1. Die große Übersetzungsabsurdität

Lieblings-RAG-System. Ganz genau.

Irgendwo innerhalb dieser sorgfältig entworfenen Pipeline erzeugt ein Sprachmodell reichhaltige, hochdimensionale verborgene Zustände. Diese Zustände werden in eine Zeichenfolge komprimiert. Diese Zeichenfolge wird von a neu codiert anders neuronales Netzwerk, in einen anderen hochdimensionalen Raum. Dieser Vektor wird gespeichert. Später wird ein anderer Vektor damit verglichen. Die Siegersaiten werden herausgezogen, zusammengeklebt und einem gegeben dritte Modell, das aus diesen Charakteren mühsam einen verborgenen Zustand aufbaut.

Wir haben dies als „Erinnerung“ bezeichnet. Ein ehrlicherer Title wäre: ein sehr aufwändiges Telefonspiel mit hoher Latenz, bei dem jeder Spieler ein neuronales Netzwerk ist.

Die vollständige Kette, deutlich gezeichnet:

Hidden State → Generate Textual content → Embed Textual content → Retailer Vector → Retrieve Vector → Append Textual content → Recompute Hidden State

Lesen Sie diese Pfeilkette zweimal. Zwei der sieben Stadien sind neuronaler Natur. Die anderen fünf existieren nur, weil wir den neuronalen Zustand selbst noch nicht aufrechterhalten können. Deshalb haben wir eine ganze Industrie aufgebaut, um ihn jedes Mal aus Textual content zu rekonstruieren, wenn wir ihn wieder brauchten. Vektordatenbanken, Einbettungsmodelle, Reranker, Chunking-Heuristiken, Retrieval-Evaluatoren – ein ganzes Ökosystem, um ein fehlendes Function zu umgehen.

Das alles ist keine Kritik an den Ingenieuren, die es gebaut haben. Angesichts der Primitiven, die sie hatten, struggle RAG das Rechts Lösung. Aber wir sollten ehrlich sein, was es ist: eine Übersetzungsschicht mit hohem Overhead, kein Speichersystem.

Dies ist kein Argument gegen RAG. Es ist ein Argument, dass RAG a löst vorübergehend Dies stellt keine Systembeschränkung dar, sondern stellt die endgültige Architektur für den KI-Speicher dar.

2. Die Kontextfenster-Phantasm

Ich kann mit Sicherheit davon ausgehen, dass sich der Standardeinwand mittlerweile im Kopf des Lesers erwärmt. „Das alles spielt keine Rolle. Verwenden Sie einfach ein Kontextfenster mit zwei Millionen Token und werfen Sie alles hinein.“

Fairer Einwand. Auch nein.

Größere Kontextfenster lösen Kapazität. Sie lösen sich nicht Portabilität. Sie lösen sich nicht Beharrlichkeit. Und sie lösen insbesondere keines dieser Probleme in den Umgebungen, die das nächste Jahrzehnt der angewandten KI bestimmen werden.

Stellen Sie sich vor, ein autonomer Agent übergibt eine Aufgabe an einen anderen. Oder ein Edge-Gerät (z. B. eine Drohne, ein Telefon, ein Roboter, ein Netzwerkknoten), das sich zwischen Rechenclustern bewegt. Oder eine Multi-Agent-Pipeline, in der der Router, der Device-Aufrufer, der Sicherheitsfilter und der Finaliser alle in unterschiedlichen Prozessen auf unterschiedlichen Maschinen leben.

In jeder dieser Einstellungen kann die Übertragungseinheit zwischen zwei Computern praktisch keine Zwei-Millionen-Token-Eingabeaufforderung sein. Die Bandbreitenkosten sind strafbar. Die Re-Tokenisierung ist verschwendete Arbeit. Und der Empfänger muss es immer noch tun noch einmal lesen das gesamte Transkript – ein vollständiger Vorabausfüllungsdurchgang über jedes Token –, um irgendeinen Anschein des Argumentationszustands des Absenders zu rekonstruieren. Selbst auf moderner {Hardware} ist das kein kostenloser Vorgang. Es ist genau das ursprüngliche Drawback, gekleidet in ein größeres Kontextfenster.

Ein größerer Kontext ist ein besseres Buch. Es ist keine Möglichkeit, Ihren letzten Gedanken zu teleportieren.

3. Die Realität des Systemingenieurs (Latenzbudgets)

Die schnelle Entwicklung endet mit der Frage: „Gibt das Modell die richtige Antwort?“

Programs Engineering beginnt bei „…und in welcher Millisekunde?“

Nachfolgend finden Sie ein grobes, veranschaulichendes Latenzbudget für einen einzelnen RAG-Anruf. Es ist die Artwork von Zusammenfassung, die Sie kritzeln, wenn Ihr Latenz-Service-Degree-Settlement zum ersten Mal nicht mehr großzügig ist:

Schritt	Illustrative Latenz (ms)
Token-Generierung (Upstream)	15
Einbetten	12
Netzwerk-E/A	8
Vektorsuche	25
Neueinstufung	10
Prompter Wiederaufbau	15
Dekodierung	50
Gesamt	≈ 135 ms

Das sind blockierend, sequentiell Operationen. Sie können mit der Dekodierung erst beginnen, wenn die Eingabeaufforderung rekonstruiert wurde. Sie können die Eingabeaufforderung erst rekonstruieren, wenn der Netzwerk-Hop und die Vektorsuche zurückgekehrt sind. Jede Millisekunde in dieser Spalte muss warten, bis die vorherige abgeschlossen ist.

In einem Chatbot sind 135 Millisekunden unsichtbar. Niemand beschwert sich.

In einem kontinuierlichen Robotik-Regelkreis, einem haptischen Feedbacksystem, einem selbstfahrenden Stapel oder einer drahtlosen Basisstationsübergabe zwischen Funkzugangsknoten sind 135 Millisekunden nicht der Fall innerhalb das Funds. Es Ist das Funds, das vollständig für die Set up ausgegeben wurde, bevor das Modell etwas Nützliches gesagt hat.

Hier hört die Forcierungsfunktion auf, akademisch zu sein. Bei der direkten GPU-zu-GPU-Übertragung eines latenten Zustands werden der Einbettungsschritt, der Netzwerksprung zu einem Vektorspeicher, die Abrufabfrage, das Reranker und die sofortige Rekonstruktion übersprungen. Sie machen nicht jeden einzelnen Schritt schneller. Sie entfernen sie aus der Pipeline. In Bereichen, in denen bereits jede Millisekunde gefragt ist, ist dies die einzige Artwork von „Beschleunigung“, die tatsächlich zählt.

4. Der Evolutionsbogen der Erinnerung

Dies ist nicht das erste Mal, dass das Fachgebiet eine Übersetzungsebene ausgehöhlt hat. Grob gesagt ist es der fünfte.

Jede Part auf diesem Diagramm struggle einmal das Endspiel von irgendjemandem. Keiner von ihnen blieb im Endspiel.

Uncooked Information → Relational DBs → Search Indices → Textual content Embeddings → Vector Search → Latent Persistence

Jede Stufe in dieser Kette löste das Abrufproblem auf einer höheren Abstraktionsebene als die vorherige, und jede Stufe hörte schließlich auf, die primäre Schnittstelle zu sein. Relationale Datenbanken verschwanden nicht – sie wurden stillschweigend zur Speicherschicht, die unter allem anderen liegt. Suchindizes verschwanden nicht – sie wurden zu einem Function auf größeren Plattformen. Texteinbettungen verschwanden nicht – sie läuteten das Zeitalter der Vektorsuche ein. Jede Schicht lebt weiter. Es ist einfach nicht mehr der Ort, an dem neue Anwendungen erstellt werden.

Die Vektorsuche ist in dem, wofür sie eigentlich entwickelt wurde, außergewöhnlich: Suche in Unternehmensdokumenten, semantische Wissensgraphen, Abruf biologischer Sequenzen, Codeerkennung, Empfehlung. Es wird nicht verschwinden. Was sich wahrscheinlich ändern wird, ist seine Rolle als Standardmechanismus für das Konversationsgedächtnis für KI-Systeme. Diese Rolle ist eine vorübergehende Brücke, die durch die Tatsache zusammengehalten wird, dass Modelle ihren eigenen Zustand noch nicht nativ beibehalten können.

Jede bisherige „temporäre Brücke“ in dieser Kette struggle irgendwann nicht mehr die primäre Schnittstelle. Es gibt keinen offensichtlichen Grund, warum dies anders sein wird.

5. Die Umsetzungsrealität

Nichts davon bedeutet, dass es einfach ist, den latenten Zustand beizubehalten. Es ist tatsächlich spektakulär schwer.

Im Gegensatz zu Textual content, der ein stabiles, universelles, standardisiertes modellunabhängiges Austauschformat ist, sind latente Darstellungen dies modellspezifisch und oft architekturübergreifend instabil. Diese einzelne Tatsache macht Interoperabilität zur zentralen Forschungsherausforderung und nicht zu einem gelösten Nebendetail.

Bei der direkten Speicherinjektion handelt es sich nicht um einen API-Aufruf, den Sie beiläufig zu Ihrem Stack hinzufügen. Um einen lebenden neuronalen Zustand zwischen zwei Modellen zu verschieben, müssen Sie sich um mehrere unangenehme Particulars gleichzeitig kümmern:

• Architektonische Kompatibilität. Ebenenanzahl, versteckte Dimensionen, Aufmerksamkeitslayouts, KV-Cache-Formate – sie müssen aufeinander abgestimmt sein.
• Präzises Matching. Wenn Sie einen fp16-Standing in ein bf16-Modell senden, weichen die Zahlen zunächst geringfügig und dann nicht mehr so ​​geringfügig ab.
• Ebenennormalisierung und Restskalierung. Zwei Modelle mit identischer Topologie können dennoch in unterschiedlich großen verborgenen Räumen leben.
• Positions- und rotatorische Einbettungsausrichtung. RoPE-Offsets, absolute Positionen, Sequenz-Positions-Buchhaltung. Wenn Sie etwas davon falsch machen, wird der übertragene Zustand als sicher kohärenter Unsinn dekodiert – was wohl der schlimmste Fehlermodus ist, den ein Speichersystem haben kann.

Aus diesem Grund ist „einfach den verborgenen Zustand beibehalten“ ein Forschungsthema und kein eingeschweißtes Produkt geblieben. Der Interoperabilitätsvertrag ist Schwerer als der Interoperabilitätsvertrag der RAG, und genau deshalb wurde die RAG zuerst ausgeliefert. Textual content ist das universelle Fallback-Protokoll, da es alles Harte entfernt.

Forschungsrichtungen wie Induktive latente Kontextpersistenz (ILCP) Versuchen Sie, genau diese Protokollausrichtungen zu lösen – indem Sie auf der einen Seite eine komprimierte, tragbare Darstellung des Zustands auf der Quellseite und auf der anderen Seite eine Projektion auf der Empfängerseite lernen, die ihn wieder in den Raum des Zielmodells abbildet. Ansätze dieser Artwork werden in angrenzenden Bereichen, einschließlich Mobilfunknetzen, aktiv erforscht, wo die übertragene Latenz einen Wechsel der empfangenden Basisstation in einem knappen Zeitbudget von weniger als einer Sekunde überstehen muss. Der ehrliche Stand der Technik ist jedoch, dass diese Frameworks derzeit nur unter funktionieren strenge architektonische Kompatibilität – normalerweise identische Modelle an beiden Enden – und dass die Aufhebung der Kompatibilitätsbeschränkung ein offenes Forschungsproblem und kein gelöstes ist.

Das ist eine viel engere Behauptung als „Vektordatenbanken sind tot.“ Es ist auch viel nützlicher.

6. Das Mitnehmen

Hier ist die nicht-hyperbolische Model der Vorhersage:

Mit zunehmender Reifung des persistenten neuronalen Zustands wird textuelles RAG zunehmend zu einem Interoperabilitätsschicht eher als die primärer Speichermechanismus für KI-Agenten.

Textual content Retrieval wird weiterhin die Aufgabe erfüllen, in der es wirklich großartig ist: an der Grenze zu sitzen, an der eine Maschine sich einer anderen Maschine, die ihre Architektur nicht teilt, oder einem Menschen erklären muss. Das ist das tatsächlich Stärke des RAG-Stacks, und es geht nirgendwo hin.

Was verblassen wird, ist die Annahme, dass ein KI-System Speicher nur über eine Zeichenfolge an ein anderes KI-System weitergeben kann. Diese Annahme struggle vor fünf Jahren vernünftig. Von Quartal zu Quartal wird es weniger vernünftig.

RAG struggle nie das Ziel. Es struggle die Problemumgehung, die wir alle entwickelt haben, während wir auf die eigentliche Lösung warteten.

Jahrzehntelang speicherten Laptop Wissen als Symbole. AI tat kurzzeitig dasselbe. Die nächste Technology von KI-Systemen könnte sich endlich an die Artwork und Weise erinnern, wie neuronale Netze denken – und nicht an die Artwork und Weise, wie Menschen schreiben.

---

Haftungsausschluss: Die Illustrationen in diesem Artikel wurden mit KI (Claude Opus 4.8) erstellt. Sie dienen der Veranschaulichung und sind nicht fotografisch, und alle in den Bildern sichtbaren Beschriftungen sind stilisiert und nicht maßgebend. Genaue Funktionsnamen, Metrikwerte und Architekturdetails finden Sie im Artikeltext und im Code selbst.

Sony und Santa Monica Studio kündigten während einer State of Play-Übertragung God of Battle: Laufey mit Fey, Kratos‘ Frau und Atreus‘ Mutter, an. Die Entwickler präsentierten quick 20 Minuten Gameplay-Materials und markierten damit ein neues Kapitel in der Serie.

Das Spiel beginnt nach Fayes Tod, als sie nach ihrer Beerdigung im Reich von Everywhen erwacht. Sie entdeckt, dass die Pläne, die sie zum Schutz von Kratos und Atreus entworfen hat, in Gefahr sind. Um ihre Familie zu verteidigen, muss Faye das Leben nach dem Tod der Götter durchqueren.

Everywhen ist eine einzigartige Welt, in der verschiedene Mythologien zusammenlaufen und in der Götter und magische Wesen um die Vorherrschaft wetteifern. Faye wird auf neue Verbündete und Gegner treffen, darunter die Gottheiten Sekhmet und Begze.

Das in der Demo gezeigte Kampfsystem ist deutlich schneller als in früheren Teilen. Faye führt ein Schwert, kombiniert Luft- und Bodenangriffe und nutzt magische Fähigkeiten. Ziel des Entwicklungsteams battle es, die Mobilität und Dynamik sowohl der klassischen Spiele aus der griechischen Ära als auch die Ansätze von God of Battle (2018) und Ragnarök zu integrieren.

Phranque, ein von Jack Quaid gesprochener Weltraumwürfel, wird Faye auf ihrer Reise begleiten. Darüber hinaus schützt ein weiterer Gefährte namens Rue, ein magisches Band, Fayes Schwert.

Santa Monica Studio entwickelt das Spiel unter der kreativen Leitung von Corey Barlog. Die Schauspielerin Deborah Ann Wall übernimmt erneut ihre Rolle als Faye aus God of Battle Ragnarök.

God of Battle: Laufey hat noch kein Veröffentlichungsdatum und wird exklusiv für PlayStation 5 erscheinen.

---

Hervorgehobener Bildnachweis

Wie sich ein 185 Jahre altes Informationsunternehmen neu erfand, indem es redaktionelle Autorität in eingebettete Entscheidungsunterstützung umwandelte. Und was wir daraus über den Aufbau langlebiger Geschäftsmodelle lernen.

Fachleute in regulierten Bereichen können es sich nicht leisten, falsch zu liegen. Ein Arzt diagnostiziert einen Patienten. Ein Steuerberater reicht eine Steuererklärung ein. Ein Compliance-Beauftragter berät einen Kunden. Sie alle brauchen mehr als nur Informationen. Sie benötigen vertrauenswürdige Anleitung, die zum richtigen Zeitpunkt in den Instruments bereitgestellt wird, die sie bereits verwenden.

Wolters Kluwer hat die letzten zwei Jahrzehnte damit verbracht, sich in diese Lücke hineinzuarbeiten. Das Ergebnis ist eine der folgenreichsten Geschäftstransformationen im Informationszeitalter.

Das niederländische Unternehmen wurde 1836 gegründet. Die meisten Menschen außerhalb der Fachwelt haben noch nie davon gehört. Aber bis 2024 conflict es ein globales Unternehmen mit einem Umsatz von 5,6 Milliarden Euro. Mit 21.000 Mitarbeitern betreut das Unternehmen Kunden in 180 Ländern. Professional Options, seine Software program- und KI-Produktlinie, machte im Jahr 2023 58 Prozent des Umsatzes aus. Wolters Kluwer ist kein Verlag mehr, der Software program hinzugefügt hat. Es handelt sich um eine professionelle Intelligence-Plattform mit publizistischen Wurzeln.

Es lohnt sich zu verstehen, wie der Wandel stattfand und warum er funktionierte. Nur wenige Unternehmen bieten einen klareren Plan für die Schaffung dauerhafter Werte im KI-Zeitalter.

Das Gewicht des alten Modells

Die meiste Zeit seiner Geschichte agierte Wolters Kluwer wie ein traditioneller Verlag. Die Einnahmen stammten aus Zeitschriften, Nachschlagewerken und Abonnements. Das Wertversprechen conflict einfach: Wir haben den Inhalt, Sie zahlen für den Zugang.

Das Modell funktionierte intestine, als die Informationen knapp waren. Fachleute in den Bereichen Gesundheitswesen, Recht, Steuern und Finanzdienstleistungen waren auf Verlage angewiesen. Verlage kuratierten Wissen, das anderswo kaum zu finden conflict. Eine umfassende Referenzbibliothek conflict ein echter Wettbewerbsvorteil.

Doch mit zunehmender Reife des Internets begann die Logik zu bröckeln. Informationen wurden reichlich vorhanden. Inhalte wurden zur Ware. Das Finden von Antworten über eine Suchmaschine dauerte Sekunden. Der Kernvorteil des traditionellen Verlags, die Tiefe und Breite der Berichterstattung, wurde immer schwieriger zu verteidigen.

Das größere Downside conflict nicht der Wettbewerb. Es conflict related. Ein professioneller Mid-Case hat keine Zeit, einen Artikel zu lesen und anzuwenden, was darin steht. Fachleute brauchen die Antwort, wenn der Second der Entscheidung kommt. Nicht in einem separaten Tab. Nicht in einer gedruckten Referenz auf einem Regal.

Die Lücke zwischen Informationen und umsetzbarer Workflow-Anleitung ist der Ausgangspunkt für das nächste Kapitel von Wolters Kluwer.

Die Wende: Vom Inhalt zur Entscheidungsunterstützung

Der moderne Wandel des Unternehmens begann, als Nancy McKinstry 2003 CEO wurde. Unter ihrer Leitung wandte sich Wolters Kluwer vom traditionellen Verlagswesen ab. Ziel conflict es, ein Anbieter professioneller Informationen, Software program und Dienstleistungen zu werden. MIT CISR-Forscher nannten den Prozess später einen Expertenlösungsübergang.

Der Schwenk erfolgte nicht abrupt, und das ist wichtig. Wolters Kluwer hat das Publizieren nicht über Nacht aufgegeben. Stattdessen wurde nach und nach neu definiert, was das Unternehmen verkaufte. Das Produkt wurde immer als Inhalt beschrieben. Wie sich herausstellte, conflict das eigentliche Produkt professionelles Vertrauen. Die Fähigkeit, eine folgenreiche Entscheidung zu treffen und zu wissen, dass sie richtig conflict.

Nachdem sich die Neuausrichtung durchgesetzt hatte, folgte die Strategie. Erstellen Sie Produkte, die vertrauenswürdige Anleitungen für die täglichen Arbeitsabläufe bieten. Hören Sie auf, neben Profis zu sitzen. Beginnen Sie mit der Arbeit innerhalb ihres Arbeitstages.

Anfang der 2010er Jahre entwickelte das Unternehmen eine unternehmensweite Strategie rund um Expertenlösungen. Das Ziel bestand darin, vom Verkauf von Veröffentlichungen zum Verkauf von Ergebnissen überzugehen. Nicht „Hier sind die Informationen.“ Vielmehr: „Hier erfahren Sie, was in Ihrem spezifischen Kontext zu tun ist.“

Der Wert, der sich in aller Deutlichkeit verbirgt: Domänenwissen

Das Wolters-Kluwer-Modell ist aus einem wesentlichen Grund vertretbar. Der Vermögenswert in seinem Zentrum unterscheidet sich von den meisten Vermögenswerten in der Wirtschaft.

Die Wissensdatenbank des Unternehmens wird nicht aus dem offenen Web entfernt. Es basiert auf jahrzehntelang professionell kuratierten Inhalten. Von Experten verfasstes Referenzmaterial, regulatorische Leitlinien, klinische Protokolle, steuerliche Rahmenbedingungen und rechtliche Interpretationen. Area-Spezialisten entwickeln und warten alles. Kuratiertes, strukturiertes Wissen dieser Tiefe ist außerordentlich schwer zu reproduzieren.

In Bereichen wie Gesundheitswesen, Recht, Steuern und Compliance sind Genauigkeit und Rückverfolgbarkeit keine Possibility. Eine allgemeine Antwort aus breiten Internetdaten kann betriebsgefährdend sein. Nicht hilfreich zu sein ist das geringste Downside.

Der Wert von Wolters Kluwer beruht auf Wissen, das eng begrenzt, verifiziert und maßgeblich ist. Fachleute in diesen Bereichen benötigen eine Anleitung, nach der sie sicher handeln können. Informationen allein reichen nicht aus.

Das Modell funktioniert genau wie geplant. Das Unternehmen verfügt über einen proprietären Wissensbestand. Es strukturiert den Vermögenswert in wiederholbare digitale Produkte. Das Unternehmen integriert diese Produkte in den täglichen Arbeitsablauf der Kunden. Der Burggraben vertieft sich mit jeder Produktverbesserung und jeder Kundeninteraktion.

Kontrollierte KI: Intelligenz mit Leitplanken

Anfang der 2020er Jahre hatte Wolters Kluwer KI in etwa die Hälfte seiner Produkte integriert. Im Jahr 2024 machten KI-gestützte Angebote etwa die Hälfte des digitalen Umsatzes aus. Die Zahlen sind nicht marginal. KI steht heute im Mittelpunkt der Wertschöpfung.

Aber die wichtigere Geschichte ist, wie das Unternehmen KI nutzt.

Wolters Kluwer verwendet keine generische Verbraucher-KI. Seine KI ist domänenspezifisch, in den Workflow eingebettet und basiert auf proprietärem Wissen, das von menschlichen Experten gepflegt wird. Das Unternehmen nennt den Ansatz kontrollierte KI.

Die KI generiert keine Antworten aus dem offenen Web. Es basiert auf kuratiertem, kontinuierlich aktualisiertem Quellenmaterial. Die Leitplanken passen in professionelle und regulierte Umgebungen. In der Medizin oder im Recht ist ein KI-Fehler keine kleine Unannehmlichkeit. Es ist ein berufliches und manchmal auch rechtliches Downside.

Der Ansatz ist aus zwei Gründen wichtig. Erstens werden dadurch Fehler, die in der Medizin oder im Recht inakzeptabel sind, drastisch reduziert. Zweitens ist die KI kein eigenständiges Produkt, das um Aufmerksamkeit konkurriert. Es sitzt unsichtbar in den Werkzeugen, denen Profis bereits vertrauen.

Das Wertversprechen unterscheidet sich grundlegend von einem Chatbot. Die KI fordert Benutzer nicht dazu auf, ihren Arbeitsablauf zu ändern. Dadurch wird der bereits vorhandene Arbeitsablauf schneller, genauer und zuverlässiger. Die Akzeptanz ist hoch. Die Bindung ist stark.

Die Suggestions-Schleife, die dafür sorgt, dass es funktioniert

Das Geschäftsmodell von Wolters Kluwer ist ein verstärkender Kreislauf. Die Schleife enthält die eigentliche Lektion für jeden, der Informationsgeschäfte aufbaut.

Das Unternehmen sammelt spezialisiertes Expertenwissen. Es strukturiert Wissen in digitale Produkte. Es nutzt Software program und KI, um das Wissen umsetzbar zu machen. Das Unternehmen bettet das Produkt in den täglichen Arbeitsablauf des Kunden ein. Es lernt aus dem Nutzerverhalten und verbessert sich kontinuierlich. Es monetarisiert wiederkehrende Werte durch Abonnements und Unternehmenslösungen.

Jedes Component stärkt die anderen. Tiefergehendes Wissen verbessert die KI. Bessere KI steigert den Produktwert. Ein höherer Produktwert fördert die Akzeptanz. Mehr Akzeptanz generiert mehr Nutzungsdaten. Mehr Nutzungsdaten verbessern die KI weiter.

Ein Kunde, der Werkzeuge von Wolters Kluwer in seine tägliche Arbeit integriert, wird das Unternehmen wahrscheinlich nicht verlassen. Ein Wechsel kostet Geld. Durch den Wechsel werden auch Arbeitsabläufe unterbrochen. Nur wenige Kunden sind bereit, die Kosten und die Unterbrechung in Kauf zu nehmen.

Die Architektur des dauerhaften Unternehmenswerts funktioniert wie ein Kreislauf. Inhalte allein machen es nicht aus. Vertrauen, Workflow-Integration und kontinuierliches Lernen tun es.

Was alte Unternehmen lernen können

Wolters Kluwers Verwandlung wird als Veröffentlichungsgeschichte diskutiert. Genauer gesagt handelt es sich um eine Produktstrategiegeschichte mit publizistischem Ursprung.

Dem Unternehmen gelang es nicht, am schnellsten voranzukommen. Es gelang, indem wir uns in die richtige Richtung bewegten. Die Richtung richtete sich nach der eigentlichen Aufgabe des Kunden.

Fachleute in regulierten Branchen suchen nicht nach Informationen. Sie versuchen, folgenreiche Entscheidungen selbstbewusst zu treffen. Wolters Kluwer baute ein Unternehmen rund um diese Auszeichnung auf und baute diesen Vorsprung über zwei Jahrzehnte hinweg stetig aus.

Für Unternehmen aller Branchen mit fundiertem Fachwissen ist die Lektion übertragbar. Die redaktionelle Autorität oder das Fachwissen, die das ursprüngliche Unternehmen aufgebaut haben, sind nicht haftbar. Es ist das Fundament. Die Frage ist einfach: Werden Produkte auf Grundlage des Fachwissens erstellt, in Arbeitsabläufe eingebettet und durch die Nutzung verfeinert?

Inhalte, so maßgeblich sie auch sein mögen, schaffen keinen wiederkehrenden Wert. Die Entscheidungsunterstützung, eingebettet in den Second des Handelns, tut dies.

Wolters Kluwer hat den digitalen Wandel mehr als nur überstanden. Das Unternehmen nutzte den Übergang, um etwas aufzubauen, was ein Verlagsunternehmen noch nie zuvor getan hatte. Eine Plattform, auf der Vertrauen das Produkt und Expertenwissen der Burggraben ist.

Als Studentin in Serbien mit einer Leidenschaft für Mathematik und Physik warfare Ana Trišović sich von Informatik und ihren praktischen, Problemlösungsansätzen angezogen. Dann entdeckte sie MIT opencourseware, Teil des MIT Open Studying, und beschloss, 2012 einen Kurs über Datenanalysen mit Python zu studieren – etwas, das ihre Schule nicht anbot.

Diese Erfahrung warfare transformativ, sagt Trišović, der jetzt Forschungswissenschaftler im Futuretech Lab im MIT -Labor für Informatik und künstliche Intelligenz ist.

„Dieser Kurs hat mein Leben verändert“, sagt sie. „Während meiner Karriere habe ich mich als Python-Programmierer betrachtet, und MIT opencourseware hat es möglich. Ich warfare in meiner Heimatstadt auf einem anderen Kontinent und lernte aus Ressourcen von MIT von MIT. Wenn ich über meinen Weg nachdenke, ist es unglaublich.“

Im Laufe der Zeit veranlasste sie Trišovićs Weg, eine Reihe von OpenCourse -Ressourcen zu erkunden. Sie erinnert sich, dass einige der Materialien als nicht einheimischer englischer Sprecher eine Herausforderung waren. Dank der Vielfalt der Kurse und Lernmöglichkeiten für OpenCourseware konnte sie jedoch immer solche finden, die zu ihr passten. Sie ermutigt jeden, der sich der gleichen Herausforderung gegenübersieht, hartnäckig zu sein.

„Wenn der erste Kurs für Sie nicht funktioniert, versuchen Sie es mit einem anderen“, sagt sie. „Es ist das Beste, was ein junger Mensch tun kann.“

In ihrem Heimatland Serbiens erhielt Trišović Bachelor -Abschluss in Informatik und Maschinenbau, bevor sie an der Cambridge College und Cern teilnahm, wo sie zu Arbeiten an der großen Hadron Collider und im Jahr 2018 ihren Doktortitel in Informatik absolvierte.

„Ich magazine es, dass Informatik es mir ermöglicht, in einer Reihe von Feldern einen Einfluss zu haben, aber die Physik bleibt mir am Herzen und ich bin ständig davon inspiriert“, sagt sie.

Mit Futuretech, eine interdisziplinäre Forschungsgruppe, stützt sich auf Informatik, Wirtschaft und Administration, um Computertrends zu identifizieren, die Risiken und Möglichkeiten für nachhaltiges Wirtschaftswachstum schaffen. Dort untersucht Trišović die Demokratisierung der KI, einschließlich der Auswirkungen der Open-Supply-KI und der Auswirkungen auf die Wissenschaft. Ihre Arbeit am MIT ist eine Likelihood, auf der Forschung aufzubauen, die sie seit ihrer Graduiertenschule verfolgt.

„Meine Arbeit konzentriert sich auf die sozialwissenschaftliche Laptop -Sozialwissenschaft. Seit vielen Jahren habe ich mir die sogenannte“ Wissenschaft der Wissenschaft „angesehen – Fragen wie Reproduzierbarkeit der Forschung“, erklärt Trišović. „Jetzt, da die KI zunehmend verbreitet wird und neue Herausforderungen vorstellt, bin ich daran interessiert, eine Reihe von Themen zu untersuchen – von der AI -Demokratisierung bis hin zu ihren Auswirkungen auf die wissenschaftliche Methode und die breitere Landschaft der Wissenschaft.“

Trišović ist dankbar, dass sie bereits im Jahr 2012 die Entscheidung getroffen hat, etwas Neues auszuprobieren und mit einem OpenCourseware -Kurs zu lernen.

„Ich habe mich sofort in Python verliebt, sobald ich diesen Kurs besuchte. Ich habe so ein Schwachplatz für OpenCourseware – es hat meine Karriere geprägt“, sagt sie. „Jeden Tag am MIT ist inspirierend. Ich arbeite mit Menschen zusammen, die aufgeregt sind, über KI und andere faszinierende Themen zu sprechen.“

Der humane AI -Pin, ein vor 10 Monaten gestarteter Wearables -Gerät zu einem Preis von 700 US -Greenback, wurde nach dem Verkauf seiner Software program an HP Inc. -Kunden informiert, dass quick alle Funktionen am 28. Februar 2025 eingestellt werden.

Das letzte Function von Humane Ai Pin: Eine sehr teure Brosche werden

Human angegeben Benutzer können nach diesem Datum begrenzte Offline -Funktionen verwenden, einschließlich der Möglichkeit, den Batteriestatus zu überprüfen. Funktionen, die Cloud -Konnektivität erfordern, wie z. B. Sprachinteraktionen und KI -Antworten, sind jedoch nicht verfügbar. Das Unternehmen ermutigte die Benutzer, ihre KI-Stifte durch E-Abfall-Programme zu recyceln.

Ursprünglich als KI-Assistent mit einem innovativen, schirmisch freien Design vermarktet, das Humane Ai Pin Es battle nicht möglich, seine Versprechen zu erfüllen und von Benutzern und Tech -Rezensenten erhebliche Kritik zu erhalten. Nach seiner Veröffentlichung stieß das Gerät auf mehrere Betriebsprobleme. Zum Beispiel bezeichnete Gadget Reviewer Marques Brownlee es „schlecht in quick allem, was es tut, im Grunde die ganze Zeit“ in einem viralen YouTube -Video, das ungefähr 8,5 Millionen Aufrufe angesammelt hat.

Obwohl die Finanzierung von über 240 Millionen US -Greenback gesammelt wurde, einschließlich Investitionen von bemerkenswerten Zahlen wie Sam Altman von Openai und Marc Benioff von Salesforce, bemühte sich das Startup, die Dynamik aufrechtzuerhalten. Berichten zufolge kehrten mehr Verbraucher zwischen Mai und August 2024 den KI -Pin zurück als gekauft. Nach einem starken Rückgang der Benutzerzufriedenheit nach frühen Überprüfungen riet die Gründer Berichten zufolge den Mitarbeitern, sich auf negatives Suggestions vorzubereiten.

Der Gerätestart hatte hochkarätige Auftritte, darunter Naomi Campbell, die während der Pariser Modewoche den Pin präsentiert. Eine Überprüfung im Verge schloss jedoch mit dem Gefühl „Ich nehme jetzt mein Telefon zurück, danke“ und betont die Unzulänglichkeiten des Geräts.

Die Entscheidung von Humane, den KI -Pin einzustellen, übereinstimmt mit seiner breiteren Verschiebung. In einer kürzlichen Ankündigung bestätigte das Unternehmen seine Akquisition durch HP, die ein AI -Innovationslabor mit dem Namen HP IQ einrichten wird, wobei Humane’s Private und über 300 Patente verwendet werden. Die finanziellen Bedingungen des Geschäfts beinhalten eine Zahlung von 116 Millionen US -Greenback an Humane für seine Mitarbeiter und das geistige Eigentum.

Das Unternehmen hat erklärt, dass Kunden, die nach dem 15. November einen humanen KI-Pin erhalten haben, für Rückerstattungen berechtigt sind, obwohl kein Handelsplan oder Austausch verfügbar sind. Durch die Schließung des Produkts des Produkts werden rund 10.000 verkaufte Einheiten in Richtung E-Abfallstatus auftreten, was zu der wachsenden Besorgnis über weggeworfene Technologie beiträgt.

Experten für Elektronikrecycling haben festgestellt, dass kleine Wearables wie der KI-Pin aufgrund ihrer arbeitsintensiven Recyclingprozesse und schwer zu bewegenden Komponenten, insbesondere der Batterien, die durch klebrierte Panels verdeckt sind, vorgestellt werden.

---

Ausgewähltes Bildnachweis: Human

Meiner Erfahrung nach haben Menschen, die in der Datenwissenschaft arbeiten, die unterschiedlichsten Hintergründe. Ich (wie viele meiner Datenwissenschaftlerkollegen) habe meine Karriere in der Datenwissenschaft nicht direkt nach dem School begonnen. Ich begann als Wertpapiermakler in der Investmentfinanzierungsbranche zu arbeiten. Ich stellte schnell fest, dass der Berufsweg, den ich ursprünglich gewählt hatte, nicht zu mir passte, und begann eine mehrjährige Reise zum Datenwissenschaftler. In diesem Artikel werde ich 8 Strategien vorstellen, die ich bei meinem erfolgreichen Übergang zum Datenwissenschaftler verwendet habe. Lasst uns loslegen!

Strategie 1 – Wissen Sie, was Sie wollen

Die Datenwissenschaft ist eine hart umkämpfte Branche und der Einstieg kann schwierig sein, vor allem, wenn man das ursprünglich nicht geplant hat. Es ist von entscheidender Bedeutung, dass Sie wissen, dass Sie wirklich in diesem Bereich arbeiten möchten – wenn Ihre Reise auch nur annähernd so verläuft wie meine, wird es einiges an Zeit und Mühe erfordern, bis Sie Ihren ersten Job im Bereich Datenwissenschaft bekommen. Sie müssen sicher sein, dass dies das ist, was Sie wollen, damit Sie konzentriert bleiben und auf Ihrer Reise nicht die Motivation verlieren!

Strategie 2 – Richten Sie einen Job-Feed ein (auch wenn Sie nicht annähernd für eine Bewerbung qualifiziert sind)