lic.rer.publ. Ariane Rüdiger

Dezentrale, datenintensive Infrastrukturen, wie sie bei IoT, Robotik oder autonomem Fahren entstehen, brauchen einfachere Protokolle. Die bisherigen Protokollstrukturen sind zu voluminös und zu langsam für die Echtzeitanforderungen dieser Anwendungen. „Zenoh“ ist eine Alternative aus Italien.

Bei Projekten rund um Machine Learning (ML) und Künstlicher Intelligenz (KI) stellt sich die Frage, wie viel Unternehmen selbst entwickeln wollen und wo sie externe Hilfe zuziehen. Die Entscheidung darüber ist vielschichtig. Eine strukturierte Herangehensweise kann helfen.

Künstliche Intelligenz (KI) und maschinelles Lernen (ML) scheinen im Kampf gegen Cyberschädlinge noch immer nicht genug zu sein. Der nächste Schritt führt zum sogenannten Deep Learning. Die ersten Unternehmen haben sich bereits auf diesen Weg begeben.

Ethik-Papiere für Künstliche Intelligenz (KI) und maschinelles Lernen (ML) gibt es mittlerweile viele. Doch wie man sie praktisch umsetzen kann, daran hapert es. Und auch dabei, wie man als Konsument erkennt, ob ein Algorithmus bestimmten ethischen Standards genügt. Eine Expertengruppe hat jetzt konkrete Lösungsvorschläge entwickelt.

Daten sind Quellcode! Der Umgang mit ihnen erfordert neue Arten zu denken – und das ist zentral für die Entwicklung von KI-Applikationen. Das ist zumindest die These von Alexander Waldmann, Operative & Technology Director von appliedAI.

Künstliche Intelligenz (KI) und maschinelles Lernen (ML) scheinen im Kampf gegen Cyberschädlinge noch immer nicht genug zu sein. Der nächste Schritt führt zum sogenannten Deep Learning. Die ersten Unternehmen haben sich bereits auf diesen Weg begeben.

Ethik-Papiere für Künstliche Intelligenz (KI) und maschinelles Lernen (ML) gibt es mittlerweile viele. Doch wie man sie praktisch umsetzen kann, daran hapert es. Und auch dabei, wie man als Konsument erkennt, ob ein Algorithmus bestimmten ethischen Standards genügt. Eine Expertengruppe hat jetzt konkrete Lösungsvorschläge entwickelt.

Daten sind Quellcode! Der Umgang mit ihnen erfordert neue Arten zu denken – und das ist zentral für die Entwicklung von KI-Applikationen. Das ist zumindest die These von Alexander Waldmann, Operative & Technology Director von appliedAI.

Bei Projekten rund um Machine Learning (ML) und Künstlicher Intelligenz (KI) stellt sich die Frage, wie viel Unternehmen selbst entwickeln wollen und wo sie externe Hilfe zuziehen. Die Entscheidung darüber ist vielschichtig. Eine strukturierte Herangehensweise kann helfen.

Dezentrale, datenintensive Infrastrukturen, wie sie bei IoT, Robotik oder autonomem Fahren entstehen, brauchen einfachere Protokolle. Die bisherigen Protokollstrukturen sind zu voluminös und zu langsam für die Echtzeitanforderungen dieser Anwendungen. „Zenoh“ ist eine Alternative aus Italien.