ML

Tribuo Concepts: Im Überblick

Tribuo ist eine statisch und stark typisierte, in Java geschrieben Machine-Learning-Bibliothek. Sie arbeitet mit Objekten und nicht mit mehrdimensionalen Arrays, d. h., dass die Modelle Example-Objekte akzeptieren und typisierte Prediction-Outputs erzeugen. Tribuo verwendet auch das Typsystem, um zu erzwingen, dass die Trainings-Data-Sets mit den erwarteten Modellen übereinstimmen (zum Beispiel, dass Classification Trainer auf einem Classification Data Set verwendet wird).

Von Daten zum Modell und wieder zurück: Tools und Prozesse für MLOps

Ein Machine-Learning-Modell zu trainieren, wird immer einfacher. Aber das Modell zu bauen und zu trainieren, ist auch der einfache Teil. Die eigentliche Herausforderung besteht darin, ein Machine-Learning-System in Produktion zu bringen und dort verlässlich zu betreiben. Im Bereich der Softwareentwicklung haben wir dazu eine wesentliche Erkenntnis gewonnen: DevOps ist nicht länger nur nice to have, sondern absolut notwendig. Warum also nicht DevOps-Werkzeuge und Prozesse auch für Machine-Learning-Projekte einsetzen?

Classic Games Reloaded: Klassische KI gegen neuronales Netzwerk – Runde 1

Spieleklassiker erfreuen sich heutzutage einer großen Beliebtheit unter KI-Forschern und Programmierern, da die einfach strukturierten Spielewelten unter anderem ideale Testumgebungen für die Erforschung und Entwicklung von künstlichen neuronalen Netzwerken darstellen. Selbstverständlich werden auch wir uns diesem Trend nicht verschließen. Da wir jedoch die KI-Routinen unserer Spiele nicht von jetzt auf gleich völlig umkrempeln können, werden wir uns in diesem Artikel zunächst einmal mit den grundlegenden Aspekten von einfachen neuronalen Netzen beschäftigen.

MLOps: You rock it, you roll it! CI/CD und Operations für Machine Learning

Data Science, Machine Learning (ML) und Artificial Intelligence haben in den letzten Jahren einen wahren Hype ausgelöst und viel Aufmerksamkeit in der Industrie bekommen. Man versucht mit Machine-Learning-Methoden entweder die Produktivität der Nutzer oder die Interaktivität der Applikation zu steigern. Zahlreiche Data-Science-Teams verbringen ihre Zeit damit, Machine Learning Models zu trainieren. Allerdings beobachten wir zwei Arten von Problemen, die in der Praxis entstehen.

Machine Learning: das Ende der Businesslogik?

Machine-Learning-Star Andrej Karpathy, Head of AI bei Tesla, beschreibt neuronale Netzwerke als Software 2.0. Also die neue Art zu Software zu entwickeln, die die klassische Art nicht ersetzen, sondern ergänzen wird. Passend dazu zeigt Oliver Zeigermann in seiner Session auf der JAX 2019, wo uns als Softwareentwickler Machine Learning begegnet, wo sich der Ansatz von Machine Learning grundsätzlich von dem der Softwareentwicklung unterscheidet und wo es Parallelen gibt.

„Reinforcement Learning hat Ähnlichkeit mit einem Kind, das ein neues Spiel lernt“

Maschinelles Lernen kann auf verschiedene Arten implementiert werden, eine davon ist das Reinforcement Learning. Was genau ist das und wie kann man es einsetzen? Zur ML Conference haben wir mit dem Speaker Dr. Christian Hidber über die zugrunde liegenden Ideen und Herausforderungen des Reinforcement Learning und die Frage gesprochen, warum es sich für die Anwendung in industriellen Settings eignet.