AI

Die Erwartungen an Machine Learning (ML) sind riesig. Dass viele ML-Projekte in der Pilot- oder Proofof-Concept-Phase stecken bleiben, liegt aber nur zum Teil an überzogenen Erwartungen. Es fehlt den Unternehmen oft an Infrastruktur, den richtigen Capabilities oder schlicht an Daten. Dieser Beitrag beschreibt, auf was Unternehmen achten sollten, damit ML-Lösungen tatsächlich produktiv eingesetzt w..

Die Welt wird immer vernetzter, die Systeme zunehmend komplexer. Im Bereich der Datenanalytik rücken daher verstärkt Technologien in den Vordergrund, die auf die Analyse und Modellierung von Datenbeziehungen und Netzwerken spezialisiert sind. Graph Data Science (GDS) und Graph Analytics haben sich hier in den letzten Jahren als neue Kategorie etabliert – vor allem im Zusammenhang mit Machine Learn..

Die Bedeutung von Machine Learning in der Industrie ist in den vergangenen Jahren stetig gewachsen. Jedoch schaffen es nach wie vor zahlreiche Machine-Learning-Projekte nicht bis zur Produktion. Dabei stehen Unternehmen vor- und nachgelagert, in der Entwicklung und im laufenden Betrieb vor enormen Herausforderungen in den Bereichen Kollaboration, Testing und Monitoring. Machine Learning Operations..

Sprachassistenten sind mittlerweile weit verbreitet. Integriert in Smartphones, Speakern oder Autos sind sie als „unsichtbare“ Interfaces allgegenwärtig. Neben Smarthome und Entertainment spielen sie im Gesundheitswesen und vielen weiteren Wirtschaftszweigen eine immer größere Rolle. In diesem Artikel zeigen wir auf, entlang welcher Fragen Designer einen Sprachassistenten gestalten, wo Chancen und..

Data Warehouse, Data Lake, Date Lakehouse, Data Mesh … in der Szene kursieren derzeit viele neue Namen für analytische Datenarchitekturen. Doch sind die diversen Ansätze wirklich so unterschiedlich? Dieser Beitrag versucht einen strukturierten Vergleich der verschiedenen Architekturparadigmen, methodisch basierend auf DAMA-DMBOK und ArchiMate. Es werden Unterschiede, Gemeinsamkeiten und Abhängigke..