Fehler sind lästig! Und wer mit dem PC arbeitet, weiß: Bugs lauern an jeder Ecke! Doch wie durchsuchen Unternehmen mit der Größe von Mozilla eigentlich die endlosen Fehlerberichte, die jeden Tag eingehen? Mit Machine Learning, wie sich jetzt herausstellte. In einem Blog-Post stellt Mozilla nämlich BugBug vor, ein Open-Source-Tool, das Fehler automatisch klassifiziert.

Machine Learning (ML) ermöglicht es Anwendungen, versteckte Erkenntnisse zu gewinnen, ohne explizit dafür programmiert worden zu sein, worauf sie bei der Erkenntnisfindung achten müssen. So können unstrukturierte Daten analysiert, Bild- und Spracherkennung verbessert und fundierte Entscheidungen getroffen werden. In diesem Artikel werden wir vor allem neue Trends und Innovationen rund um Apache Kafka und Machine Learning diskutieren.

Google hat das neue Machine-Learning-Projekt MLIR vorgestellt. Das Kürzel steht für Multi Level Intermediate Representation. Das Projekt ist Teil des TensorFlow-Ökosystems und soll dabei helfen, ML-Modelle in verschiedenen Umgebungen zu nutzen.

Die Open-Source-Engine Microsoft TextWorld sieht auf den ersten Blick nach einem gewöhnlichen textbasierten Spiel aus, doch es steckt mehr dahinter.

Wann ist Machine Learning (ML) die richtige Wahl für die App-Entwicklung und wann nicht? Wir sprachen mit Alexander von Below, Senior Software Engineer der Deutschen Telekom AG und Sprecher auf der Mobile Tech Conference darüber, wann und wie man ML in Apps einsetzen sollte.

Der DevOps-Ansatz hat sich in der Software-Entwicklung in den vergangenen Jahren immer weiter durchgesetzt. Die effizientere und effektivere Zusammenarbeit von Entwicklung und IT-Betrieb bringt allen Beteiligten zahlreiche Vorteile: So steigt nicht nur die Qualität der Software, sondern auch die Geschwindigkeit, mit der neue Lösungen entwickelt und ausgeliefert werden. Es verwundert also nicht, dass mit der Ausbreitung von DevOps auch neue Tools und Ausbildungsrichtungen entstanden sind, welche die Popularität noch einmal zusätzlich befeuert haben. Wo die weitere Entwicklung hingeht, zeigt der folgende Ausblick auf die fünf wichtigsten DevOps-Trends 2019.

Im letzten Monat hat OpenAI sein autonomes Texterstellungsmodell GPT-2 vorgestellt. Als Gegenbewegung hat nun ein kleines Forschungsteam ein Tool zur Erkennung künstlicher Texte entwickelt. Das Wettrüsten der Maschinen hat begonnen.

TensorFlow Privacy soll modernes Machine Learning mit dem Schutz sensibler Daten verbinden. Die neue TensorFlow-Library nutzt differentielle Privatsphäre und steht frei zur Nutzung bereit.

TensorFlow 2.0 soll leichter zu benutzen sein, dafür wird Eager Execution zum Standard. In der neuen Version des Machine-Learning-Frameworks werden die APIs aufgeräumt und Keras steht im Zentrum der Entwicklung von ML-Modellen.

Wie sollte sich Java weiterentwickeln? Was bedeutet die beschleunigte Release-Frequenz für die Community? Wie sind Trends wie Blockchain, Machine Learning, Serverless zu bewerten? Eine Einschätzung gibt Dr. Heinz Kabutz, Java-Performance-Experte und Trainer auf dem Extreme Java Camp, im Interview.

Flexera veröffentlicht die Ergebnisse des State of the Cloud Reports 2019. Die Umfrage unter 786 Anwendern bietet weitreichende Einblicke in die globale Cloud-Nutzung. Schauen wir uns an, was in der Welt der Wolken aktuell passiert.

TensorFlow 1.13.1 wurde veröffentlicht. TensorFlow Lite gehört nun zum Kern des Frameworks. Außerdem wurde ein experimentelles Java-API für die Injection von TensorFlow Lite Delegates hinzugefügt.

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

Leon ist ein Smart Assistant, der besonders Entwicklern im Arbeitsalltag unter die Arme greifen soll. Dank seiner Paket-/Modulstruktur kann er leicht mit neuen Skills ausgestattet werden. Schauen wir uns an, wie das geht.

Python-basierte Frameworks wie TensorFlow und scikit-learn dominieren zurzeit den Machine-Learning-(ML-) und Artificial-Intelligence-(AI-)Bereich. Doch auch Deeplearning4j kann im Framework-Wettbewerb mithalten, sagt Christoph Henkelmann und zeigt in seiner Session auf der JAX 2018, was DL4J alles zu bieten hat.

Microsoft liebt Machine Learning unter anderem deshalb, weil es einen Continuous Revenue Stream darstellt: Nutzt ein Entwickler Azure beispielsweise zur Bildverschlagwortung, so überweist er die nächsten Jahre jeden Monat Geld nach Redmond. Apress liefert nun ein Lehrbuch, das Ihnen Werkzeuge zum Nachbauen einiger Cloudfunktionen verspricht.

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.

Das McKinsey Global Institute hat Europa einen AI Gap bescheinigt, da es in Bezug auf KI-Technologien den USA und China wirtschaftlich hinterherhinkt. Was sind die Ursachen und kann Europa noch aufholen?

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

Dopamine 2.0 ist da. Die neue Version des Frameworks für Reinforcement Learning bietet schnelleres Training von Dopamine-Agenten. Support für mehr Kontrollumgebungen ist ebenfalls in der neuen Version enthalten.