Der jüngste Richtlinienentwurf der Europäischen Kommission bietet dringend benötigte Klarheit darüber, wie Organisationen Hochrisiko-KI-Systeme gemäß Artikel 6 des EU-KI-Gesetzes klassifizieren sollten. Allerdings werfen sie für Unternehmen auch eine wichtige Frage auf: Könnten Ihre bestehenden KI-Systeme ohne Ihr Wissen bereits als risikoreich eingestuft werden?

Die Antwort hängt möglicherweise nicht nur davon ab, was die Technologie leistet.

Nach dem EU-KI-Gesetz spielt die Zweckbestimmung eines KI-Methods eine zentrale Rolle bei der Risikoeinstufung. Das bedeutet, dass die Artwork und Weise, wie ein System dokumentiert, vermarktet, bereitgestellt und genutzt wird, genauso wichtig sein kann wie seine technischen Fähigkeiten.

Artikel 6 beschreibt zwei Wege, auf denen ein KI-System als Hochrisiko eingestuft werden kann. Dazu gehören KI, die in bestimmten regulierten Produkten verwendet wird, und KI, die in sensiblen Anwendungsfällen eingesetzt wird, die die Gesundheit, Sicherheit oder Grundrechte von Menschen erheblich beeinträchtigen könnten.

Für Unternehmensteams wirft dies mehrere unmittelbare Fragen auf:

Welche KI-Systeme im gesamten Unternehmen fallen in den Geltungsbereich von Artikel 6?
Gibt die aktuelle Dokumentation genau wieder, wie jedes System verwendet wird?
Könnte die Ausnahme gemäß Artikel 6 Absatz 3 gelten und welche Nachweise wären erforderlich?
Was sollten Rechts-, Governance- und Technologieteams jetzt tun?

Airias On-Demand-Webinar „EU AI Act: What It Certainly Requires and Enterprises Must Do Now“ schlüsselt die neuen Leitlinien auf und verwandelt sie in einen praktischen Entscheidungsrahmen.

Die Sitzung behandelt die beiden Wege zur Hochrisikoklassifizierung, die Einschränkungen des Selbstbewertungsmechanismus gemäß Artikel 6 Absatz 3 und die Schritte, die Unternehmen unternehmen können, um ihre KI-Systeme sicherer zu bewerten.

Nehmen Sie am On-Demand-Webinar teil, um zu verstehen, was die neuesten Leitlinien für Ihr KI-Governance-Programm bedeuten und was Ihr Unternehmen als Nächstes tun sollte.

Webinar zum EU-KI-Gesetz – Airia

Eine Demo eines KI-Agenten läuft in einem Reinraum. Eingaben sind vorhersehbar, der Werkzeugsatz ist begrenzt und jemand im Workforce bringt ein festgefahrenes Gespräch nonetheless und leise wieder auf den richtigen Weg, bevor ein Interessent es bemerkt. Keiner der Schutzmaßnahmen überlebt den Übergang zur Produktion, wo die Eingaben mehrdeutig werden, die Werkzeugsätze erweitert werden und niemand bereitsteht, irgendetwas anzustoßen.

Agentensysteme retten schwache Technik nicht. Sie verstärken alles, was bereits unter ihnen existiert: Jede Lücke in der Beobachtbarkeit, jeder fehlende Take a look at, jede unklare Eigentumslinie wird größer, sobald ein Agent anfängt, selbstständig Entscheidungen zu treffen und Maßnahmen zu ergreifen. Das Muster zeigt sich deutlich in zwei aktuellen Studien, einer von internen Ingenieurteams und einer von den für sie verantwortlichen Führungskräften.

Was die Produktionsdaten zeigen

LangChain führte vom 18. November bis 2. Dezember 2025 seine Umfrage „State of Agent Engineering“ durch und sammelte 1.340 Antworten von Ingenieuren, Produktmanagern und Geschäftsführern. 63 Prozent der Befragten waren im Technologiebereich tätig, 10 Prozent im Finanzdienstleistungssektor, 6 Prozent im Gesundheitswesen und kleinere Anteile in den Bereichen Bildung, Konsumgüter und Fertigung. Die Unternehmensgröße tendierte eher zu kleineren Organisationen: 49 Prozent hatten weniger als 100 Mitarbeiter, während nur 9 Prozent in Unternehmen mit 10.000 oder mehr Mitarbeitern arbeiteten.

Für die meisten Befragten hat die Einführung die Pilotphase bereits hinter sich. Die Umfrage ergab, dass 57,3 Prozent Agenten bereits in der Produktion einsetzen, weitere 30,4 Prozent arbeiten aktiv an der Bereitstellung. Piloten sind nicht mehr die dominierende Geschichte. Produktion ist.

Qualität ist das vorherrschende Drawback in der Produktionsrealität und wird von 32 Prozent der Befragten als größtes Einzelhindernis genannt, was Genauigkeit, Relevanz, Konsistenz, Ton und Einhaltung von Richtlinien betrifft. Latenzspuren liegen knapp dahinter bei 20 Prozent. Die beiden Zahlen deuten auf dasselbe zugrunde liegende Drawback hin: Es ist schwieriger, einen Agenten zuverlässig zum Laufen zu bringen, als ihn einmal zum Laufen zu bringen.

Die Observability hat besser mitgehalten als die Analysis. LangChain hat herausgefunden, dass 89 Prozent der Unternehmen irgendeine Type der Agenten-Beobachtbarkeit implementiert haben und 62 Prozent über eine detaillierte Nachverfolgung verfügen, die einzelne Schritte und Device-Aufrufe abdeckt. Bei den Groups, die bereits Agenten speziell in der Produktion einsetzen, steigen die gleichen Zahlen auf 94 Prozent Beobachtbarkeit und 71,5 Prozent vollständige Nachverfolgung. Die Bewertung hinkt deutlich hinterher: 52,4 Prozent führen Offline-Bewertungen anhand von Testsätzen durch, nur 37,3 Prozent führen On-line-Bewertungen im Dwell-Verkehr durch, und selbst bei Produktionsteams erreicht die On-line-Bewertungszahl nur 44,8 Prozent. Die menschliche Begutachtung bleibt mit 59,8 Prozent die am weitesten verbreitete Bewertungsmethode, dicht gefolgt von LLM als Richter mit 53,3 Prozent.

Das Muster in der gesamten Umfrage ist konsistent. Groups können viel einfacher erkennen, was ihre Agenten tun, als systematisch beurteilen zu können, ob der Agent das Richtige getan hat.

Die Aussicht von oben sieht schlechter aus

Wenn Ingenieure eine Qualitäts- und Bewertungslücke beschreiben, beschreiben die für die Systeme Verantwortlichen etwas, das eher einer Kontrolllücke ähnelt. Das Institute for Enterprise Worth von IBM befragte weltweit 2.000 C-Degree-Führungskräfte im Technologiebereich und veröffentlichte die Ergebnisse am 8. Juni 2026. Zwei Drittel der befragten CIOs und CTOs gaben an, dass sie für KI-Systeme verantwortlich sind, die sie nicht vollständig kontrollieren. Siebzig Prozent gaben an, dass ihre Groups Technologie schneller bereitstellen, als die IT sie verfolgen kann. 77 Prozent gaben an, dass die KI-Einführung die Governance-Fähigkeiten ihres Unternehmens übersteigt. Nur 11 Prozent gaben an, dass sie sich vollständig auf das bevorstehende Ausmaß des Einsatzes von KI-Agenten vorbereitet fühlen, obwohl dieselben Führungskräfte bis 2027 einen Anstieg der Zahl der eingesetzten Agenten um 38 Prozent erwarten.

IBM CIO Matt Lyteson formulierte den Wandel direkt in der Pressemitteilung des Unternehmens: „Für CIOs und CTOs besteht die Herausforderung nun darin, KI-Systeme zu skalieren, die kontinuierlich und autonom arbeiten.“ Die Zeile erfasst den strukturellen Wandel, den die Agenten einführen. Eine herkömmliche Anwendung wartet auf eine Anfrage und gibt eine Antwort zurück. Ein Agent läuft weiter, entscheidet weiter und handelt weiter, weit über den Punkt hinaus, an dem sich zuletzt ein Mensch gemeldet hat.

Warum Demos überleben und die Produktion nicht

Eine Demo-Umgebung entfernt nahezu alle zustandsbrechenden Agenten im Feld. Die Eingaben sind sauber und nicht mehrdeutig. Das Toolset ist klein und intestine verständlich und erstreckt sich nicht über ein Dutzend interner Systeme mit inkonsistenten Berechtigungen. Der Benutzer ist eher freundlich als kontrovers oder einfach nur verwirrt. Kosten- und Tariflimits sind selten bindend. Die Verantwortung für jedes Scheitern liegt auf der Hand, denn die Present wird von einer Individual geleitet.

Die Produktion entfernt alle fünf Schutzmaßnahmen auf einmal. Ständig treffen mehrdeutige Eingaben ein. Veraltete Daten liegen hinter Instruments, die der Agent aufruft, ohne zu wissen, dass die Daten veraltet sind. Die Berechtigungsgrenzen variieren je nach System, Benutzer und Aktion. Wiederholungsversuche und Ratenbeschränkungen führen zu Zeitproblemen, mit denen eine Demo nie konfrontiert wird. Audit- und Compliance-Anforderungen erfordern eine Aufzeichnung dessen, was passiert ist und warum, nicht nur eine korrekt aussehende endgültige Antwort.

Agentensysteme erhöhen den Einsatz noch weiter, da sie mehr tun, als nur Fragen zu beantworten. Sie wählen Werkzeuge aus, verändern den Zustand und verketten Entscheidungen über mehrere Schritte hinweg, sodass ein einzelnes schwaches Glied am Anfang einer Kette zu mehreren nachgelagerten Ausfällen führt, bevor irgendjemand das erste erkennt.

Eine Taxonomie des Produktionsversagens

Produktionsausfälle in Agentensystemen fallen in der Regel in eine Reihe erkennbarer Kategorien und treten nicht als einmalige Fehler auf.

Qualitätsmängel umfassen falsche, inkonsistente oder nicht den Richtlinien entsprechende Ergebnisse, das von den Befragten von LangChain am häufigsten genannte Drawback.

Latenzfehler treten auf, wenn die mehrstufige Argumentations- und Device-Aufrufkette eines Agenten für den von ihm bedienten Workflow zu lange dauert, was die Benutzer frustriert, selbst wenn die letztendliche Antwort richtig ist.

Integrationsfehler treten auf, wenn ein Agent auf ein bestehendes System trifft, das nie für autonome Anrufer entwickelt wurde, und gleichzeitig spröde APIs, inkonsistente Datenformate und undokumentierte Grenzfälle zum Vorschein kommen.

Berechtigungsfehler treten auf, wenn der Zugriff eines Agenten nicht dem beabsichtigten Umfang entspricht, weil er entweder mehr erreichen kann, als er sollte, oder weil zu strenge Einschränkungen dazu führen, dass er Aufgaben nicht ausführen kann, die er ausführen sollte.

Gedächtnis- und Kontextfehler treten bei längeren Sitzungen auf, wenn ein Agent den Überblick über frühere Entscheidungen verliert, Aufgaben wiederholt oder sich innerhalb desselben Gesprächs widerspricht.

Toolfehler treten auf, wenn ein externes System, von dem der Agent abhängig ist, eine Zeitüberschreitung erfährt, fehlerhafte Daten zurückgibt oder sich inkonsistent verhält und der Agent keine gute Ausweichmöglichkeit hat, außer es blind erneut zu versuchen.

Stille Erfolgsversprechen sind wohl die gefährlichste Kategorie: Ein Agent meldet eine Aufgabe als abgeschlossen, wenn sie nur teilweise erfolgreich warfare oder völlig fehlgeschlagen ist, weil nichts im System die Selbstmeldung des Agenten in Frage stellt.

Governance-Fehler überwiegen alle anderen, das IBM-Drawback, dass niemand den vollständigen Überblick darüber hat, was ein Agent im gesamten Unternehmen tun kann, getan hat und derzeit tut.

Ein praktischer Rahmen: Verfolgen, Auswerten, Einschränken, Wiederherstellen

Betrachten Sie einen Kundenrückerstattungs-Agenten als praktisches Beispiel, da die oben genannten Fehlermodi konkret in einem Arbeitsablauf auftauchen, den sich die meisten Entwicklungsteams vorstellen können.

Jeder Lauf wird zuerst verfolgt. Eine vollständige Ablaufverfolgung erfasst die Laufkennung, den Benutzer oder die Sitzung, die Eingabeaufforderungsversion, die Modellversion, die Device-Schemaversionen, die Kennungen aller abgerufenen Kontexte, die geltenden Richtlinienregeln, jeden getätigten Device-Aufruf, die Latenz, die Token-Nutzung und die endgültige Antwort an den Kunden.

Die Bewertung erfolgt auf drei Ebenen statt auf einer. Bei der Auswertung auf Run-Ebene wird überprüft, ob die endgültige Antwort richtig, stimmig und richtlinienkonform warfare. Die Auswertung auf Hint-Ebene überprüft, ob der Agent das richtige Device ausgewählt, es mit gültigen Parametern aufgerufen, etwaige Fehler ordnungsgemäß behandelt und die richtige Quelle für seine Ansprüche angegeben hat. Bei der Auswertung auf Thread-Ebene wird überprüft, ob der Agent während einer Konversation mit mehreren Runden konsistent geblieben ist und nicht einer früheren Aussage widersprochen hat.

Über jeder Ebene befinden sich Leistungsschalter. Liegt der Konfidenzwert unter einem festgelegten Schwellenwert, wird das Gespräch an einen Menschen weitergeleitet, anstatt den Agenten raten zu lassen. Ein Rückerstattungsbetrag über einem festgelegten Schwellenwert erfordert vor der Ausführung eine menschliche Genehmigung. Ein fehlgeschlagener oder inkonsistenter Device-Aufruf hindert den Agenten daran, dem Kunden mitzuteilen, dass die Aufgabe erledigt ist, und leitet ihn stattdessen an einen Fallback-Pfad weiter. Eine Sitzung, die eine maximale Anzahl an Werkzeugaufrufen oder ein Kostenbudget überschreitet, wird angehalten und eskaliert, anstatt auf unbestimmte Zeit fortzufahren.

Fehler werden dann nach einem Zeitplan in den Evaluierungssatz zurückgemeldet. Produktionsspuren werden wöchentlich abgetastet, Fehler mit hoher Schwere und aufkommende Fehlercluster werden dem Offline-Bewertungssatz hinzugefügt und die vollständige Evaluierungssuite wird erneut ausgeführt, bevor eine Eingabeaufforderung, ein Modell oder ein Werkzeugwechsel versendet wird.

Das Muster bei LangSmith, MLflow Tracing, den OpenInference-Konventionen von Arize Phoenix, Galileo und Open-Supply-Optionen wie Langfuse ist konsistent, auch wenn sich die Produkte unterscheiden. Jedes erfasst einen Lauf als strukturierte Ablaufverfolgung und nicht als Black-Field-Transkript und unterteilt die Ablaufverfolgung in Bereiche für Modellaufrufe, Abrufschritte, Toolaufrufe und Leitplankenprüfungen. Die Entwicklung der Agententools verläuft in Richtung OpenTelemetry-kompatibler Requirements, sodass die Agententelemetrie eine Verbindung zu den Observability-Techniques-Engineering-Groups herstellen kann, die bereits arbeiten, anstatt in einem separaten, reinen KI-Dashboard zu leben, das niemand sonst überprüft.

Das Gegenargument, das es wert ist, ernst genommen zu werden

Keines der oben genannten Dinge bedeutet, dass Agenten eine schlechte Wahl sind. Viele Agenten funktionieren intestine in engen, intestine instrumentierten Arbeitsabläufen, bei denen die Werkzeugoberfläche klein bleibt, Eingaben eingegeben werden und Richtliniengrenzen klar definiert sind. Das Erfolgsmuster, das sich sowohl aus den LangChain- als auch aus den IBM-Daten ergibt, ist eingeschränkte Autonomie statt uneingeschränkter Autonomie: eine kleine Werkzeugoberfläche, klare Richtliniengrenzen, echte Beobachtbarkeit, echte Bewertung und menschliche Eskalation, die für Maßnahmen mit großer Wirkung reserviert ist.

Das wahre Unterscheidungsmerkmal für die Zukunft

Die Daten zeigen in eine Richtung. Agentische KI verstärkt die technische Disziplin, die ein Workforce bereits besitzt, im Guten wie im Schlechten. Ein Workforce mit starker Nachverfolgung, echter Bewertungsabdeckung und klaren Eskalationspfaden wird dafür sorgen, dass ein Agent die bestehende Disziplin auf neue Arbeitsabläufe ausdehnt. Ein Workforce, dem solche Leitplanken fehlen, wird feststellen, dass ein Agent die Lücke schneller und sichtbarer aufdeckt, als dies bei einer herkömmlichen Anwendung jemals der Fall wäre.

Die besten Agententeams, die aus der aktuellen Zeit hervorgehen, ähneln weniger schnellen Ingenieuren, die klugen Formulierungen nachjagen, sondern eher wie ausgereiften SRE-, Sicherheits- und Produktteams, die zufällig eine neue Artwork von System betreiben. Unternehmen, die auf agentenbasierte KI ohne operative Grundlage setzen, setzen nicht auf die Technologie. Sie wetten, dass niemand die Lücke bemerkt, bis es zu spät ist, um eine Rolle zu spielen.

Die IPO-Pipeline von Cybersecurity wird wiedereröffnet: Vegas 120-Millionen-Greenback-Beschaffung zeigt, wohin sich das Geld der Anleger bewegt

Sicherheitsteams in Unternehmen stehen nun vor zwei Problemen gleichzeitig: Angreifer nutzen KI, um Abläufe in großem Maßstab zu beschleunigen, und Verteidiger haben mit fragmentierten Telemetriedaten zu kämpfen, die über verteilte Cloud-Umgebungen verteilt sind. Dieser Druck erklärt, warum neun von VC unterstützte Cybersicherheits-Startups jetzt auf der Liste der wahrscheinlichen Börsengänge von PitchBook stehen und warum Vega gerade 120 Millionen US-Greenback gesammelt hat, um die Architektur im Zentrum der Unternehmenssicherheitsabläufe herauszufordern.

Die acht IPO-Kandidaten für Cybersicherheit im Überblick

Quelle: PitchBook VC Exit Predictor, Dezember 2025 / Morningstar, Januar 2026. Armis von ServiceNow übernommen, April 2026. Die Bewertungszahlen spiegeln die letzten bekannten veröffentlichten Runden wider.

Vegas Finanzierungsrunde zielt auf ein kostspieliges Sicherheitsproblem ab

Vega kündigte im Februar 2026 eine Serie B im Wert von 120 Millionen US-Greenback an, die vom bestehenden Investor Accel angeführt wird und an der sich auch Cyberstarts, Redpoint und CRV beteiligen. Die Finanzierungsrunde erhöhte Vegas Gesamtfinanzierung in weniger als zwei Jahren auf 185 Millionen US-Greenback. TechCrunch meldete eine Submit-Cash-Bewertung von 700 Millionen US-Greenback, quick doppelt so viel wie zuvor. (Calcalist meldete 800 Millionen US-Greenback; Vegas eigene Pressemitteilung bestätigte lediglich, dass die Runde ihren Wert „quick verdoppelt“ hatte, ohne eine genaue Zahl zu nennen.)

CEO Shay Sandler und CTO Eli Rozen, beide Veteranen der israelischen Einheit 8200, haben Vega auf der Grundlage einer bestimmten Diagnose aufgebaut: Ältere SIEM-Plattformen zwingen Unternehmen dazu, Sicherheitstelemetrie zu zentralisieren, bevor sie Bedrohungen analysieren können. Für Unternehmen, die Workloads über Cloud-Dienste, Information Lakes und verteilte Infrastrukturen ausführen, führt dieses Modell zu zusätzlichen Problemen. Die Speicher- und Verarbeitungskosten steigen mit der Datenmenge. Sicherheitsteams müssen Daten verschieben, bevor sie Vorfälle untersuchen können. Und da die vollständige Aufnahme unerschwinglich teuer sein kann, werden einige Signale nicht erfasst, was zu Lücken in der Abdeckung führt.

Vegas Different ist das sogenannte Safety Analytics Mesh: eine Architektur, die Sicherheitsdaten dort analysiert, wo sie sich bereits befinden, anstatt jedes Sign zuerst in ein zentrales Repository zu ziehen. Das Unternehmen gibt an, bereits Multimillionen-Greenback-Verträge mit globalen Banken, Gesundheitsorganisationen und Fortune-200-Unternehmen unterzeichnet zu haben und seit seiner Gründung im Jahr 2024 auf über 100 Mitarbeiter gewachsen zu sein.

Vega gehört nicht zu den neun IPO-Kandidaten von PitchBook. Bei der Serie B mit einer zweijährigen Betriebsgeschichte ist es noch mindestens ein Finanzierungszyklus von diesem Gespräch entfernt. Aber seine Erhöhung verdeutlicht, wohin die Überzeugung des privaten Marktes in Bezug auf Cybersicherheit jetzt fließt: KI-native Architekturen, die die Kosten und betrieblichen Reibungsverluste beim Betrieb von Sicherheit auf Unternehmensebene reduzieren.

Die IPO-Watchlist von PitchBook macht die Late-Stage-Pipeline von Cybersecurity aufmerksam

Der VC Exit Predictor von PitchBook, der Ende Dezember 2025 über Morningstar erschien, identifizierte neun von VC unterstützte Cybersicherheitsunternehmen als wahrscheinliche Kandidaten für den öffentlichen Markt, darunter Snyk, Illumio, ID.me, Immuta, Arctic Wolf, OneTrust, Armis und Island.

Die Wahrscheinlichkeitsschätzungen über die genannten Unternehmen hinweg zeigen eine Pipeline mit echter Tiefe. Snyk führt mit einer IPO-Wahrscheinlichkeit von 97 %, einer letzten bekannten Bewertung von 7,4 Milliarden US-Greenback und einem eingeworbenen Kapital von 1,07 Milliarden US-Greenback; Die Serie G im Dezember 2022 wurde zu dieser Bewertung von der Qatar Funding Authority geleitet. ID.me hat eine Wahrscheinlichkeit von 93 % bei einer Bewertung von über 2 Milliarden US-Greenback, nachdem das Unternehmen im September 2025 eine Finanzierung in Höhe von 340 Millionen US-Greenback abgeschlossen hat. Immuta hat eine Wahrscheinlichkeit von 93 % bei einer letzten bekannten Bewertung von 1 Milliarde US-Greenback, zu seinen Unterstützern gehören Snowflake Ventures und Intel Capital. Island liegt mit einer Bewertung von 4,8 Milliarden US-Greenback bei 90 %, nachdem eine Serie E im März 2025 mit 250 Millionen US-Greenback die Gesamtinvestition von außen auf etwa 730 Millionen US-Greenback erhöhte. Arctic Wolf hat eine Wahrscheinlichkeit von 91 % bei einer Bewertung von 3,91 Milliarden US-Greenback, wobei 1,15 Milliarden US-Greenback eingeworben wurden. OneTrust landet ebenfalls bei 91 %, mit einer Bewertung von 4,5 Milliarden US-Greenback und einem Kapital von 1,12 Milliarden US-Greenback.

Das Muster zwischen diesen Unternehmen ist das wichtigste Element: Keines von ihnen führt mit „KI-gestützter Sicherheit“ als primärem Pitch. Snyk konzentriert sich auf die Entwicklersicherheit in Software program-Lieferketten. Illumio zielt durch Zero-Belief-Segmentierung auf laterale Bewegungen innerhalb von Netzwerken ab. ID.me bietet digitale Identitätsprüfung für Behörden, das Gesundheitswesen und Finanzdienstleistungen. Immuta regelt den Datenzugriff in Cloud- und KI-Umgebungen. Arctic Wolf bietet verwaltete Erkennung und Reaktion für Unternehmen, die nicht in der Lage sind, den gesamten Sicherheitsbetrieb intern zu besetzen. OneTrust kümmert sich um Datenschutz, Compliance und Governance-Vorgänge. Island entwickelt Unternehmensbrowser mit integrierten Sicherheitskontrollen. Jedes befasst sich mit einem spezifischen, operativ problematischen Drawback, das Unternehmen nicht aufschieben können.

KI-gesteuerte Bedrohungen verändern das Unternehmensrisiko

Die Investitionslogik hinter dieser Pipeline wird klarer, wenn man sie mit dem vergleicht, mit dem die Sicherheitsteams in Unternehmen tatsächlich konfrontiert sind. Die Google Menace Intelligence Group dokumentierte in einem Bericht vom Mai 2026 einen Wandel von frühen KI-Experimenten durch Gegner hin zum Einsatz im industriellen Maßstab. Bedrohungsakteure verwenden jetzt generative Modelle für die Erkennung von Schwachstellen, die Generierung von Exploits, die Umgehung von Abwehrmaßnahmen und autonome Malware-Operationen. Google sagte, es habe zum ersten Mal einen Bedrohungsakteur identifiziert, der einen Zero-Day-Exploit nutzte, von dem es glaubt, dass er mit KI-Unterstützung entwickelt wurde.

Der Information Breach Investigations Report 2026 von Verizon ergab, dass die Ausnutzung von Sicherheitslücken zum häufigsten Erstzugriffsvektor für Sicherheitsverletzungen wurde und 31 % der Fälle im Berichtsdatensatz erreichte. Der IBM-Bericht „Price of a Information Breach Report 2025“ beziffert die weltweiten durchschnittlichen Kosten eines Datenschutzverstoßes auf 4,4 Millionen US-Greenback und weist auf eine „KI-Überwachungslücke“ hin. Er warnt davor, dass unkontrollierte KI-Systeme bei einem Verstoß sowohl eine höhere Wahrscheinlichkeit eines Verstoßes als auch höhere Sanierungskosten mit sich bringen.

Gartner prognostiziert, dass die weltweiten Endbenutzerausgaben für Informationssicherheit im Jahr 2026 244 Milliarden US-Greenback und im Jahr 2029 322 Milliarden US-Greenback erreichen werden, bei einer durchschnittlichen jährlichen Wachstumsrate von 10 % bei konstanten Wechselkursen. Sicherheitsbudgets haben sich in der Vergangenheit diskretionären Kürzungen widersetzt, weil die Folgen einer Unterinvestition sichtbar, messbar und teuer sind. Diese Widerstandsfähigkeit gibt den Anlegern des öffentlichen Marktes eine dauerhaftere Ertragsthese, als die meisten Softwarekategorien bieten können.

Das IPO-Fenster öffnet sich, aber die Messlatte hat sich verschoben

Der IPO-Markt für Cybersicherheit weist bereits aktuelle Beweise auf. Laut Reuters und SecurityWeek hat Netskope bei seinem Nasdaq-Debüt im September 2025 908,2 Millionen US-Greenback eingesammelt, wobei die Aktien am ersten Tag um mehr als 18 % stiegen und das Unternehmen bei der Notierung einen Wert von rund 8,6 Milliarden US-Greenback erreichte. SailPoint kehrte im Jahr 2025 an die öffentlichen Märkte zurück und strebte eine Bewertung von bis zu 12,57 Milliarden US-Greenback an. Die Börsennotierung von Rubrik im Jahr 2024 erfolgte vor einem dieser Offers und begann, den von den Anlegern erwarteten Wert von Cybersicherheitsunternehmen auf den öffentlichen Märkten neu zu definieren.

Auch die Finanzierung von Cybersicherheits-Startups erholte sich deutlich. Crunchbase berichtete, dass der Sektor im Jahr 2025 Investitionen in Höhe von 18 Milliarden US-Greenback anzog, was einem Anstieg von etwa 26 % gegenüber 2024 und dem höchsten jährlichen Gesamtwert seit drei Jahren entspricht. Große KI-fokussierte Cybersicherheitsrunden trugen erheblich zu dieser Zahl bei.

Nichts davon macht den Weg zum öffentlichen Markt automatisch. Investoren erwarten im Jahr 2026 nachweisbare jährliche wiederkehrende Umsätze, effiziente Kundenakquisekosten, hohe Bruttomargen, eine starke Nettoumsatzbindung, einen glaubwürdigen Weg zur Rentabilität und eine dauerhafte Differenzierung gegenüber Plattformkonkurrenten wie Microsoft, Palo Alto Networks und CrowdStrike, die alle ihre Sicherheitsportfolios weiter ausbauen. Unternehmen, die die volle Messlatte abräumen, finden aufnahmefähige Bedingungen vor. Wer das nicht kann, wird warten oder einen anderen Weg gehen.

Armis zeigt, warum sich IPO-Kandidaten möglicherweise immer noch für M&A entscheiden

PitchBook hat Armis mit einer Wahrscheinlichkeit von 90 %, einer letzten bekannten Bewertung von 6,1 Milliarden US-Greenback und einer Kapitalaufnahme von 1,45 Milliarden US-Greenback als IPO-Kandidat gekennzeichnet. ServiceNow kündigte am 23. Dezember 2025 eine Barübernahme von Armis im Wert von 7,75 Milliarden US-Greenback an, einen Tag bevor PitchBook seine IPO-Prognosen veröffentlichte. ServiceNow schloss den Deal am 20. April 2026 ab und nannte die Cyber-Publicity-Administration-Fähigkeiten von Armis in den Bereichen IT, Betriebstechnologie, IoT, medizinische Geräte und kritische Infrastruktur als zentral für seine Sicherheits- und Risikostrategie im KI-Zeitalter.

Das Armis-Ergebnis zeigt etwas, das es wert ist, im Auge behalten zu werden, wenn man eine IPO-Beobachtungsliste liest: Eine hohe IPO-Wahrscheinlichkeit und eine strategische Akquisition schließen sich nicht gegenseitig aus, sondern sind aufeinander folgende Möglichkeiten. Große Plattformunternehmen, darunter Google mit der geplanten 32-Milliarden-Greenback-Übernahme von Wiz, ServiceNow, Cisco und andere, haben gezeigt, dass sie für die richtigen Funktionen mindestens die IPO-Bewertungen zahlen werden. Für jedes der Unternehmen auf der PitchBook-Liste ist der entscheidende Faktor nicht einfach, ob die öffentlichen Märkte sie wollen, sondern ob ein strategischer Käufer zuerst mit einer Zahl ankommt, die die risikobereinigte IPO-Rendite weniger überzeugend erscheinen lässt.

Die öffentliche Marktpipeline von Cybersecurity ist aktiver als je zuvor in den letzten drei Jahren, und die Unternehmen, die am besten positioniert sind, um davon zu profitieren, haben eines gemeinsam: Sie lösen spezifische, kostspielige betriebliche Probleme, die Unternehmen unabhängig von den wirtschaftlichen Bedingungen nicht aufschieben können. Vegas Kapitalerhöhung in Höhe von 120 Millionen US-Greenback bestätigt, dass die gleiche Logik nun die Kapitalallokation in einem früheren Stadium bestimmt. Unabhängig davon, ob die neun Unternehmen auf der PitchBook-Liste öffentliche Märkte erreichen oder Armis durch einen strategischen Ausstieg folgen, haben die Anleger ein Urteil klargestellt: Eine dauerhafte Sicherheitsinfrastruktur erfordert dauerhafte Bewertungen.

Bild vom Herausgeber

# Einführung

Wenn Sie den Communities für künstliche Intelligenz folgen LinkedIn, Redditoder XSie haben wahrscheinlich gesehen, wie Entwickler darüber diskutierten OpenClaw. Die Aufregung ist groß. Im Gegensatz zu typischen Chatbots kann dieses Instrument tatsächlich Aufgaben auf Ihrem Laptop ausführen. Benutzer nutzen es, um Arbeitsabläufe zu automatisieren, Dateien zu verwalten, E-Mails zu versenden und sogar Anwendungsprogrammierschnittstellen (APIs) zu steuern.

Das Projekt begann als Clawdbot, wurde später zu Moltbot und firmiert heute als OpenClaw. Es stellt eine neue Ära der künstlichen Intelligenz dar: Agenten, die Aufgaben für Sie ausführen können, anstatt sie nur zu besprechen.

In diesem Artikel werde ich erläutern, was OpenClaw ist, wie es funktioniert, warum es so beliebt wurde und wofür Benutzer es tatsächlich verwenden.

# Verstehen, was OpenClaw leisten kann

OpenClaw ist ein kostenloser Open-Supply-Agent, der lokal ausgeführt wird und große Sprachmodelle (LLMs) mit echter Software program verbindet. Sie können einfache Chat-Befehle bereitstellen und es kann:

• Dateien lesen und schreiben.
• Führen Sie Shell-Befehle aus.
• Durchsuchen Sie Web sites.
• Senden Sie E-Mails.
• Steuer-APIs.
• Automatisieren Sie Aufgaben in verschiedenen Anwendungen.

Sie könnten den Agenten beispielsweise bitten:

„Räumen Sie meinen Posteingang auf, fassen Sie die wichtigen E-Mails zusammen und planen Sie die Besprechungen.“

OpenClaw führt tatsächlich die Schritte aus, die zur Vervollständigung der Anfrage erforderlich sind – und erklärt nicht nur, wie es geht. Diese Funktionalität unterscheidet ihn grundlegend von typischen Chatbots.

# Überprüfung der Zeitleiste von OpenClaw

Das Projekt wuchs bemerkenswert schnell:

• 2025: Peter Steinberger brachte die erste Model auf den Markt, die ursprünglich Clawdbot hieß.
• Anfang 2026: Aufgrund markenrechtlicher Bedenken wurde das Projekt in Moltbot umbenannt.
• Januar 2026: Das Instrument wurde offiziell zu OpenClaw.
• Februar 2026: Das Repository überschritt 100.000 GitHub Stars und wurde zu einem viralen Instrument in der Entwickler-Group.

Kurz nachdem das Projekt viral ging, kündigte Steinberger seinen Beitritt an OpenAI sich auf Agenten der nächsten Era zu konzentrieren, während OpenClaw als Open-Supply-Projekt weitergeführt wird.

# Analyse der Funktionsweise von OpenClaw

OpenClaw fungiert als Vermittler zwischen LLMs und Ihrem Laptop. Der Workflow folgt diesen Schritten:

1. Sie geben einen Befehl in eine Chat-Oberfläche ein.
2. Das Modell interpretiert die Anweisung und entscheidet über die notwendigen Maßnahmen.
3. OpenClaw führt die Aufgaben mithilfe seiner „Fähigkeiten“ wie Shell-Befehle, Browser oder APIs aus.
4. Die Ergebnisse werden an den Agenten zurückgesendet, der so lange fortfährt, bis die Aufgabe abgeschlossen ist.

Da OpenClaw über Systemzugriff verfügt, kann es Aktionen auf Ihrem Laptop ausführen und mit externen Diensten interagieren.

# Unterscheidung von OpenClaw und ChatGPT

Traditionelle Werkzeuge wie ChatGPT sind staatenlose Assistenten. Sie beantworten Fragen, interagieren aber nicht direkt mit Ihrer Umgebung. OpenClaw führt ein neues Paradigma ein: Instrument-verwendende Agenten. Zu den Hauptunterschieden gehören:

# Nutzung des Kompetenzsystems

OpenClaw verwendet ein Plugin-System, das als „Expertise“ bekannt ist. Fähigkeiten sind Erweiterungen, die es dem Agenten ermöglichen, mit Instruments wie den folgenden zu interagieren:

• Webbrowser.
• Messaging-Anwendungen.
• Dateisysteme.
• Produktivitätssoftware.
• Automatisierungsplattformen.

Einige Installationen sind mit über 100 vorgefertigten Fertigkeiten ausgestattet. Darüber hinaus können Entwickler ihre eigenen Skripte hinzufügen, wodurch das Ökosystem schnell erweitert werden kann.

# Beobachtung der realen Nutzung von OpenClaw

Der Aufstieg agentenbasierter Systeme ist mehr als nur ein Hype. Entwickler erstellen Workflows, bei denen:

• Ein Agent plant die notwendigen Aufgaben.
• Andere Agenten führen spezielle Aufgaben aus.
• Die Ergebnisse werden automatisch kombiniert.

Einige Benutzer haben sogar Multiagentenkonfigurationen erstellt, um Codierungs-, Recherche- oder Automatisierungsaufgaben so zu erledigen, als würden sie ein kleines Staff für künstliche Intelligenz leiten.

Es gibt auch Moltbucheine Plattform, auf der Agenten miteinander statt mit Menschen interagieren. Entwickler haben Experimente durchgeführt, um zu sehen, wie diese Agenten zusammenarbeiten, Forschungsergebnisse generieren und Wissen teilen.

# Bewertung, warum OpenClaw viral wurde

Die Beliebtheit des Instruments ist auf mehrere praktische Faktoren zurückzuführen:

1. Es ist kostenlos und Open Supply: Jeder kann die Software program lokal ausführen und bei Bedarf ändern.
2. Es führt Aktionen aus: Während die meisten Modelle beim Generieren von Textual content aufhören, erledigt OpenClaw ganze Arbeitsabläufe.
3. Es lässt sich in bestehende Apps integrieren: Das Instrument funktioniert mit WhatsApp, Telegramm, LockerUnd Zwietracht.
4. Es passt zum Agenten-Development: Entwickler sehen in künstlicher Intelligenz inzwischen die Fähigkeit, eigenständige Anwendungen für verschiedene Aufgaben zu ersetzen.

# Potenzielle Risiken verstehen

Es bestehen inhärente Risiken, wenn Agenten Systemzugriff gewährt wird:

• Sicherheitslücken: Wenn Sie das Instrument ohne entsprechende Vorsichtsmaßnahmen ausführen, können vertrauliche Dateien und Daten offengelegt werden.
• Schädliche Erweiterungen: Es wurde festgestellt, dass einige Fähigkeiten von Drittanbietern Malware enthalten, die auf Anmeldeinformationen oder Kryptowährungs-Wallets abzielt.
• Unbeabsichtigtes Verhalten: Es gab Berichte darüber, dass Agenten während automatisierter Bereinigungsworkflows ganze E-Mail-Postfächer löschten.

Diese Beispiele verdeutlichen, dass bei der Bereitstellung autonomer Agenten auf privater oder beruflicher {Hardware} Vorsicht geboten ist.

# Visualisierung der Zukunft von KI-Agenten

Trotz der Risiken glauben viele Forscher, dass OpenClaw einen Einblick in die Zukunft der Datenverarbeitung bietet. Anstatt Dutzende einzelner Anwendungen zu verwalten und manuelle Kontextwechsel durchzuführen, können sich Benutzer schließlich auf autonome Agenten verlassen, um digitale Aufgaben zu verwalten.

Branchenexperten argumentieren, dass dieses Projekt den Second markieren könnte, in dem Wirkstoffe aus Forschungslaboren in den täglichen Gebrauch übergehen.

# Abschließende Gedanken teilen

OpenClaw ist nicht nur ein weiterer Chatbot. Es handelt sich um einen programmierbaren digitalen Arbeiter, der künstliche Intelligenz von einer Konversationsschnittstelle in eine umsetzbare Schnittstelle umwandelt.

Es ist kraftvoll und praktisch, wenn auch manchmal riskant. Ob es zum Normal für persönliche Agenten wird oder eine neue Era von Instruments inspiriert, es ist klar, dass 2026 als das Jahr in Erinnerung bleiben wird, in dem diese Agenten zum Mainstream wurden.

Kanwal Mehreen ist ein Ingenieur für maschinelles Lernen und ein technischer Redakteur mit einer großen Leidenschaft für Datenwissenschaft und die Schnittstelle zwischen KI und Medizin. Sie ist Mitautorin des E-Books „Maximizing Productiveness with ChatGPT“. Als Google Era Scholar 2022 für APAC setzt sie sich für Vielfalt und akademische Exzellenz ein. Sie ist außerdem als Teradata Range in Tech Scholar, Mitacs Globalink Analysis Scholar und Harvard WeCode Scholar anerkannt. Kanwal ist ein leidenschaftlicher Verfechter von Veränderungen und hat FEMCodes gegründet, um Frauen in MINT-Bereichen zu stärken.

Der faltbare Smartphone -Markt wurde von der neuesten ausgepackten Veranstaltung von Samsung verfälscht, bei der das Unternehmen eingeführt Das Superior Galaxy Z Fold 7, das verbesserte Galaxy Z Flip 7 und ein budgetfreundlicheres Galaxy Z Flip 7 Fe. Diese beeindruckende neue Aufstellung hat einen Schatten über Googles eigene faltbare Bestrebungen geworfen und ernsthafte Fragen zur Wettbewerbsfähigkeit seiner bevorstehenden Pixel -Foldables aufgeworfen.

Laut der Branchenanalyse scheint der erwartete 2025 -faltbare 2025 -Falt der Pixel 10 Profis eher ein inkrementelles Replace als ein revolutionärer Sprung zu sein. Gerüchte deuten darauf hin, dass das Gerät das Design seines Vorgängers, des Pixel 9 Professional-Folds, weitgehend behalten wird, mit geringfügigen Verbesserungen wie einem etwas größeren 6,4-Zoll-äußeren Show und der Einbeziehung des neuen Tensor-G5-Chipsatzes.

Diese Updates wären zwar in der Regel willkommen, verblassen im Vergleich zu den im Samsung Galaxy Z Fold 7 vorgestellten Fortschritten 7. Samsungs Flaggschiff falten ein dramatisch dünneres und leichteres Profil mit einer Dicke von 8,9 mm und einem Gewicht von 215 g. Über das schlanke Design hinaus verfügt der Z Fold 7 über bedeutende interne Upgrades, darunter eine leistungsstarke 200-Megapixel-Primärkamera, bis zu 16 GB RAM und Qualcomms Prime-Snapdragon 8-Elite-Prozessor.

Samsung präsentiert faltbare Bildschirme für das iPhone -Falten von Apple

Dieser starke Kontrast in Innovation bringt Google in eine schwierige Place. Die {Hardware} des Pixel 9 Professional Fold, das die Grundlage für das bevorstehende Modell bildet, sieht bereits neben Samsungs neuestem Angebot veraltet aus. Der iterative Ansatz für das Pixel 10 Professional Fold wird von Kritikern als unzureichend angesehen, um die Dominanz des Z-Fold 7 auf dem Excessive-Finish-US-Markt in Frage zu stellen.

Die Herausforderung von Google ist das anhaltende Fehlen eines „Pixel Flip“ im Clamshell-Stil, um mit Samsungs beliebten Z-Flip-Serien und Angeboten anderer Hersteller wie Motorola zu konkurrieren. Während Samsung sein Portfolio um verschiedene Preispunkte und Formfaktoren ausdehnt-einschließlich eines bestätigten Tri-Fold-Geräts, das bis zum Ende des Jahres erwartet wird, scheint die Strategie von Google auf ein einzelnes Premium-Buchstyle-Fold beschränkt zu sein.

Analysten schlagen vor, dass der aktuelle Ansatz von Google die von Samsung nachgewiesene eindeutige Absicht und umfassende Umfang fehlt. Um ein relevanter Spieler im faltbaren Bereich zu bleiben, wird argumentiert, dass Google seine {Hardware} -Innovation beschleunigen muss, seine Aufstellung mit unterschiedlichen Formfaktoren wie einem Flip -Telefon erweitert und einen neuen Normal für den Markt festlegen muss, so wie er mit seinen traditionellen Pixel -Smartphones hat. Ohne eine signifikante strategische Verschiebung sieht die Zukunft der faltbaren Telefonleitung von Google immer unsicherer aus.

Ausgewähltes Bildnachweis

Bild von Autor | Leinwand

„AI -Agenten werden ein wesentlicher Bestandteil unseres täglichen Lebens und helfen uns bei allem, von Planung von Terminen bis hin zur Verwaltung unserer Finanzen. Sie werden unser Leben bequemer und effizienter machen.“

– undw. ng

Nach der wachsenden Popularität großer Sprachmodelle (LLMs) sind AI -Agenten die nächste große Sache. Wie Andrew Ng gesagt hat, werden sie Teil unseres täglichen Lebens, aber wie wirkt sich dies auf die analytischen Workflows aus? Kann dies das Ende der manuellen Datenanalyse sein oder den vorhandenen Workflow verbessern?

In diesem Artikel haben wir versucht, die Antwort auf diese Frage herauszufinden und die Zeitleiste zu analysieren, um festzustellen, ob es zu früh ist, dies zu tun, oder zu spät.

Die Vergangenheit der Datenanalyse

Die Datenanalyse conflict nicht so einfach oder schnell wie heute. Tatsächlich ging es mehrere verschiedene Phasen durch. Es ist von der Technologie seiner Zeit und der wachsenden Nachfrage nach datengesteuerten Entscheidungen von Unternehmen und Einzelpersonen geprägt.

Die Dominanz von Microsoft Excel

In den 90er und frühen 2000er Jahren haben wir Microsoft Excel für alles verwendet. Denken Sie an diese Schulaufgaben oder Aufgaben an Ihrem Arbeitsplatz. Sie mussten Spalten kombinieren und sortieren, indem Sie Langformeln schreiben. Es gibt nicht zu viele Quellen, in denen Sie sie lernen können, daher sind Kurse sehr beliebt.

Große Datensätze würden diesen Vorgang verlangsamen, und das Erstellen eines Berichts conflict manuell und wiederholt.

Der Aufstieg von SQL, Python, R.

Schließlich begann Excel zu kurz zu kommen. Hier trat SQL ein. Und seitdem ist es der Rockstar. Es ist strukturiert, skalierbar und schnell. Sie erinnern sich wahrscheinlich an das erste Mal, dass Sie SQL verwendet haben. In Sekunden brachte es die Analyse.

R conflict da, aber mit dem Wachstum von Python wurde es auch verbessert. Python ist wie wegen seiner Syntax mit Daten zu sprechen. Jetzt könnten die komplexen Aufgaben in Minuten erledigt werden. Unternehmen bemerkten dies auch, und alle suchten nach Talenten, die mit SQL, Python und R und R zusammenarbeiten konnten. Dies conflict der neue Customary.

Bi -Dashboards überall

Nach 2018 ereignete sich eine neue Schicht. Instruments wie Tableau und Energy BI DEA -Datenanalyse, indem Sie nur klicken, und sie bieten gleichzeitig erstaunliche Visualisierungen, die als Dashboards bezeichnet werden. Diese No-Code-Instruments sind so schnell populär geworden, und alle Unternehmen ändern jetzt ihre Stellenbeschreibungen.

Powerbi- oder Tableau -Erfahrungen sind ein Muss!

Die Zukunft: Eingang von LLMs

Dann betreten große Sprachmodelle die Szene und was für ein Eingang es conflict! Jeder spricht über die LLMs und versucht, sie in seinen Workflow zu integrieren. Sie können die Artikel -Titel zu oft sehen “Ersetzen LLMs Datenanalysten?”.

Die ersten Versionen von LLMs konnten jedoch keine automatisierte Datenanalyse anbieten, wenn der ChatGPT -Code -Interpreter aufgetreten ist. Dies conflict der Sport-Changer, der Datenanalysten am meisten verängstigt, da er gezeigt hatte, dass Datenanalyse-Workflows möglicherweise mit nur einem Klick automatisiert werden könnten. Wie? Mal sehen.

Datenerforschung mit LLMs

Betrachten Sie dieses Datenprojekt: Black Friday -Einkäufe. Es wurde als Zuordnung zum Mitnehmen im Rekrutierungsprozess für die Knowledge Science-Place bei Walmart verwendet.

Hier ist der Hyperlink zu diesem Datenprojekt: https://platform.stratascratch.com/data-projects/black-friday-purchasen

Besuchen Sie den Datensatz und laden Sie ihn in ChatGPT hoch. Verwenden Sie diese schnelle Struktur:

I've connected my dataset.

Right here is my dataset description:
(Copy-paste from the platform)

Carry out knowledge exploration utilizing visuals.

Hier ist der erste Teil der Ausgabe.

Aber es ist noch nicht fertig. Es geht weiter, additionally mal sehen, was es uns sonst noch zeigen muss.

Jetzt haben wir eine Gesamtübersicht über den Datensatz und die Visualisierungen. Schauen wir uns den dritten Teil der Datenforschung an, die jetzt verbal ist.

Das Beste daran? Das alles in Sekunden. Aber KI -Agenten sind etwas fortgeschrittener als das. Lassen Sie uns additionally einen KI -Agenten erstellen, der die Datenerforschung automatisiert.

Datenanalyseagenten

Die Agenten gingen einen Schritt weiter als die traditionelle LLM -Interaktion. So mächtig diese LLMs auch waren, es fühlte sich an, als fehlte etwas. Oder ist es nur ein unvermeidlicher Drang für die Menschheit, eine Intelligenz zu entdecken, die ihre eigenen überschreitet? Für LLMs mussten Sie sie wie oben taten, aber für Datenanalyse -Agenten benötigen sie nicht einmal menschliche Interventionen. Sie werden alles selbst tun.

Datenerforschung und Visualisierungsagent implementieren

Lassen Sie uns gemeinsam einen Agenten bauen. Dazu werden wir Langchain und Strömung verwenden.

Einrichten des Agenten

Lassen Sie uns zunächst alle Bibliotheken installieren.

import streamlit as st
import pandas as pd
warnings.filterwarnings('ignore')
from langchain_experimental.brokers.agent_toolkits import create_pandas_dataframe_agent
from langchain_openai import ChatOpenAI
from langchain.brokers.agent_types import AgentType
import io
import warnings
import matplotlib.pyplot as plt
import seaborn as sns

Mit unserem Streamlit -Agenten können Sie eine CSV- oder Excel -Datei mit diesem Code hochladen.

api_key = "api-key-here"

st.set_page_config(page_title="Agentic Knowledge Explorer", structure="huge")
st.title("Chat With Your Knowledge — Agent + Visible Insights")

uploaded_file = st.file_uploader("Add your CSV or Excel file", sort=("csv", "xlsx"))

if uploaded_file:
    # Learn file
    if uploaded_file.title.endswith(".csv"):
        df = pd.read_csv(uploaded_file)
    elif uploaded_file.title.endswith(".xlsx"):
        df = pd.read_excel(uploaded_file)

Als nächstes kommen die Datenerforschungs- und Datenvisualisierungscodes ein. Wie Sie sehen können, gibt es einige if Blöcke, die Ihren Code basierend auf den Eigenschaften der hochgeladenen Datensätze anwenden.

# --- Fundamental Exploration ---
    st.subheader("📌 Knowledge Preview")
    st.dataframe(df.head())

    st.subheader("🔎 Fundamental Statistics")
    st.dataframe(df.describe())

    st.subheader("📋 Column Data")
    buffer = io.StringIO()
    df.data(buf=buffer)
    st.textual content(buffer.getvalue())

    # --- Auto Visualizations ---
    st.subheader("📊 Auto Visualizations (Prime 2 Columns)")
    
    numeric_cols = df.select_dtypes(embody=("int64", "float64")).columns.tolist()
    categorical_cols = df.select_dtypes(embody=("object", "class")).columns.tolist()

    if numeric_cols:
        col = numeric_cols(0)
        st.markdown(f"### Histogram for `{col}`")
        fig, ax = plt.subplots()
        sns.histplot(df(col).dropna(), kde=True, ax=ax)
        st.pyplot(fig)

    if categorical_cols:

        
        # Limiting to the highest 15 classes by rely
        top_cats = df(col).value_counts().head(15)
        
        st.markdown(f"### Prime 15 Classes in `{col}`")
        fig, ax = plt.subplots()
        top_cats.plot(sort='bar', ax=ax)
        plt.xticks(rotation=45, ha="proper")
        st.pyplot(fig)

Geben Sie als nächstes einen Agenten ein.

    st.divider()
    st.subheader("🧠 Ask Something to Your Knowledge (Agent)")
    immediate = st.text_input("Strive: 'Which class has the very best common gross sales?'")

    if immediate:
        agent = create_pandas_dataframe_agent(
            ChatOpenAI(
                temperature=0,
                mannequin="gpt-3.5-turbo",  # Or "gpt-4" in case you have entry
                api_key=api_key
            ),
            df,
            verbose=True,
            agent_type=AgentType.OPENAI_FUNCTIONS,
            **{"allow_dangerous_code": True}
        )

        with st.spinner("Agent is considering..."):
            response = agent.invoke(immediate)
            st.success("✅ Reply:")
            st.markdown(f"> {response('output')}")

Testen des Agenten

Jetzt ist alles fertig. Speichern Sie es als:

Gehen Sie anschließend zum Arbeitsverzeichnis dieser Skriptdatei und führen Sie sie mit diesem Code aus:

Und voila!

Ihr Agent ist bereit, lassen Sie es uns testen!

Letzte Gedanken

In diesem Artikel haben wir die Datenanalyseentwicklung von heute bis heute analysiert, von Excel bis zu LLM -Agenten. Wir haben analysiert Dieser reale Datensatzwas in einem tatsächlichen Datenwissenschaftsvorstellungsgespräch mit ChatGPT gefragt wurde.

Schließlich haben wir einen Agenten entwickelt, der die Datenerforschung und die Datenvisualisierung mithilfe von Streamlit-, Langchain- und anderen Python -Bibliotheken automatisiert. Und wir haben alles mit einem realen Datenprojekt gemacht.

Egal, ob Sie sie heute oder morgen adoptieren, KI -Agenten sind kein zukünftiger Pattern mehr. Tatsächlich sind sie die nächste Section der Analytik.

Nate Rosidi ist Datenwissenschaftler und in Produktstrategie. Er ist außerdem eine zusätzliche Professorin für Lehranalysen und Gründer von Stratascratch, einer Plattform, die Datenwissenschaftlern hilft, sich auf ihre Interviews mit echten Interviewfragen von Prime -Unternehmen vorzubereiten. Nate schreibt über die neuesten Tendencies auf dem Karrieremarkt, gibt Interviewberatung, teilt Datenwissenschaftsprojekte und deckt alles SQL ab.

Die Olympischen Spiele erleben ein Excessive-Tech-Makeover mit künstliche Intelligenz! Stellen Sie sich vor, KI würde jede Bewegung verfolgen, das Coaching perfektionieren und sogar Ausrüstung und Ernährung für Sportler anpassen. Sie würde Schiedsrichtern auch dabei helfen, treffsichere Entscheidungen zu treffen und die Spannung der Followers mit tollen Statistiken und personalisierten Highlights steigern. Machen Sie sich bereit und sehen Sie, wie KI die Olympischen Spiele intelligenter, reibungsloser und spannender denn je macht!

Coaching und Leistung von Athleten

KI revolutioniert das Coaching und die Leistung von Sportlern in mehreren wichtigen Bereichen:

• Biomechanische Analyse: KI-Technologien wie Intels 3D Athlete Monitoring (3DAT) verwenden ausgefeilte Algorithmen, um die Bewegungen eines Athleten im Element zu analysieren. Durch die Verfolgung mehrerer Punkte am Körper kann KI Einblicke in die Biomechanik wie Schrittlänge, Gelenkwinkel und Muskelaktivierung liefern. Coach können diese Daten verwenden, um Techniken zu verfeinern, Verletzungen vorzubeugen und die Gesamtleistung zu verbessern.
• Maßgeschneiderte Ausrüstung und Ernährung: KI-gesteuerte Systeme werden verwendet, um individuelle Sportausrüstung wie Schuhe und Kleidung zu entwerfen, die auf die Bedürfnisse einzelner Sportler zugeschnitten ist. Ebenso kann KI Ernährungsdaten analysieren, um personalisierte Ernährungspläne zu erstellen und sicherzustellen, dass Sportler die richtige Nährstoffbalance erhalten, um ihre Leistung und Erholung zu optimieren.
• Talentidentifikation: KI wird auch eingesetzt, um potenzielle Talente in jungen Jahren zu erkennen. Durch die Analyse von Leistungsdaten aus verschiedenen Übungen und Wettkämpfen kann KI Sportler mit dem Potenzial für Großes hervorheben. Dies trägt dazu bei, den Zugang zum Coaching im Spitzensport zu demokratisieren, indem vielversprechende Talente in Regionen identifiziert werden, die sonst möglicherweise übersehen würden.

• Trainingsoptimierung: KI-Systeme analysieren riesige Datenmengen, um optimale Trainingspläne zu empfehlen. Indem sie Faktoren wie die Leistungshistorie, die körperliche Verfassung und den Erholungsbedarf eines Sportlers berücksichtigen, kann die KI die effektivsten Trainingspläne vorschlagen und Sportlern helfen, ihr Potenzial zu maximieren.

Schiedsrichterwesen und Echtzeit-Datenanalyse

Die Rolle der KI beim Schiedsrichterwesen und bei der Echtzeit-Datenanalyse wächst:

• Entscheidungshilfe: Bei Sportarten wie Fußball nutzen KI-Systeme Kameras und Sensoren, um Ball und Spieler zu verfolgen und Schiedsrichtern zu helfen, präzise Entscheidungen zu treffen. Diese Systeme können in Echtzeit Einblicke darüber geben, ob ein Ball die Torlinie überschritten hat oder ob ein Foul begangen wurde.
• Verbesserte Genauigkeit: Die Fähigkeit der KI, Daten schnell zu verarbeiten und zu analysieren, hilft dabei, präzise Entscheidungen zu treffen und menschliche Fehler zu reduzieren. Beispielsweise kann KI Spielerbewegungen analysieren und Abseitspositionen genauer erkennen als das menschliche Auge.

• Sportspezifische Herausforderungen: Die Implementierung von KI in Sportarten mit komplexen Bedingungen, wie etwa Wasserball, stellt besondere Herausforderungen dar. KI-Systeme müssen sich an spezifische Szenarien wie Unterwasserbilder und chaotisches Gameplay anpassen, um eine genaue Entscheidungsunterstützung zu bieten. Dies erfordert die Entwicklung spezieller Algorithmen und Trainingsmodelle, die mit diesen besonderen Bedingungen umgehen können.
• Transparenz: KI kann die Transparenz bei Entscheidungsprozessen verbessern, indem sie Groups und Zuschauern klare Visualisierungen und Daten liefert. Wenn beispielsweise eine umstrittene Entscheidung getroffen wird, können KI-generierte Visualisierungen helfen, die Entscheidung zu erklären, indem sie relevante Daten und Aufnahmen zeigen.

Zuschauererlebnis und Ausstrahlung

KI verändert das Olympia-Erlebnis der Followers durch:

• Personalisierte Inhalte: KI-Plattformen können personalisierte Spotlight-Reels für Zuschauer erstellen und Clips basierend auf ihren Vorlieben auswählen. Wenn sich ein Zuschauer beispielsweise für einen bestimmten Sportler oder ein bestimmtes Ereignis interessiert, kann die KI alle relevanten Aufnahmen in einem benutzerdefinierten Spotlight-Paket zusammenstellen.
• Erweiterte Statistiken: Rundfunkveranstalter nutzen KI, um bei Reside-Übertragungen detailliertere und ansprechendere Statistiken bereitzustellen. KI kann Messwerte wie Beschleunigung, Höchstgeschwindigkeit und Schrittlänge verfolgen und anzeigen und den Zuschauern so tiefere Einblicke in die Leistung der Sportler bieten.

• Interaktive Funktionen: KI ermöglicht interaktive Funktionen wie virtuelle Overlays und Echtzeitanalysen. So können die Zuschauer beispielsweise virtuelle Linien auf dem Spielfeld sehen, um die Leistungen der Athleten zu vergleichen oder sofortige Updates zu Statistiken und Rekorden zu erhalten.
• Inhaltspflege: KI kann die Kuratierung von Inhalten automatisieren und so sicherstellen, dass Sender auch mit begrenzten Ressourcen eine umfassende Berichterstattung bieten können. Durch die Analyse von Filmmaterial und Daten können KI-Systeme Schlüsselmomente identifizieren und sie zu ansprechenden Segmenten für die Zuschauer zusammenstellen.

KI im Olympiabetrieb

KI wird auch in die operativen Aspekte der Olympischen Spiele integriert:

• Logistik und Terminplanung: KI-Algorithmen helfen bei der Verwaltung der komplexen Logistik der Organisation der Spiele, einschließlich der Planung von Veranstaltungen, der Koordinierung des Transports und der Verwaltung des Veranstaltungsortbetriebs. Dadurch wird sichergestellt, dass alles reibungslos und effizient abläuft.
• Sicherheit: KI-Technologien werden zu Sicherheitszwecken eingesetzt, einschließlich Überwachung und Bedrohungserkennung. KI-Systeme können Video-Feeds und andere Daten analysieren, um potenzielle Sicherheitsrisiken zu identifizieren und die Sicherheit von Sportlern, Offiziellen und Zuschauern zu gewährleisten.
• Fan-Engagement: KI-gesteuerte Anwendungen und Chatbots wie AthleteGPT bieten Athleten und Followers personalisierte Unterstützung und beantworten Fragen zu Zeitplänen, Austragungsorten und anderen Aspekten der Spiele. Dies verbessert das Gesamterlebnis durch die Bereitstellung zeitnaher und genauer Informationen.

KI bringt die Olympischen Spiele auf die nächste Stufe und macht sie intelligenter und spannender als je zuvor. Von der Feinabstimmung der Athletenleistung und der Optimierung des Schiedsrichterwesens bis hin zur Verbesserung des Fanerlebnisses mit benutzerdefinierten Highlights und Echtzeitstatistiken verändert KI das Spiel. Hinter den Kulissen sorgt sie für reibungslose Abläufe und erstklassige Sicherheit und macht diese Spiele zu den fortschrittlichsten Olympischen Spielen aller Zeiten!

Bildnachweis: Eray Eliacık/Bing

Bild vom Autor

Wenn Sie wie ich bereits in einem Alter sind, in dem eine Rückkehr zur Universität keine Possibility ist, oder wenn Sie bereit für einen Berufswechsel sind, aber Beratung brauchen, sind Sie hier richtig. Ich habe Vollzeit gearbeitet und hatte keine andere Wahl, als einen Kurs zu belegen, der flexibel struggle, weil ich ein Dach über dem Kopf haben musste. Die Universität kam überhaupt nicht in Frage. Ich brauchte einen Kurs, der es mir ermöglichte, die erforderlichen Fähigkeiten und Kenntnisse zu erwerben, ohne finanzielle Kompromisse eingehen zu müssen und zu viel Zeit zu investieren.

Ich stolperte über die Google Knowledge Analytics-Zertifizierung nachdem ich tolle Kritiken gesehen habe.

Da die Arbeit etwas schleppend voran ging, beschloss ich, es zu versuchen, solange ich nicht aufgrund einer Überlastung bei der Arbeit ausgebrannt struggle.

Was ist die Knowledge Analytics-Zertifizierung von Google?

Verknüpfung: Google Knowledge Analytics-Zertifizierung

Mit der professionellen Knowledge Analytics-Zertifizierung von Google lernen Sie die Praktiken und Prozesse der assoziierten Datenanalysten kennen.

In dieser Zertifizierung erlernen Sie wichtige analytische Fähigkeiten wie Datenbereinigung, -analyse und -visualisierung sowie Instruments wie SQL, R-Programmierung und Tableau. Durch diese Fähigkeiten lernen Sie, wie Sie Daten für die Analyse bereinigen und organisieren und Analysen und Berechnungen mithilfe von Tabellenkalkulationen, SQL und R-Programmierung durchführen.

Am Ende des Kurses lernen Sie, wie Sie Datenergebnisse in Dashboards, Präsentationen und häufig verwendeten Visualisierungsplattformen visualisieren und präsentieren.

Der Kurs richtet sich an Anfänger und kann in 6 Monaten abgeschlossen werden, wenn Sie 10 Stunden professional Woche investieren. Der Zeitplan ist flexibel – Sie können additionally in Ihrem eigenen Tempo lernen!

Meine Meinung zur Zertifizierung

Bevor ich die Zertifizierung ablegte, hatte ich bereits 2 Jahre zuvor an einem Bootcamp teilgenommen. Als ich in die Technologiebranche einstieg und meinen ersten Job als Junior-Datenwissenschaftler bekam, wurde mir klar, dass es Elemente der Datenwissenschaft gab, die ich im Bootcamp nicht gelernt hatte. Ich drehte mich im Kreis und versuchte, sie herauszufinden, bis mir klar wurde, dass ich zurückgehen und wirklich studieren musste, bevor ich meine Reise in die Datenwissenschaft fortsetzen konnte.

Und genau das habe ich getan. Ich habe mich für die Knowledge Analytics-Zertifizierung von Google entschieden und mir vorgenommen, sie in zwei Monaten abzuschließen.

So, die Reise beginnt, und das Erste, was ich sagen möchte: Der Inhalt – unglaublich! Der Ablauf – reibungslos! Die Komplettlösung – tadellos.

Wenn es Ihnen wie mir ging und Sie das Gefühl hatten, Ihre Kenntnisse in Datenanalyse oder Datenwissenschaft müssten aufgefrischt werden, oder wenn Sie neu in der Datenwelt sind und Anleitung brauchen, dann struggle dieser Kurs genau das Richtige für Sie.

Ja, es gibt viel Lernmaterial, aber das gesamte Materials struggle für den Lernprozess unerlässlich und hat zu meinem Verständnis beigetragen. Nach jedem Abschnitt halfen mir A number of-Alternative-Fragen, jeden Abschnitt zu verstehen, anstatt nur eine Menge Fragen am Ende jedes Moduls.

Als ich die A number of-Alternative-Fragen und Modultests am Ende des Abschnitts machen musste, struggle ich ein Volltreffer. Ja, mein vorheriges Wissen aus dem Bootcamp hat mir hier und da geholfen, aber jetzt, da ich schon seit einigen Jahren nicht mehr im Knowledge Science-Geschäft tätig bin, struggle der Inhalt ein Geschenk des Himmels, um diese Zertifizierung zu erhalten.

So intestine, dass ich es einigen Familienmitgliedern und Freunden ohne technische Erfahrung empfohlen habe, und sie haben großartiges Suggestions dazu bekommen, dass die Struktur und der Prozess anfängerfreundlich waren.

Meine allgemeine Meinung und mein Suggestions zur Zertifizierung sind, dass ich sie aufgrund der Kursstruktur allen wärmstens empfehlen würde, die neu in der Technologiebranche sind, aber auch allen, die ihr vorhandenes Wissen auffrischen möchten, um sicherzustellen, dass sie es wirklich verstanden haben!

Denken Sie daran, dass sich diese Zertifizierung an Anfänger richtet, was bedeutet, dass Ihre Lernreise in Sachen Datenwissenschaft hier nicht enden sollte. Das kontinuierliche Erlernen neuer Fähigkeiten und Instruments wird Ihnen helfen, ein erfolgreicher Datenwissenschaftler zu werden!

Einpacken

Jeder Lernprozess verläuft anders. Manche haben vielleicht die Zertifizierung absolviert und bevorzugen eine andere Artwork des Lernens. Wenn Sie jedoch jemand sind, der Anleitung braucht und gerne kleine Schritte macht, ist diese Zertifizierung sehr zu empfehlen!

Das Workforce von KDnuggets möchte, dass alle gewinnen, und wir hoffen, dass wir Ihnen auf Ihrem Weg geholfen haben!

Nisha Arya ist Datenwissenschaftlerin, freiberufliche technische Redakteurin und Redakteurin und Group-Managerin für KDnuggets. Sie ist besonders daran interessiert, Karriereberatung oder Tutorials für die Datenwissenschaft sowie theoriebasiertes Wissen rund um die Datenwissenschaft bereitzustellen. Nisha deckt ein breites Themenspektrum ab und möchte die verschiedenen Möglichkeiten erkunden, wie künstliche Intelligenz die Langlebigkeit des menschlichen Lebens verbessern kann. Als eifrige Lernerin möchte Nisha ihr technisches Wissen und ihre Schreibfähigkeiten erweitern und gleichzeitig anderen helfen, Anleitung zu geben.