Auf der derzeit stattfindenden Machine Learning Conference in München sind die Themen Künstliche Intelligenz und Maschinelles Lernen natürlich im Fokus. Auf der W-JAX 2017 gab es allerdings auch den ein oder anderen Talk aus dem Themengebiet: Kai Wähner, Technology Evangelist bei Confluent, zeigte in seiner Session, wie Deep-Learning-Modelle in Unternehmen genutzt werden können.

Noch müssen Menschen in den meisten Fällen den Maschinen Daten und deren Interpretation beibringen. Mit der Webanwendung Datalore wollen die Entwickler von JetBrains diesen Schritt zumindest ein wenig vereinfachen. Die Anwendung ist seit Februar in der offenen Beta verfügbar und soll das Erstellen von Berechnungen einfach und kollaborativ machen. Dabei wird unter anderem auf intelligente Vorschläge und inkrementelle Kalkulation gesetzt.

Wird Skynet bald die Kontrolle über die Menschheit übernehmen? Werden die Roboter von Boston Dynamics uns versklaven? Das ist wohl (noch) Zukunftsmusik. Doch das Thema Machine Learning nimmt zunehmend fahrt auf und immer mehr Entwickler beschäftigen sich bereits mit den Möglichkeiten, die „ML“ mit sich bringt. Sie auch?

Mit Kubeflow sollen TensorFlow-Modelle von ihrer Umgebung unabhängig werden. Egal, ob Server, lokal oder in der Cloud, mit Kubeflow soll TensorFlow überall laufen, wo schon Kubernetes läuft. Die Implementierung soll zudem denkbar einfach sein, lediglich ksonnet ab Version 0.9.2 und – natürlich – Kubernetes ab Version 1.8 werden vorausgesetzt.

Über künstliche Intelligenz lassen sich hervorragend mathematisch komplizierte Lehrbücher veröffentlichen. Das von Vahid Mirjalili und Sebastian Raschka bei Packt Publishing herausgegebene und von mitp übersetzte Lehrbuch möchte mathematische Inhalte in den Hintergrund stellen und stattdessen zeigen, wie man mittels Framework unbürokratisch Systeme realisiert.

Wir sind zurück mit einem neuen Trivia-Quiz für Entwickler! Diese Woche testen wir euer Wissen über Deeplearning4j. Wisst ihr alles, was es über diese Machine-Learning-Bibliothek für die Java Virtual Machine zu wissen gibt?

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.