2021 war mit Sicherheit eines der aufregendsten, herausforderndsten aber auch lohnendsten Jahre meiner bisherigen, beruflichen Laufbahn. Wie auch im letzten Jahr habe ich beschlossen, dieses Jahr mit einem kurzen Rückblick auf 2021 zu beginnen und einen Ausblick darauf zu geben, was im Jahr 2022 alles auf dem Programm steht. Spoiler-Alarm: Dieses Jahr wirft bereits große Schatten voraus – durch den Aufstieg von statworx next.
Recap: 5 Highlights vom Digital Festival Zürich 2021
Bereits letztes Jahr war das gesamte Schweizer Team von STATWORX zum ersten Mal beim Digital Festival Zürich dabei. Daher haben sie sich umso mehr auf das diesjährige Event gefreut, das vom 23. bis 26. September im Schiffbau in Zürich stattfand. Unter dem Motto „Make It Personal“ brachte eine Vielzahl von Keynotes, Labs und Networking-Sessions digitale Führungskräfte, Digital-Aficionados und Innovator:innen zusammen. Livia Eichenberger präsentiert in diesem Recap Ihre persönlichen 5 Highlights dieses Events.
Warum Data Science und KI-Initiativen scheitern – eine Reflektion zu nicht-technischen Faktoren
In diesem Beitrag beleuchtet Lea Waniek (Data & Strategy Consultant) die 4 wichtigsten (nicht-technischen) Gründen für das Scheitern von DS & KI-Initiativen. Um den von ihr aufgezeigten Fallstricken entgegenzuwirken, präsentiert sie zu jeder Problematik mehrere Lösungsansätze.
Wie man mit Call Graph automatisch Projektgrafiken erstellt
Die Codebase deines Data Science-Projekts wächst und wächst, und du drohst den Überblick zu verlieren? Dann kann dieses Tool vielleicht Abhilfe schaffen! Felix Plagge hat ein Paket geschrieben, das einen Call Graph für ein beliebiges Python-Skript erstellt. In diesem Artikel erklärt er zunächst, wozu Projektgrafiken nützlich sind und erklärt anschließend die Installation und Verwendung seines Pakets namens project_graph.
STATWORX Cheatsheets – Python Basics Cheatsheet für Data Science
Du willst Python lernen? Oder brauchst du von Zeit zu Zeit eine kleine Gedächtnisstütze beim Programmieren? Genau dafür wurden Cheatsheets erfunden! Unser erstes Cheatsheet mit den Grundlagen von Python ist der Start einer neuen Blog-Serie, in der weitere Cheatsheets in unserem einzigartigen STATWORX Stil folgen werden.
STATWORX meets DHBW – Data Science Real-World Use Cases
Anfang Juni haben unser COO Fabian Müller und Data Science Consultant Paul Mora eine Vorlesung im Rahmen des Wirtschaftsingenieur-Studienganges der DHBW gehalten. Der Fokus der Vorlesung war es, den Studierenden bewusst zu machen welchen Aspekte es zu beachten gilt bei der Planung und Evaluierung eines Data Science Projektes. Neben den finanziellen Risiken wurde hierbei auch explizit auf die ethischen Fragen der Nutzung von Künstlicher Intelligenz eingegangen.
Machine Learning Modelle bereitstellen und skalieren mit Kubernetes
In diesem Beitrag berichtet Jonas Braun von der am weitesten verbreiteten Form Kubernetes zu nutzen: mit Cloud Anbietern wie Google GCP, Amazon AWS oder Microsoft Azure. Im Beitrag beschäftigt er sich damit, wie man diese Container (sprich Anwendungen oder Modelle) verlässlich und skalierbar für Kunden, andere Anwendungen, interne Dienste oder Berechnungen mit Kubernetes bereitstellen kann. Letztlich gibt der Beitrag noch einen Ausblick über Tools und Weiterentwicklungen.
3 Szenarien zum Deployment von Machine Learning Workflows mittels MLflow
Machine Learning Projekte zu deployen und zu überwachen ist ein komplexes Vorhaben. In diesem Artikel stellt John Vicente die typischen Herausforderungen entlang des Machine Learning Workflows dar und beschreibt mit MLflow eine mögliche Lösungsplattform. Zusätzlich stellt er drei verschiedene Szenarien dar, mit deren Hilfe sich Machine Learning Workflows professionalisieren lassen.
Car Model Classification IV: Integration von Deep Learning Modellen mit Dash
Du wolltest schon immer wissen, wie man ein Frontend mit Python entwickelt? Im letzten Teil unserer vierteiligen Blogserie bauen wir ein interaktives Spiel, bei dem User*innen die Automarke- und Modell erraten muss. Seid ihr besser als unsere AI?
Car Model Classification III: Erklärbarkeit von Deep Learning Modellen mit Grad-CAM
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.