Machine Learning

Continuous Delivery für Machine Learning: Machine-Learning-Anwendungen in Produktion bringen

In der heutigen Softwareentwicklung ist es selbstverständlich geworden, dass Usern laufend neue Funktionen und Erweiterungen geboten werden. Das trifft sowohl auf Benutzeranwendungen im Mobil-, Web- und Desktopbereich zu als auch auf moderne Unternehmenssoftware. Umfangreiche und den Betrieb störende Software-Go-lives werden nicht mehr geduldet. Mit Continuous Delivery (CD) lässt sich die Frequenz, mit der Software zuverlässig produktiv ausgeliefert werden kann, drastisch erhöhen.

Kubernetes 1.17, neues Golang-Framework & die DevOpsCon 2019 – Unsere Top-Themen der Woche

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.

Die Erziehung der Künstlichen Intelligenz und die Rolle der Qualitätssicherung

KI-basierte Anwendungen schicken sich an, die Welt, wie wir sie kennen, nachhaltig zu verändern. Nicht nur an der Oberfläche, sprich den Eingabe- und Ausgabe-Tools für die Kommunikation mit der Maschine, sondern noch viel tiefer, dort, wo automatisierte Entscheidungen mit erheblicher Reichweite getroffen werden. Aber die Intelligenz der Maschinen fällt nicht vom Himmel. Sie müssen trainiert und getestet werden. Das ist alles andere als trivial.

Machine Learning gegen Geldwäsche: „Algorithmen erkennen Kriminalitätsmuster frühzeitiger als Menschen“

Wer erinnert sich nicht an den Film „Minority Report“? Dort wurden Verbrechen von hellseherischen Menschen vorhergesagt, der genaue Tathergang via Science-Fiction-Technologie direkt aus dem Gedächtnis auf Bildschirme projiziert. Ganz so mystisch ist der Ansatz von hawk-AI und PwC, Geldwäscheprävention via Machine-Learning-Algorithmen vorherzusagen nicht. Spannend ist das Ganze dennoch. Wie genau Geldwäsche mit smarten Technologien verhindert werden kann, erklärt Tobias Schweiger, Co-Founder und CEO von hawk:AI im Interview.

Robotic Process Automation: Vorhersagen für das Jahr 2020 (und darüber hinaus)

Das Jahr 2020 wird möglicherweise das Jahr sein, in dem die intelligente Automatisierung (Robotic Process Automation) verstärkt in Unternehmen implementiert und eingesetzt wird. Die Technologie bringt Organisationen weiterhin ein enormes Potenzial, um Geschäftsprozesse komplett zu automatisieren. Hier sind die Top 5 Vorhersagen von Per Stritich, Vice President Central & Eastern Europe bei Automation Anywhere.

Deep Learning: Training von TensorFlow-Modellen mit JVM-Sprachen

Zwar gibt es mit Frameworks wie DL4J mächtige und umfangreiche Machine-Learning-Lösungen für die JVM, dennoch kann es in der Praxis vorkommen, dass der Einsatz von TensorFlow notwendig wird. Das kann beispielsweise der Fall sein, wenn es einen bestimmten Algorithmus nur in einer TensorFlow-Implementierung gibt und der Portierungsaufwand in ein anderes Framework zu hoch ist. Zwar interagiert man mit TensorFlow über ein Python API, die zugrunde liegende Engine jedoch ist in C++ geschrieben. Mit Hilfe der TensorFlow-Java-Wrapper-Bibliothek kann man deshalb sowohl Training als auch Inferenz von TensorFlow-Modellen aus der JVM heraus betreiben, ohne auf Python angewiesen zu sein. So können bestehende Schnittstellen, Datenquellen und Infrastruktur mit TensorFlow integriert werden, ohne die JVM zu verlassen.

AIOps: Auf dem Weg zum echten KI-Assistenten

AIOps ist eines der neuesten technologischen Schlagworte, das in der IT-Branche an Fahrt gewinnt. Die Gründe dafür sind vielfältig, eines steht allerdings fest: AIOps ist das Sprungbrett für eine Technologie, die es so zuvor noch nicht gegeben hat – ein echter Künstliche-Intelligenz-Assistent. Dieser beantwortet Fragen auf Augenhöhe mit einem menschlichen Netzwerk-Experten. Er geht außerdem proaktiv Herausforderungen an, die er erkennt.

Deep Learning: Training von TensorFlow-Modellen mit JVM-Sprachen

Zwar gibt es mit Frameworks wie DL4J mächtige und umfangreiche Machine-Learning-Lösungen für die JVM, dennoch kann es in der Praxis vorkommen, dass der Einsatz von TensorFlow notwendig wird. Das kann beispielsweise der Fall sein, wenn es einen bestimmten Algorithmus nur in einer TensorFlow-Implementierung gibt und der Portierungsaufwand in ein anderes Framework zu hoch ist. Zwar interagiert man mit TensorFlow über ein Python API, die zugrunde liegende Engine jedoch ist in C++ geschrieben. Mit Hilfe der TensorFlow-Java-Wrapper-Bibliothek kann man deshalb sowohl Training als auch Inferenz von TensorFlow-Modellen aus der JVM heraus betreiben, ohne auf Python angewiesen zu sein. So können bestehende Schnittstellen, Datenquellen und Infrastruktur mit TensorFlow integriert werden, ohne die JVM zu verlassen.