Replicate KI-Mitarbeiter
Ein KI-Mitarbeiter von Superkind, der in Replicate Predictions prüft, Modellfehler erklärt, Deployments überwacht und Tickets anlegt. Du schreibst ihm in Teams oder Outlook, er arbeitet in Replicate und meldet das Ergebnis zurück. Vor sensiblen Aktionen wie neuen Trainings oder Änderungen an Deployments wartet er auf deine Freigabe.
- Hosting in der EU
- AVV nach DSGVO
- Sofort startbereit
- Arbeitet in Teams, Slack und mehr
Was ist ein Replicate-KI-Mitarbeiter?
Ein Replicate-KI-Mitarbeiter ist eine KI, die sich mit eurem Replicate-Konto verbindet und dort Arbeit erledigt. Er startet und prüft Predictions, untersucht Fehler, überwacht Deployments und legt passende Tickets an. Superkind baut diesen KI-Mitarbeiter mit eurem Firmenwissen und liefert das fertige Ergebnis dorthin, wo euer Team arbeitet.
Anders als bei Workflow-Tools wie Zapier oder Make gibt es nichts zu konfigurieren. Keine Trigger, keine Szenarien, keine Pflege. Du beschreibst das Ergebnis in normalem Deutsch, der KI-Mitarbeiter wählt die passenden Replicate-Aktionen, verkettet sie mit euren anderen Systemen und holt sich vor sensiblen Aktionen deine Freigabe.
Replicate ist eine Cloud-Plattform, auf der Teams KI-Modelle per API ausführen, trainieren und als skalierbare Deployments bereitstellen.
Du fragst in Teams
Beschreib in normalem Deutsch, was du über ein Modell, eine Prediction oder ein Deployment wissen willst.
Superkind wählt die Aktionen
Wählt die passenden Replicate-Aktionen aus und verbindet sie mit Jira, Linear oder Slack.
Superkind arbeitet in Replicate
Prüft Predictions, liest Logs und überwacht Deployments mit euren echten Daten.
Superkind meldet zurück
Liefert die Ursache, den Status und die nächsten Schritte in Teams oder Outlook.
Was kannst du Superkind in Replicate bitten?
Nachrichten, die du wirklich schreiben würdest. Eine kopieren, eure Details einsetzen, den Rest macht Superkind.
“Prüf das Deployment image-gen-prod und sag mir, warum die letzte Prediction einen Alert ausgelöst hat.”
du, an @Superkind“Erklär mir die Ursache des Fehlers in Prediction ab12 und nenne den wahrscheinlichsten nächsten Schritt.”
du, an @Superkind“Leg zu diesem fehlgeschlagenen Replicate-Lauf ein Jira-Ticket mit Logs, Modellversion und Besitzer an.”
du, an @Superkind“Melde dich hier, sobald eine neue Prediction in Replicate fehlschlägt, mit Fehler, Deployment und Link.”
du, an @SuperkindWie arbeitet Superkind mit Replicate?
- Native Integrationen und Connectoren für über 1.000 Tools
1Systeme verbinden
Verbinde Replicate sicher über ein API-Token. Ergänze Teams und die Systeme, die euer Team ohnehin nutzt, etwa Jira, Linear oder Slack. Superkind übernimmt die Anmeldung und stellt die Verbindung für eure vereinbarten Aufgaben her.
@Superkind starte eine Test-Prediction für image-gen-prod und prüfe, warum das Deployment seit heute Morgen Fehler meldet.
Bin dran. Ich starte die Test-Prediction in Replicate und prüfe Deployment, Logs und Modellversion.
2Sag Superkind, was du brauchst
Schreib deinem KI-Mitarbeiter in Teams wie einem Kollegen. Bitte ihn, eine fehlgeschlagene Replicate Prediction zu prüfen oder ein Deployment zusammenzufassen. Normales Deutsch reicht, Superkind wählt die passenden Aktionen.
- Deployment image-gen-prod alarmiert
- Prediction ab12: CUDA-Speicher voll
- Modellversion 7f3 weiterhin aktiv
Prediction ab12 erstelltWartet auf deine FreigabeDeployment-Konfiguration aktualisieren?3Superkind arbeitet, du gibst frei
Superkind prüft Replicate, liest Prediction-Logs und schreibt das Ergebnis in Teams zurück. Neue Trainings, kostenpflichtige Predictions und Änderungen an Deployments warten auf deine Freigabe. Jeder Schritt wird protokolliert.
Was kann Superkind in Replicate tun?
Frag in normalem Deutsch aus Teams oder Outlook. Superkind wählt die passenden Replicate-Aktionen, erledigt die Arbeit und meldet zurück. Keine Workflows bauen.
Prediction starten
Startet eine Prediction mit Modellversion, Input und optionalem Webhook.
Prediction abrufen
Liest Status, Output, Fehler und Metriken einer Prediction über ihre ID.
Predictions auflisten
Listet die letzten Predictions des Kontos mit Status und Erstellungszeit auf.
Prediction abbrechen
Bricht eine laufende Prediction über ihre ID ab.
Prediction-Fehler erklären
Ordnet Error, Logs und Metriken einer fehlgeschlagenen Prediction ein.
Modelle suchen
Sucht öffentliche Modelle, Collections und Dokumentation nach einem Begriff.
Modell abrufen
Liest Besitzer, Beschreibung, Sichtbarkeit und aktuelle Version eines Modells.
Modellversionen auflisten
Listet die veröffentlichten Versionen eines Modells mit ihren IDs auf.
Modell-README lesen
Liest das README eines Modells mit Nutzungshinweisen und Beispielen.
Modellbeispiele auflisten
Zeigt veröffentlichte Beispiel-Predictions eines Modells mit Input und Output.
Deployment anlegen
Erstellt ein Deployment für ein Modell mit Hardware und Skalierungsparametern.
Deployment abrufen
Liest Modell, Version, Hardware, Status und Skalierung eines Deployments.
Deployments auflisten
Listet alle Deployments des Kontos mit Besitzer und Name auf.
Deployment aktualisieren
Ändert Modellversion, Hardware oder minimale und maximale Instanzen eines Deployments.
Deployment löschen
Löscht ein Replicate Deployment mit Besitzer und Name.
Deployment-Prediction starten
Startet eine Prediction über den stabilen Endpunkt eines Deployments.
Training starten
Startet ein Training aus einer Modellversion mit Trainingsdaten und Zielmodell.
Training abrufen
Liest Status, Output, Fehler und Metriken eines Trainings über seine ID.
Trainings auflisten
Listet die letzten Trainings des Kontos mit Modell und Status auf.
Training-Fehler erklären
Ordnet Error, Logs und Metriken eines fehlgeschlagenen Trainings ein.
Collections auflisten
Listet kuratierte Replicate Collections mit Name, Slug und Beschreibung auf.
Collection abrufen
Liest die Modelle einer Collection, zum Beispiel Super Resolution oder Text to Image.
Hardware auflisten
Listet verfügbare Hardware mit Namen und technischen Angaben für Modelle auf.
Konto abrufen
Liest Benutzername, Name und Kontotyp des authentifizierten Replicate-Kontos.
Webhook-Signatur prüfen
Prüft eingehende Replicate Webhooks anhand des Signatur-Headers und des Signing Secret.
Incident-Ticket vorbereiten
Bereitet aus Prediction-ID, Error, Logs und Modellversion ein Ticket für Jira oder Linear vor.
Superkind nutzt Replicate zusammen mit euren anderen Systemen
Bitte um Ergebnisse über mehrere Tools hinweg. Der KI-Mitarbeiter prüft Replicate, verbindet den Befund mit GitHub, Jira oder Linear und liefert das fertige Ergebnis in Teams oder Outlook.
Superkind KI-Mitarbeiter, die mit Replicate arbeiten
Jede Rolle bringt ihre Fachkenntnis mit und nutzt Replicate als eines ihrer Werkzeuge.
Unternehmen, die mit Superkind arbeiten
Häufig gestellte Fragen
Alles, was du über deinen KI-Mitarbeiter für Replicate wissen musst.
Ja. Superkind bindet Replicate über einen verwalteten Connector an. Nach der Verbindung kann dein Team den KI-Mitarbeiter aus Microsoft Teams oder Outlook heraus Predictions prüfen, Deployments überwachen und Fehler untersuchen lassen. Du brauchst keinen Workflow-Builder und keinen eigenen Integrationscode. Der KI-Mitarbeiter erhält nur die Rechte, die er für die vereinbarten Aufgaben benötigt.
Du hinterlegst ein Replicate API-Token mit den benötigten Berechtigungen in der geschützten Verbindung. Wir richten den Connector gemeinsam mit euch ein, testen den Zugriff auf Modelle, Predictions und Deployments und begrenzen den Umfang auf eure Aufgaben. Danach steht Replicate dem KI-Mitarbeiter in Teams und Outlook zur Verfügung, ohne dass Mitarbeitende das Token sehen oder kopieren müssen.
Er kann öffentliche Modelle suchen, Predictions starten und prüfen, Fehler und Metriken auswerten, Modellversionen lesen, Deployments überwachen und Trainings verfolgen. Außerdem kann er aus einem fehlgeschlagenen Lauf ein Ticket für Jira oder Linear vorbereiten. Welche Replicate-Aktionen selbstständig laufen und welche eine Freigabe brauchen, legt ihr bei der Einführung gemeinsam mit uns fest.
Nein. Bei Zapier oder Make baust du Trigger, Verzweigungen und einzelne Schritte und pflegst sie bei Änderungen. Beim KI-Mitarbeiter beschreibst du in Teams oder Outlook einfach das gewünschte Ergebnis. Superkind wählt die passenden Replicate-Aktionen, verbindet sie bei Bedarf mit GitHub, Jira oder Linear und fragt nach, wenn Informationen fehlen oder die Aufgabe nicht eindeutig ist.
Nur mit deiner Freigabe. Superkind kann Predictions, Modelle, Logs und Deployment-Einstellungen selbstständig lesen und zusammenfassen. Bevor der KI-Mitarbeiter ein Training startet, eine kostenpflichtige Prediction ausführt, ein Deployment verändert oder löscht, wartet er in Teams auf das Ja einer verantwortlichen Person. Ihr bestimmt, welche Replicate-Aktionen sensibel sind und wer sie freigeben darf.
Superkind wird in der EU gehostet und schließt mit euch einen Auftragsverarbeitungsvertrag nach DSGVO. Der Connector nutzt ein Replicate API-Token mit möglichst wenigen Berechtigungen. Eure Inputs, Outputs und Logs werden nicht zum Training von Modellen verwendet. Jede ausgeführte Aktion wird protokolliert, sodass euer Team Zugriffe und Änderungen später nachvollziehen kann.
Replicate hat keinen festen Tarif pro Nutzer, sondern rechnet nutzungsabhängig nach Modell, Input, Output oder Rechenzeit ab. Zapier startet bei etwa 20 Euro pro Monat, Make bei etwa 10 Euro pro Monat, jeweils zusätzlich zur Einrichtungszeit. Superkind wird pro Use Case bepreist, ein Bruchteil einer Vollzeitstelle. Die Replicate-Nutzungskosten fallen davon getrennt an.