AI

Entwickler stehen regelmäßig vor der Frage, wie sie KI-Prozesse verbessern können und welcher Algorithmus für bestimmte Fragestellungen jeweils der passende ist. Ein Praxisbeispiel aus der Logistik zeigt, wie die Suche nach dem richtigen Algorithmus strukturiert erfolgen kann.

Wie findet ein Unternehmen die passenden Expertinnen und Experten im eigenen Haus, wenn es sie für bestimmte Aufgaben schnell braucht? Mit dieser Herausforderung hatte es auch die iteratec GmbH zu tun – und entwickelte deshalb eine KI-basierte Suchmaschine, die das zuverlässige und schnelle Finden von Mitarbeiter-Skills ermöglicht.

Wenn Menschen die Entscheidungen von Künstlicher Intelligenz nicht verstehen und nicht nachvollziehen können, vertrauen sie ihnen auch nicht – sei es bei der Bewilligung eines Kreditantrags oder beim autonomen Fahren. Die Entscheidungen und Handlungen der Modelle müssen deshalb transparent und erklärbar sein.

Künstliche Intelligenz trifft traditionelle Industrie: In der Stahlproduktion unterliegt der erzeugte Stahl einer kontinuierlichen Qualitätssicherung. Der Grobblechhersteller Dillinger setzt dabei ein auf einem Grafikprozessor laufendes neuronales Netz ein. Es unterstützt die bildanalytische Bewertung der Beschaffenheit des Stahls.

Frameworks für das Machine Learning (ML) wurden ursprünglich für numerische Mathematik, Matrix-Berechnungen oder Statistik optimiert. Mit Deep Learning stieg dann der Bedarf nach darauf optimierten und spezialisierten Frameworks. Immer häufiger kommen deshalb heute Frameworks wie Apache MXNet (Incubating) und Gluon zum Einsatz.