Den Lebenszyklus von Bildern und Videos in großem Maßstab zu managen, ist für Entwickler eine Herausforderung. Die Pflege von Webseiten mit zigtausenden Medien-Assets und nutzergenerierten Inhalten ist ohne eine Armee an Designern und Entwicklern – oder eben aber Automatisierung – fast unmöglich. Wie künstliche Intelligenz helfen kann, erklärt Nadav Soferman, Co-Founder und CPO von Cloudinary.

Derzeit ist es kaum empfehlenswert, eine Reise zu unternehmen. Doch auch die aktuelle Krise rund um das Corona-Virus wird eines Tages vorbei sein und dann werden die alltäglichen Probleme am Flughäfen wieder aktuell. Jeff Aaron, Vice President of Marketing bei Mist Systems, erklärt in diesem Artikel, wie künstliche Intelligenz bei solchen Problemen helfen kann.

Manchmal geht einfach alles schief, was schief gehen kann. Auch Projekte auf dem Gebiet des Machine Learnings sind davor nicht sicher, Wie man mit solchen Projekten umgeht, erklärt Vladimir Rybakov in dieser Session von der ML Conference.

Das Open-Source-Tool Kubeflow erhält nach über zwei Jahren ihr erstes großes Release und wurde als Version 1.0 veröffentlicht. Einige Kernanwendungen für die Entwicklung, Bauen, das Training und Deployment von ML-Modellen auf Kubernetes wurden mit der Major-Version reif für die Produktion.

Diese Woche gab es spannende Neuigkeiten zu Serverless Java: Gleich drei Meister dieses Fachs gaben uns Interviews über die Zukunft dieser Technologie. Ebenso begeisterte uns der beste (und erste) KI-Whisky weltweit und pünktlich zum Weltfrauentag haben wir ein Interview mit Grace Jansen über Women in Tech geführt. Last but not least erklärte uns Jan Wolter, wie man Webseiten und Apps barriefrei gestaltet.

Machine Learning ist heutzutage in aller Munde – die schwedische Brennerei Mackmyra hat diese Aussage wörtlich genommen: Mit Hilfe von Machine-Learning-Algorithmen wurde der Mackmyra Intelligens AI:01 erschaffen, der erste von einer künstlichen Intelligenz geblendete Whisky. Wir haben mal gekostet…

Machine Learning ist mehr als nur ein Hype: Daniel Molnar stellt einen bodenständigen Ansatz zur Datenverarbeitung mit Deep Learning vor. Pragmatische Lösungen stehen hier im Vordergrund, nicht GitHub-Sternchen.

Werden künstliche Intelligenzen automatisch besser, wenn man sie mit einer größeren Menge Daten versorgt? Dieser Frage geht Michael Kieweg in dieser Session von der ML Conference München 2019 nach.

Es ist bekannt, dass der Code für Machine Learning (ML) schnell unordentlich werden kann. Mit welchen Techniken lassen sich schlechte Programmiergewohnheiten vermeiden, die den Code unnötig kompliziert machen? Und welche Methoden erleichtern den Umgang mit der Komplexität?

Der quelloffene Stream-Prozessor Apache Flink ist in Version 1.10 erschienen. Flink 1.10 schließt die Hive-Integration ab und bringt neben einem verbessertem Speichermanagement auch eine native Kubernetes-Integration als Beta-Version.

Ticketsysteme, Versionskontrolle, automatische Builds und viele weitere Tools gehören fest zu den Best Practices bei der klassischen Softwareentwicklung. Kommt bei einem Projekt Machine Learning ins Spiel, kommen neue Anforderungen hinzu, die von den bisherigen Tools und Arbeitsweisen nur teilweise abgedeckt werden können. Hier kommt MLflow ins Spiel. Was MLflow ist, was man damit machen kann und was es beim Einsatz zu beachten gibt, expliziert Christoph Henkelmann in seiner Session auf der W-JAX 2019.

Im vergangenen Jahr haben eine Reihe von Initiativen zur digitalen Transformation die Technologie-Landschaft neu gestaltet. Fortschritte bei Robotic Process Automation (RPA), künstlicher Intelligenz (KI), dem Internet der Dinge (IoT) und Machine Learning (ML) beeinflussen die Art und Weise, wie Unternehmen Geschäfte tätigen. Allerdings behindern diese neuen Technologien auch viele Organisationen an der erfolgreichen Umsetzung der digitalen Transformation. Sie überstürzen oftmals das Streben nach Innovation und vernachlässigen dabei eine fundierte Ausführung und Planung. Die Folge ist ein Durcheinander von Daten und ein Mangel an schlanken Prozessen – denn keiner dieser Fortschritte wurde wirklich „operationalisiert“.

2019 hat Uber mit Manifold ein visuelles Werkzeug vorgestellt, das der Dienstleister intern zum Debuggen von Machine-Learning-Modellen einsetzt. Jetzt hat Uber das Tool als Open-Source-Software veröffentlicht.

In seiner Keynote auf der ML Conference 2019 setzte sich Eric Reiss für eine ethische Anwendung von KI ein. Entwickler verfügten über eine unglaubliche Macht, die Zukunft mitzugestalten. Unschuldige Entscheidungen könnten sich dazu weiterentwickeln, Rassismus oder Geschlechterdiskriminierung zu fördern.

Machine Learning ist mehr als nur ein Hype: In seiner Session auf der ML Conference 2019 stellt Daniel Molnar einen bodenständigen Ansatz zur Datenverarbeitung mit Deep Learning vor. Pragmatische Lösungen stehen hier im Vordergrund, nicht GitHub-Sternchen.

Spielende KI-Systeme sind nichts neues: Ob Schach oder Go, die KI gewinnt. Aber auch andere Arten von Spielen können per maschinellem Lernen geknackt werden. Juantomás Garcia Molina zeigt in dieser Session von der ML Conference 2019, wie eine KI lernen kann, The Abbey of Crime zu lösen, das zu den kompliziertesten Spielen überhaupt zählt.

Autoencoder stellen eine spannende Möglichkeit für maschinelles Lernen dar. Aber wann sollte man darauf setzen? Das erklärt Christoph Henkelmann in dieser Session von der ML Conference.

Bei der Entwicklung von Chatbots spielen verschiedene Aspekte eine Rolle, angefangen vom Bot-Charakter über die Architektur bis hin zum Testen und Deployment. Dr. Christoph Windheuser bot in seiner Session auf der ML Conference 2019 einen Überblick – mitsamt der Live-Demonstration eines Chatbots im industriellen Kontext.

Mit Machine Learning lässt sich voraussagen, wie viele Taxis New York City braucht. Welche Methoden dabei zum Einsatz kommen und wie das geht, erklärt Fabian Hertwig in dieser Session von der ML Conference 2019.