Maschinelles Lernen

Aus der Luft Feinde und Stellungen erkennen und automatisch auswerten: Das US-Militär steckt viel Geld in die Nutzung von KI für militärische Zwecke. Google stellt einem Bericht zufolge einen Teil der dafür notwendigen Technik. Unter Mitarbeitern soll es heftige Diskussionen darüber geben.

Microsoft kündigt mehrere Neuerungen bei seinen KI-Systemen an. Der Custom Vision Service erstellt Modelle mit eigenen Klassifizierern, Face API kann bis zu einer Million Gesichter analysieren und Bing Entity Search eifert Googles weiterführender Suche nach.

Bei weißen Männern funktioniert Gesichtserkennung mit 99 Prozent Genauigkeit, ganz anders ist es bei schwarzen Frauen. Das zeigt die Studie einer MIT-Informatikerin, die Geschlechterzuordnung untersucht hat. Betroffen sind etwa Systeme von Microsoft und IBM.

Google macht einen Rückzieher: Die kürzlich angekündigte Visual-Core-Unterstützung beim Pixel 2 wird doch nicht von der Kamera-App verwendet. Nur Drittanbieter-Apps greifen auf den Coprozessor zu. Die entscheidende Frage bleibt offen.

Update Mit einem Update aktiviert Google bessere Kamerafunktionen für das Pixel 2 und das Pixel 2 XL. Neben besseren Aufnahmen werden eine schnellere Bildverarbeitung und eine Entlastung des Hauptprozessors versprochen.

Ein Moonshot soll es werden: Chronicle ist der jüngste Sprössling von Alphabets Project X. Mit Datenanalyse, Maschinenlernen und einem besseren Verständnis der eigenen Daten sollen Unternehmenskunden zehnmal so sicher werden wie heute.

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.

Googles AutoML entwickelt sich. Jetzt kann das System komplexere Modelle selbstständig erschaffen - ohne menschliche Hilfe. Das neue Modell heist Nasnet und soll bei der Bild- und Objekterkennung sehr effizient sein.

Computer (sehr leicht): Zumindest Profi-Gamer besiegen künstliche Intelligenzen im Echtzeitstrategiespiel Starcraft sehr schnell - trotz 19.000 APM. Die Systeme haben einfach noch nicht genug Trainingsdaten. Das Potenzial zu siegen ist jedoch da.

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.

Wer war in welchem Video zu sehen? Auf Pornhub werden in Zukunft Darsteller anhand von Bilderkennung automatisch entsprechenden Videos zugeordnet. Später sollen auch Kriterien wie Körpermerkmale und Drehort analysiert werden können. Ein wichtiger Bestandteil: die Community.

Besser spät als nie: Alibaba will reichlich in die Forschung von Quantencomputern, Machine Learning und IoT investieren - mit Hilfe von renommierten Instituten wie dem MIT und Princeton. Sich gegen bereits etablierte Konkurrenten wie Microsoft und Google durchzusetzen, wird trotzdem nicht leicht.

Maschinelles Lernen und Bilderkennung finden immer mehr Anwendung. Im Trend liegt das Animieren von Bildern und Emoticons. Facebook arbeitet gemeinsam mit Forschern an einer eigenen Lösung. Ein erstes Ergebnis: eine noch mehr lächelnde Mona Lisa und wütende Profilbilder.

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.