Tristan Ratz

Engineering Team Lead (AI, Search, Knowledge)

English
Porträt von Tristan Ratz

Tristan Ratz

Engineering Team Lead (AI, Search, Knowledge)

Bei Serviceware verantworte ich die Teams rund um KI, Suche und Wissen der KI-nativen Serviceware Platform. Wir arbeiten an der Zukunft des KI-nativen Enterprise Service Management (ESM) und definieren mit Agent Hub neu, wie Menschen in der Service-Branche arbeiten.

Davor war ich Generative-AI-Consultant bei Genow AI und habe Wirtschaftsinformatik (Information Systems) an der TU Darmstadt studiert, mit Schwerpunkt Natural Language Processing, von Question Answering bis Retrieval Augmented Generation.

Worauf ich immer wieder zurückkomme: In Produkten ist KI Mittel zum Zweck und kein Selbstzweck. Ein Modell ist nur so gut wie die Erfahrung, die es ermöglicht. Wenn Menschen die KI mehr bemerken als die Verbesserung, ist etwas schiefgelaufen.

Wohnort

Darmstadt bei Frankfurt,
Hessen, Deutschland

Arbeitet bei

Serviceware als
Engineering Team Lead (AI, Search, Knowledge)

Sprachen

Deutsch (Muttersprache)
Englisch (C1)

Französisch (B1–B2)

Eigenschaften

Teamplayer
voller Energie

analytisch

neugierig

lernt schnell

Technologien

LLMs, RAG, Search, Python, PyTorch, TypeScript, React, AWS, GCP

Interessen

Große Sprachmodelle
Retrieval Augmented Generation

Suche & Wissen

Menschzentrierte KI

Ausgewählte Arbeiten

Projekte

2026

This Website: Redesign 2026

React · TypeScript · Vite · Embeddings · Model2Vec · Hybrid Search · BM25 · Physics Simulation · View Transitions

KI-generiertes Bild

2022

diverSATy

Satellite Data · Remote Sensing · Geospatial Analysis · Climate Adaptation · Green Roofs · Business Development

KI-generiertes Bild

2021

Interactive Image Segmentation

Python · Tensorflow · Label Studio · Computer Vision · Image Segmentation · Machine Learning · Bachelor Thesis

KI-generiertes Bild

2020

Podcast

Object Detection · NLP · Deep Learning · Banking

2020

Homepage

React · JavaScript · HTML · SCSS · AWS

2019

ChatApp

Swift · iOS · SwiftUI · Project Catalyst · Python · Twisted

2016

Website

PHP · HTML · CSS · MySQL · Python · Twisted

2014

Website

PHP · JavaScript · MySQL · HTML · Wordpress

02 / 13

2024

Paper: On the Role of Summary Content Units in Text Summarization Evaluation

NAACL Main Conference 2024 · NLP

KI-generiertes Bild

Wir haben untersucht, welche Rolle Summary Content Units bei der Bewertung automatischer Textzusammenfassungen spielen. Das Paper wurde auf der NAACL Main Conference 2024 angenommen. Der Code ist auf GitHub verfügbar.

Im Kern der Pyramid-Methode zur Bewertung von Textzusammenfassungen stehen von Menschen geschriebene Summary Content Units (SCUs). Diese SCUs sind knappe Sätze, die eine Zusammenfassung in kleine Fakten zerlegen. Mit ihnen lässt sich die Qualität einer Kandidaten-Zusammenfassung beurteilen, teilweise automatisiert über Natural-Language-Inference-Systeme (NLI).

Mit dem Ziel, die Pyramid-Bewertung vollständig zu automatisieren, zeigen Zhang und Bansal (2021), dass sich SCUs durch automatisch erzeugte semantische Rollen-Tripel (STUs) annähern lassen. Einige Fragen sind jedoch offen, insbesondere: i) Gibt es andere Wege, SCUs anzunähern, die Vorteile bieten? ii) Unter welchen Bedingungen bringen SCUs (oder ihre Annäherungen) den größten Nutzen?

In dieser Arbeit untersuchen wir zwei neue Strategien, SCUs anzunähern: aus AMR-Bedeutungsrepräsentationen (SMUs) und aus großen Sprachmodellen (SGUs). Wir stellen fest, dass STUs und SMUs konkurrenzfähig sind, die beste Annäherung aber mit SGUs gelingt. Über eine einfache Satzzerlegung als Baseline (SSUs) zeigen wir außerdem, dass SCUs (und ihre Annäherungen) vor allem beim Ranking kurzer Zusammenfassungen helfen, beim Ranking von Systemen oder längeren Zusammenfassungen aber weniger.