Coda
AllgemeinDokumente, Tabellen und Apps in einer Plattform
Allgemeine KI- und maschinelles Lernen-Werkzeuge umfassen Plattformen zum Aufbau, Deployment und Management von ML-Modellen sowie Infrastruktur-, Auswertungs- und Workflow-Tools, die KI-Entwicklung breit unterstützen. Mit 674 Tools deckt diese Kategorie ein weites Spektrum ab – von No-Code-ML-Baukästen bis hin zu entwicklerorientierten MLOps-Infrastrukturen.
Dokumente, Tabellen und Apps in einer Plattform
Wissensdatenbank-Software für Teams
KI-Chatbot für den Kundensupport
Enterprise-Plattform für Voice-KI-Agenten
Plattform zur Bewertung technischer Fähigkeiten und Personalgewinnung
No-Code-Plattform zum Erstellen von KI-Apps
KI-Stimmklone aus Audioaufnahmen erstellen
Den Aufnahmeort eines Fotos per KI bestimmen
Synthetische Nutzer-Personas erstellen und KI-Forschung durchführen
Patientengespräche aufzeichnen und medizinische Notizen automatisch erstellen
Automatisierte Aufsatzbewertung mit detailliertem Feedback
Forschungslabor für souveräne und datenschutzgerechte KI
Automatische Bewertung von Interview-Antworten
Mock-Interviews mit sofortigem Feedback für Coding und System Design
Videos und Dateien in strukturierte Dokumentation umwandeln
KI-Unterstützung bei der Universitätsbewerbung
KI-Agent-Plattform für personalisierte Kundeninteraktionen im großen Maßstab
Strukturierte Planungstools für Team-Brainstorming
Content-Erstellungstool für verschiedene Formate
Inhalte direkt in Notion generieren
Synonyme finden und Texte mit KI umformulieren
KI-Auswirkungsanalyse für schnellere Feature-Entwicklung
ChatGPT-Gespräche im Team teilen und verwalten
Vokabellernen mit Karteikarten in mehreren Sprachen
Diese Kategorie richtet sich an sehr unterschiedliche Zielgruppen. Plattformen wie Ultracode und Workverse setzen auf Automatisierung und Produktivitätsanwendungen auf KI-Basis, während Infrastrukturtools wie EdgeTrace Ingenieure beim Management von Modell-Pipelines und der Überwachung von Produktionssystemen unterstützen. Tools wie Userpersona und Hippo Scribe wenden Techniken des maschinellen Lernens auf spezifische Aufgaben an, etwa Persona-Generierung oder medizinische Transkription. Das verbindende Element ist, dass sie auf maschinellem Lernen basieren, sich aber nicht eindeutig in ein enges Segment wie Bildgenerierung oder Sprach-zu-Text einordnen lassen. Bei der Navigation durch diese Kategorie sind die nützlichsten Filter die technische Tiefe (No-Code vs. API-first), die Deployment-Umgebung (Cloud vs. Self-Hosted) und der Anwendungsfall. Viele Enterprise-Tools erfordern individuelle Preisangebote, während Entwickler-Tools häufig nutzungsbasierte Abrechnung anbieten. Die Auswertung von Modellgenauigkeit und Latenz auf den eigenen Daten ist fast immer notwendig, bevor man sich für den Produktionseinsatz entscheidet.