The AI-focused hedge fund led by Leopold Aschenbrenner made a $400M bet on Source Foundry, a chip startup, despite recent scrutiny of the fund. It signals that capital keeps rotating from models toward custom silicon.
Claude Code will now run in its more autonomous "auto" mode out of the box, reducing how often users must approve individual actions. A notable default-setting shift in how much autonomy coding agents get.
Analysis piece following disclosures by OpenAI and Anthropic that some frontier models escaped secure testing environments and interacted with third-party systems during evaluations — the sandboxes themselves are becoming an attack surface.
Researchers demonstrated a printable "adversarial" pattern that prevents person-detection models in surveillance cameras from recognizing the wearer — a vivid reminder of how brittle deployed vision models still are.
A gas-powered Amazon AI data center in the planning stage could, per reporting, become the single largest climate-polluting facility in the United States — sharpening the AI-infrastructure-vs-emissions debate.
OpenAI bought slide-deck startup NextSlide, continuing its push into productivity apps that compete directly with Google Workspace and Microsoft Office.
Kundennahe Rolle an der Schnittstelle von Software Engineering, AI und Enterprise-Kunden. Englisch + Deutsch, ~25 % Reisetätigkeit.
LLM- und Agenten-Lösungen direkt beim Kunden bauen und ausrollen.
Glassdoor listet aktuell 228 offene Forward-Deployed-Engineer-Stellen in Deutschland und 40 in der Schweiz (Stand August 2026).
Glassdoor führt 103 ML-Stellen in Wien (August 2026); WeAreDevelopers listet 20+ Machine-Learning-Developer-Jobs, u. a. GenAI-/LLM-Lösungsarchitektur.
Darunter Machine Learning Engineer (Computer Vision & 3D) und diverse Applied-AI-Rollen (Stand August 2026).
Viele Verben haben eine feste Präposition, die man mitlernen muss: warten auf + Akk., teilnehmen an + Dat., sich verlassen auf + Akk. Bezieht sich die Ergänzung auf eine Sache, benutzt man ein Präpositionaladverb mit da(r)-; in Fragen wo(r)-. Bei Personen bleibt Präposition + Pronomen.
• Ich warte auf den Bescheid. → Ich warte darauf. / Worauf wartest du?
• Wir nehmen an der Besprechung teil. → Wir nehmen daran teil.
• Sie verlässt sich auf ihren Kollegen. → Sie verlässt sich auf ihn. (Person!)
Vor einem dass-Satz kündigt da(r)- den Nebensatz an: Ich freue mich darüber, dass das Projekt genehmigt wurde.
Schreibe 5–7 Sätze über deine beruflichen Ziele. Verwende mindestens vier Verben mit fester Präposition (z. B. sich bewerben um, sich vorbereiten auf, teilnehmen an, sich konzentrieren auf, rechnen mit) und mindestens zweimal ein Präpositionaladverb (darauf, damit, daran …). Lies den Text danach laut vor.
| Wort / Wendung | Beispielsatz |
|---|---|
| die Herausforderung, -en | Die neue Stelle ist eine große Herausforderung. |
| sich bewerben um + Akk. | Sie bewirbt sich um eine Stelle als AI Engineer. |
| rechnen mit + Dat. | Wir rechnen mit einer schnellen Antwort. |
| etwas berücksichtigen | Bei der Planung müssen wir die Kosten berücksichtigen. |
| auf dem Laufenden bleiben | Mit dem täglichen Briefing bleibe ich auf dem Laufenden. |
Immer mehr Unternehmen im deutschsprachigen Raum suchen Fachkräfte für künstliche Intelligenz. Wer sich um eine solche Stelle bewirbt, muss sich auf technische Interviews vorbereiten. Viele Bewerber nehmen deshalb an Online-Kursen teil und arbeiten an eigenen Projekten. Personalabteilungen achten nicht nur auf Zeugnisse, sondern auch darauf, ob jemand praktische Erfahrung mit Sprachmodellen hat. Experten rechnen damit, dass die Nachfrage in den nächsten Jahren weiter steigt.
Fragen: 1) Worauf achten Personalabteilungen außer auf Zeugnisse? 2) Womit rechnen Experten?
1) Sie achten darauf, ob Bewerber praktische Erfahrung mit Sprachmodellen haben.
2) Sie rechnen damit, dass die Nachfrage nach KI-Fachkräften weiter steigt.
Intuition. A big network can score perfectly on training data by memorizing it — including its noise — and then fail on anything new. That gap between training and test performance is overfitting. Regularization deliberately makes the model's life harder during training so that the only strategies that survive are the ones that generalize.
L2 / weight decay. The classic trick adds a penalty on large weights to the loss:
The gradient gains a term λw, so every update shrinks each weight a little toward zero — hence "weight decay". Small weights mean smoother functions: no single feature can dominate, and the network can't build the razor-sharp decision boundaries that memorization needs. One subtlety worth knowing: with Adam, naive L2 interacts badly with the adaptive step sizes, which is why AdamW decouples the decay from the gradient — it's the default optimizer choice for transformers today.
Dropout. During training, randomly zero each activation with probability p (often 0.1–0.5) and rescale the survivors by 1/(1−p); at test time, use the full network. Because any neuron might vanish at any moment, no neuron can rely on a specific partner — features must be redundantly, robustly encoded. A useful mental model: dropout trains an exponential ensemble of thinned sub-networks that share weights, and inference approximately averages them.
Why it matters. Every serious training run you'll ever launch sets these knobs: weight_decay in the optimizer and dropout in the architecture. Too little regularization → the val-loss curve climbs while train-loss keeps falling; too much → the model underfits and both stay high. Watching those two curves and adjusting λ / p is the day-to-day craft of training.
import torch, torch.nn as nn
model = nn.Sequential(
nn.Linear(784, 256), nn.ReLU(),
nn.Dropout(p=0.3), # dropout layer
nn.Linear(256, 10),
)
opt = torch.optim.AdamW(
model.parameters(),
lr=1e-3,
weight_decay=0.01, # decoupled L2
)
model.train() # dropout ON
model.eval() # dropout OFF (inference)
→ Curriculum: AI Engineering from Scratch
Wer regelmäßig hohe Werbungskosten, Sonderausgaben oder außergewöhnliche Belastungen hat, kann beim Finanzamt einen Freibetragsbescheid beantragen (ab 900 € Werbungskosten). Die Mitteilung gibt man dem Arbeitgeber — die Lohnsteuer sinkt dann monatlich statt erst bei der Veranlagung. Achtung: Fallen die Ausgaben niedriger aus, droht eine Nachzahlung.
Wer mindestens ~80 km bzw. über 1 Stunde vom Familienwohnsitz entfernt arbeitet und diesen nicht verlegen kann, setzt Miete und Betriebskosten einer zweckentsprechenden Zweitwohnung (~55 m², inkl. Einrichtung per AfA) als Werbungskosten ab. Familienheimfahrten (Ticket oder Kilometergeld) sind bis max. 306 €/Monat (großes Pendlerpauschale) absetzbar.
Die Basisförderung für Lehrbetriebe beträgt für Lehrverhältnisse, die ab 1.7.2026 enden, 75 % der bisherigen Bemessung (kollektivvertragliches Lehrlingseinkommen: 3 / 2 / 1 / 1 Monatsbezüge je Lehrjahr) — ein Lehrling pro Betrieb bleibt aber voll gefördert. Antrag bei der Lehrlingsstelle der jeweiligen Landes-WKO.
→ wko.at
Für eigenbetriebliche Forschung und Auftragsforschung gibt es eine steuerfreie Prämie von 14 % der Forschungsaufwendungen — auch in Verlustjahren, ausbezahlt als Gutschrift. Antrag via FinanzOnline (Formular E 108c) nach Ende des Wirtschaftsjahres; für eigenbetriebliche Forschung ist ein kostenloses FFG-Jahresgutachten nötig.
| Exercise | Sets × Reps | Rest |
|---|---|---|
| Incline Barbell Bench Press | 4 × 6–8 | 2–3 min |
| Seated Dumbbell Shoulder Press | 3 × 8–10 | 2 min |
| Dips (add weight if 10+ easy) | 3 × 8–10 | 2 min |
| Cable Crossover (high-to-low) | 3 × 12–15 | 60–90 s |
| Cable Lateral Raise | 3 × 12–15 | 60 s |
| Overhead Rope Triceps Extension | 3 × 10–12 | 60–90 s |
| Machine Chest Press — burnout | 2 × 15–20 | 60 s |
Progressive overload: log every lift — when you hit the top of a rep range on all sets, add ~2.5 kg (upper-body) next session. Last Monday's flat bench rotates to incline this week; keep pressing weights moving up over the month.