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.

Computer spielen besser Schach als menschliche Spieler. Wie funktioniert das aber? Dieser Frage geht Oliver Zeigermann in dieser Session von der ML Conference 2019 nach. Der Speaker erklärt, welche Prinzipien hinter Stockfish und AlphaZero stecken.

Oft ist die Interaktion mit Chatbots eher anstrengend. Aber woran liegt das? Ist die Technologie nicht ausgereift oder mangelt es an der passenden Implementierung? Dieser Frage geht Pieter Buteneers in dieser Session von der ML Conference 2019 nach.

Wer die Bienen in einem Bienenstock zählen will, braucht viel Geduld. Oder ein gutes Deep-Learning-Tool! Mit DeepBee haben Thiago da Silva Alves und Jean Metz auf der ML Conference 2019 eine Lösung genau dafür vorgestellt.

Deep Probabilistic Modelling: Wie sieht eine angemessene Modellierung unsicheren Wissens für die Analyse mit Machine Learning aus? Einen Ansatz mit Pyro stellt Chi Nhan Nguyen in dieser Session von der ML Conference 2019 vor.

Wie funktioniert Reinforcement Learning? Laut Dr. Christian Hidber lernen die Algorithmen intuitiv und durch Experimentieren, so wie ein Kind ein neues Spiel erlernt. Das demonstrierte er auf der ML Conference 2019 anhand eines industriellen Anwendungsbeispiels.

Aus Fehlern kann man lernen. Das gilt auch für die Softwareentwicklung. Mit verschiedenen Instrumenten kann man aus vergangenen Ereignissen lernen und Vorhersagen für die künftige Entwicklung treffen. Wie das geht, erklärt ML Conference Speaker Vadim Markovtsev in dieser Session.

Machine Learning wird mit Python betrieben, im kommerziellen Umfeld wird aber oft die JVM genutzt. Christoph Henkelmann erklärt in dieser Session von der ML Conference 2019, wie man beide Welten am besten kombiniert.

Vergangene Woche segelte Kubernetes 1.17 in den Hafen von JAXenter ein und hatte insgesamt 22 Erweiterungen mit an Bord. Ebenfalls neu erschienen ist Goyave – ein Go-Framework, das Entwicklern beim Erstellen von Webanwendungen unterstützt. Daneben haben wir auch einen Blick auf ein von Entwicklern ziemlich beliebtes Thema geworfen: Programmiersprachen. Was sonst noch wichtig war, erfahrt Ihr in unserem Wochenrückblick.

TensorFlow ist Googles Framework für Neuronale Netzwerke und auch über die Grenzen von Google hinaus ein Standard. Welche Features in TensorFlow 2 neu hinzugekommen sind und was man damit alles anstellen kann, erklärt Oliver Zeigermann (embarc) in seiner Session auf der W-JAX 2019.