Das Wissensportal für IT-Professionals. Entdecke die Tiefe und Breite unseres IT-Contents in exklusiven Themenchannels und Magazinmarken.

heise conferences GmbH

(vormals SIGS DATACOM GmbH)

Lindlaustraße 2c, 53842 Troisdorf

Tel: +49 (0)2241/2341-100

kundenservice@sigs-datacom.de

Big Data

136 Inhalte
Entdecken Sie unser Archiv zu tiefgehenden Inhalte zum Thema Big Data.
Daten gelten gemeinhin als das neue Öl. Sie fallen in der IT überall an, egal ob in Geschäftssystemen oder Sensoren. Die Kunst besteht darin, sie zu entwerfen, zu extrahieren, zu analysieren, auf das Essenzielle zu reduzieren, zu sinnvollen Zusammenhängen zu kombinieren, zu übertragen, zu verschlüsseln und zu speichern. Gerade durch die Zusammenfassung von Daten aus verschiedenen Quellen lassen si..
Der Bücherwurm zur Daten-Verarbeitung
(Strukturierte) Daten werden in vielen Bereichen als das neue, digitale Gold gehandelt. Durch ihre Verknüpfung können wichtige Erkenntnisse und Entscheidungen abgeleitet werden. Wie kann dieser Zustand jedoch erreicht werden? Was wenn die Daten erst aus vielen, heterogenen Quellen zusammengeführt werden müssen? Für Daten, die sich als Metriken und Events interpretieren lassen, muss hier das Rad ni..
Datenströme einfach zusammenführen mit „Telegraf“
Zur Lösung komplexer Fragestellungen werden häufig KI-Modelle herangezogen, doch oft erreichen diese Projekte nur den Status des Proof of Concept (PoC). Ein Vergleich zu Softwareprojekten ermöglicht es, Hindernisse zu erkennen und diese mithilfe von entsprechenden Technologien und Tools zu lösen. Industrialisierung und automatisches Retraining von KI-Modellen sind der entscheidende Faktor für den ..
Der lange Pfad vom PoC zum Deployment
Und kaum ist der Begriff „AI“ (Artificial Intelligence) gefallen, schon gehen die Diskussionen los. Dieser Tage drehen sie sich meistens um ChatGPT und Konsorten.
Editorial IT Spektrum3/2023: Die (nicht ganz so) einfachen Dinge
„Wann wissen wir, ob das Modell-Training abgeschlossen ist und wir das fertige Modell deployen können?“. Diese Frage kennen Data Scientists. Nach vielen Experimenten, um die Modell-Qualität zu verbessern, müssen sie den Code und das Modell-Artefakt produktionsreif machen. Wie gelingt dieser Übergang stressfrei? Warum sollte man bei der anfangs gestellten Frage stutzig werden? Antworten in diesem A..
Mit MLOps und AutoML zum erfolgreichen Datenprodukt