Die Menschheit ist mehr denn je mit künstlicher Intelligenz (KI) konfrontiert. Doch wie "intelligent" sind diese Systeme wirklich? Wir sprachen mit Marisa Tschopp, Forscherin bei scip ag und Sprecherin auf der ML Conference 2018, über den Künstlichen Intelligenz-Quotienten, wie man akademische IQ-Tests automatisiert und vieles mehr.
Die ML Conference 2018 in München steht unter dem klaren Motto: Wir sind noch lange nicht am Ende und es gibt noch so viel zu lernen. Der erste Konferenztag ist vorbei und wir richten den Scheinwerfer auf eine kleine Zusammenstellung der spannendsten Themen.
Neuronale Netze lernen. Doch oftmals ist es für Menschen nicht ersichtlich, wie ein Neuronales Netz zu seinen Entscheidungen gekommen ist. Dieses "Blackbox"-Problem thematisiert Xander Steenbrugge, Machine-Learning-Experte bei ML6, auf der Machine Learning Conference 2018. Wir haben ihn zum Interview gebeten und fragen nach, welche Möglichkeiten es derzeit gibt, die Entscheidungen Neuronaler Netze dennoch nachzuvollziehen.
Die Machine Learning Conference 2018 in München ist gestartet. Für alle, die dieses Jahr leider keine Gelegenheit haben, an der Konferenz teilzunehmen, streamen wir die Eröffnungs-Keynote von Xander Steenbrugge live!
Tief im Innersten ist Machine Learning ein reines Zahlenspiel. Bis auf wenige Ausnahmen ist die tatsächliche Eingabe in ein ML-Modell immer eine Sammlung von Float-Werten. Dies ist einfach für Bilder, bei denen Pixel nur numerische Farbwerte sind. Doch wie funktionieren ML-Algorithmen bei Wörtern und Buchstaben? Wir haben bei Christoph Henkelmann, ML-Experte bei DIVISIO und Sprecher auf der Machine Learning Conference, nachgefragt, wie man Maschinen dazu bringt, Texte zu verstehen.
Machine Learning ist kompliziert, oder? Von diesem Gedanken sollte man sich nicht abschrecken lassen. Der Einstieg kann nämlich auch ganz leicht gelingen, wie Joel Lord auf der International JavaScript Conference 2017 gezeigt hat.
IoT-Lösungen lassen sich in der Industrie vielfältig nutzen. Zusammen mit künstlichen Intelligenzen können sie beispielsweise den Energie- und Materialverbrauch senken oder Wartungszyklen optimieren. Was muss man dabei beachten?
Künstliche Intelligenz (KI) prägt unseren Alltag immer mehr: Sie findet sich in Sprachassistenten wie Siri, Cortana, Amazons Alexa, Produktempfehlungs-Engines und auch in den automatisierten Werbebannern, deren Anzeigen auf den letzten Einkäufen des Nutzers beruhen. Die Einführung intelligenter Systeme bringt allerdings nicht nur Vorteile, sondern auch Herausforderungen mit sich.
Ein KI-System zu bauen ist schwer. Echtzeit-KIs bringen aber nochmals ganz eigene Herausforderungen mit sich. Dr. Jamie Allsop berichtet in diesem Video von der Machine Learning Conference 2017, wie algorithmische Architekturen dabei helfen, KI-Systeme mit Echtzeit-Funktionalität zu bauen.
Wie steigt man ohne Overhead und Umwege ins Deep Learning ein? Mit diesem Kick-Start-Guide, der zeigt, wie man ganz schnell ein Beispiel mit Python und dem Paket Keras zum Laufen bekommt. Es geht dabei nicht darum, diverse Optionen zu berücksichtigen und Optimierungen durchzuführen, sondern schnell zu starten, um dann etwas in den Background einzutauchen.
iOS bringt einige Tools für das Machine Learning mit. Welche das sind und wann man sie wirklich einsetzen sollte, haben wir Alexander von Below auf der Mobile Technology Conference 2018 in München gefragt.
Der kometenhafte Aufstieg des Machine Learnings bringt immer neue Tools hervor, die Entwickler beim Training ihrer Modelle unterstützen. Eines dieser Tools ist Comet. Mit dem Tool lassen sich nicht nur Modelle nachverfolgen, um sie besser reproduzierbar zu machen, Comet liefert auch Vorschläge für die Optimierung von Modellen, bringt GitHub-Integration und eine Kommentarfunktion.
