Focus

Machine Learning

Security Podcast

Machine Learning Security

„Aus großer Kraft folgt große Verantwortung”

Podcast

Technologiemonster

Welche Konsequenzen hat unser Handeln?

Case Study

The emancipation
from the ERP system

Highly individualized products need a highly individualized software solution
Case Study

The learning list

Using machine learning to generate competitive advantage with estimations
Article

What tracks do we leave behind with technology?

A gun is fired. Instead of the bullet leaving the barrel however, the whole cartridge whooshes back into the magazine. The clouds of dust vanish into thin air. Fragments hurtle towards the bullet hole in the wall, closing it up to an untouched surface. As if nothing had ever happened. The scene in Christopher Nolan’s film TENET shows the impossible: inverse entropy, in which disorder gives rise to order and the effect cancels out the cause.

Article

MLOps: You train it, you run it!

CI/CD & Operations fĂĽr Machine Learning

Link

MLOps: Themenseite zu Machine Learning Operations

Podcast

MLOps

Entwurf, Entwicklung, Betrieb

Article

Machine Learning Daten in den Griff bekommen

Mehrdimensionale Arrays fĂĽr Machine Learning

Article

Pragmatisch zum Praxiseinsatz von Machine Learning in der Cloud

Die Anforderungen an den Betrieb von Modellen des Machine Learning (ML) fallen je nach Kontext unterschiedlich aus. Typischerweise müssen sich die Betreiber zum Beispiel um Fragen der Server, des Netzwerks, der Sicherheit, der Ausführungsumgebung, des Build und Deployment oder der Hochverfügbarkeit kümmern. Auch sollten sich die verwendeten Ressourcen ohne manuelle Eingriffe automatisch anpassen. Hinzu kommen Fragen des Logging: Wenn der Inferenz-Service etwa auf mehr als einer Instanz läuft, wäre eine Aggregation wünschenswert, die das Suchen und Filtern ermöglicht. Und nicht zuletzt das Monitoring und Alerting: Minimalanforderungen sind hier üblicherweise Informationen über die Anzahl der Aufrufe und Fehler sowie Benachrichtigungen, wenn der Anteil der Fehler einen definierten Schwellenwert überschreitet. Data Scientists kommen mit all diesen Anforderungen kaum zurecht – dafür ist ein Team notwendig, das über all diese Infrastruktur-Kompetenzen verfügt.

Blog Post

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.

Article

Vorgehensweise fĂĽr maschinelles Lernen als Orientierung

Werkzeugneutrale EinfĂĽhrung

Podcast

Deep Learning

Träumen Maschinen von elektrischen Daten?