Maschinelles Lernen

Sagemaker ist eine Plattform für das Erstellen von maschinellen Lernalgorithmen. AWS gibt dem Kunden Tools an die Hand, die das Training von Modellen möglichst einfach machen soll. Viele Frameworks sind bereits vorinstalliert, per Docker können auch eigene genutzt werden.

Adobe zeigt einen Ausblick auf neue Fähigkeiten von Photoshop CC, mit denen Anwender viel Zeit beim Freistellen von Objekten sparen sollen. Mit einem Klick werden selbst komplizierte Motive freigestellt.

Prominente, Tiere oder Fahrzeuge: Nvidias maschineller Lernalgorithmus generiert möglichst realistische Bilder. Die Vorlage stellen 30.000 Referenzbilder. Momentan sind die Ergebnisse noch nicht ohne Fehler - es sei denn ein zweiköpfiges Pferd ist erwünscht.

Das Team von Vicarious AI arbeitet an einem maschinellen Lernalgorithmus, der automatisch Captchas verschiedener Anbieter lösen kann. Anders als vegleichbare Systeme nutzt das Recursive Cortical Network (RCN) aber nur einzelne Klartextbuchstaben als Referenz. Das Ergebnis soll trotzdem besser sein.

Ein Motorrad, ein Mensch, ein Roboter: Der Motobot ist ein Roboter, der ein Motorrad steuern kann. Hersteller Yamaha hat ihn auf der Rennstrecke gegen den mehrfachen Weltmeister Valentino Rossi fahren lassen.

Wird "Zoomen und Verbessern" bald Realität? EnhanceNet-PAT ist ein Lernalgorithmus, der durch Mustererkennung Bilder hochauflösender machen kann. Das Vorbild für das maschinelle Lernen ist der Mensch selbst.

Adobes Project Scribbler ist ein maschineller Lernalgorithmus, der selbstständig Skizzen und Fotos einfärben kann. Anhand von Referenzbildern errät er Ethnie, Alter und Geschlecht von Abgebildeten, sodass sogar Albert Einstein Farbe im Gesicht bekommt.

Gluon ist ein weiterer Schritt in Richtung standardisierter APIs für neuronale Netze. Die Schnittstelle ist sowohl mit Microsofts Cognitive Toolkit als auch mit Apache Mxnet kompatibel. Sie skaliert mit mehr als 500 GPUs und soll mit wenig statt viel Daten umgehen können.

Hardwarehersteller Sifive zeigt das erste 64-Bit-Quadcore-SoC auf Basis des freien Befehlssatzes RISC-V. Der Chip ist für den Embedded-Markt mit Linux-Einsatz gedacht und konkurriert klar mit ARM-Chips.

Drei Klassen und eine Webcam: Teachable Machine ist ein kleines Programm von Google, mit dem Nutzer das Konzept von maschinellem Lernen verstehen sollen. Es nutzt dazu die quelloffene Bibliothek Deeplearn.js. Das Besondere: Es funktioniert lokal im Browser statt über die Cloud.

Oracles neue AI Cloud Platform soll für Kunden die Tools und die Hardware zum Erstellen eigener Lernalgorithmen bereitstellen. Auch in der Mobile Cloud können interaktive Chatbots erstellt werden. Allerdings ist die Konkurrenz mit Salesforce, Microsoft und Co. relativ stark.

PixelNN kann unscharfe oder unvollständige Bilder rekonstruieren. Der Algorithmus sei dabei präziser als ähnliche Projekte. Die Entwickler nutzen ein neuronales Netz, um bereits jetzt relativ genaue Ergebnisse zu liefern.

ONNX soll Entwicklern eine homogene Plattform für die Entwicklung von KI-Applikationen bieten. Microsoft und Facebook kooperieren, um ihre Frameworks zu vereinheitlichen. Die Community kann das Projekt auf Github einsehen.

In einem Blogpost stellt Uber Michelangelo vor. Das ist ein Machine-Learning-System, das für viele Unternehmensprojekte eingesetzt wird. Die Basis sind zahlreiche Open-Source-Programme und eigene Softwareentwicklungen.

Pixelmator Pro integriert Apples Core-ML-Schnittstelle, um Funktionen wie Bilderkennung zu realisieren. Die Software soll im Vergleich zur Adobe Creative Cloud besonders preisgünstig und daher für "jedermann" sein - vorausgesetzt "jedermann" ist Mac-Nutzer.

Hot Chips Statt auf fest verdrahtete ASICs, wie Googles TPU, setzt Microsoft für sein Azure-Cloud-Geschäft auf flexiblere FPGAs. Mit diesen sollen künftig Machine-Learning-Modelle beschleunigt werden, um "Echtzeit-KI" bereitzustellen.

Kommerzielle Fotoagenturen schützen ihre Bilder häufig mit sichtbaren Wasserzeichen. Doch Google-Forscher haben den Schutz geknackt. Und geben Tipps für Verbesserungen.

Das Machine-Learning-Team von Google will diesen Bereich der Informatik einfacher zugänglich machen und hat Deeplearn.js erstellt. Die Javascript-Bibliothek läuft komplett im Browser und benötigt kein Backend.

Eine Software soll in Verbindung mit Maschinenlernen dafür sorgen, dass Unternehmenskunden eine bessere Übersicht über die Nutzung vertraulicher und privater Daten in Clouddiensten bekommen. Macie sucht nach Informationen wie E-Mails, Namen und Kreditkartennummern.

Zugriff auf die API von Starcraft 2, Werkzeuge für Forscher auf Basis von Linux und Replays von Tausenden von Partien: Blizzard und die Google-Tochter Deepmind Technologies haben eine Reihe von Tools ins Netz gestellt, mit denen KI-Forscher an neuen Algorithmen arbeiten können.

Eine neue Form von Cloud wird für 5G gebraucht. Plattformen dieser Art existierten bisher nicht. Mit NGPaaS will ein Konsortium etwas ganz Neues schaffen.

Um terroristische und andere rechtswidrige Inhalte zu erkennen, setzt Youtube neuerdings maschinelles Lernen ein. Erste Erfolge sprechen für das System. Trotzdem sind Menschen für die Filterung solcher Videos noch unverzichtbar.

Forscher des MIT demonstrieren mit Maschinenlernen, wie zeitintensive Bildbearbeitung von einem Smartphone automatisiert erledigt werden kann. Die Bildverbesserung arbeitet in Echtzeit.

Update Microsoft kooperiert beim autonomen Fahren mit dem chinesischen Unternehmen Baidu. Baidu hat mit Apollo jüngst ein Open-Source-Betriebssystem für autonome Autos vorgestellt, das jede Autofirma nutzen kann.

Anhand von Streetview-Bildern nutzt Google maschinelles Lernen, um realistische Panoramen zu erstellen. Der Algorithmus nimmt auch professionelle Aufnahmen als Referenz. Das Ergebnis beeindruckt Fotografen.

Was IBMs KI Watson ermöglicht, ist aus Sicht der Investmentbank Jefferies nicht die Zukunft. Die liege beim maschinellen Lernen und Deep Learning. In dieses Feld investiert die Konkurrenz - darunter Google, Amazon, Apple und Facebook.

Apple hat die erste öffentliche Betaversion von MacOS High Sierra veröffentlicht, nachdem zuvor nur zahlende Entwickler sie testen durften. Die wichtigsten Neuerungen umfassen das Dateisystem APFS, Metal 2 sowie Veränderungen der Fotos-App und neue Safari-Funktionen.

Amazon kann sich offenbar mit seinem Lebensmittellieferservice nicht durchsetzen und kauft darum die weltgrößte Biosupermarktkette Whole Foods Market.

Die Forschungsabteilung von Facebook zeigt, dass eines ihrer Modelle extrem gut skaliert. Das Training zum Erkennen und Klassifizieren von rund 1,2 Millionen Bildern benötigt mit 256 Nvidia-GPUs nur 1 Stunde statt 29 Stunden mit acht GPUs.

Adobe Scan nimmt per Smartphonekamera ein beliebiges Dokument auf und wandelt das Bild in eine PDF-Datei um. Der erkannte Text kann markiert und kopiert werden. Die OCR-Software kann bisher aber keine Handschrift lesen.

Für das aktuelle Qt 5.9 hat das Entwicklerteam seine eigenen Werkzeuge überarbeitet. Das soll die Langzeitpflege des Frameworks vereinfachen. Qt 5.9 verbessert zudem die 3D-Funktionen und verkleinert den Binärcode.

I/O 2017 Die von Google unterstützte Machine-Learning-Bibliothek Tensorflow soll in einer für Mobilgeräte optimierten Version erscheinen. Dieses Tensorflow Lite bekommt außerdem eine API für neuronale Netze an die Seite.

I/O 2017 Die zweite Generation von Googles TPU kann nicht nur Modelle anwenden, sondern beschleunigt auch massiv das Training für maschinelles Lernen. Ein Cluster aus 64 der neuen TPU erreicht 11,5 PFlops und kann in der Cloud gemietet werden.

Build 2017 Ob Japanisch, Spanisch oder Deutsch: Der Presentation Translator für Microsoft Powerpoint kann die Worte eines Präsentators übersetzen, zumindest, wenn dieser eine von zehn Sprachen spricht. Möglich macht dies künstliche Intelligenz in der Cloud.

Ein neues System zur maschinellen Übersetzung von Facebook liefert leicht bessere Ergebnisse als das bisher beste von Google und ist dabei sogar noch schneller. Anders als Google stellt Facebook den Code und die Trainingsdaten frei zur Verfügung.

Tinder-Bilder sind kein Match für Gesichtserkennung: Ein Programmierer aus den USA hat sich mehrere Zehntausend Bilder aus der Dating-App Tinder beschafft. Er hat sie ins Netz gestellt, damit Algorithmen für die Gesichtserkennung daran trainiert werden können.

Die Alphabet-Tochter Deepmind will bei der Krebsbehandlung helfen und schlägt menschliche Spieler in Go. Das nun verfügbare Open-Source-Framework Sonnet soll die Forschung an maschinellem Lernen in der Öffentlichkeit vorantreiben.

Zum maschinellen Lernen benötigt Google möglichst relevante, also echte Daten. Deshalb wird das Modell für die Android-Tastatur Gboard einfach auf Smartphones angelernt und später auf dem Server zusammengesetzt - eine radikale Abkehr von bisherigen Herangehensweisen.

Adobe Research arbeitet an einer App, mit der bessere Selbstporträts aufgenommen werden können. Dabei wird maschinelles Lernen eingesetzt, um einen Aufnahmestil auf das eigene Foto zu übertragen, die Perspektive zu modifizieren oder den Hintergrund unscharf zu stellen.