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.

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.

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.

Jahrelang nur akademische Kuriosität und jetzt in aller Munde: neuronale Netze. Was es damit auf sich hat, wie sie funktionieren und was es dabei zu beachten gilt, erklärt Christoph Henkelmann (DIVISIO GmbH) in seiner Session auf der JAX 2019.

Apache SINGA, eine Open-Source-Bibliothek für verteilte und skalierbare Machine-Learning-Anwendungen, hat den Inkubator der Apache Software Foundation (ASF) verlassen. Das neue Top-Level-Projekt hat bereits ein paar Jahre auf dem Buckel, ist aber thematisch so aktuell wie nie zuvor…

Die Arbeit an TensorFlow 2.0 geht in den Endspurt: Mit den ersten Release Candidates wurden auch die Highlights und Breaking Changes der neuen Version vorgestellt. Entwickler müssen sich auf einige Änderungen im Vergleich zum Vorgänger gefasst machen.

JAXnet ist eine neue Python-Bibliothek für Deep Learning. Sie soll gegenüber beliebten Machine-Learning-Bibliotheken wie PyTorch einige Vorteile bieten und befindet sich noch in einem frühen Entwicklungsstadium.

Twitter hat das Start-up Fabula AI übernommen, das nach eigenen Angaben Fake News durch Algorithmen mit einer Genauigkeit von 93 % erkennen kann. Dazu wird das patentierte Verfahren Geometric Deep Learning eingesetzt.

Die neueste Beta zum ersten Major Release von Eclipse Deeplearning4j umfasst mehrere neue Features. Dazu gehört unter anderem die Unterstützung für verschiedene Datentypen von n-dimensionalen Arrays. Am CUDA-Support wurden ebenfalls Anpassungen vorgenommen.

Pyro ist eine Programmiersprache für tiefe probabilistische Programmierung. Sie ist nun das neueste Inkubationsprojekt der LF Deep Learning Foundation.

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.

Die Deep Learning Toolbox Ludwig von Uber ist Open Source. Mit ihr soll es auch ohne Programmierkenntnisse möglich sein, mit Deep Learning zu arbeiten.

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.

Machine Learning ist ein spannendes Forschungsfeld. Noch spannender ist aber die Frage, wie sich die Konzepte in die Praxis umsetzen lassen. Genau das war ein wichtiges Thema am ersten Tag der ML Conference 2018.

Machine Learning, Deep Learning, verschiedene Arten von Networks, Tools und Frameworks: Die Welt des maschinellen Lernens ist groß und bietet inzwischen schon zahlreiche Optionen. Wir haben mit Oliver Zeigermann, Trainer auf dem ML Summit, über genau diese Vielfalt gesprochen.

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.

In unserer Artikelserie „Women in Tech“ stellen wir ebenso spannende wie inspirierende Frauen vor, die erfolgreich in der IT-Branche Fuß gefasst haben. Heute im Fokus: Alison B. Lowndes, Entwicklerin im Bereich künstliche Intelligenz bei NVIDIA.

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.