Machine Learning and Artificial Intelligence

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 in Business Environments

and which also make your everyday life easier

Women in Tech: Larysa

Eine Frage des Outfits

Running an AI Chatbot on Your Own PC

Llama.cpp, gpt4all and others make it very easy to try out large language models. Here’s a short guide to trying them out under Linux or macOS.

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

Hey GPT, what’s this email about?

Women+ in Data and AI Summer Festival

How AI will replace my job

In late 2022, I decided to try to use ChatGPT, an AI language processor, to do some of my daily software development work. Now, only a few weeks later, I am convinced AI might soon do most of my current work, at least measured by hours.

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

Neuer Primer: MLOps

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

Fairness and Artificial Intelligence

Why Metrics Are Not Enough

Ethics and Artificial Intelligence

Artificial intelligence is forcing its way into many fields of application. Now it is important that it works in a responsible, secure, and transparent way. The regulation of AI systems is a legal, societal, and technical topic that demands broad awareness and that will become increasingly important in the years to come.

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

Eine neue Herausforderung

Machine Learning Security – Teil 1

Machine Learning kommt immer mehr in sensiblen Entscheidungssystemen zum Einsatz. Dies bringt nicht nur neue Möglichkeiten, sondern auch neue Schwachstellen mit sich, die gezielt von Angriffen ausgenutzt werden können. In Teil 1 dieses Artikels navigieren wir uns Stück für Stück durch die ML Security Taxonomie und nehmen die Perspektive des Angriffs ein.

Security Podcast

Machine Learning Security

„Aus großer Kraft folgt große Verantwortung”

Technologiemonster

Welche Konsequenzen hat unser Handeln?

Case Study

SACAC optimizes the quotation process with a customized software solution

Case Study

Gaining a competitive edge in the quotation process through Machine Learning

What tracks do we leave behind with technology?

How monsters can teach us about responsibility: INNOQ Digital Art Edition 02

MLOps: You train it, you run it!

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 Modelle zu trainieren. Allerdings beobachten wir zwei Arten von Problemen, die in der Praxis entstehen. Entweder schafft es die Mehrheit der ML Modelle nicht in ein Softwareprodukt eingebunden zu werden oder das Model Deployment nimmt zu viel Zeit in Anspruch.

MLOps

Entwurf, Entwicklung, Betrieb

Machine Learning Daten in den Griff bekommen

Mehrdimensionale Arrays für Machine Learning

Pragmatisch zum Praxiseinsatz von Machine Learning in der Cloud

Die Anzahl von Publikationen zu Computer Vision, Natural Language Processing (NLP) oder Reinforcement Learning ist heutzutage gewaltig. Dabei widmen sich die meisten ausschließlich dem Training. Doch oft müssen Data Scientists auch beim Betrieb ihrer Modelle mitwirken. Dafür braucht es einen pragmatischen und unaufwändigen Weg.