Im dritten Artikel unserer 4-teiligen Blogserie widmen wir uns dem Thema Explainable AI, das in den letzten Jahren in der Machine Learning Community sehr stark an Bedeutung gewonnen hat. Bei Explainable AI geht es darum, die Vorhersagen eines Modells zu verstehen, was unter anderem zu einem erhöhten Vertrauen in die Modelle führt. Wir diskutieren im Artikel verschiedene Ansätze zur Erklärung von CNN-Netzwerk-Vorhersagen und fokussieren uns auf das Grad-CAM Verfahren.
Car Model Classification II: Deployment von TensorFlow-Modellen in Docker mit TensorFlow Serving
Wie interagiert man in einer produktiven Umgebung mit Machine Learning Modellen? Im zweiten Teil unserer 4-teiligen Blogserie zum Thema Car Model Classification lernt ihr, wie ihr ein TensorFlow-Modell zur Bilderkennung mittels TensorFlow Serving bereitstellt und wie Modellabfragen ausgeführt werden können.
Car Model Classification I: Transfer Learning mit ResNet
In dieser 4-teiligen Blogserie zur Klassifizierung von Automodellen möchten wir veranschaulichen, wie ein End-to-end Deep Learning-Projekt umgesetzt werden kann. Im ersten Teil zeigen wir, wie mittels Transfer Learning Fahrzeugbilder klassifiziert werden können. Insbesondere erfahrt ihr, wie ein vortrainiertes ResNet-Modell fine getuned werden kann, um einen Downstream-Task anzugehen.
Potenzial noch nicht ausgeschöpft – Ein Kommentar zur vorgeschlagenen KI-Regulierung der EU
«Vertrauen schaffen durch menschenzentrierte KI»: Unter diesem Slogan hat die Europäische Kommission in der vergangenen Woche ihren Vorschlag zur Regulierung von künstlicher Intelligenz (KI-Regulierung) vorgestellt. Oliver Guggenbühl beleuchtet den Vorschlag der EU in diesem Kommentar aus verschiedenen Blickwinkeln und zeigt dabei positive Aspekte sowie Unzulänglichkeiten auf.
Creaition – Revolutionierung des Designprozesses mit Machine Learning
Marco Limm hat das Startup creaition gegründet, das mit seinem Produkt den äußerst komplexen und sehr iterativen Prozess der Designentwicklung mit Hilfe von Machine Learning optimiert. In diesem Artikel erfahren Sie, wie Marco auf die Idee kam, dieses Problem anzugehen, welche Hürden ihm bei der Entwicklung begegnet sind und wie er schlussendlich mit seinem Prototypen die Messewelt eroberte.
5 Types of Machine Learning Algorithms (With Use Cases)
We are encountering Machine Learning algorithms in our daily lives. Some are practical, like Google Translate; others are fun, like Snapchat Filters. Our interaction with artificial intelligence will most likely increase in the next few years. Given the potential impact of Machine Learning models on our future lives, Fran Peric presents to you the five branches of Machine Learning and their key concepts.
2020 – A Year in Review for Me and GPT-3
Our CEO Sebastian Heinz is looking back at 2020, a year that pushed us out of our comfort zone and sparked many great initiatives and successes in our company. Make sure to read the article all through to the end – it may surprise you!
Praktische Deep Learning Anwendung – Mit künstlicher Intelligenz Plätzchen-Rezepte und Weihnachtslieder generieren
Buzzwords wie Data Science und Deep Learning lassen sich anhand von anschaulichen Anwendungsbeispiel am Besten mit Leben füllen. Ziel dieses Artikels ist es, die Grundlagen hinter komplexen Deep Learning Methoden anschaulich zu vermitteln. Passend zur Adventszeit hat der Autor dazu eine kleine Web-App programmiert, mit der sich alternative Zutaten für Rezepte vorschlagen lassen, untermalt von KI-generierten Weihnachtsliedern.
Whitepaper: Wie sich Scrum für Data Science Projekte anwenden lässt
Im Whitepaper „Wie sich Scrum für Data Science Projekte anwenden lässt“ erhalten Sie einen Überblick zu der Projektmanagementtechnik Scrum im Hinblick auf den typischen Ablauf eines Data Science Projektes. Darauf aufbauend stellen wir die größten Herausforderungen und Lösungsvorschläge für die Integration von Scrum in ihren Data Science Projekten dar. Lesen Sie hier die Management Summary zu diesem Whitepaper.
Case Study: Automatisierte Marketing-Interaktion im Retail
Im Kundenlebenszyklus gilt es, den Kunden zum richtigen Zeitpunkt mit dem richtigen Angebot zu kontaktieren. Zur Lösung dieser Herausforderung haben wir hierzu für einen Kunden aus dem Einzelhandel einen ganzheitlichen Ansatz entwickelt. Auf Basis von Kundenstamm- und Transaktionsdaten haben wir verschiedene state-of-the-art Methoden des Machine Learnings und der künstlichen Intelligenz genutzt, um Kundengruppen individuell und automatisiert auf verschiedenen Kanälen ansprechen zu können.