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
KI-Chatbot für den Kundensupport
No-Code-Plattform zum Erstellen von KI-Apps
KI-Stimmklone aus Audioaufnahmen erstellen
Automatisierte Aufsatzbewertung mit detailliertem Feedback
Forschungslabor für souveräne und datenschutzgerechte KI
Videos und Dateien in strukturierte Dokumentation umwandeln
Strukturierte Planungstools für Team-Brainstorming
KI-Auswirkungsanalyse für schnellere Feature-Entwicklung
ChatGPT-Gespräche im Team teilen und verwalten
KI-Inhalte erstellen, die deinen eigenen Stil bewahren
Schreibkorrektur in mehreren Sprachen
KI-gestützte Reiseplanung und -buchung
Bilder, Texte und Audio mit einfacher Oberfläche erstellen
Voiceovers für Langform-Inhalte zu geringeren Kosten erstellen
Videos in über 90 Sprachen übersetzen
Dokumentation automatisch aus Video-Walkthroughs erstellen
KI-Benotung für Aufsätze und Aufgaben
Sprachnotizen automatisch in Text umwandeln
arXiv-Forschungsartikel in Sekunden zusammengefasst
KI-Workflows und APIs visuell ohne Code erstellen
Nutzerfeedback sammeln und Changelog-Einträge verwalten
Tägliche Daten zu US-Energie, Stromnetzen und Genehmigungen
Schritt-für-Schritt-Anleitungen automatisch erstellen
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.