Viele Unternehmen sind sowohl mit Künstlicher Intelligenz (KI) als auch mit Maschinellem Lernen (ML) längst vertraut und verwenden die zahlreichen Möglichkeiten dieser Technologien. Obwohl die Nutzung von ML viele Vorteile bieten kann, bestehen Herausforderungen in der ständigen Pflege und Weiterentwicklung der ML-Lösungen.

Große Sprachmodelle wie ChatGPT zeigen uns bereits heute, was mit einer KI möglich ist. In wenigen Sekunden bereitet das Tool Informationen zu ganz unterschiedlichen Themen verständlich auf. Doch stimmen diese Texte auch? Mögliche Fehlerquellen lauern bei dem verwendeten Sprachmodell und der Basis seiner Informationen. Ist Angst also berechtigt?

Das Forschungszentrum Jülich, BMW, Mercedes-Benz, Volkswagen, Bosch und das DFKI wollen gemeinsam KI-Anwendungen für Quantencomputer testen.

Das Banken zählen für Verbraucher zu den vertrauenswürdigsten Institutionen, wenn es um den Umgang mit persönlichen Daten geht. Das ergab eine Studie von Forrester Consulting, die im Auftrag des Informationsdienstleisters Experian durchgeführt wurde.

Wo bis vor kurzem noch außer Frage stand, dass Closed-Source-Anbieter wie OpenAI oder Google mit ihren Sprachmodellen ChatGPT, GPT-3/4 oder Bard eine Monopolstellung einnehmen, haben sich in kürzester Zeit Open-Source-Alternativen entwickelt. Der folgende Beitrag soll einen Einblick geben, was Closed- und Open-Source-Modelle voneinander unterscheidet, ob letztere eine Alternative sein können und wie die zukünftige Entwicklung aussehen kann.

Der „State of Data Innovation Report“ von Splunk zeigt, dass Unternehmen mit ausgereiften Datenstrategien Innovationen schneller vorantreiben. Zudem steigen Produktivität und Marktanteil.

WinoGrande ist ein großer Datensatz zur Bewertung der Fähigkeit von NLP-Systemen zu vernünftigen Schlussfolgerungen. Der Datensatz besteht aus insgesamt 44.000 Problemstellungen, die vom Sprachmodell gelöst werden müssen. Inspiriert ist WinoGrande von der Winograd Schema Challenge. WinoGrande besteht aber aus wesentlich mehr Problemstellungen und ist für NLP-Systeme schwieriger zu lösen. Entwickelt wurde der Datensatz vom Allen Institute for Artificial Intelligence und der University of Washington.

Rund 50 Prozent aller KI-Projekte schaffen es nicht in die produktive Nutzung. Pascal Stammer, Leiter AI Engineering von AIM Agile IT Management, hat Herausforderungen und Lösungsbausteine für den produktiven Einsatz von KI-Anwendungen zusammengefasst.

Um die Produktentwicklungszeit zu verkürzen, setzen Ingenieure bei BMW auf die Plattform Monolith. Diese nutzt vorhandene Daten in Kombination mit maschinellem Lernen, um selbstlernende Modelle zu erstellen, die schnell für neue Erkenntnisse in Bezug auf Konstruktionsparameter und Fahrzeugleistung sorgen.

Hortonworks war ein kalifornisches Softwareunternehmen, das auf die Entwicklung von Open Source Software und Big-Data-Anwendungen rund um Apache Hadoop spezialisiert war. Das Unternehmen stellte unter anderem die Hortonworks Data Platform (HDP) zur Verfügung. 2019 fusionierten Hortonworks und Cloudera zu einem gemeinsamen Unternehmen, das sich selbst als Enterprise Data Cloud Company bezeichnet. Das Kernprodukt von Cloudera ist die hybride Cloudera Data Platform (CDP).