Wann ist Deep Learning die richtige Wahl für die App-Entwicklung und wann nicht? Natürlich sind Machine Learning, Deep Learning und Co. derzeit große Trends, nicht immer aber auch nötig. Und: Wenn man es damit probieren möchte, welche Tools setzt man dann am besten ein?

Mit der neuen Version von Googles Machine-Learning-Bibliothek TensorFlow gibt es Breaking Changes bei den vorgebauten Binärdateien, Anpassungen bei den APIs und vier größere Erweiterungen. Außerdem erläutern wir, wieso Nutzer älterer AMD- und Intel-Prozessoren jetzt aufpassen müssen.

Da Maschinen intelligentes Verhalten überwiegend durch Menschen lernen, ist das Beibringen ein weiteres grundlegendes Konzept zum Maschinellen Lernen. Realisieren lässt sich das durch explizites und deklaratives Beibringen sowie implizites Lernen.

Während Ärzte, Rechtsanwälte und andere Berater ihren Patienten bzw. Klienten zuhören, versuchen sie, aus der gesamten Konversation Fakten herauszufiltern. Sie dienen ihnen als Basis, um effektiv behandeln und beraten zu können. Fakten zu sammeln und daraus zu schlussfolgern, ist für Menschen selbstverständlich. Für Maschinen ist dies jedoch eine große Herausforderung. In diesem Artikel möchten wir den Cogniology-Ansatz zur Wissensbasis und deren Umgang mit Fakten und Schlussfolgerungen erläutern.

Wer sich mit Entwicklern über Mehrdeutigkeit unterhält, kommt schnell auf die Polymorphie der objektorientierten Programmierung zu sprechen. Mehrdeutigkeit in Zusammenhang mit natürlicher Sprache wird in der Regel als Poesie und kunstvoll empfunden. Doch nicht nur poetische Sätze können mehrdeutig sein, auch alltägliche Konversationen enthalten oft Mehrdeutigkeiten, die wir meist unbewusst aus deren inhaltlicher Bedeutung erschließen können. Für sprachverarbeitende Anwendungen ist jedoch die Ableitung der möglichen Bedeutungen eine große Herausforderung. Diese Problematik lässt sich in Cogniology durch den Ansatz der natürlichen Datentypen und des sprachnatürlichen Polymorphismus teilweise lösen.

Bei den Themen reaktive Programmierung und sprechende Maschinen werden neue Wege beschritten, zusammen mit Autoren und Unterstützern haben wir einen Blick zurück auf 20 Jahre Magazin geworfen und mit Lars Herrmann über Container-Technologie gesprochen. Und: Mit Coden lässt sich auch als Freiberufler gutes Geld verdienen.

Im heutigen Alltag ist das Thema Human Machine Interaction aktueller denn je. Sei es am Bank- oder Ticketautomaten, beim Autofahren, beim Carsharing, beim Smart Home oder bei Apps auf Smartphones, Tablets, Wearables, Notebooks oder Spielekonsolen. Immer wieder kommt es zum Dialog zwischen Mensch und Maschine. Das Problem dabei ist, dass Menschen sich normalerweise in gesprochener oder geschriebener natürlicher Sprache unterhalten und Maschinen über APIs und Datenprotokolle.

Googles Machine-Learning-Bibliothek TensorFlow steht in einer neuen Version bereit. TensorFlow 1.5 verspricht einen schnelleren Einstieg ins maschinelle Lernen sowie erweiterte Möglichkeiten für mobile Endgeräte.

Sind künstliche Intelligenzen gefährlich oder ein Segen für die Menschheit? Pieter Buteneers (CoScale) sprach auf der ML Conference 2017 in Berlin über Chancen und Risiken der Technologie. Wie wahrscheinlich ist es, dass eine KI irgendwann alle Menschen zu Tassen verarbeitet? Und: Wann könnte es so weit sein?

Was ist cooler als maschinelles Lernen? Maschinengemachtes maschinelles Lernen natürlich. In Tile, einer neuen Machine-Learning-Sprache von Vertex. AI, werden wichtige Supportstrukturen automatisch generiert, um Zeit und Aufwand zu sparen.

Machine Learning ist eines der Trendthemen schlechthin. Während viele ML-Projekte die Programmiersprache Python nutzen, ist eine Unterstützung für Java bislang eher rar gesät. Doch das könnte sich bald ändern: Das Projekt Deeplearning4j stellt weitreichende Deep-Learning-Funktionalitäten für Java zur Verfügung und hat das Potenzial, sich unter dem Dach der Eclipse Foundation zu einem Magneten für angegliederte ML-Libraries und Tools zu entwickeln. Chris Nicholson, CEO von Skymind und Schöpfer von Deeplearning4j, stellt in diesem Artikel das Deeplearning4j-Ökosystem vor.

Mithilfe von Machine Learning (ML) lassen sich nicht nur große Datenmengen sehr schnell verarbeiten und berechnen. Dank komplexer Modelle lassen sich auch Vorhersagen treffen, die entscheidend für den Unternehmenserfolg sein können. Mit Barbara Fusinska (Data Solution Architect bei Microsoft) sprechen wir nicht nur über die Basics hinter ML, sondern auch über spannende Techniken zur Datenmanipulation.

Machine Learning ist eins der Buzzwords der Stunde – beinahe jeder spricht darüber, einige setzen es ein, wenige forschen in diesem Bereich und viele fürchten sich davor. Aber warum eigentlich? Was hat es mit diesem Hype auf sich? Weshalb sollte man in seinem Projekt auf Machine Learning setzen? Wir sprachen mit Pieter Buteneers (Playn) über genau diese Fragen.

Alles ändert sich, alles ist neu. Die IT ist voller neuer Frameworks, Plattformen und Trends. Doch unter der Oberfläche dieser turbulenten Veränderungsökonomie verbirgt sich ein langsamer, konstanter Fluss an Ideen, der sich über die Zeit relativ wenig verändert hat. Wir haben uns mit Kevlin Henney, Software-Consultant und Speaker auf dem Software Architecture Summit, über den Fortschritt der Software-Entwicklung und das „Alte“ am „Neuen“ unterhalten.

Googles Deep Learning Framework TensorFlow ist auf dem Weg zur ersten Major-Version 1.0. Der erste Release-Kandidat zeigt, wohin die Reise geht.