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.
Was ist künstliche Intelligenz? In diesem Artikel versucht das Sprachmodell GPT3, also eine künstliche Intelligenz, diese Frage zu beantworten. Als Grundlage dafür dienten dem Modell lediglich 5 Sätze. Lesen Sie das Ergebnis in dieser Kolumne, die am 28. August 2021 in der Zeitung DIE WELT erschienen ist.
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.
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.
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 Aspekten 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.
In diesem Beitrag berichtet Jonas Braunv 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.
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.
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?
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.
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.