Google arbeitet weiter fleißig an TensorFlow und hatte am 30. März zum Developer Summit nach Mountain View geladen. Neben einer Rückschau auf Erreichtes gab es einige Neuerungen zu bestaunen. Außerdem setzt Google weiter auf mehr Zusammenarbeit in der Community und mehr Austausch.

Es ist soweit, das neue Java Magazin ist da. Wir tauchen ein in die Welt des Maschinellen Lernens. Maschinelles Lernen hat nichts mit Java zu tun, könnten Sie vielleicht jetzt denken. Stimmt nicht ganz. Zwar wird Python als die Sprache für ML gehandelt, doch auch mit Java lässt sich einiges anstellen. Schauen wir uns beispielsweise an, wie TensorFlow mit Java funktioniert oder was es mit deeplearning4j auf sich hat.

TensorFlow 1.7 ist erschienen und die Machine-Learning-Bibliothek bringt neben mehreren neuen Features auch diverse Bugfixes. Obwohl das letzte Release nicht einmal ganz einen Monat her ist, gibt es in TensorFlow 1.7 eine ganz besonders weitreichende Neuerung – was zeigt, wie schnell sich derzeit der gesamte Bereich rund ums Machine Learning entwickelt.

Digitale Sprachassistenten sind in aller Munde. Alexa mischt mit dem Amazon Echo ganz vorne mit. In seiner Session von der API Conference 2017 in Berlin zeigt Ralf Eggert, Diplom-Wirtschaftsinformatiker und Zend-Experte, wie man Alexa Skills konfiguriert und welche Fallstricke es bei der Entwicklung zu beachten gibt.

Deep Learning beruht auf mathematischen Formeln. Die muss man natürlich nicht im Detail beherrschen, um mit den Tools arbeiten zu können. Ein bisschen Grundwissen hilft aber doch dabei, den eigenen Code besser zu verstehen und kluge Systeme zu bauen.

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.

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?

Christoph Henkelmann im Interview: Auf der ML Conference 2017 sprach Christoph Henkelmann über Tensorflow in Enterprise-Umgebungen. Wir haben ihn im Interview gefragt, warum man dabei mit Java arbeiten sollte und welche Tools er persönlich für das Machine Learning einsetzt.

Computer können Katzen in Videos erkennen, so viel ist inzwischen bekannt. Wie gut funktioniert das aber wirklich, wo liegen die Grenzen? Auf der ML Conference 2017 in Berlin beschäftigte sich Marcel Tilly (Microsoft) mit den Möglichkeiten, die Deep Learning für die Computer Vision bietet. Wir haben mit ihm im Interview über Tools und Grenzen der Technologie gesprochen.

In der Java-Welt ging es 2017 ziemlich rund: Dabei standen nicht nur die Veröffentlichungen von Java 9, Java EE 8 und Spring 5 standen auf dem Programm. Auch Themen wie der Umzug von Java EE zur Eclipse Foundation und die Planung neuer Release-Zyklen von Java wurden in der Community heiß diskutiert. Hier auf JAXenter waren zudem Spring Boot, Angular, das Maschinelle Lernen und diverse Blockchain-Technologien vielbeachtete Interessensgebiete. Dies sind die meistgeklickten Artikel des letzten Jahres.

Welche Trends werden die IT-Branche im nächsten Jahr prägen? Prognosen gibt es viele, unter anderem von GitHub. Welche langfristigen Trendwenden werden die IT-Branche im Jahr 2018 besonders prägen?

Vor wenigen Tagen wurde ein neuer Planet entdeckt, der den sonnenähnlichen Stern Kepler-90 umkreist. Dieser Fund geht auf die Auswertung der Daten des Weltraumteleskops Kepler mithilfe Maschinellen Lernens aus dem Hause Google zurück. Unser Sonnensystem ist damit nicht mehr das Größte…

Das Kubeflow-Projekt von Google hat das Ziel, Machine Learning auf Kubernetes einfach, portabel und skalierbar zu machen. Dabei will das Tool die Welt nicht neu erfinden, sondern setzt auf die Integration bestehender Tools und Bibliotheken.

Heute beginnt die ML Conference in Berlin. Eröffnet wird die Konferenz mit einer Keynote von Dr. Pieter Buteneers (CoScale) zum Thema „Artificial Intelligence: Miracle or Menace“. Die Keynote kann nicht nur vor Ort, sondern auch hier bei uns im Livestream verfolgt werden!