Building AI Products: What Actually Matters – Robert Jürgens

00:00:00: Die besten KI-Systeme gewinnen nicht durch das größte Modell, sondern durch die stärksten Loops.

00:00:04: Robert Jürgens Gründer und CEO von Loop erklärt wie Systeme entstehen, die mit der Zeit wirklich besser werden – und wie man im KI-Hype den Überblick behält.

00:00:12: Dieser Talk wurde auf dem Watercant Festival für mehr.

00:00:17: solche Inhalte folgt uns auf Social Media.

00:00:26: im Jahr ist es zu Beginn.

00:00:31: Und bevor ich beginne, möchte ich sagen, wie viel ich dir hier empfehle.

00:00:55: Kommt in den Kiel, in diesen Ort.

00:01:00: Machen dieses Wasserfestival das Beste, was da sein kann.

00:01:07: und du kommst hier, zeig' dich, dass du kenne.

00:01:12: Dass du kannst, mit Leuten zu verbinden.

00:01:19: Dass Du kennst, um die Kommunität zu engagieren!

00:01:22: dass du mit Technologien experimentierst.

00:01:27: Und dass du die Zukunft brennst.

00:01:31: und in diesen Zeiten, das vielleicht mehr wichtig ist als immer, ein Teil von dir und sicherlich für mich, der schaut an diese Zeit in der Geschichte und denkt, was eine wilde Zeit zu sein ist.

00:01:53: Die Barriere zur Bildung hat gerecht!

00:01:56: Eine Person!

00:01:59: Das kann jetzt alles tun, was die ganzen Teams brauchen.

00:02:02: Wir können das faster bauen, wir können das schneller distribuieren und lernen.

00:02:08: Die AI ist fast alles um uns zu accelerieren.

00:02:12: Aber gleichzeitig fühlt man sich schwerer als immer.

00:02:25: So viele Leute sind überwältigt.

00:02:29: So many people are chasing the next model and tool or framework!

00:02:36: And despite being more connected digitally... Viele Menschen fühlen sich mehr solch persönlich.

00:02:46: Heute möchte ich euch noch ein weiter Tool geben, das nächste Woche auf der Höhe von zuhören hat.

00:02:55: Ich möchte etwas dürrigeres geben und einen Weg für Systeme denken.

00:03:05: Ein Lenz für Produkte, Teams und AI-Systems, die arbeiten werden ... Auch wenn die Hype Cycle wieder verändern wird.

00:03:16: In sechs Wochen, sechs Monate und sechs Jahre.

00:03:22: Denn unterhalb von allem, was es gebaut hat... eine Frage bleibt genau das selbe.

00:03:34: Wie bauen wir Dinge, die wirklich besser werden?

00:03:41: Und wenn wir näher sehen, ist der Ansatz überraschend konsistent.

00:03:48: Die Systeme, die mehr Zeit gibt, haben eine Sache in Ordnung!

00:03:53: Und die Idee, was ich heute über reden werde, revolve um das eine Sache.

00:04:01: Bildung, starken Loops und durch Loop, ich meine ein System, welches man adaptiert kann, by integrieringe Signale von der Umgebung.

00:04:21: Ich möchte mit euch drei Gedanken teilen.

00:04:26: Der dritte might be my favorite but the first two are essential as a foundation.

00:04:33: So, listen carefully.

00:04:36: Number one – how do we build loops that become stronger instead of unstable as they scale?

00:04:45: Number two – How to know whether our loops are moving us in the right direction but it's just creating activity.

00:04:55: And number three – how can you see clearly through the hype and understand what matters.

00:05:04: At the end there is a little bonus one so my promise ist das.

00:05:14: Und ich weiß, wir haben Leute mit diversen verschiedenen Belastungen.

00:05:17: Einige von euch might be building a product, ein paar of you might be running a project, some of you may be leading an team or leading in effort and also curious about AI.

00:05:29: when you walk out this session and apply just one out those three ideas You will build better AI systems but maybe even more importantly we'll have clear way for thinking what matters less distracted by every new development and more grounded in what creates value.

00:05:56: My name is Robert, I've been building technology data and AI systems for over fifteen years.

00:06:03: And because of the years i had a chance to put on different hats from writing codes To managing infrastructure So leading teams eventually larger organizations.

00:06:17: that mix Of hands-on work & leadership has shaped how i think about systems.

00:06:23: Und vor allem habe ich eine Firma gefunden, die called LOOP, um mehr Unternehmen zu helfen, kleine und größere Systeme aufzubilden.

00:06:30: Eine kleine Note, bevor wir nachher kommen.

00:06:39: Nach dem Gespräch haben wir ein Timestand für ein paar Fragen.

00:06:42: Danach werde ich einen kurzen Summary geben.

00:06:49: So, los geht's!

00:06:49: Was ist das?

00:06:50: Das ist ein Bild von meinem Garten.

00:07:03: Du siehst in der Rückseite ein Swing-Set.

00:07:07: Ich baute diesen Swingset ... Ein paar Jahre ago für meine Kinder.

00:07:11: Und ich möchte dich fragen, was du denkst, dass das Swing-Said funktioniert?

00:07:20: Was zeigst du dir?

00:07:27: Die Röpfe?

00:07:30: Das Swings?

00:07:34: Das Wundeskeffel?

00:07:38: Great!

00:07:38: Es ist eine weitere Sache.

00:07:40: Es ist nicht sogar in der Bildung visible.

00:07:45: Unterhalb des Gras sind es konkrete Foundationen.

00:07:48: Es sind sechs von ihnen.

00:07:51: Seventies, seventie Zentimeter tief.

00:07:52: Sie können sich nicht bemerken... Und die Kinder wohnen nicht über sie.

00:07:59: Aber sie haben das Grund, dass die Struktur noch steht, nach zwei Jahren auf Jumping, Climbing und Swinging.

00:08:05: Und es ist auch so mit den Türen in der Back.

00:08:09: Du kannst den Trunk sehen, du kannst den Brunnen sehen, die Läden sehen, aber man kann nicht die Routes sehen.

00:08:14: Die Routen machen all die Arbeit.

00:08:16: Das ist ein interessantes Ding bei Foundations- und Routens.

00:08:20: Sie sind usually invisible, und weil sie invisibel sind, sind sie leicht zu ignorieren.

00:08:26: Es ist ähnlich wie mit AI-Systems.

00:08:31: creates outcomes.

00:08:34: Let's make this concrete.

00:08:36: with an example, a couple of years ago I was working on a revenue forecasting system and the prediction obviously mattered.

00:08:46: if you're running your business want to know where revenues headed but the forecast wasn't interesting part.

00:08:53: The interesting part was everything underneath And underneath were data pipelines Data collection monitoring measuring model training die Evaluation Framework, all the foundations that made it possible to compare prediction and reality reliably and quickly.

00:09:17: And having those in place allowed us to ask questions like where did we get it wrong?

00:09:23: Why did you get it Wrong?

00:09:27: which signal Did We miss?

00:09:33: The biggest improvements didn't come from a smarter model Und der visibliere Teil war die Vorkürzung, aber das Feedback-Loop unternehmen wurde laut true Continuous Improvement.

00:09:56: Und an diesem Punkt hat mir eine kommunale Miskonzeption geklärt und ein paar Leute haben diese Frage in den Kopf.

00:10:05: Zuerst bauen wir einen Lauf und setzten die Komponenten für eine starke Fundation ab.

00:10:10: Das dauert nicht sechs Wochen nach dem Bildungsinfrastruktur, bevor alles verkaufen wird.

00:10:13: Die meisten von der foundationalen Arbeit Das kann in ein paar Stunden gemacht werden.

00:10:19: Loggen die richtigen Events, Capturing User Feedback Structuring Kontext, bringen Visibility into the system for what matters.

00:10:27: Small things!

00:10:28: But once they are in place every interaction with a system becomes fuel of the next iteration and that's when we start building systems which can truly learn.

00:10:45: I'll switch subjects to quick show-of hands.

00:10:54: How many of you here have ever done Ein Heik in den Lebens, anywhere in the mountains or somewhere else.

00:11:04: That's a whole bunch!

00:11:06: How many of you have been sailing on a sailing boat?

00:11:12: Also lot of people great.

00:11:14: I'll loop back to this.

00:11:17: that leads into next subject knowing if direction is right.

00:11:27: Knowing whether our systems are improving or declining after change.

00:11:35: Das könnte für dich klar sein, aber die wichtigste Betriebe von einem System ist essenziell.

00:11:42: Und wenn man fragt, dass viele Leute das mitnehmen würden.

00:11:49: Aber es geht darum, was ein System betrifft, sehr schwer zu erreichen.

00:11:56: Denn da gibt es so viele Möglichkeiten und Möglichkeiten.

00:12:03: Und sie brauchen Entscheidungen.

00:12:07: Das ist der Fall, der nie geblieben wird.

00:12:11: Weil eine Betriebsmessung Sie haben ein System, das wirklich optimiert kann.

00:12:19: Ich habe darüber gesprochen, die Stärken zu bauen und die Foundation in den Ort zu bringen, die Komponenten in den Platz zu bringen.

00:12:28: Was wir jetzt tun können ist, dass wir Komponente auswarten, bei denen wir die größte Erleichterung in unserer relevanten Betriebe expectieren.

00:12:37: Das kann der Modellqualität sein, um Revenue zu erhöhen.

00:12:40: Es kann auch die Server-Setup zu reduzieren werden.

00:12:45: Es wird auch die Datastruktur ändern.

00:12:48: um die Latenheit zu verbessern.

00:12:51: Es ist wie navigieren mit der Kompass.

00:12:56: Du weißt, wo du bist und ob du in den Mountains oder auf dem Meer sind.

00:13:00: Du wirst wissen, welche Richtung du bist.

00:13:02: Und wenn du irgendwann ein bisschen auf dem Track gehst, kannst du dich sofort im Kurs korrekt sehen.

00:13:07: Wie lange du die Destination und die Direktion wissen wirst du wissen.

00:13:13: Also, wir haben hier einen Loop und wir wissen unsere Metricen.

00:13:17: Wir haben ein System, das wirklich optimiert wird und wirklich lernen kann.

00:13:27: Ich komme zu dem dritten Subjekt.

00:13:31: Wir haben darüber gesprochen, die Lübungen und wie man sie incrementiell verbessern kann.

00:13:40: Aber jedes Mal, wenn etwas größer verändern wird, dass etwas größeres zeigt, eine neue Architektur erscheint, ein neues Interface-Paradigm emergiert, ein Modell wird so tief geworden, dass ganze neue Arbeitsplätze beobachtet werden.

00:14:01: Und das ist der Moment... Wenn jemand nicht nur die Loops optimiert, sondern die Loop reshapen.

00:14:07: Manchmal kommen die größten Gäste von einem Komponent über fünf Prozent aus.

00:14:16: Manchal die größte Verbesserung kommt von der Redesignung der Loops komplett um diese neue Kapazität.

00:14:27: Ein Beispiel für das ist, wenn AI Coding-Tools genuinlich verwendet werden.

00:14:35: Sie sind seit einigen Jahren da, Sechs oder zwölf Monate ago, give-or-take.

00:14:41: Die wurden genuend verwendet.

00:14:44: Und zuerst haben viele Teams gesagt, oh, great!

00:14:48: Our engineers can write code a bit faster now.

00:14:50: That's amazing and that is true.

00:14:54: but the truth shift was experimentation costs collapsed.

00:14:59: One person could run ten experiments in parallel instead of just one.

00:15:04: Building a prototype took two hours instead of a week.

00:15:08: People could test ten different directions before committing to one.

00:15:11: Die Zeit für den Feedback-Loop war drastisch geäußert.

00:15:16: Und die Frage, die es gibt, ist, in welchen Bereichen man ständig bleiben sollte und in welcher Art man adaptieren sollte?

00:15:30: In diesen Zeiten ist diese Frage sehr schwierig zu antworten.

00:15:34: Mit der AI sind fast jeden Tag so viele Dimensionen verändern.

00:15:38: Es gibt ein neues Modell, ein neues Tool, ein neuer Framework, ein neuen Gamechanging Demo... Die Person, die AGI kreiert, ist sechs Monate weg.

00:15:54: Ich möchte mit dir vier Werte teilen, die mich über das Jahr geholfen haben.

00:16:05: Nr.

00:16:06: one, spend time with people who make you think differently... ...who look at things from a slightly different angle and challenge your assumptions!

00:16:23: People that pointed to the unknown.

00:16:25: unknowns.

00:16:26: That was probably for me the biggest over the years Und das ist warum events wie diese, Events like water kind are so great for people to connect and share.

00:16:42: Number two find high signal sources.

00:16:48: This has gotten a whole lot more difficult in the world that's flooded with AI generated content.

00:16:55: but finding original sources, Original thought true experiments they're being shared True experience, true Experiments as well.

00:17:09: So important.

00:17:15: Number three, ask for help and share your learnings.

00:17:22: We're on the same boat.

00:17:24: No one really knows where all of this is going.

00:17:27: who are adapting in real time?

00:17:30: And we're all failing several times a day often many times a Day.

00:17:35: there's no shame being human.

00:17:38: so share you learnings Share what working share was not working an asked people and number four built.

00:17:52: Du musst deine Hände dürfen, die Code schliessen.

00:17:56: Versuch dich selbst in die Systeme zu wasschen.

00:18:01: Versuche, das zu finden, wie es möglich ist, um wirklich ein Gefühl von dem, was diese Dinge tun können.

00:18:10: Ein paar Jahre ago, ein paar Millionen Menschen auf dem Planeten waren ablehnt mit Software und X zu schreiben.

00:18:17: Vielleicht ein Jahrzehnte-Millionen-Gibberteig.

00:18:20: Jetzt können hundreds of millions people write code!

00:18:26: Das ist eine enorme Möglichkeit.

00:18:29: Du musst deine Hände dürfen, weil die Bedeutung nicht nur von mehr Informationen ausgeliefert wird, sondern auch vom Interakt mit der Realität direkt.

00:18:42: Lass uns das summarisieren.

00:18:53: Bilden, stärkeren Loops.

00:18:56: Setzen die Foundation an und wissen was passiert ist.

00:19:01: Und verabschiede dich selbst mit den Menschen, die dich denken in der Welt einfach ein bisschen anders.

00:19:18: Danke dir!

00:19:21: Ist das noch ein Problem?

00:19:26: Ein second.

00:19:36: Okay, now we have a time slot for couple questions maybe two or three questions and then afterwards I'll share one final thought.

00:19:49: that's the bonus one dimension in the beginning.

00:19:53: In meantime i will put up my contact details so you can connect if Befreie dich, auf LinkedIn zu verbinden und mir eine E-Mail zu senden.

00:20:13: Ich werde hier für die nächsten Tage da sein.

00:20:15: Ich bin heute da, morgen da.

00:20:18: Ich möchte mit dir reden.

00:20:19: Nach der Session werde ich gleich über hier sein.

00:20:21: Wenn jemand mehr Fragen hat, würde ich etwas diskutieren.

00:20:24: Ich wäre total bereit für das.

00:20:25: Das ist toll!

00:20:27: Auf top davon, wie ein Wasserkampfspezial, Loop ist für drei individuelle Loop-Review-Sessions mit euch oder deiner Familie.

00:20:38: So, if this is interesting to you getting very concrete then the application today's a very simple.

00:20:44: Just send an e-mail to hiatloop.ml.

00:20:47: Put water cunt as keyword in there say few words about yourself and what your working on And we've been touched shortly With that.

00:20:57: I'd love to hear from any questions.

00:21:11: What does Loop About?

00:21:13: The question was what is Loop?

00:21:16: It's A Company That Helps Teams Smaller & Larger Teams Built Strong Loops Set up the foundations, technical system, organization systems companies to build strong loops and put AI in place that has real effect on relevant metrics as well development.

00:21:37: Great question!

00:22:13: So how do you make a trade-off between components?

00:22:18: In general framework try ensure get the relevant feedback signals So, du kannst wirklich ein learning loop setzen.

00:22:30: So dass du die Signale, die für dich in diesem Moment relevant sind.

00:22:34: Also wenn du einen paar User, den du mit interagieren möchtest, dann willst du wissen, was diese Interaktionen sind.

00:22:39: Wenn etwas anderes ist wichtig zu dir, willst du diese Punkte kapaziert werden und dann über die Zeit gelangen.

00:22:44: Setzten auf die Basis ist typisch eine Menge von wenigen Stunden.

00:22:47: Gute Frage!

00:22:53: Okay... Dann habe ich gesagt, ich werde nach der Session sein.

00:23:00: Und ich möchte mit euch sharen Und das ist der Bonus, den ich in dem Beginn erwähnt habe.

00:23:07: Ich habe über die Lübungen gesprochen.

00:23:14: Die stärkeren Lübsen sind nicht die, die sich in deinem System befinden.

00:23:19: Sie sind diejenigen, die dich selbst befinden und die meisten Menschen verstehen nicht, wie streng sie sind.

00:23:26: Wenn du etwas verbessert hast – von einem Prozent – jeden Tag, dann werden die Resultate nach einem Jahr nicht nur inkrementale sein Es ist exponentiell.

00:23:50: Nach einem Jahr werden Sie nicht mehr als zwei Hundert Prozent besser sein.

00:23:56: Sie werden nicht mehr wie fünfhundert Prozent mehr besser sein, aber Sie werden drei tausend, siebenhundert und seventy-eight Prozent besser werden.

00:24:12: Imagin' die Möglichkeiten!

00:24:13: Wenn man das in der Perspektive betrifft, wenn man physisch wird, dass man jeden Tag ein Prozent erhöht, dann durch den Ende eines Jahres Du wirst als Tall sein, wie die Labue Naval Memorial.

00:24:31: Just across Kielfjord.

00:24:33: Seventy-two meters!

00:24:41: Die Leute werden das größte Impakt mit der AI machen.

00:24:44: Das wird nicht necessarily die Menschen mit den größten Modellen oder Fancies-Demonstraten sein.

00:24:50: Es werden die Leute mit den stärksten Loops sein.

00:24:53: Vielen Dank.