Deep Learning

Die Erziehung der Künstlichen Intelligenz und die Rolle der Qualitätssicherung

KI-basierte Anwendungen schicken sich an, die Welt, wie wir sie kennen, nachhaltig zu verändern. Nicht nur an der Oberfläche, sprich den Eingabe- und Ausgabe-Tools für die Kommunikation mit der Maschine, sondern noch viel tiefer, dort, wo automatisierte Entscheidungen mit erheblicher Reichweite getroffen werden. Aber die Intelligenz der Maschinen fällt nicht vom Himmel. Sie müssen trainiert und getestet werden. Das ist alles andere als trivial.

Machine Learning gegen Geldwäsche: „Algorithmen erkennen Kriminalitätsmuster frühzeitiger als Menschen“

Wer erinnert sich nicht an den Film „Minority Report“? Dort wurden Verbrechen von hellseherischen Menschen vorhergesagt, der genaue Tathergang via Science-Fiction-Technologie direkt aus dem Gedächtnis auf Bildschirme projiziert. Ganz so mystisch ist der Ansatz von hawk-AI und PwC, Geldwäscheprävention via Machine-Learning-Algorithmen vorherzusagen nicht. Spannend ist das Ganze dennoch. Wie genau Geldwäsche mit smarten Technologien verhindert werden kann, erklärt Tobias Schweiger, Co-Founder und CEO von hawk:AI im Interview.

Deep Learning: Training von TensorFlow-Modellen mit JVM-Sprachen

Zwar gibt es mit Frameworks wie DL4J mächtige und umfangreiche Machine-Learning-Lösungen für die JVM, dennoch kann es in der Praxis vorkommen, dass der Einsatz von TensorFlow notwendig wird. Das kann beispielsweise der Fall sein, wenn es einen bestimmten Algorithmus nur in einer TensorFlow-Implementierung gibt und der Portierungsaufwand in ein anderes Framework zu hoch ist. Zwar interagiert man mit TensorFlow über ein Python API, die zugrunde liegende Engine jedoch ist in C++ geschrieben. Mit Hilfe der TensorFlow-Java-Wrapper-Bibliothek kann man deshalb sowohl Training als auch Inferenz von TensorFlow-Modellen aus der JVM heraus betreiben, ohne auf Python angewiesen zu sein. So können bestehende Schnittstellen, Datenquellen und Infrastruktur mit TensorFlow integriert werden, ohne die JVM zu verlassen.

Schnelleinstieg in Deeplearning4j – Teil 2: Training und Verwendung

Dieser Artikel zeigt in zwei Teilen, wie man in kürzester Zeit den Einstieg in Deeplearning4j (DL4J) schafft. Anhand eines Beispiels, in dem vorhergesagt werden soll, ob ein Kunde seine Bank verlassen wird, wird jeder Schritt eines typischen Arbeitsablaufs betrachtet. Dieser Teil widmet sich dem Training und der Verwendung des Modells und wirft einen Blick über den Schnelleinstieg hinaus.

Schnelleinstieg in Deeplearning4j – Teil 1: Grundlagen und Methoden

Dieser Artikel zeigt in zwei Teilen, wie man in kürzester Zeit den Einstieg in Deeplearning4j (DL4J) schafft. Anhand eines Beispiels, in dem vorhergesagt werden soll, ob ein Kunde seine Bank verlassen wird, wird jeder Schritt eines typischen Arbeitsablaufs betrachtet. Der erste Teil befasst sich mit den Grundlagen bzw. Vorrausetzungen, um die ersten Schritte im Umgang mit Deeplearning4j meistern zu können.

Deep Learning für Echtzeit-Anwendungen mit TensorFlow, Deeplearning4j und H20

Auf der derzeit stattfindenden Machine Learning Conference in München sind die Themen Künstliche Intelligenz und Maschinelles Lernen natürlich im Fokus. Auf der W-JAX 2017 gab es allerdings auch den ein oder anderen Talk aus dem Themengebiet: Kai Wähner, Technology Evangelist bei Confluent, zeigte in seiner Session, wie Deep-Learning-Modelle in Unternehmen genutzt werden können.

Deep Learning: Es ist Zeit für eine Demokratisierung der Technologie

Deep Learning gehört derzeit wohl zu den heißesten Themen im Bereich der Software-Entwicklung. Manche AI-Experten meinen gar, Deep Learning führe zu einer komplett neuen Art von Software, sozusagen einer Software 2.0. Wir haben uns mit Shirin Glander und Uwe Friedrichsen, die beide auf der JAX 2018 eine Einführung in Deep Learning geben, über solche Zukunftsaussichten unterhalten. Außerdem klären wir, wie man heute schon ganz praktisch Deep Learning in eigenen Projekten einsetzen kann.