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.

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.

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.

Noch müssen Menschen in den meisten Fällen den Maschinen Daten und deren Interpretation beibringen. Mit der Webanwendung Datalore wollen die Entwickler von JetBrains diesen Schritt zumindest ein wenig vereinfachen. Die Anwendung ist seit Februar in der offenen Beta verfügbar und soll das Erstellen von Berechnungen einfach und kollaborativ machen. Dabei wird unter anderem auf intelligente Vorschläge und inkrementelle Kalkulation gesetzt.

Eigentlich wollten wir uns zu dem Thema nicht mehr äußern aber… Es gibt jetzt ein serienreifes Smartphone ohne Notch, dafür mit umso mehr Bildschirm! So, das musste raus. Außerdem dabei: mit dem ML Kit will Google das Machine Learning für alle zugänglich machen und die Release-Zyklen für Android werden kürzer.

Wird Skynet bald die Kontrolle über die Menschheit übernehmen? Werden die Roboter von Boston Dynamics uns versklaven? Das ist wohl (noch) Zukunftsmusik. Doch das Thema Machine Learning nimmt zunehmend fahrt auf und immer mehr Entwickler beschäftigen sich bereits mit den Möglichkeiten, die „ML“ mit sich bringt. Sie auch?

Mit Kubeflow sollen TensorFlow-Modelle von ihrer Umgebung unabhängig werden. Egal, ob Server, lokal oder in der Cloud, mit Kubeflow soll TensorFlow überall laufen, wo schon Kubernetes läuft. Die Implementierung soll zudem denkbar einfach sein, lediglich ksonnet ab Version 0.9.2 und – natürlich – Kubernetes ab Version 1.8 werden vorausgesetzt.

Die Google I/O 2018 bietet auch dieses Jahr spannende Neuerungen für unser aller liebstes Betriebssystem – und nicht nur dafür. Wir haben beim Planet Android ein wenig über den Tellerrand geschaut und uns schlau gemacht, was Google in nächster Zeit nicht nur im mobilen Bereich plant. Einige der Highlights gibt es hier zu sehen.

Irgendwann mussten sich die Bereiche Kubernetes bzw. Container und Machine Learning ja treffen. In seinem Artikel erklärt Terry Shea, Chief Revenue Officer bei Kublr, wie man beim Maschinellen Lernen und im Internet of Things von Kubernetes profitieren kann. Schlüsselelement ist dabei die neueste Version von Apache Spark (2.3), die den nativen Support für die Orchestrierungsplattform bereitstellt.

Über künstliche Intelligenz lassen sich hervorragend mathematisch komplizierte Lehrbücher veröffentlichen. Das von Vahid Mirjalili und Sebastian Raschka bei Packt Publishing herausgegebene und von mitp übersetzte Lehrbuch möchte mathematische Inhalte in den Hintergrund stellen und stattdessen zeigen, wie man mittels Framework unbürokratisch Systeme realisiert.

Wir sind zurück mit einem neuen Trivia-Quiz für Entwickler! Diese Woche testen wir euer Wissen über Deeplearning4j. Wisst ihr alles, was es über diese Machine-Learning-Bibliothek für die Java Virtual Machine zu wissen gibt?

Zu Beginn des Jahres wurde Apache Spark 2.3 veröffentlicht und bildet einen bedeutenden Meilenstein für das Structured Streaming. Es gab allerdings noch viele weitere, interessante Features, die ebenso wichtig sind. Wir sprachen daher mit Reynold Xin, dem Mitgründer und Chief Architect von Databricks, über die Databricks Runtime und andere Verbesserungen in Apacke Spark 2.3.

Was wird aus der JavaOne? Wie baue ich Parallax-Effekte mit JavaFX? Welche Fehler gibt es bei der agilen Führung? Diese und noch mehr Fragen beantwortet der Wochenrückblick. Wir haben wieder die spannendsten und meistgelesenen Texte der vergangenen Woche zusammengestellt. Hier gibt es alles, was man nicht verpassen sollte!

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.

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.

Bisher ist die Vernetzung von Autos noch nicht so weit fortgeschritten, wie sie es sein könnte. Hard- und Software werden installiert und mit Glück beim Check-up in der Werkstatt auf den neuesten Stand gebracht. Aber das Internet of Things, 5G und vor allem neue Softwareplattformen wie Eclipse Kuksa bieten noch viel mehr Möglichkeiten, als heute genutzt werden.

Seit Jahren erfreut sich die LEGO Mindstorms Competition auf der JAX einer gigantischen Beliebtheit: Manche Teilnehmer reisen extra hierfür nach Mainz. Im Interview spricht Bernhard Löwenstein, Inhaber von Lion Enterprises und Chef der LEGO Mindstorms Competition, über die diesjährige Aufgabenstellung, Machine Learning und Künstliche Intelligenz. Außerdem erklärt er, warum und wie Kinder und Jugendliche programmatische Problemstellungen anders lösen als Erwachsene.