Machine Learning und Künstliche Intelligenz

Women+ in Data and AI Summer Festival 2024

Technology Day 2023: am 13. November ist es wieder soweit!

INNOQ Technology Briefing

A natural language calculator

In my prior post I’ve written about how to run a chat with a large-language-model on your PC. This time I want to focus on scripting this with Node.js and letting the AI- and the „normal“-world interact with each other.

Large Language Models

Verändern sie alles?

AI Tools im Geschäftsumfeld

Die Bedeutung von AI-Tools wächst derzeit in einem atemberaubenden Tempo und hat auch in der breiten Öffentlichkeit an Bedeutung gewonnen. Immer mehr Unternehmen und Organisationen setzen auf die Vorteile von Künstlichen Intelligenzen, um ihre Prozesse zu verbessern, ihre Produktivität zu steigern oder ihre Kundschaft besser zu bedienen. AI-Tools sind in der Lage, zuverlässig Daten zu analysieren, Muster zu erkennen und Prognosen zu treffen, die die menschliche Fähigkeiten stellenweise bereits übertreffen können. Dies macht sie zu einem wertvollen Werkzeug für die Optimierung von Geschäftsprozessen und für die Entwicklung innovativer Produkte und Dienstleistungen. Kein Wunder also, dass die Nachfrage nach AI-Tools in den letzten Jahren exponentiell gestiegen ist und weiterhin wachsen wird.

Women in Tech: Larysa

Eine Frage des Outfits

Einen KI-Chatbot auf dem eigenen PC laufen lassen

How to use Apple Shortcuts to integrate GPT 3.5 and 4 in macOS and iOS

Apple Shortcuts is a powerful app that lets you create custom workflows with multiple steps using your apps and content. You can also use it to interact with web services and APIs, such as OpenAI’s Chat Completions API for GPT-3.5 and 4, which can generate text completions for any prompt or task. Yup, the thing that’s behind ChatGPT.

Women+ in Data and AI Summer Festival

How AI will replace my job

I started using ChatGPT for my work. Here is what it taught me and what AI might hold for the future of software development and consulting

KI-Systeme: MLOps, Model Governance und Explainable AI sichern robusten Einsatz

Compliance und Vertrauen: Mit den richtigen Tools und Prozessen lassen sich KI-Systeme wirksam kontrollieren und im Einklang mit rechtlichen Vorgaben betreiben.

Neuer Primer: MLOps

Neues Training: Domain-driven Design für Machine-Learning-Produkte

Fairness und Künstliche Intelligenz

Klassisches Software-Testing lässt sich nicht ohne Weiteres auf KI übertragen. Model Governance und interne Audits sind nötig, um Fairness zu gewährleisten.

Ethik und Künstliche Intelligenz

KI bahnt sich den Weg in viele Anwendungsbereiche. Jetzt ist es wichtig, dass das auch auf verantwortungsvolle, sichere und transparente Weise funktioniert. Die Regulierung von KI-Systemen ist ein rechtliches, gesellschaftliches und technisches Thema, das ein breites Bewusstsein erfordert und in den nächsten Jahren weiter an Relevanz gewinnen wird.

MLOps und Model Governance

Das Test-driven Development für eine Conversational AI

Anlässlich meines kürzlichen Wechsels vom Student zum Consultant schreibe ich in diesem zweiten Blogpost über die Thematik meiner Masterarbeit.

Machine Learning Security – Teil 2

ML kommt immer mehr in sensiblen Entscheidungssystemen zum Einsatz - z.B. in autonomen Fahrzeugen, in der Gesundheitsdiagnostik oder der Kreditwürdigkeitsprüfung. Dies bringt nicht nur neue Möglichkeiten, sondern auch neue Schwachstellen mit sich, die gezielt von Angriffen ausgenutzt werden können. In Teil 2 dieser Artikelserie beschäftigen wir uns mit verschiedenen Angriffstypen in der ML-Security-Landschaft und den dazugehörigen Lösungsvorschlägen.

Machine Learning Security – Teil 1

Eine neue Herausforderung

Security Podcast

Machine Learning Security

„Aus großer Kraft folgt große Verantwortung”

Technologiemonster

Welche Konsequenzen hat unser Handeln?

Case Study

Mit Machine Learning zu Wettbewerbsvorteilen bei der Angebotserstellung

Case Study

SACAC optimiert den Angebotsprozess mit maßgeschneiderter Software-Lösung

Welche Spuren hinterlassen wir mit Technologie?

Bei INNOQ setzen wir uns immer mehr mit KI und Machine Learning auseinander, allerdings mit ihrem sinnvollen Einsatz bei unseren Kunden und Projekten. Beste Voraussetzungen also für einen spannenden Diskurs.

MLOps: You train it, you run it!

CI/CD & Operations für Machine Learning

MLOps

Entwurf, Entwicklung, Betrieb

Machine Learning Daten in den Griff bekommen

Für viele Verfahren im Bereich Datenanalyse und Machine Learning werden mehrdimensionale Arrays benötigt. Da oft mit großen Datenmengen gearbeitet wird, ist es, neben anderen Optimierungen, wünschenswert eine Array Implementierung zu verwenden, die auf hohe Performance und geringen Speicherverbrauch optimiert ist. Viele Frameworks setzen deshalb auf ndarrays von numpy oder eigene Implementierungen statt die Standard Listen- oder Arrayimplementierungen von Python zu verwenden.

Pragmatisch zum Praxiseinsatz von Machine Learning in der Cloud

Herausforderung Betrieb

Handling German Text with torchtext

There is a growing list of tools that are ready to be used with non-English texts. We show common ways to integrate them in torchtext and use their language-specific options.

Vorgehensweise für maschinelles Lernen als Orientierung

Eine Vielzahl von hochentwickelten Technologien für maschinelles Lernen ist als Open Source frei verfügbar. Dennoch zeigt sich, dass es nur vergleichsweise wenige Anwender gibt, die diese Technologie in Produkten erfolgreich einzusetzen. Maschinelles Lernen ist ein sehr vielschichtiger und komplexer Bereich der Informatik und darüber hinaus ein Gebiet aktiver Forschung. Einsteiger können insbesondere im Bereich Deep Learning dadurch schnell den Eindruck gewinnen dass eine Einarbeitung nur auf hohem wissenschaftlichen Niveau möglich ist. Es gibt jedoch durchaus auch praxisorientierte Quellen. Viele Informationen sind nur in englischer Sprache verfügbar, daher verweist der Artikel auf englische Quellen.