ist am günstigsten und leicht umkehrbar, Retrieval ist die richtige Standardlösung für Fakten, und die Feinabstimmung ist von den drei Optionen die teuerste und am schwersten rückgängig zu machen.
KI-Beschleuniger verbrauchen pro Rack weitaus mehr Strom als herkömmliche Server, und diese Leistung muss kontinuierlich bereitgestellt, gekühlt und bezahlt werden. Das Training eines großen Modells ist ein einmaliger Spitzenbedarf; die Bereitstellung für Millionen von Benutzern ist eine permanente Last, und die Inferenz dominiert den Energieverbrauch über die Lebensdauer eines eingesetzten Modells.
·4 Min. Lesezeit
KI in der Praxis
Nützliche Anleitungen auf Basis offizieller Dokumentation und praktischer Erfahrung.
Beide Unternehmen beschreiben Projects auf die gleiche Weise: als Arbeitsbereich mit eigenem Chatverlauf, hochgeladenen Referenzdateien und festen Anweisungen, sodass man den Kontext nicht bei jeder Sitzung neu erklären muss. Claude begrenzt kostenlose Konten auf 5 Projects und erweitert die Wissenskapazität in kostenpflichtigen Plänen um bis zu das Zehnfache; ChatGPT beschränkt das Gedächtnis eines Projects auf die Chats innerhalb dieses Projects und nicht auf das gesamte Konto.
Anthropics Leitfaden definiert Prompt Engineering als Context Engineering neu: Statt alles anzuhäufen, wird für jeden Turn die kleinstmögliche Menge an hochwertigen Tokens kuratiert. In eigenen Auswertungen verbesserte das automatische Löschen veralteter Tool-Ergebnisse zusammen mit einer externen Memory-Datei eine Suchaufgabe um 39 Prozent und senkte den Tokenverbrauch über 100 Turns um 84 Prozent.
A Skill lives or dies on one field: the description, written in third person, stating what it does and when to use it. Keep SKILL.md under 500 lines and reference files one level deep, test on every model you plan to use it with, and never install a Skill from a source you don't trust.