Setup

#Hardware

• MacBook Pro 16" (M1 Pro), die Hauptmaschine, und die einzige, die zählt, wenn eine Abfrage läuft.
• Samsung 49" OLED: breit genug, um eine Abfrage und ihr Ergebnis nebeneinander zu legen, ohne dass eines davon briefmarkengroß wird.
• CalDigit TS4 Thunderbolt-4-Dock, ein Kabel zum Schreibtisch, genau darum geht es.
• NuPhy Air75 V2 und eine Logitech MX Master 4: flache Tasten und eine Maus mit genug Tasten, um das Trackpad liegen zu lassen.
• iPad Pro 12,9" (M4): Dokumentation lesen und kommentieren, abseits des Schreibtischs.
• iPhone 16 Pro und AirPods Pro 2, die zugleich allen im Raum signalisieren, dass gerade ein Call läuft.
• Anker Prime 100 W USB-C als Netzteil, damit Schreibtisch und Tasche je eines haben, dazu ein UGREEN MagFlow Qi2 25 W als Ständer fürs Telefon beim Laden.

#Die Maschine, auf der die Modelle laufen

Selbst gebaut, um Modelle lokal laufen zu lassen und nicht nur über eine API. Die Karte entscheidet, was sich überhaupt laden lässt: 32 GB VRAM sind der Unterschied zwischen einem Modell, das im Speicher bleibt, und einem, das in den Arbeitsspeicher ausweicht und dann kriecht. Der Rest der Maschine ist dazu da, sie zu versorgen, dafür sind die 96 GB und die NVMe da.

#Audio & Video am Schreibtisch

• Rode PodMic an einem Universal Audio Volt 276, ein Kompressor im Eingang bedeutet, dass Calls und Aufnahmen hinterher keine Nachbearbeitung brauchen.
• Sony ZV-E10 mit einem Sigma 18 mm F1.4 DC DN Contemporary: lichtstark genug, dass ein grauer bayerischer Nachmittag noch nach Tageslicht aussieht.
• Elgato Cam Link 4K, um die Kamera als ganz normale Webcam in Calls zu bringen.

#Editor & Terminal

• VS Code für Python und alles, was einem Abfrageeditor entwächst.
• Git: jede Analyse, die jemand anderes erneut ausführen wird, gehört in die Versionsverwaltung, das SQL eingeschlossen.

#Daten- & Analysewerkzeuge

• Celonis: Process Discovery, Conformance Checking, Variantenanalyse und Action Flows für die Automatisierungsseite. Darunter das, was auf keinem Screenshot zu sehen ist: Knowledge Models als semantische Schicht, Data Pools und Transformationen, um die SAP-Daten überhaupt hereinzubekommen, und YAML für die View-Konfiguration, an die der Visual Editor nicht heranreicht.
• PQL für alles innerhalb von Celonis, SQL für alles davor.
• Python: pandas für die Analyse und PySpark, sobald das Event-Log für eine Maschine zu groß wird.
• Tableau für Reporting, das Menschen erreichen muss, die nie ein Notebook öffnen werden.

#KI in meinem Arbeitsalltag

• Claude ist das tägliche Werkzeug: unbekannte Schemata durcharbeiten, PQL entwerfen und auseinandernehmen, und eine Analyse durchsprechen, bevor ich mich auf einen Weg festlege. Ich arbeite auf die Anthropic-Zertifizierung dafür hin.
• ChatGPT und Gemini daneben, vor allem damit sie sich widersprechen. Drei Modelle mit demselben Prompt scheitern an unterschiedlichen Stellen, und der Abstand zwischen ihnen sagt mehr über die Verlässlichkeit einer Antwort aus als eines davon, das selbstbewusst klingt.
• Lokale Modelle auf der Maschine oben, um zu verstehen, was ein Modell eigentlich ist, statt es als Kiste hinter einer API zu behandeln: Quantisierung, Kontextgrenzen und wo die Abwägung zwischen einem kleineren Modell in voller Präzision und einem größeren, stärker quantisierten liegt.
• Prompting als etwas Prüfbares. Wenn ein Prompt in etwas Wiederkehrendes geht, bekommt er eine kleine Ground-Truth-Menge und eine Bewertung, kein Bauchgefühl.
• Wo ich es nicht einsetze: überall dort, wo ich die Antwort nicht prüfen kann. Ein Modell, das sich bei einer Prozesskennzahl selbstbewusst irrt, kostet mehr als die Stunde, die es gespart hat.

#Alles Weitere

• Brave zum täglichen Surfen, Chromium bleibt zum Testen daneben.
• Signal und Proton Mail für alles, was keine Arbeits-E-Mail ist, und Proton VPN in jedem Netz, das mir nicht selbst gehört.
• Notion für Notizen und Dokumentation.