KI- und ML-Nachrichten auf Deu... Notiz

KI- und ML-Nachrichten auf Deutsch

„AI & ML News“ ist eine Sammlung von technologischen Nachrichten, die sich auf künstliche Intelligenz und maschinelles Lernen konzentrieren. Hier werden aktuelle Nachrichten und Berichte über die neuesten Entwicklungen im Bereich KI und ML gesammelt. Der Feed deckt ein breites Spektrum an Themen ab, darunter neue Algorithmen, Anwendungen und Forschung. Er beleuchtet Branchentrends und die Auswirkungen von KI und ML auf verschiedene Wirtschaftszweige. Das Material befasst sich mit Bereichen wie neuronalen Netzen, Deep Learning und der Verarbeitung natürlicher Sprache. Es werden Beispiele für KI-Anwendungen im Gesundheitswesen, im Finanzwesen und in anderen Branchen untersucht. Die Veröffentlichungen sind sowohl für Fachleute - Entwickler und Datenanalysten - als auch für alle, die sich für die Entwicklung von KI-Technologien interessieren, von Interesse. Fragen der KI-Ethik und des Datenschutzes werden angesprochen. Der Feed stellt dem Leser die wichtigsten Akteure auf dem KI-Markt vor - von großen Unternehmen bis hin zu vielversprechenden Start-ups. Es werden Informationen über Tools und Plattformen für die Entwicklung von KI-Systemen vorgestellt. Ziel von „AI & ML News“ ist es, objektive und aktuelle Informationen über die Entwicklung von künstlicher Intelligenz und maschinellem Lernen zu liefern.

Notizfaden

CdXz5zHNQW_IT3IvF71Jb.jpeg
CdXz5zHNQW_1XAuQPcNYE.jpeg
Sind Sie begierig darauf, in die Welt des maschinellen Lernens einzutauchen, aber ein wenig von Mathematik und Statistik überfordert? Keine Sorge, Sie sind nicht allein! Vielen angehenden Datenwissenschaftlern erscheinen diese Themen entmutigend. Die gute Nachricht ist, dass es eine Fülle von kostenlosen Online-Kursen gibt, die Ihnen helfen können, ein solides Fundament aufzubauen.Coursera:Maschinelles Lernen von Andrew Ng: Dieser legendäre Kurs führt Sie nicht nur in die Konzepte des maschinellen Lernens ein, sondern vermittelt Ihnen auch eine solide mathematische Grundlage. Mathematik für maschinelles Lernen vom Imperial College London: Wenn Sie einen tiefen Einblick in die mathematischen Konzepte suchen, ist dieser Kurs eine gute Wahl.edX:Einführung in maschinelles Lernen von Microsoft: Dieser Kurs bietet einen ausgewogenen Ansatz und kombiniert Grundlagen des maschinellen Lernens mit den erforderlichen mathematischen Kenntnissen. Grundlagen der Datenwissenschaft der Columbia University: In diesem Kurs wird eine breitere Perspektive auf die Datenwissenschaft vermittelt, einschließlich Statistik und maschinelles Lernen. MIT OpenCourseWare:Einführung in Algorithmen: Obwohl es sich nicht ausschließlich um maschinelles Lernen handelt, legt dieser Kurs eine solide Grundlage in Algorithmen und Datenstrukturen, die für das Verständnis von Konzepten des maschinellen Lernens unerlässlich sind. Wahrscheinlichkeit und Zufallsvariablen: Ein tiefer Einblick in die Wahrscheinlichkeitstheorie ist für das Verständnis vieler Algorithmen für maschinelles Lernen entscheidend.Khan Academy:Lineare Algebra: Eine umfassende Ressource zum Erlernen linearer Algebra, einem grundlegenden Thema im maschinellen Lernen.Infinitesimalrechnung: Ein weiteres essentielles mathematisches Konzept, die Infinitesimalrechnung, wird auf der Khan Academy ausführlich behandelt.Statistik und Wahrscheinlichkeit: Ein solides Verständnis von Statistik und Wahrscheinlichkeit ist für die Datenanalyse und das maschinelle Lernen unerlässlich.Denken Sie daran: Obwohl diese Kurse wertvolle Ressourcen bieten, sind konsequentes Üben und praktische Erfahrungen der Schlüssel zur Beherrschung dieser Themen. Beginnen Sie mit den Grundlagen und steigern Sie die Komplexität nach und nach, wenn Sie Selbstvertrauen gewinnen. Mit Engagement und den richtigen Ressourcen sind Sie auf dem besten Weg, ein kompetenter Praktiker für maschinelles Lernen zu werden.Viel Spaß beim Lernen!
Im Jahr 2024 hat der europäische KI-Sektor eine erhebliche Widerstandsfähigkeit bei der Finanzierung durch Risikokapital bewiesen, mit 14 Investitionen, die im August die 100-Millionen-Dollar-Marke überschritten. Dies steht im Gegensatz zu der insgesamt schwierigen Lage für Startups, in der die Finanzierung schwierig zu sichern war. Insbesondere hat sich KI als starker Investitionsbereich herausgestellt, angetrieben durch die hohen Kosten für die Entwicklung von KI-Technologien und den intensiven Wettbewerb um Talente.Zu den wichtigsten Highlights der Top-KI-Deals in Europa in diesem Jahr gehören: - Wayve: Dieses in Cambridge ansässige Startup hat 1,05 Milliarden US-Dollar aufgebracht, um seine autonome Fahrtechnologie zu verbessern, was die größte einzelne Finanzierungsrunde für ein KI-Unternehmen in Europa darstellt. Wayve konzentriert sich darauf, seine KI-Technologie an Autohersteller zu verkaufen, anstatt selbst Fahrzeuge zu produzieren. - Mistral: Mistral, ein führender Anbieter beim Aufbau großer Sprachmodelle, hat durch zwei bedeutende Finanzierungsrunden in Höhe von 431 Millionen US-Dollar und 650 Millionen US-Dollar über 1 Milliarde US-Dollar aufgebracht. Das Unternehmen legt großen Wert auf Open-Source-Technologie, die Unternehmen und Entwickler anspricht. - Helsing: Dieses deutsche Startup, das sich auf KI für Verteidigungsanwendungen konzentriert, hat sich 484 Millionen US-Dollar gesichert. Seine Technologie zielt darauf ab, Verteidigungssysteme und -fähigkeiten zu verbessern, insbesondere angesichts geopolitischer Spannungen in Europa. - Poolside: Poolside, das sich an Softwareentwickler richtet, hat 400 Millionen US-Dollar gesammelt, um KI-Tools zu entwickeln, die Softwareentwicklungsprozesse rationalisieren. - DeepL: DeepL, bekannt für seine KI-gestützten Übersetzungsdienste, hat 320 Millionen US-Dollar aufgebracht und konzentriert sich mit rund 100.000 Geschäftskunden auf den B2B-Markt. - H: Ehemals Holistic AI, sammelte dieses Startup in einer Seed-Runde 220 Millionen US-Dollar ein, mit dem Ziel, KI-Agenten für die Aufgabenautomatisierung und Entscheidungsfindung zu entwickeln. - Flo Health: Die in London ansässige App für Frauengesundheit sammelte 200 Millionen US-Dollar ein und wurde damit zur ersten rein digitalen Gesundheits-App, die eine Bewertung von über 1 Milliarde US-Dollar erzielte. - Pigment: Dieses Pariser Startup, das Lösungen für die Ressourcenplanung in Unternehmen anbietet, sammelte 145 Millionen US-Dollar ein und integrierte KI in seine Angebote.Insgesamt ist die europäische KI-Landschaft durch umfangreiche Finanzierungsrunden und einen Fokus auf grundlegende Technologien gekennzeichnet, wobei Städte wie Paris zu wichtigen Zentren für die Entwicklung von KI werden.
CdXz5zHNQW_1dHclHl6ue.jpeg
ÜberblickAls ML-Ingenieur bei Substack wirst du eine entscheidende Rolle bei der Entwicklung und Implementierung hochmoderner Lösungen für maschinelles Lernen spielen, um unser Produktangebot zu verbessern. Du wirst Teil eines dynamischen Teams sein, das eng mit Softwareingenieuren und Datenwissenschaftlern zusammenarbeitet, um Modelle für maschinelles Lernen in unsere Codebasis zu integrieren und sie nahtlos in unsere Produkte zu integrieren. Diese Rolle bietet eine spannende Gelegenheit, die Zukunft unseres Technologie-Stacks zu gestalten und einen bedeutenden Einfluss zu nehmen.Das Vergütungspaket von Substack umfasst ein marktübliches Gehalt, Eigenkapital für alle Vollzeitstellen und außergewöhnliche Leistungen. Unsere Gehaltsvorstellung für diese Stelle liegt zwischen 185.000 und 240.000 US-Dollar. Die endgültige Angebotshöhe wird durch mehrere Faktoren bestimmt, darunter die Erfahrung und das Fachwissen des Kandidaten, und kann von den oben aufgeführten Beträgen abweichen.Aufgaben- Führe das Denken von Substack über die Einführung von ML und die Integration von ML-Tools und -Techniken - Arbeite mit funktionsübergreifenden Teams zusammen, um Möglichkeiten für maschinelles Lernen zu identifizieren und zu definieren, die mit unserer Produkt-Roadmap übereinstimmen - Entwickle, trainiere und stelle Modelle für maschinelles Lernen mit Python und gängigen ML-Frameworks bereit - Nutze Standard-ML-Tools und -Systeme, um Substacks Fähigkeit zu beschleunigen, ML-Funktionen in seine Produkte und Arbeitsabläufe zu integrieren Integriere Modelle und Pipelines für maschinelles Lernen in unsere wichtigsten JavaScript-/TypeScript-Apps - Optimiere und verfeinere ML-Modelle für Leistung, Skalierbarkeit und Effizienz - Entwirf und implementiere Datenpipelines für Datenvorverarbeitung, Feature-Engineering und Modelltraining - Bereitstelle und besitze integrierte Produkterfahrungen und interne ToolsAnforderungen- Mehr als 7 Jahre einschlägige Erfahrung mit Daten- und ML-Systemen - Starke Programmierkenntnisse in Python und Erfahrung mit Python-Bibliotheken, die häufig im maschinellen Lernen verwendet werden (z. B. Transformers und Tensorflow) - Solides Verständnis von Algorithmen für maschinelles Lernen, tiefem Lernen und statistischer Modellierung - Unabhängig und autonom. Wir sind zu klein, um Mikromanagement durchzuführen, und erwarten, dass jede Person im Unternehmen ihre Arbeit besitzt und eine Führungspersönlichkeit sein kann. - Stelle hohe Ansprüche an dich selbst und andere, wenn du an Produktionssystemen arbeitest. - Genieße die Zusammenarbeit mit einer vielfältigen Gruppe von Stakeholdern und bringe deine eigenen einzigartigen Erfahrungen und deinen Hintergrund in das Team einWünschenswert- Kenntnisse in Node.js und JavaScript für die nahtlose Integration von Modellen für maschinelles Lernen in unsere Codebasis - Vertrautheit mit Cloud-Plattformen (z. B. AWS oder Modal) - Erfahrung mit Webanwendungen für Verbraucher in großem MaßstabSubstack ist ein Arbeitgeber, der Chancengleichheit fördert. Alle Bewerber werden unabhängig von Rasse, Hautfarbe, Religion, Geschlecht (einschließlich Schwangerschaft, sexueller Orientierung, Geschlechtsidentität oder Transgender-Status), Alter, nationaler Herkunft, Veteranen- oder Behindertenstatus für eine Anstellung in Betracht gezogen. Wir suchen Menschen, die sich leidenschaftlich dafür einsetzen, unabhängigen Ausdruck zu ermöglichen und ein besseres Geschäftsmodell für Kreative aufzubauen. Wenn du sehen willst, was Medien, Communities und Inhalte werden können, wenn sie sich von Werbemodellen lösen, und du über die Fähigkeiten und Erfahrungen verfügst, um einen Beitrag zu leisten, würden wir dich gerne kennenlernen.
CdXz5zHNQW_2T09iCSRkR.png
Fast 200 Mitarbeiter von Google DeepMind, der Abteilung für KI-Forschung des Unternehmens, haben einen Brief unterzeichnet, in dem das Unternehmen aufgefordert wird, seine Verträge mit Militärorganisationen zu kündigen. Der Brief vom 16. Mai, der von TIME veröffentlicht wurde, unterstreicht die wachsende Sorge innerhalb der Organisation über die ethischen Auswirkungen der Nutzung ihrer KI-Technologie für den digitalen Krieg.Die Unterzeichner repräsentieren rund 5 % der Belegschaft von DeepMind und kritisieren die Verträge des Unternehmens zur Bereitstellung von KI- und Cloud-Computing-Diensten für verschiedene Regierungen, darunter das israelische Militär im Rahmen von Project Nimbus.Google-Mitarbeiter befürchten, dass ihre KI im Krieg eingesetzt wird.Die Mitarbeiter argumentieren, dass ein solches Engagement gegen Googles eigene KI-Prinzipien verstößt, die besagen, dass das Unternehmen keine KI-Anwendungen verfolgen wird, die „Gesamtschaden“ verursachen oder zu Waffen und Überwachung beitragen.Obwohl der Brief keine konkreten geopolitischen Konflikte erwähnt, verweist er auf Berichte, denen zufolge das israelische Militär KI für Überwachung und Zielerfassung einsetzt.Obwohl DeepMind in der Vergangenheit eine Richtlinie gegen die Nutzung seiner Technologie für militärische Zwecke aufrechterhalten hat, ist das Unternehmen seit seiner Übernahme im Jahr 2014 zunehmend enger mit den breiteren Aktivitäten von Google verbunden, was zu engeren Verbindungen zu militärischen Verträgen geführt hat.Trotz der Forderungen des Briefes, einschließlich einer Überprüfung der Technologie von DeepMind, die von Militärkunden genutzt wird, und der Einrichtung eines neuen Leitungsgremiums, hat Google keine entscheidenden Maßnahmen ergriffen. TechRadar Pro hat das Unternehmen gebeten, den internen Brief der Mitarbeiter zu kommentieren, aber wir haben keine sofortige Antwort erhalten. Einer der Unterzeichner des Briefes äußerte gegenüber TIME seine Unzufriedenheit mit der Reaktion von Google auf die Beschwerde und erklärte, dass die Erklärung des Unternehmens zu Project Nimbus „so speziell unspezifisch ist, dass wir alle nicht klüger sind, was es tatsächlich bedeutet“.
CdXz5zHNQW_dufSnWtrrX.jpeg
CdXz5zHNQW_GEQ4HPEs5i.jpeg
CdXz5zHNQW_LL4HTs3TLM.jpeg
CdXz5zHNQW_dLgS4NZnT9.jpeg
AI21 Labs hat die Jamba 1.5-Modellfamilie vorgestellt, die jetzt als öffentliche Vorschau im Vertex AI Model Garden von Google Cloud verfügbar ist. Die Familie umfasst zwei Modelle: Jamba 1.5 Mini, das für effiziente und einfache Aufgaben wie Kundensupport und Textgenerierung konzipiert ist, und Jamba 1.5 Large, das bei fortgeschrittenen Argumentationsaufgaben wie Finanzanalyse herausragende Leistungen erbringt. Beide Modelle verfügen über ein 256-KB-Kontextfenster und verwenden die Mamba-Transformer-Architektur, die eine effiziente Verarbeitung und fortschrittliche Entwicklerfunktionen wie Funktionsaufrufe, Optimierungen für Retrieval-Augmented Generation (RAG) und strukturierte JSON-Ausgabe bietet.Diese Modelle sind auf Unternehmensanwendungen zugeschnitten, insbesondere in Bereichen wie Kundenservice, Finanzanalyse und Contenterstellung. Sie können beispielsweise lange Dokumente zusammenfassen, Erkenntnisse aus Finanzdaten extrahieren und qualitativ hochwertige Inhalte generieren. Die Jamba 1.5-Modelle sind Teil des umfassenderen Engagements von Google Cloud für ein offenes und flexibles KI-Ökosystem, das Unternehmensbenutzern die Möglichkeit bietet, Lösungen zu entwickeln, die ihren Anforderungen am besten entsprechen.Auf Vertex AI verfügbar, erweitern diese Modelle die Angebote der Plattform, die über 150 Modelle umfasst und es Benutzern ermöglicht, die besten Tools für ihre Projekte auszuwählen. Vertex AI unterstützt einfaches Experimentieren, Anpassen und Bereitstellen dieser Modelle und ermöglicht so optimierte Leistung, Kostenmanagement und sichere Bereitstellung. Entwickler können über einfache API-Aufrufe auf diese Modelle zugreifen und sie mithilfe der verwalteten Infrastruktur von Google Cloud bereitstellen, die zuverlässige Sicherheits- und Compliance-Funktionen bietet.Die ersten Schritte mit den Jamba 1.5-Modellen sind einfach. Benutzer können die Modelle direkt über Vertex AI Model Garden oder Google Cloud Marketplace auswählen und aktivieren. Google Cloud arbeitet weiterhin mit Partnern wie AI21 Labs zusammen, um modernste KI-Funktionen bereitzustellen und sicherzustellen, dass Entwickler Zugang zu den neuesten Fortschritten in der KI-Technologie haben.
CdXz5zHNQW_kfrguXguxE.jpeg
Der Artikel beschreibt die Entwicklung und Auswirkungen der generativen KI (GenAI) bei der Automatisierung komplexer Büroaufgaben, insbesondere bei der Dokumentenextraktion. Der Autor reflektiert seine Erfahrungen als Machine-Learning-Ingenieur bei LinkedIn, wo die korrekte Interpretation von Berufsbezeichnungen in verschiedenen Sprachen und Regionen eine herausfordernde Aufgabe darstellte. Mit dem Aufkommen großer Sprachmodelle (LLMs) wie GPT-4 sind Aufgaben, die einst schwierig waren, wie das Verstehen und Standardisieren von Lebensläufen, trivial geworden. Das wahre Potenzial von GenAI liegt in der Automatisierung von Büroarbeiten, die das Extrahieren von Erkenntnissen aus Dokumenten beinhalten, einer Aufgabe, die einen erheblichen Teil des globalen BIP ausmacht. Beispiele hierfür sind Ausgabenmanagement, Bearbeitung von Leistungsansprüchen im Gesundheitswesen und Kreditvergabe. Obwohl LLMs dafür bekannt sind, in einigen Kontexten zu halluzinieren, zeichnen sie sich durch ihre Schlussfolgerungen zu Texten aus, wenn sie auf bestimmten Eingabedokumenten basieren. Der Schlüssel zur erfolgreichen Dokumentenextraktion mit LLMs liegt in einer sauberen Textkonvertierung und einem robusten Schemadesign, die konsistente und genaue Ergebnisse gewährleisten. Der Autor hebt die Bedeutung der ordnungsgemäßen Textextraktion hervor, die die Verarbeitung komplexer Formatierungen und Anmerkungen beinhaltet. Er teilt seine Erfahrungen mit der Entwicklung von Docupanda.io, einer SaaS-Lösung, die darauf abzielt, die Herausforderungen des Dokumentenverständnisses durch die Generierung sauberer Textdarstellungen und die Einhaltung vordefinierter Schemas zu bewältigen. Der Artikel betont, dass die Definition dieser Schemas entscheidend ist und dass KI durch iteratives Feedback bei ihrer Verfeinerung helfen kann. Abschließend ermutigt der Autor dazu, den Einsatz von LLMs zur Regularisierung der Dokumentenverarbeitung zu erforschen, und deutet an, dass die wahre „Killer-App“ von GenAI ihre Fähigkeit ist, dokumentenbasierte Büroarbeit zu transformieren.
CdXz5zHNQW_gZEuCrmBfg.jpeg
Google Cloud hat die Unterstützung für NVIDIA L4 GPU für Cloud Run vorgestellt, derzeit in der Vorschau, um Entwicklern die Durchführung von Echtzeit-AI-Schlußfolgerungen zu erleichtern. Dieses Upgrade ist insbesondere für Anwendungen von Vorteil, die offene generative AI-Modelle wie Google's Gemma und Meta's Llama nutzen. Hauptmerkmale sind schnelles Autoscaling, Skalierung auf Null und pay-per-use-Preisgestaltung, was Cloud Run ideal für die Bewältigung variabler Benutzertraffic und Kostenoptimierung macht.Mit dieser neuen Funktionalität können Entwickler leichte Modelle für Aufgaben wie benutzerdefinierte Chatbots und Dokumentenzusammenfassungen bereitstellen oder anspruchsvollere Anwendungen wie Bilderkennung und 3D-Rendering. Die NVIDIA-GPUs verbessern die Leistung, indem sie AI-Schlußfolgerungsprozesse beschleunigen, niedrige Latenzzeiten und effizientes Skalieren bieten, während Cloud Runs Infrastruktur die zugrunde liegenden Komplexitäten verwaltet.Frühe Anwender wie L’Oreal und Chaptr haben die GPU-Integration für ihre kurzen Startzeiten, Skalierbarkeit und Benutzerfreundlichkeit gelobt. Die GPU-Unterstützung ist derzeit im US-central1-Region verfügbar, mit Plänen, bis zum Jahresende auf Europa und Asien auszuweiten.Um einen Dienst mit NVIDIA-GPUs auf Cloud Run zu deployen, können Entwickler GPU-Anforderungen über die Befehlszeile oder die Google Cloud-Konsole angeben. Darüber hinaus unterstützt Cloud Run nun auch Funktionen mit GPU-Anhängen, was ereignisgesteuerte AI-Schlußfolgerungsaufgaben vereinfacht.