Machine-Learning-Star Andrej Karpathy, Head of AI bei Tesla, beschreibt neuronale Netzwerke als Software 2.0. Also die neue Art zu Software zu entwickeln, die die klassische Art nicht ersetzen, sondern ergänzen wird. Passend dazu zeigt Oliver Zeigermann in seiner Session auf der JAX 2019, wo uns als Softwareentwickler Machine Learning begegnet, wo sich der Ansatz von Machine Learning grundsätzlich von dem der Softwareentwicklung unterscheidet und wo es Parallelen gibt.

PyTorch 1.3 wurde veröffentlicht. Im neuen Release der Machine Learning Library gibt es einige neue Features. Sie betreffen unter anderem das Benennen von Tensoren sowie das Mobile Deployment, gelten allerdings noch als experimentell.

Der Elastic Stack ist in Version 7.4 erschienen und hat neue Features für Cluster, neue Aggregations- und Machine-Learning-Funktionen sowie Verbesserungen bei der Stack-Sicherheit im Gepäck. Wir werfen einen Blick auf die neuen Features.

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.

Die jüngste Version von Googles C-Alternative, Go 1.13, ist kaum veröffentlicht, da zieht das JavaScript-Derivat des Internetriesen nach: Dart 2.5 ist da! Die Highlights des Releases sind zwei technische Vorschauen. Die erste ist das Foreign Function Interface (dart:ffi) zum Aufruf von C-Code direkt aus Dart. Die zweite dient zur Codevervollständigung, unterstütz durch maschinelles Lernen.

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.

Die Machine-Learning-Bibliothek PyTorch ist in Version 1.2 erschienen. Mit dem neuen Release geht die bislang experimentelle TensorBoard-Unterstützung in den stabilen Modus über. Ebenfalls dabei: Neues für TorchScript und ONNX sowie Breaking Changes.

Die Relevanz von Cybersecurity für den Erfolg eines Unternehmens hat in den letzten Jahren stark zugenommen. Cyberangriffe werden immer ausgefeilter und sind allgegenwärtig, was zu einer Intensivierung regulatorischer Kontrollen führt. Diese Situation hat eine bisher beispiellose Nachfrage nach IT-Securityexperten geschaffen, die den Arbeitsmarkt völlig unvorbereitet traf. Marina Kidron, Director of Threat Intelligence bei Skybox Security, gibt in diesem Artikel Auskunft darüber, welche Skills Cybersecurityexperten in Zukunft benötigen werden.

Ein weiteres Framework für Machine Learning ist da: Huskarl wurde auf Basis von TensorFlow entwickelt und kann mit OpenAI Gym verwendet werden. Einige Deep-Learning-Algorithmen sind bereits implementiert, weitere sollen noch folgen.

Wer heutzutage durch das Web streift, dem begegnen oft kleine Chatfenster, meist im süd-östlichen Bereich des Browserfensters angesiedelt, in denen sich Mitarbeiter der Unternehmen als Helfer anbieten. Doch dahinter verbergen sich meistens jedoch keine echten Menschen, sondern Chatbots. Dr. Jürgen Haas, Senior Consultant bei IP Dynamics, klärt in diesem Artikel über den Status Quo der KI-Sprachassistenten auf.

TensorWatch ist erschienen – ein neues Debugging-Tool speziell für Machine Learning. Es soll auch in komplexen Fällen eingesetzt werden können. In einem Blogeintrag wurde das neue „Schweizer Taschenmesser der Debugging-Tools“ vorgestellt.

Ein Entwickler hat eine KI für das Tic-Tac-Toe-Spielen entwickelt, die auf einem neuronalen Netz und Machine Learning basiert. Dabei geht es mehr um den Trainingsprozess mit einem neuronalen Netz als um das Gewinnen.

Es gibt Neuigkeiten aus dem IoT-Universum. Der Raspberry Pi 4 ist erschienen und hat so einige Upgrades im Gepäck. Im Vergleich zu seinem Vorgänger soll der Raspberry Pi 4 beispielsweise über dreifache Prozessor- und vierfache Multimedia-Leistung verfügen und so einen vollständigen Desktop-Rechner darstellen.

Kann UX die KI entmystifizieren? Ward Van Laer beantwortet diese Frage in seiner Session auf der ML Conference 2019. Wir haben den Speaker im Interview gefragt, wie das Black-Box-Problem des maschinellen Lernens durch eine einfache Verbesserung der User Experience gelöst werden kann.

Zum gemeinsamen Auftakt der Machine Learning Conference 2019 und der Internet of Things Conference 2019 wurde ein Blick über den Tellerrand unternommen: Das Verhältnis von künstlicher Intelligenz und Ethik stand im Mittelpunkt.

Maschinelles Lernen kann auf verschiedene Arten implementiert werden, eine davon ist das Reinforcement Learning. Was genau ist das und wie kann man es einsetzen? Zur ML Conference haben wir mit dem Speaker Dr. Christian Hidber über die zugrunde liegenden Ideen und Herausforderungen des Reinforcement Learning und die Frage gesprochen, warum es sich für die Anwendung in industriellen Settings eignet.

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.

Google AI hat die neue Open Source Library TensorNetwork für Tensornetzwerk-Algorithmen vorgestellt. Sie kann für Machine Learning und Anwendungsfälle in der Physik eingesetzt werden.

Das Framework TensorFlow wurde für Machine Learning mit Python entwickelt. Was aber, wenn man stattdessen Java verwenden möchte? Darüber haben wir mit Christoph Henkelmann (DIVISIO GmbH) auf der JAX 2019 gesprochen.

Google hat TensorFlow Graphics vorgestellt, eine auf das Verständnis von Bildern ausgerichtete Bibliothek für die TensorFlow-Plattform. Sie verwendet Technologien aus den Bereichen Computer-Vision und Computer-Grafik. Ihr Zweck ist es, die Analyse verschiedener Bild-Merkmale mittels neuronaler Netze möglich zu machen.