Deep Learning durch paralleles Arbeiten verteilter Systeme beschleunigen: Heute verfügen wir über leistungsstarke Netzwerke mit genügend Bandbreite, um selbst „Big Data“ zwischen mehreren Rechnern in kürzester Zeit auszutauschen. Das erlaubt es, die zeitraubenden Phasen bei Training und Test von KI-Modellen deutlich zu verkürzen, indem Teilaufgaben davon auf einem Verbund leistungsstarker Rechner parallel erledigt werden. So kann das trainierte KI-Modell deutlich früher als bisher für das Inferencing bereitgestellt werden.

In vielen Bereichen des NLP beruhen entscheidende Fortschritte auf der Entwicklung und Erforschung einer Klasse von künstlichen neuronalen Netze, die besonders gut an die sequentielle Struktur natürlicher Sprachen angepasst sind: rekurrente neuronale Netze, kurz: RNNs.

In diesem Webinar stellen wir eine auf dem BERT Modell basierende Methode zur automatisierten Beantwortung von Fragen vor. Die potentiellen Anwendungen sind vielfältig.

Deep-Learning-Algorithmen beschleunigen Analyse menschlicher Organe. Ein vielversprechendes Anwendungsfeld für „Artificial Intelligence“ ist die Medizin. Hier kann AI zum Beispiel den Ärzten bei der Diagnose von Krankheiten helfen.

Künstliche Intelligenz (KI) verändert rasant, wie Unternehmen operieren, Produkte entwickeln und Entscheidungen treffen. Was in den 1950ern als akademisches Gedankenexperiment begann, ist längst Realität. KI-Technologien, kognitive Systeme und lernende Maschinen prägen bereits die digitale Transformation von Wirtschaft und Gesellschaft. Bis heute sorgen KI-Tools in zahlreichen Anwendungsgebieten für Innovationen – von Chatbots im Kundenservice über Produktempfehlungen im Online-Shop bis zur Krebserkennung im MRT.

AI ist in aller Munde. Doch wie geht man als Unternehmen an dieses Thema heran?

Wir zeigen Ihnen die Reise von hier zur AI und geben Ihnen 5 Überlegungen zum Erfolg mit auf den Weg!

Der Tüv Süd und das Deutsche Forschungszentrum für Künstliche Intelligenz (DFKI) schließen sich zusammen, um Genesis  zu entwickeln – eine offene, nicht proprietäre Plattform zur kontinuierlichen Validierung von AI-Modulen in autonomen Fahrzeugen.

Retest, ein junges Softwareunternehmen aus Karlsruhe, bringt mit der neuen Version 2.0 seiner Software für Testautomatisierung einen AI-basierten Testansatz, der über reines Testen hinausgeht und eine Art Versionsverwaltung für die grafische Benutzerschnittstelle (Graphical User Interface, GUI) darstellt.

Gute Prognosen sind die Basis für eine umfassende Supply-Chain-Planung und die daraus resultierende Optimierung von Prozessen und KPIs. Je schlechter die Prognosen sind, desto höher sind Abschreibungen, Warenverderb im Lebensmittelbereich oder das gebundene Kapital. Um diese Basis so exakt wie möglich zu berechnen, bedarf es verschiedener Tools.

Um AI-Anwendungen allen Unternehmen zugänglich zu machen, hat Google eine neue Cloud-Lösung vorgestellt: Mit AutoML können Unternehmen trotz geringer Vorkenntnisse eigene „Machine-Learning“-Modelle entwickeln. Auch dank der simplen Zugänglichkeit soll Cloud AutoML neue Anwendungsfelder für AI erschließen und ML-Anfängern helfen, leistungsfähige Systeme zu erstellen.

Machine Learning hat heute schon vielfältige Anwendungsbereiche. Mit ML-Unterstützung kann man zum Beispiel im Handel intelligente Entscheidungen treffen oder auch logistische Prozesse optimieren. Wie, das demonstriert das Osnabrücker IT-Architekturhaus Sievers-Group. Welche Potenziale bieten selbstlernende Systeme für den Handel? Als Antwort auf diese Frage verknüpft die Sievers-Group Microsofts Azure Machine Learning Studio mit den Bestandsmanagement- oder ERP-Systemen ihrer Kunden.

ZF ProAI dient als automobiler Supercomputer für das neue Valet-Parksystem von Baidu. Damit ausgestattete Pkw können für Nutzer die Fahrt zu einem Parkplatz und zurück übernehmen. Die Einsatzpremiere feierte diese AI-Lösung in Carsharing-Fahrzeugen des großen chinesischen Mobilitätsanbieters Pand Auto. Außerdem stellte ZF auf der CES 2018 sein „Dream Car“ vor.