Machine Learning

Auf pythonischen Spuren: Schließt Tribuo den Feature-Gap zwischen Python und Java?

Nicht zuletzt ob der breiten Verfügbarkeit von Bibliotheken hat sich Python im Laufe der letzten Jahre als Quasistandard im Bereich Machine Learning etabliert. Logisch, dass man bei Oracle diesem Trend nicht wirklich gern zusah – schließlich und endlich muss Java ja große Verbreitung haben, möchte man am Produkt ernsthaft Geld verdienen. Vor einiger Zeit stellte Oracle deshalb die hauseigene Bibliothek Tribuo unter eine quelloffene Lizenz.

Touchless, Legacy-Software & Enterpise Search mit KI – Unsere Top-Themen der Woche

Der Winter kehrt zurück, doch während Väterchen Frost uns mitten im Februar zurück in den dicksten Winter reißen will, blicken wir in die Zukunft. Unter anderem in die Zukunft der Enterprise-Suche, die von der Revolution der künstlichen Intelligenz profitiert. Auch in die Zukunft der Digitalisierung, in der der Begriff „Touchless“ eine wichtige Rolle spielt, war in der vergangenen Woche Thema auf JAXenter. Die Vergangenheit sollte man als Entwickler aber nicht aus dem Auge verlieren: Legacy-Software kann nämlich großen Schaden anrichten.

Java Magazin 3.21 erschienen: Machine Learning in Java

Wer heute noch glaubt, dass die technologische Dystopie, die in der Terminator-Filmreihe gezeigt wird, nichts Anderes als völliger Humbug und wenig mehr als ein Gedankenspiel ist, irrt gewaltig. Schon heute bestimmen Maschinen unser Leben. Kein Krankenhaus, keine Industrie, keine Grundversorgung funktioniert heutzutage noch ohne Maschinen. Wie kann man schon eine ganze Stadt mit Nahrung versorgen ohne LKWs? Eins zu null für die Maschinen.

Der Kampf gegen KI-Bias: Künstliche Intelligenz auf dem Prüfstand

Der rasante Bedeutungszuwachs von KI bedeutet auch, dass die Technologie immer mehr Entscheidungen trifft, ohne dass wir diese hinterfragen. Ob bei Kreditbewilligungen, Bewerberauswahl oder Gesichtserkennungen – Unternehmen müssen heute mehr denn je sichergehen, dass ihre KI-Applikationen keinen Menschen diskriminieren. Damit das Risiko des KI-Bias – sprich der unbeabsichtigten Verzerrung von Entscheidungen durch künstliche Intelligenz – minimiert wird, müssen Entwickler eine Reihe von Dingen beachten.

Ganzheitliche Orchestrierung: Der Mehrwert des Zusammenspiels von KI und RPA

Heutzutage implementieren viele Unternehmen bereits künstliche Intelligenz (KI) oder Robotic Process Automation (RPA), um punktuell bestimmte Teile ihres Geschäfts zu automatisieren. Allerdings fehlt häufig eine übergreifende Unternehmensstrategie, um diese Technologien zu verbinden und mit bestehenden Prozessen zu vereinen. Anstatt KI und RPA als Silos innerhalb der IT zu implementieren, sollten Unternehmen End-to-End-Geschäftsprozesse über die gesamte Belegschaft – Menschen, intelligente Systeme und Bots – ganzheitlich orchestrieren.

Record-Types, FinTech-Trends 2021 und KI-Assistenten – Unsere Top-Themen der Woche

Gute Vorsätze für das neue Jahr umfassen ja normalerweise mehr Aktivität. Aber warum selbst machen, wenn man KI-Assistenten hat? Was bleibt ist ggf. mehr Zeit für Kreativität und Produktivität! Oder vielleicht mal mit etwas Neuem beschäftigen? Etwa mit Record-Types, die es nun in Java gibt? Wer stattdessen einfach gerne in Erinnerungen schwelgt, der wird in unserem Jahresrückblick fündig. All das und mehr gab es letzte Woche auf JAXenter zu entdecken!

Der KI-Assistent als wichtigstes IT-Teammitglied

Künstliche Intelligenz (KI) ist allgegenwärtig und beeinflusst die Art zu leben, zu arbeiten und sich zu unterhalten. KI-Assistenten für Verbraucher wie Alexa und Siri haben die Technologie nach Hause gebracht und sie so bekannt gemacht. Doch das Potenzial von KI-Assistenten geht über die Bitte hinaus, ein Lied zu spielen oder den Wetterbericht zu überprüfen – die Einführung der Technologie in die Geschäftswelt bietet neue Möglichkeiten.

Classic Games Reloaded: Neuronale Netzwerke im Bann der Gravitation

Die Durchführung von ballistischen Berechnungen, orbitalen Flugmanövern und die Handhabung der Flugkontrolle von autonom landenden Raumfahrzeugen sind Herausforderungen, die uns mitnichten nur im Rahmen von Computerspielen begegnen. Im heutigen Artikel werden wir uns anschauen, wie sich verhältnismäßig einfach aufgebaute neuronale Netzwerke bei der Bewältigung der besagten Probleme schlagen, was in Anbetracht ihres Stellenwerts gleich doppelt interessant sein dürfte.

„Machine Learning kann klassische Security-Ansätze ergänzen“

Machine Learning zur Absicherung von IT-Systemen: Gegen welche sicherheitskritischen Angriffe kann ML ein wirksames Mittel sein, welche Methoden sind dafür relevant und wie können Firmen sie implementieren? Und welche Rolle spielt Machine Learning im Vergleich zu klassischen Sicherheitsmechanismen? Das alles erfuhren wir im Interview mit Daniel Etzold, IT-Security-Architekt bei der 1&1 Mail & Media Development & Technology GmbH.

„AIOps spielt bei der Optimierung der Sicherheit von IT-Infrastrukturen eine entscheidende Rolle“

Zuerst einmal die gute Nachricht: Machine Learning wird weder Operator noch Entwickler ersetzen, auch nicht bei erfolgreicher Umsetzung einer AIOps-Strategie. Guy Fighel, General Manager of AI und Vice President of Product Engineering bei New Relic, erklärt im JAXenter-Interview, was genau AIOps eigentlich ist und wie Unternehmen und DevOps-Teams von maschinellem Lernen und künstlicher Intelligenz profitieren können. Er gibt zudem Auskunft über die Rolle von Entwicklern in diesem Prozess und beantwortet die Frage nach der Sicherheit bzw. den Risiken.

Die Technologie hinter Bundesliga Match Facts xGoals

Die für die Organisation und das Marketing der 1. und 2. Fußball-Bundesliga verantwortliche Deutsche Fußball Liga (DFL) will ihren Zuschauern und Fans neue, innovative Inhalte bieten. Ein Paradebeispiel hierfür ist die ML-basierte Berechnung der Wahrscheinlichkeit eines Torerfolgs mittels xGoals, eines der Bundesliga Match Facts powered by AWS. Nachdem der erste Teil die Grundlagen des Statistikangebots behandelt hat, wird im Folgenden die zugrundeliegende Cloud-Infrastruktur betrachtet.

DevOps-Trends: AIOps erkennt dynamische Grundmuster und kritische Ausreißer

Im ersten Teil dieser Serie wurde beschrieben, wie Site-Reliability-Ingenieure aus der Analyse von Stör- und Fehlerdaten gezielte Maßnahmen zum Schutze von Infrastrukturen ableiten – und wie anspruchsvoll diese Aufgabe in hochskalierten Systemen sein kann. Automatisierung ist ein wichtiger Faktor, um auch komplexe IT-Umgebungen widerstandsfähig und belastbar zu gestalten. Mit AIOps, dem Einsatz intelligenter Monitoring-Algorithmen, kann die Bereitstellung und der Betrieb von IT-Ressourcen automatisiert überprüft und laufend optimiert werden.

Machine Learning auf AWS bringt Datenanalysen ins Fußballspiel

Das kennt jeder Fußballbegeisterte: Ein Spieler schießt „das Traumtor“ und Publikum sowie Kommentatoren diskutieren sofort, wie schwierig es war, den Treffer zu erzielen. Bisher ließ sich diese Frage aufgrund des Gesehenen nur ungefähr beantworten. Dabei berücksichtigten die Betrachter vielleicht noch zu einem gewissen Grad die Zahl der Verteidiger um den Torschützen, die Position des Torhüters oder den Schusswinkel. Mit den Analysen von xGoals (kurz für „Expected Goals“), eines der Bundesliga Match Facts powered by AWS, lässt sich nun der Grund für das Staunen in Zahlen ausdrücken. xGoals zeigt dem Fußballfan exakt, wie hoch die Wahrscheinlichkeit ist, aus einer spezifischen Situation heraus ein Tor zu erzielen – für jede potenzielle Schussposition auf dem Spielfeld.

Daten in den Griff bekommen: Mehrdimensionale Arrays für Machine Learning

Für viele Verfahren im Bereich Datenanalyse und Machine Learning werden mehrdimensionale Arrays benötigt. Da oft mit großen Datenmengen gearbeitet wird, ist es, neben anderen Optimierungen, wünschenswert, eine Arrayimplementierung zu verwenden, die auf hohe Performance und geringen Speicherverbrauch optimiert ist. Viele Frameworks setzen deshalb auf ndarrays von NumPy oder eigene Implementierungen, statt die Standard-Listen- oder Arrayimplementierungen von Python zu verwenden.