Buchempfehlung: the four (Amazon, Apple, Facebook, Google) – Teil 2

(Hier geht es zum ersten Teil der Buchempfehlung, falls du den noch nicht gelesen haben solltest.)

Es gibt keine Garantie für eine steile Karriere, aber Scott Galloway als Professor für Markenstrategie und digitales Marketing an der New York University Stern School of Business hat aus seiner Erfahrung zahlreiche Hinweise für uns, die Leserinnen und Leser seines Buchs the four*, wie man in einer zunehmend digitaleren Wissensgesellschaft agieren sollte. „Buchempfehlung: the four (Amazon, Apple, Facebook, Google) – Teil 2“ weiterlesen

Buchempfehlung: the four (Amazon, Apple, Facebook, Google) – Teil 1

Blicken wir mit diesem Beitrag einmal über den Tellerrand des Machine Learning: Hier geht es um Professor Scott Galloways Buch the four*. Mit the four* bezeichnet Galloway die vier Tech-Giganten Amazon, Apple, Facebook und Google. In seinen Augen sind das die vier Unternehmen, die im Moment den Alltag von Milliarden Menschen am nachhaltigsten und intensivsten bestimmen. In seinem Buch erläutert er, wie es dazu kam, dass die Vier den Tech-Olymp erklimmen konnten, warum sie sich dort halten können, welche Gefahren auf sie lauern, ob sich zu den Vier ein fünftes Unternehmen gesellen könnte und welche Konsequenzen aus der Macht der Vier für uns Leserinnen und Leser erwachsen. „Buchempfehlung: the four (Amazon, Apple, Facebook, Google) – Teil 1“ weiterlesen

Deep Learning kommt im Mainstream an

Unter dem Titel „Künstliche Gehirne, die selbstständig lernen: So wird #DeepLearning dein Leben umkrempeln“ lief auf heute+ vom ZDF eine 15-minütige Sendung zur künstlichen Intelligenz. Journalist Daniel Bröckerhoff führt durch die Sendung.

In der Sendung erfahren die Zuschauerinnen und Zuschauer, was das Besondere an neuronalen Netzen ist, wer derzeit die Datenhoheit hat und welche Gefahren der Gesellschaft durch den zunehmenden Einsatz von Deep Learning drohen.

Schaut euch die Sendung ruhig an, aber seid nicht zu enttäuscht, wenn es letztlich wieder nur um eine Dystopie herum gesprochen wird und einmal mehr die Bedrohungen und Gefahren einer vermeintlich neuen Technologie in den Vordergrund gestellt werden.

Was ist der Unterschied zwischen Machine Learning und künstlicher Intelligenz?

Anfängerinnen und Anfängern ist nicht ganz klar, was künstliche Intelligenz von maschinellem Lernen unterscheidet. Hier möchte ich das verwirrende Knäuel der verschiedenen Begriffe auflösen. „Was ist der Unterschied zwischen Machine Learning und künstlicher Intelligenz?“ weiterlesen

Wo wird Machine Learning eingesetzt?

Auch wenn vielen digital versierten Menschen klar ist, dass Machine Learning einen qualitativen Vorwärtssprung in der Computergeschichte darstellt, lohnt sich ein Blick in die tatsächlichen Einsatzfelder der Methoden. Allgemein lässt sich konstatieren, dass überall, wo viele Daten anfallen, der Einsatz von Machine Learning naheliegt. Hier folgen einige prominente Beispiele:

Selbstfahrende Fahrzeuge

Als der nächste große Wurf in der Transportbranche gelten selbstfahrende Fahrzeuge. Von dieser Art Transportmittel erwarten alle Verkehrsteilnehmer, Hersteller und Versicherungen mehr Effizienz bei gleichzeitig weniger Unfällen. Damit selbstfahrende Fahrzeuge im Massenmarkt ihren Einsatz finden, setzen die Ingenieurinnen und Ingenieure auf Machine Learning.

„Wo wird Machine Learning eingesetzt?“ weiterlesen

Machine Learning bei Spotify: Wie personalisierte Playlists entstehen

Der bekannte Musik-Streaming-Dienst Spotify setzt stark auf maschinelles Lernen, um den Wünschen seiner Kundinnen und Kunden gerecht zu werden. Im Artikel „Spotify’s Discover Weekly: How machine learning finds your new music“geht die Software-Entwicklern Sophia Ciocca auf die zugrundeliegende Technik bei Spotifys Empfehlungen ein, die für die Kundinnen und Kunden wie Magie wirken.

„Machine Learning bei Spotify: Wie personalisierte Playlists entstehen“ weiterlesen

Apple ruft Machine-Learning-Blog ins Leben

Neben den anderen US-Tech-Konzernen schien Apple bezüglich Machine Learning immer ein Schattendasein zu fristen, zumindest wirkte es so. Der Grund lag eher darin, dass Amazon, Facebook, Google und Microsoft mit ihren Versuchen und Erfolgen sehr öffentlich umgehen, während Apple im Verborgenen arbeitet und erst an die Öffentlichkeit geht, wenn sie von ihrem Produkt überzeugt sind.

Hinsichtlich Machine Learning ruft Apple nun eine bemerkenswerte Neuheit ins Leben und veröffentlicht auf einem eigenen Blog namens Apple Machine Learning Journal Beiträge zu Themen wie maschineller Text-, Bild-, Stimmen- und Spracherkennung. Die englischsprachigen Artikel gehen angenehm in die Tiefe und behandeln Ansätze wie Neuronale Netze, gehen aber auch in interdisziplinäre Gebiete wie beispielsweise linguistische Modelle.

Was ist der Turing-Test?

Der Turing-Test ist eine Idee des britischen Mathematikers und Informatikers Alan Turing. 1950 formulierte er eine Möglichkeit, festzustellen, ob eine Maschine genauso gut denken kann, wie ein Mensch.

Testaufbau

Der Test hat folgende Aufstellung: Ein Mensch sitzt vor einem Bildschirm und einer Tastatur. Er oder sie hat keinen sinnlichen Kontakt zu seinem oder ihrem Gesprächspartnerin oder Gesprächspartner. Dabei kann der Gesprächspartner ein Mensch oder eine Maschine sein.

Nun kommunizieren die beiden Gesprächspartner über Bildschirm und Tastatur. Ist einer der beiden Gesprächspartner eine Maschine und der Mensch kann nach einer längeren Zeit der Kommunikation nicht mit Sicherheit sagen kann, ob es sich beim Gegenüber um einen Menschen oder eine Maschine handelt, hat die Maschine den Turing-Test bestanden.

Was sind praktische Probleme von Machine Learning?

Ein gutes Ergebnis auf Basis von Machine-Learning-Modellen steht und fällt mit der Qualität der zur Verfügung stehenden Daten. Im Folgenden finden sich einige praktische Probleme, die im Alltag beim Einsatz von Machine Learning auftreten.

Unvollständige Daten

Es ist weder ungewöhnlich noch unwahrscheinlich, dass bei einer Menge von tausenden Datenerhebungen einige Werte fehlen oder offensichtlich fehlerhaft sind. Beispielsweise lassen manche Teilnehmerinnen und Teilnehmer einer Befragung das Feld für das „Einkommen“ oder das „Alter“ leer. Oder es gibt Missverständnisse beim Ausfüllen eines Befragungsbogens, so dass im Feld „Alter“ beispielsweise „Hannover“ steht, weil die befragte Person beim Ausfüllen in der Zeile verrutscht ist. „Was sind praktische Probleme von Machine Learning?“ weiterlesen