LONDON (IT BOLTWISE) – Cloudflare stellt mit Clairic ein neues KI-Extraktionsmodell als Vorschau auf Workers AI bereit. Anders als klassische LLMs gibt Clairic Werte strukturiert zurück, inklusive Konfidenz, Spannen im Originaltext und Wahrscheinlichkeiten für Null-Treffer. Das Modell ist auf schnelle, kostengünstige Vorhersagen ausgelegt und ergänzt so „System One“-Workflows, in denen Daten direkt in entscheidungsfähige Felder überführt werden. Offen ist, wie gut Clairic bei komplexen mehrstufigen Rechnungen abschneidet und in welchen Grenzen sich die Schätz- und Prognosefunktionen für konkrete Use Cases bewähren.
Wer bei Dokumenten, Support-Mails oder Belegen bislang „ein LLM dazu bringen“ musste, aus freiem Text JSON zu basteln, kennt die zwei typischen Stresspunkte: Erstens entstehen Fehler, die erst nachgelagert auffallen (falsche Typen, verschobene Zahlen, uneindeutige Felder). Zweitens fehlt oft die Nachvollziehbarkeit, weil der generierte Text nicht automatisch zeigt, wo im Original die Information herkam. Genau hier setzt Clairic an, das Cloudflare als Vorschau eines neuen Modelltyps vorstellt: System One extraction models, also Extraktionsmodelle, die nicht tokenbasiert schreiben, sondern Werte direkt aus Eingaben ableiten.
Im Kern unterscheidet sich das Modellkonzept von dem, was viele Teams aus der LLM-Praxis kennen. System One wird in der Veröffentlichung über die Idee „schnell und präzise“ beschrieben und als Gegenstück zu System Two, bei dem ein Modell bewusst rechnet oder „langsam“ arbeitet. Clairic ordnet sich dabei in eine neue Klasse ein, die nicht primär Entscheidungen trifft (wie etwa Clef als Entscheidungmodell), sondern Eingaben in getypte Ausgaben transformiert. Laut Beschreibung läuft Clairic in einem einzigen Forward-Pass ähnlich wie bei Entscheidungsmodellen: Es verarbeitet die Input-Tokens ohne Ausgabekontextschleife und erzeugt keine Texttokens. Daraus folgt eine Kosten- und Latenzcharakteristik, die insbesondere bei vielen Feldern pro Dokument interessant wird.
Das Output-Schema ist dabei nicht nur „formattreu“, sondern an Typregeln gekoppelt. Für Clairic nennt Cloudflare mehrere Kategorien: extrahierte Werte (Textspannen mit Character-Offsets und Konfidenz), berechnete Werte (Zahlen, Datumsangaben, Zeitdauern oder Listen, die aus dem Input abgeleitet und in Typregeln gegossen werden) sowie geschätzte Werte (nicht direkt im Text, aber durch Evidenz nahegelegt) und forecasted values (Vorhersagen pro Zeitschritt, ebenfalls mit Intervallen). Für jede Antwort führt das Modell Konfidenzwerte und eine spezielle Größe p_null ein, also die Wahrscheinlichkeit, dass ein Feld im Input nicht vorkommt. Für geschätzte und forecasted Antworten liefert Clairic außerdem eine Median- und eine 80%-Spanne (p10 bis p90), und auf Anfrage sollen zudem alle 99 Perzentile verfügbar sein. Praktisch heißt das: Statt „eine einzelne Zahl“ zu erhalten, kann ein System die Breite des Intervalls als Signal für Verlässlichkeit nutzen und so Automatisierung nach Risiko steuern.
Technisch beschreibt Cloudflare den Request als „State“ plus ein Mapping typisierter Felder. Der State besteht aus dem Text (und optional bis zu vier Bildern) und die Felder werden pro Anfrage mit Typ und gegebenenfalls Klartext-Instructions definiert. Das Modell beantwortet dann pro Feld genau eine getypte Antwort – in einer einzigen parallelisierten Berechnungsrunde. Wichtig ist auch der Umgang mit Skalierung: Es gibt laut Angabe keine starre Feldanzahl, denn passt die komplette Menge nicht neben den Input in einem Pass, teilt der Server auf mehrere parallele Pässe auf, sieht dabei aber weiterhin den gesamten Input pro Teilpass und merge’d anschließend die Antworten. Damit adressiert Clairic ein typisches LLM-Problem: Teams bauen oft auf Schema-Validierung, Retries und Spot-Checks, weil jede zusätzliche Frage im Prompt und jede generierte Tokenmenge Kosten und Fehlerraten erhöht.
Besonders greifbar wird der Ansatz in den Beispielen aus der Veröffentlichung. Beim Extrahieren aus einer Support-Mail macht Clairic unter anderem sichtbar, dass bestimmte Werte nicht im Text „stehen müssen“, um korrekt zu funktionieren: amount_paid wird als Summe aus Preis und Steuer in derselben Pass-Antwort berechnet, days_since_delivery entsteht aus zwei Datumsangaben, und damage wird als Liste aus Textspannen zurückgegeben, die mit Offsets verknüpft sind. Gleichzeitig zeigt die demoartige Gegenprobe: tracking_number wird als null gemeldet, wenn es im Input nicht vorkommt, statt eine plausibel klingende Vermutung zu liefern. Genau diese Kombination aus „Spanne im Original“ plus „Konfidenz“ plus „p_null“ ist für Workflows relevant, in denen Auditierbarkeit zählt und man nicht nur „irgendeinen Output“ prüfen will.
Auch beim Schwenk auf Bilder bleibt das Muster konsistent: Clairic verarbeitet eine reale Belegaufnahme und extrahiert dabei verschiedene Zahlen- und Datumsfelder mit Konfidenz. Dass der Modellvorschlag kein „Discount-Raten“ erzwingt, sondern einen fehlenden Rabatt als null ausweist, entspricht dem zuvor beschriebenen Verifikationsprinzip über p_null. Beim zweiten großen Funktionsblock, dem Schätzen, ordnet Cloudflare den Unterschied zu LLM-Generierung ein: Ein LLM würde in einer ähnlichen Aufgabenstellung schnell zu einer einzigen Zahl ohne verlässliche Unsicherheitsabschätzung tendieren oder „halluzinieren“. Clairic hingegen erstellt eine Verteilung innerhalb eines vom Nutzer vorgegebenen Bounds- und Grid-Setups (inklusive Skala wie log) und interpretiert die Intervallbreite als Evidenzsignal. Für Forecasts positioniert sich Clairic zudem bewusst als „Zwischenlösung“: Es soll schneller und günstiger als ein dediziertes Zeitreihenmodell sein, aber ersetzt dieses nicht vollständig.
Als konkretes Belastungsszenario nennt die Veröffentlichung eine öffentliche Zeitreihe zu den täglichen Passagierzahlen an US-Flughafen-Checkpointkontrollen (TSA). Clairic soll 21 Tage lang jeweils den Wert für den nächsten Tag vorhergesagt haben, basierend auf den bis dahin bekannten realen Zahlen, und laut Bericht lag der Fehler im Schnitt bei 3,3%. Zudem sollen 17 von 21 tatsächlichen Tageswerten im 80%-Intervall gelegen haben – ein Ergebnis, das zur gewünschten Kalibrierung des Intervalls passt. Gleichzeitig werden typische Grenzen markiert: Wochenenden rund um ein Feiertagsereignis führen zu Ausreißern, weil im Trainings-/Inputmuster keine Feiertagslogik enthalten ist. Diese Einordnung ist wichtig für Entscheider, die Forecasts nicht als „perfekte Prognose“, sondern als datengetriebenes Risiko-Framework verstehen wollen.
Für die Umsetzung in Unternehmens-Workflows ist vor allem die Kaskade aus Extraction, Decision und einem letzten Aktionsteil relevant. Cloudflare beschreibt einen Pipeline-Ansatz: Clairic extrahiert Werte aus der Support-Mail, Clef trifft eine Entscheidung anhand der Policies und der getypten Felder statt anhand der Rohmail, und erst danach erzeugt ein LLM die finale Antwort. In der beschriebenen Demo verbessert sich das Ende-zu-Ende-Ergebnis nicht nur in Latenz, sondern auch in Stabilität: Wo ein All-LLM-Ansatz sowohl Extraktion als auch Entscheidung übernimmt, sollen sich die Repair-Kostenschätzungen unterschiedlich verhalten und die Systematik hängt stärker an Promptformulierung und Token-Generierung. Zudem hebt die Veröffentlichung hervor, dass die All-LLM-Variante in diesem Szenario offenbar weitere Modelle nicht zuverlässig schematisch ableiten konnte. Für Teams bedeutet das: Ein „Value-to-Action“-Design reduziert die Angriffsfläche für fehlerhafte Textinterpretationen und macht Felder auditierbarer.
Clairic ist aktuell als gehosteter Endpunkt auf Workers AI verfügbar, und Cloudflare plant, die Gewichte („open weights“) „soon“ bereitzustellen. In den ersten Eindrücken gibt es allerdings klare Leitplanken: Mehrstufige Arithmetic-Chains sind noch nicht zuverlässig, Ein- und Zwei-Schritt-Rechnungen hingegen sollen funktionieren. Ebenso werden Schätzungen als evidenzabhängig beschrieben: Ohne Belege im Input kann die Spezifität begrenzt sein, und Kalibrierung sei gemessen, nicht garantiert. Für Forecasts verweist der Anbieter darauf, dass man für detaillierte, lange Horizonte eher Zeitreihenmodelle heranzieht. Unterm Strich liefert Clairic aber genau das, was viele LLM-Projekte im Produktionsbetrieb schmerzhaft vermissen: strukturierte, typisierte Ergebnisse mit Konfidenz, Intervallen und Null-Wahrscheinlichkeiten, sodass Automatisierung nicht nur „schnell“, sondern auch steuerbar bleibt.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Clairic: Neue KI-Extraktionsmodelle liefern Werte, nicht Text" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Clairic: Neue KI-Extraktionsmodelle liefern Werte, nicht Text" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Clairic: Neue KI-Extraktionsmodelle liefern Werte, nicht Text« bei Google Deutschland suchen, bei Bing oder Google News!