Chelsea AI Ventures graph-of-skills-claude-plugin
0 stars MarkdownA Claude Code plugin for Graph-of-Skills. It connects the agent to the skill lookup service and adds one short skill that tells the agent to check for a written method before unfamiliar work.
KI-Ressourcen
Praktische Leitfäden, Artikel und Werkzeuge für Ihre KI-Reise
Wir veröffentlichen fast jede Woche einen Artikel im Chelsea-AI-Newsletter darüber, was in produktiver KI funktioniert und was nicht. Diese sind hier zusammen mit Podcast-Auftritten und aufgezeichneten Sessions nach vier Themen sortiert, jeweils mit einer Zusammenfassung, damit Sie vor dem Klick einschätzen können, ob sich die Lektüre lohnt. Darunter stehen die Bücher unseres Direktors und unsere Vorträge.
Nach Thema stöbern
Vier Themen ziehen sich durch alles, was wir veröffentlichen. Jedes sammelt die Artikel zu einem Teil unserer Arbeit.
-
Strategie & ROI
Wo sich KI-Investitionen auszahlen und wo sie stocken.
18 Artikel
-
LLM- & Agenten-Engineering
Retrieval, Evaluation, Agenten und offene Modelle im Produktivbetrieb.
14 Artikel
-
Team & Kompetenz
Arbeiten mit Human-in-the-Loop, Kompetenzen und die Einführung von KI im Team.
10 Artikel
-
Sicherheit & Governance
Angriffsfläche, Datenschutz und die Nachvollziehbarkeit von KI-Systemen.
4 Artikel
Bücher unseres Teams
Unsere umfassenden Schulungsprogramme basieren auf praktischer Implementierungserfahrung, die in Bestseller-Büchern unseres Teams vorgestellt wird
Retrieval Augmented Generation, The Seminal Papers
Published: March 2026 | New Release
Principles for architecting reliable and verifiable AI
Retrieval Augmented Generation (RAG) is a standard process for grounding LLM prompts in user-specified content rather than relying only on a model’s training data. RAG has grown from a simple prompt engineering workflow into a sophisticated set of data analysis, storage, and retrieval techniques. Retrieval Augmented Generation, The Seminal Papers explores foundational research papers that explain why RAG works, how it’s built, and what makes it different from other approaches.
Focus areas include:
Retrieval Augmented Generation AI Architecture Verifiable AI
Generative AI with LangChain (2nd edition)
Published: May 2025 | Amazon Bestseller in Programming
Build production ready LLM applications and advanced agents using Python and LangGraph
A practical guide to leveraging LangChain and LangGraph for GenAI implementation, with real-world examples ranging from customer support to data analysis. The 2025 edition features updated code examples and improved GitHub repository.
Focus areas include:
Enterprise-grade LLM application architecture Prompt engineering best practices RAG implementation for knowledge augmentation Custom agent development Production deployment strategies
Machine Learning for Time Series with Python (2nd edition)
Published: 2026 | New Edition
Python to forecast, predict, and monitor time series with modern ML and foundation models at scale
Forecasting and time-series modelling in Python, updated with conformal prediction, causal inference, hierarchical models, and time-series foundation models.
Focus areas include:
Forecasting with modern machine learning Time-series foundation models Conformal prediction Causal inference Hierarchical forecasting
Artificial Intelligence with Python Cookbook
Published: October 2020 | BookAuthority Best-Seller
Proven recipes for applying AI algorithms and deep learning techniques
Proven recipes for applying AI algorithms and deep learning techniques using TensorFlow and PyTorch. The practical cookbook approach provides ready-to-use solutions for common AI challenges, from computer vision to natural language processing, with complete code examples and detailed explanations of implementation considerations.
Focus areas include:
Deep learning fundamentals Computer vision applications NLP implementation techniques Reinforcement learning Model optimization strategies Transfer learning approaches Hyperparameter tuning
Software, die wir veröffentlichen
Alles hier ist öffentlich auf GitHub und frei nutzbar. Die Werkzeuge stammen aus Beratungsprojekten. Der Rest ist der Code zu den Büchern.
Tools
wiggum
2 stars ShellA self-driving agent loop for Claude Code. It turns an issue description into a workplan, implements it one task at a time, runs the verification commands the project already uses, fixes what fails, and commits as it goes.
langgraph-kirokuforms
1 star PythonHuman-in-the-loop for LangGraph. A workflow pauses, asks a person to fill in a form, and resumes with their answers, talking to KirokuForms over the Model Context Protocol.
Code from the books
rag-seminal-papers
8 stars Jupyter NotebookNotebooks working through the papers that retrieval augmented generation is built on, one implementation per paper.
Companion to Retrieval Augmented Generation: The Seminal Papers, Manning 2026
generative_ai_with_langchain
1.4k stars Jupyter NotebookCode for building LLM applications and agents with Python, LangChain and LangGraph, covering the examples in the book end to end.
Companion to Generative AI with LangChain, 2nd Edition, Packt 2025
Machine-Learning-for-Time-Series-with-Python-Second-Edition
5 stars Jupyter NotebookForecasting and time-series modelling in Python, updated with conformal prediction, causal inference, hierarchical models, and time-series foundation models.
Machine-Learning-for-Time-Series-with-Python
23 stars Jupyter NotebookForecasting and time-series modelling in Python, from classical methods through to deep learning.
Companion to Machine Learning for Time Series, Packt 2021
Artificial-Intelligence-with-Python-Cookbook
4 stars Jupyter NotebookRecipes across the breadth of applied AI in Python: supervised and unsupervised learning, probabilistic modelling, computer vision, language and speech.
Companion to Artificial Intelligence with Python Cookbook, Packt 2020
Vorträge & Bildung
The GenAI Build Lab: Build Production-Ready RAG with Open Models
Packt Publishing, 2026
Focus: Produktionsreifes RAG auf kleinen offenen Modellen: hybride Suche und Reranking, korrigierendes Retrieval, RAGAS-Evaluierung und offene Guardrail-Modelle
Designing secure, customised, and sovereign LLM workflows
DataFest Tbilisi 2025
Focus: Workshop zu kaskadierten Agenten-Pipelines, grammatikgesteuerter strukturierter Ausgabe, Guardrails und Golden-Set-Auswertung auf lokaler CPU
Zur VeranstaltungsseiteWhy open-source LLMs are the future of enterprise AI
DataFest Tbilisi 2025
Focus: Von öffentlichen APIs zu Open-Source-Modellen im eigenen Rechenzentrum, und wo kleine Sprachmodelle hineinpassen
Zur VeranstaltungsseiteMoving Beyond Statistical Parrots: LLMs and Their Tooling
Put Generative AI to Work 2023, ODSC 2024, Data Science Week Amsterdam
Focus: Open-Source-LLMs und Unternehmensimplementierung
Future of Data Science and LLMs
PyData London 2023
Focus: Podiumsdiskussion über Open-Source-KI-Technologien
Experimentation at Scale at loveholidays
RE•WORK, 2023
Focus: Dutzende gleichzeitige A/B-Tests auf einer eigenen Plattform, mit geringer Verzerrung und kurzer Verzögerung
Aufzeichnung ansehenMastering Machine Learning Techniques for Time-Series Analysis
PyData Bristol 2023
Focus: Merkmalsextraktion, Prognose und Anomalieerkennung für Zeitreihen in Python
Folien ansehenTime-Series Development
University of Oxford 2023
Focus: Gastvorlesung im Kurs Artificial Intelligence: Cloud and Edge Implementations
Strategic AI Implementation
Data & Analytics Summit EU 2022
Focus: KI-Strategie und Implementierungs-Roadmaps für Unternehmen
Time-Series in Python: Preprocessing and ML
ODSC 2022
Focus: Machine-Learning-Techniken für Zeitreihendaten
ML: The Good, The Bad and the Ugly
DataFest Tbilisi 2019
Focus: Wo maschinelles Lernen in der Produktion liefert und wo es schiefgeht
Podcast-Auftritte:
- The agent autonomy trap (Agent Engineering, August 2026)
- What makes an ideal job candidate (Would You Data Scientist, Januar 2022)
- Time series prediction (Data Professor, Januar 2022)
Sie suchen jemanden für eine Konferenz, eine interne Session oder einen Podcast? Wir übernehmen einige pro Jahr, zu generativer KI, MLOps und Zeitreihen. Kontakt aufnehmen