Ihr Chatbot erfindet Preise, Fristen oder Vertragsdetails.
Er klingt souverän. Kein Dashboard zeigt, dass es falsch ist.
NeuFigures in Context: mein KI-Test für Zahlen
Sezer Mikail SagirBruchsal, Deutschland
KI-Qualitätssicherung, bevor Ihre Kunden die Fehler finden.
Ihr KI-Assistent klingt überzeugt. Ich prüfe, ob er recht hat: erfundene Fakten, ignorierte Vorgaben, holpriges Deutsch. Sie bekommen einen klaren Bericht mit konkreten Korrekturen.
- Festpreis für den Einstieg
- NDA kein Problem
- Angebot in 1–2 Tagen
Sie sind ein KI-Labor oder Datenanbieter? English version
~98%
Abnahmequote in Senior-QA-Programmen
4
Prüfsprachen: DE, TR, EN, JA
3.000+
Strukturierte Evaluationen
Näherungswerte aus freiberuflicher KI-Evaluationsarbeit über RWS und Volga Partners, April 2025 bis heute. Kunden- und Programmdetails unterliegen einer NDA.
Zusammengearbeitet über
RWS Volga Partners Outlier Scale AI micro1Kommt Ihnen das bekannt vor?
Die teuersten Fehler eines KI-Produkts sind die, die im Dashboard grün aussehen.
Niemand kann belegen, dass Ihre KI geprüft wurde.
Kunden, Datenschutz und der EU AI Act fragen zunehmend nach Nachweisen.
Die deutschen oder türkischen Antworten klingen nach Maschine.
Holprige Formulierungen kosten Vertrauen bei Ihren Kunden.
NEU Eigenes Open-Source-Projekt
Figures in Context.
Pence statt Pfund. Tausend statt Millionen. Die KI rechnet souverän daneben. Mein Testsystem merkt es.
Es prüft, ob eine KI zahlenlastige Geschäftsdokumente wirklich versteht: Geschäftsberichte, Preisschreiben, Investoren-Updates. Und es zeigt, wo genau sie falsch abbiegt.
- 01Musterlösung per SkriptEchte Dokumente mit eingebauten Fallen.
- 02Python prüft exaktKeine Toleranz, kein Bauchgefühl.
- 033 KI-Judges + MenschSie finden die Ursache, ich entscheide.
- Open Source
- Python, ohne Abhängigkeiten
- Anthropic · OpenAI · Google
Testfall · GeschäftsberichtSchema
Wie hoch ist die gesamte Dividende für 2025, exakt in Pfund?
Musterlösung32.334.339,375 GBP
KI-Antwort22.562.183,475GBP
✕ Python-Check: falsch (nur Schlussdividende gerechnet)
- Zahlen-Judge: Zahlen aus der richtigen Stelle.
- Rechenweg-Judge: nur die Schlussdividende gerechnet.
- Plausibilitäts-Judge: Zwischendividende von 3,40 p fehlt.
Geht an den Menschen zur Prüfung
Eine der bekannten Fallen aus dem Testset, als Schema dargestellt.
Was Sie bekommen.
Direkt, ohne Agentur. Sie sprechen mit der Person, die Ihre Daten liest.
KI-Qualitätsprüfung
Jede Antwort auf Richtigkeit, Vorgabentreue und Sprache geprüft, mit benannten Fehlermustern und Korrekturen, die Ihr Team direkt umsetzen kann.
3.000+ Evaluationen in produktiven RLHF-Programmen
Annotations-QA & Guidelines
Stichproben-Review, Feedback pro Annotator und klare Regeln für wiederkehrende Streitfälle.
Feedback für Teams mit 13–14 Annotatoren
Review-Tools & LLM-Workflows
Schnelle Review-Oberflächen und LLM-Schritte mit eingebauter Prüfung, bis zur Infrastruktur.
Beispiel: Figures in Context
Der risikoarme Einstieg
Starten Sie mit einem Pilot-Audit.
Sie sehen an Ihren eigenen Daten, was eine genaue Prüfung findet, bevor Sie sich auf mehr festlegen.
Das ist enthalten
- Prüfung von 100 Antworten Ihres Chatbots oder Modells, pro Qualitätskriterium
- Prüfbericht mit den häufigsten Fehlermustern und echten Beispielen, auch als Nachweis für Ihre Dokumentation
- Konkrete Vorschläge für Prompts, Guidelines oder Trainingsdaten
- Auf Wunsch ein kurzes Gespräch zu den Ergebnissen
Danach auf Wunsch laufend, wöchentlich oder monatlich. Größere Umfänge: Angebot in 1–2 Tagen.
So läuft es ab.
- 1
Anfrage
5 Minuten, per Formular oder E-Mail
- 2
Angebot
in 1–2 Tagen, NDA vorab möglich
- 3
Pilot-Audit
100 Outputs in 5 Werktagen
- 4
Bericht
Fehlermuster, Beispiele, Vorschläge
Belege statt Versprechen.
Kundenarbeit ist unter NDA. Hier sehen Sie das Format meiner Berichte und ein Tool aus meinem Alltag.
Zwei Outputs, die gleich aussehen – bis man sie liest.
Sechs Fehlermuster und zwei Reviews, Zeile für Zeile im Format meiner echten Berichte.
TTS Review Tool
Tastaturgesteuerte A/B-Bewertung von Text-to-Speech, ganz ohne Maus.
Fachartikel
Wer Ihre Daten prüft.
Seit April 2025 prüfe ich auf Senior-Niveau in großen Evaluationsprogrammen für generative KI. Mein Fokus: die Lücke zwischen „bewertet gut“ und „ist wirklich richtig“. Wiederkehrende Fehler mache ich zu klaren Guidelines.
- Sitz
- Bruchsal, Deutschland. Remote, MEZ.
- Schwerpunkt
- RLHF-Evaluation, Rubrik-Review, Fehleranalyse, Guidelines
- Plattformen
- SageMaker Ground Truth, Scale AI, Labelbox, SuperAnnotate
- Sprachen
- Deutsch, Türkisch, Englisch (C1), Französisch (B2), Japanisch (N3)
Häufige Fragen.
Was kostet das?
Das Pilot-Audit kostet ab 590 € für 100 Outputs, als Festpreis. Für laufende Arbeit bekommen Sie in 1–2 Tagen ein Angebot.
Unterschreiben Sie eine NDA?
Ja, gern vor dem ersten Datensatz. Ich arbeite seit 2025 durchgehend unter NDA.
Arbeiten Sie in unseren Tools?
Ja, etwa SageMaker Ground Truth, Scale AI, Labelbox oder SuperAnnotate. Eine Tabelle reicht aber auch.
Für wen ist das gedacht?
Für Unternehmen, die Chatbots oder KI-Funktionen einsetzen und deren Qualität belegen wollen. KI-Labore und Datenanbieter finden mein Angebot auf der englischen Seite.
Pilot-Audit anfragen oder Projekt besprechen.
Beschreiben Sie kurz Aufgabe, Sprache und Volumen. Sie bekommen innerhalb von ein bis zwei Tagen eine Antwort mit Angebot.
- Festpreis für den Pilot
- NDA möglich
- Direkter Kontakt, keine Agentur
- Remote, Mitteleuropäische Zeit
Lieber telefonieren? Nennen Sie ein paar Zeiten, die für Sie passen, und ich schicke Ihnen einen Terminlink.
Nachricht senden
Ein paar Zeilen zu Projekt, Umfang und Zeitrahmen reichen.