Henrique Schmaiske ist der Technologieführer hinter Meteor 3.0, der größten Veröffentlichung von Meteor.js seit mehr als einem Jahrzehnt. Für viele Entwickler und Unternehmen markierte es einen Wendepunkt in der Entwicklung eines Frameworks, das zu einem festen Bestandteil des JavaScript-Ökosystems geworden ist.

Meteor.js hat mehr als 44.800 GitHub-Sterne erhalten und unterstützt über 500.000 aktive Installationen weltweit. Diese Reichweite bedeutete, dass Schmaiske nicht einfach nur ein weiteres Versionsupdate beaufsichtigte. Er half dabei, ein Framework zu modernisieren, auf das unzählige Groups angewiesen waren. Aber das Beste ist, dass er es geschafft hat, ohne die Produkte zu stören, die sie darauf aufgebaut hatten.

Schmaiske kam im April 2022 als erster technischer Mitarbeiter des Unternehmens nach einer umfassenden organisatorischen Umstrukturierung zu Meteor. Nach einem CEO-Wechsel wurde er hinzugezogen, um beim Aufbau der technischen Grundlage der Organisation mitzuhelfen, und übernahm bald seine erste Tech-Lead-Rolle. Und hier nahm er eine der komplexesten Herausforderungen des Frameworks an. In den nächsten zwei Jahren leitete er die Modernisierung der Meteor-Grundlagen und bewahrte gleichzeitig das Vertrauen der Entwickler und Unternehmen, die ihre Produkte darauf aufgebaut hatten.

Sich Meteors größter Herausforderung stellen

Meteor conflict schon lange auf Fibers angewiesen. Es handelte sich um eine Bibliothek, die es Entwicklern ermöglichte, asynchronen Code synchron darzustellen, wodurch Anwendungen einfacher zu schreiben und zu verstehen waren. Diese Bequemlichkeit hat dazu beigetragen, das Entwicklererlebnis zu prägen, für das Meteor bekannt wurde. Allerdings conflict Fibers nicht mehr mit der zukünftigen Ausrichtung von Node.js kompatibel, was seine Entfernung notwendig machte, wenn Meteor sich weiterentwickeln und seine Benutzer unterstützen wollte.

Beim Entfernen von Fasern ging es um mehr als nur den Austausch einer Technologie. Es wurde für Methoden, Veröffentlichungen und Muster in Datenbanken verwendet. Die Neugestaltung dieser Systeme bedeutete, die über Jahre in Meteor getroffenen Annahmen zu überdenken und Änderungen an bestehenden Anwendungen auf ein Minimal zu beschränken.

Hier ist der schwierigste Teil. Node.js 14 erreichte im April 2023 das Ende seiner Lebensdauer. Seit Juni 2021 gab es ein Planungsdokument für die Fibers-Entfernung, mit den Ausführungsarbeiten wurde jedoch noch nicht begonnen. Schmaiske leitete die Migration ein, nachdem er im April 2022 zu Meteor kam, und verwandelte den Vorschlag in eine aktive technische Anstrengung.

Einen sichereren Weg zu Meteor 3.0 abbilden

Für die Entwickler und Unternehmen, die auf Meteor aufbauen, ging der Einsatz über die eigentliche technische Arbeit hinaus. Bedeutende Framework-Änderungen zwingen Groups oft dazu, sich zwischen dem Warten auf Upgrades und der Durchführung umfangreicher Neufassungen in anspruchsvollen Zeitplänen zu entscheiden.

Schmaiske wollte, dass Meteor-Benutzer diese Erfahrung vermeiden. Deshalb entwarf er sorgfältig eine Migrationsroute, die einen nahtlosen Übergang ermöglicht, anstatt einen abrupten Wandel aufzuerlegen. Und im Jahr 2022 wurden mit Meteor 2.8 und 2.9 erste Arbeiten veröffentlicht, die die Koexistenz von Async und Wait mit traditionelleren Mustern ermöglichen.

Dieser inkrementelle Ansatz gab den nachgelagerten Groups Zeit, sich vorzubereiten. Entwickler könnten Anwendungen in einem Tempo modernisieren, das zu ihrem Unternehmen passt, und gleichzeitig Produktionssysteme weiterhin unterstützen. Die Strategie spiegelte die allgemeinere Überzeugung wider, dass Modernisierung Fortschritte ermöglichen sollte, anstatt unnötige Hindernisse zu schaffen.

Einen Rahmen durch große Veränderungen führen

Die Migration zu Meteor 3.0 erstreckte sich über mehrere Releases und erforderte ein größeres Group von Ingenieuren. Es erforderte Führung, eine sorgfältige Abfolge und ein Verständnis dafür, wie sich jede Entscheidung auf das breitere Ökosystem auswirken würde.

Als designierter CODEOWNER des GitHub-Repositorys Meteor.js überprüfte Schmaiske Änderungen, die sich auf wichtige Teile des Frameworks auswirken. Er gab die Richtung vor, leitete technische Diskussionen und sorgte dafür, dass die Arbeit im gesamten Group koordiniert wurde.

Dann wurde Meteor 3.0 schließlich im Juli 2024 offiziell veröffentlicht. Dazu gehörten 2.300 Commits, 800 geänderte Dateien und 200 Pull-Requests. Es entfernte Fibers, änderte Meteor auf natives Async und Wait und aktualisierte das Framework auf Node.js 20. In der offiziellen Veröffentlichungsankündigung wurde Schmaiske auch als einer der drei Hauptmitwirkenden hinter dem Meilenstein anerkannt.

Die Neighborhood auf dem Laufenden halten

Die technische Ausführung conflict nur ein Teil der Verantwortung. Meteor unterstützte eine globale Neighborhood von Entwicklern und Organisationen, die Transparenz darüber benötigten, was wann geschah.

Im März 2023 eröffnete Schmaiske einen öffentlichen Roadmap-Thread im Meteor-Discussion board und begann, wöchentliche Fortschrittsaktualisierungen zu teilen. Er führte diese Aktualisierungen quick anderthalb Jahre lang fort und sorgte für Transparenz sowohl der Erfolge als auch der verbleibenden Arbeit.

Die Updates waren nicht als Advertising gedacht. Sie stellten den nachgelagerten Groups Informationen zur Verfügung, um sie bei der Personalbesetzung, bei Upgrades und bei der Roadmapping für Meteors Pläne zu unterstützen. Schließlich wurde die offizielle Launch-Ankündigung von Meteor 3.0 bereits über 22.600 Mal aufgerufen und hatte mehr als 626 Likes. Das zeigt deutlich, wie die Neighborhood die Reise verfolgt hat.

Vertrauen schaffen durch Transparenz

Schmaiske beschreibt zunächst seinen Hintergrund als Praktiker. Er ging nicht den traditionellen Weg der Informatik, sondern lernte durch die Entwicklung von Produktionssoftware und die Lösung von Problemen in realen Umgebungen.

Vor Meteor arbeitete er bei Startups in Brasilien, in Kopenhagen bei Familio, einem Enterprise-Studio für Reise- und Restaurantprodukte, und distant bei einem US-Group bei AE Studio in Los Angeles, wo er ein Protocol Labs-Projekt mit Schwerpunkt auf der Filecoin-Blockchain leitete. Aus diesen Erfahrungen gewann er Einblick in die Bedeutung von Flexibilität, Verantwortlichkeit und Kommunikation bei der Verwaltung komplexer Projekte.

Main Meteor 3.0 prägte seine Philosophie der Open-Supply-Führung. Unternehmen, die auf einem Framework aufbauen, gehen eine langfristige Wette ein. Der einzige Weg, dieses Vertrauen zu verdienen, besteht darin, ehrlich darüber zu sein, was versendet wird, was noch nicht fertig ist und was Benutzer als nächstes erwarten sollten.

Führen durch eine entscheidende Leistung

Meteor 3.0 ist das Werk, auf das Schmaiske in seiner bisherigen Karriere am meisten stolz ist. Es handelte sich um eine jahrelange öffentliche Anstrengung, bei der die Gemeinschaft während des gesamten Übergangs einbezogen wurde.

Dabei ging es nie um die Anerkennung der Codezeilen. Schmaiskes Hauptaufgabe bestand darin, die Leitung des Groups zu übernehmen, Migrationspfade zu entwerfen, die Arbeit über Releases hinweg zu sequenzieren, kritische Änderungen zu überprüfen und mit der Neighborhood zu kommunizieren, während das Engineering-Group an der Umsetzung der Änderungen arbeitete.

Schmaiske conflict der Ansicht, dass die Veröffentlichung bewiesen habe, dass ein altes Open-Supply-Projekt weiterentwickelt werden könne, ohne das Vertrauen derjenigen zu verlieren, die es nutzten. Mit sorgfältiger Planung, konsequenter Ausrichtung und Transparenz trug er dazu bei, Meteor.js in die nächste Part zu bringen.

---

Hervorgehobener Bildnachweis

Jedes Jahr kommen die Länder, die an der Internationalen Mathematikolympiade (IMO) teilnehmen, mit einer Broschüre mit ihren besten und originellsten Problemen. Diese Broschüren werden unter den Delegationen verteilt und verschwinden dann stillschweigend. Niemand hatte sie jemals systematisch gesammelt, bereinigt und zur Verfügung gestellt, weder für KI-Forscher, die die Grenzen des mathematischen Denkens testen, noch für die Studenten auf der ganzen Welt, die weitgehend alleine für diese Wettbewerbe trainieren.

Forscher des Pc Science and Synthetic Intelligence Laboratory (CSAIL) des MIT, der King Abdullah College of Science and Expertise (KAUST) und der Firma HUMAIN haben nun genau das getan.

MathNet ist der größte hochwertige Datensatz beweisbasierter mathematischer Probleme, der jemals erstellt wurde. Er umfasst mehr als 30.000 von Experten verfasste Probleme und Lösungen aus 47 Ländern, 17 Sprachen und 143 Wettbewerben und ist fünfmal größer als der nächstgrößte Datensatz seiner Artwork. Die Arbeit wird später in diesem Monat auf der Worldwide Convention on Studying Representations (ICLR) in Brasilien vorgestellt.

Was MathNet von anderen unterscheidet, ist nicht nur seine Größe, sondern auch seine Breite. Frühere Datensätze auf Olympia-Ebene stammen quick ausschließlich aus Wettbewerben in den Vereinigten Staaten und China. MathNet erstreckt sich über Dutzende Länder auf sechs Kontinenten, deckt 17 Sprachen ab, umfasst sowohl text- als auch bildbasierte Probleme und Lösungen und umfasst vier Jahrzehnte Wettbewerbsmathematik. Ziel ist es, nicht nur die sichtbarsten, sondern das gesamte Spektrum mathematischer Perspektiven und Problemlösungstraditionen zu erfassen, die es in der globalen Mathematikgemeinschaft gibt.

„Jedes Land bringt eine Broschüre mit seinen neuartigsten und kreativsten Problemen mit“, sagt Shaden Alshammari, MIT-Doktorand und Hauptautor des Papiers. „Sie teilen die Broschüren miteinander, aber niemand hat sich die Mühe gemacht, sie einzusammeln, zu bereinigen und on-line hochzuladen.“

Für den Aufbau von MathNet battle die Suche nach 1.595 PDF-Bänden mit insgesamt mehr als 25.000 Seiten erforderlich, darunter digitale Dokumente und jahrzehntealte Scans in mehr als einem Dutzend Sprachen. Ein erheblicher Teil dieses Archivs stammte von einer ungewöhnlichen Quelle: Navid Safaei, einem langjährigen IMO-Neighborhood-Mitglied und Co-Autor, der diese Broschüren seit 2006 von Hand gesammelt und gescannt hatte. Sein persönliches Archiv bildete einen Großteil des Rückgrats des Datensatzes.

Die Beschaffung ist ebenso wichtig wie der Umfang. Während die meisten vorhandenen Mathematikdatensätze Probleme aus Neighborhood-Foren wie Artwork of Downside Fixing (AoPS) beziehen, greift MathNet ausschließlich auf offizielle nationale Wettbewerbsbroschüren zurück. Die Lösungen in diesen Broschüren sind von Experten verfasst und von Experten begutachtet, und sie umfassen oft mehrere Seiten, wobei die Autoren mehrere Ansätze für dasselbe Downside durchgehen. Diese Tiefe gibt KI-Modellen ein weitaus umfassenderes Sign zum Erlernen mathematischen Denkens als die kürzeren, informellen Lösungen, die für aus der Neighborhood stammende Datensätze typisch sind. Dies bedeutet auch, dass der Datensatz für Studierende wirklich nützlich ist: Jeder, der sich auf die IMO oder einen nationalen Wettbewerb vorbereitet, hat jetzt Zugriff auf eine zentralisierte, durchsuchbare Sammlung hochwertiger Probleme und erarbeiteter Lösungen aus Traditionen auf der ganzen Welt.

„Ich erinnere mich an so viele Studenten, für die es eine individuelle Anstrengung battle. Niemand in ihrem Land hat sie für diese Artwork von Wettbewerb trainiert“, sagt Alshammari, die selbst als Studentin am IMO teilnahm. „Wir hoffen, dass ihnen dadurch ein zentraler Ort mit qualitativ hochwertigen Problemen und Lösungen geboten wird, aus denen sie lernen können.“

Das Staff ist tief in der IMO-Neighborhood verwurzelt. Sultan Albarakati, ein Co-Autor, ist derzeit Mitglied des IMO-Vorstands und die Forscher arbeiten daran, den Datensatz direkt mit der IMO-Stiftung zu teilen. Um den Datensatz zu validieren, stellten sie eine Bewertungsgruppe aus mehr als 30 menschlichen Gutachtern aus Ländern wie Armenien, Russland, der Ukraine, Vietnam und Polen zusammen, die sich koordinierten, um Tausende von Lösungen zu überprüfen.

„Die MathNet-Datenbank hat das Potenzial, eine hervorragende Ressource sowohl für Studierende als auch für Führungskräfte zu sein, die nach neuen Problemen suchen, an denen sie arbeiten können, oder nach der Lösung für eine schwierige Frage suchen“, sagt Tanish Patil, stellvertretender Leiter der Schweizer IMO. „Während es andere Archive mit Olympia-Problemen gibt (insbesondere die Contest Collections-Foren auf AoPS), fehlen diesen Ressourcen ein standardisiertes Formatierungssystem, verifizierte Lösungen und wichtige Problemmetadaten, die für Themen und Theorie erforderlich sind. Es wird auch interessant sein zu sehen, wie dieser Datensatz verwendet wird, um die Leistung von Argumentationsmodellen zu verbessern, und ob wir bald in der Lage sein werden, ein wichtiges Downside bei der Erstellung neuartiger Olympia-Fragen zuverlässig zu beantworten: festzustellen, ob ein Downside wirklich originell ist.“

MathNet fungiert auch als strenger Maßstab für die KI-Leistung, und die Ergebnisse zeigen ein komplizierteres Bild, als die jüngsten Schlagzeilen über die mathematischen Fähigkeiten der KI vermuten lassen. Grenzmodelle haben außerordentliche Fortschritte gemacht: Berichten zufolge haben einige bei der IMO Goldmedaillen-Leistungen erreicht, und bei Customary-Benchmarks lösen sie jetzt Probleme, die die meisten Menschen verblüffen würden. Aber MathNet zeigt, dass die Fortschritte uneinheitlich sind. Sogar GPT-5, das leistungsstärkste getestete Modell, erzielte bei MathNets Haupt-Benchmark von 6.400 Problemen einen Durchschnitt von rund 69,3 Prozent und scheiterte damit an quick jedem dritten Downside auf Olympia-Niveau. Und wenn es bei Problemen um Zahlen geht, sinkt die Leistung auf breiter Entrance erheblich, sodass das visuelle Denken selbst bei den leistungsfähigsten Modellen eine dauerhafte Schwachstelle darstellt.

Mehrere Open-Supply-Modelle erreichten bei Problemen mit der mongolischen Sprache 0 Prozent und verdeutlichten damit eine weitere Dimension, in der aktuelle KI-Systeme trotz ihrer Gesamtstärke nicht ausreichen.

„GPT-Modelle sind in Englisch und anderen Sprachen gleichermaßen intestine“, sagt Alshammari. „Aber viele der Open-Supply-Modelle scheitern bei weniger verbreiteten Sprachen wie Mongolisch völlig.“

Die Vielfalt von MathNet soll auch eine tiefere Einschränkung bei der Artwork und Weise beseitigen, wie KI-Modelle Mathematik lernen. Wenn sich die Trainingsdaten eher an englischen und chinesischen Problemen orientieren, absorbieren die Modelle einen kleinen Teil der mathematischen Kultur. Ein rumänisches Downside der Kombinatorik oder ein brasilianisches Downside der Zahlentheorie nähern sich möglicherweise demselben zugrunde liegenden Konzept aus einem völlig anderen Blickwinkel. Die Forscher argumentieren, dass der Kontakt mit diesem Bereich sowohl Menschen als auch KI-Systeme zu besseren mathematischen Denkern macht.

Über die Problemlösung hinaus führt MathNet einen Retrieval-Benchmark ein, der fragt, ob Modelle erkennen können, wenn zwei Probleme dieselbe zugrunde liegende mathematische Struktur aufweisen, eine Fähigkeit, die sowohl für die KI-Entwicklung als auch für die Mathematik-Neighborhood selbst von Bedeutung ist. Bei echten IMO-Prüfungen sind im Laufe der Jahre nahezu doppelte Probleme aufgetreten, da es selbst für Expertengremien wirklich schwierig ist, mathematische Äquivalenzen über verschiedene Notationen, Sprachen und Formate hinweg zu finden. Beim Testen von acht hochmodernen Einbettungsmodellen stellten die Forscher fest, dass selbst die stärksten Einbettungsmodelle beim ersten Versuch nur in etwa 5 Prozent der Fälle die richtige Übereinstimmung identifizierten, wobei Modelle häufig strukturell nicht zusammenhängende Probleme als ähnlicher einstuften als gleichwertige.

Der Datensatz enthält auch einen Benchmark zur abrufgestützten Generierung, mit dem getestet wird, ob die Leistung verbessert wird, wenn einem Modell ein strukturell bedingtes Downside zugewiesen wird, bevor es mit der Lösung eines neuen Issues beauftragt wird. Dies ist der Fall, jedoch nur, wenn das abgerufene Downside wirklich related ist. DeepSeek-V3.2-Speciale steigerte bei intestine passendem Abruf bis zu 12 Prozentpunkte, während irrelevanter Abruf die Leistung in etwa 22 Prozent der Fälle verschlechterte.

Alshammari schrieb die Arbeit zusammen mit Safaei, dem HUMAIN-KI-Ingenieur Abrar Zainal, dem Direktor der KAUST-Akademie, Sultan Albarakati, und MIT-CSAIL-Kollegen: Masterstudent Kevin Wen SB ’25; Microsoft Principal Engineering Supervisor Mark Hamilton SM ’22, PhD ’25; und die Professoren William Freeman und Antonio Torralba. Ihre Arbeit wurde teilweise vom Schwarzman School of Computing Fellowship und der Nationwide Science Basis finanziert.

MathNet ist öffentlich verfügbar unter mathnet.csail.mit.edu.

In der Autor Highlight -Serie chatten die TDS -Redakteure mit Mitgliedern unserer Group über ihren Karriereweg in Knowledge Science und KI, ihr Schreiben und ihre Inspirationsquellen. Heute sind wir begeistert, unser Gespräch mit zu teilen Claudia Ng.

Claudia ist ein AI -Unternehmer und Datenwissenschaftler mit mehr als 6 Jahren Erfahrung im Aufbau von maschinellen Lernmodellen in Fintech. Sie belegte den zweiten Platz und gewann im Jahr 2024 einen ML -Wettbewerb von 10.000 US -Greenback.

---

Sie haben kürzlich 10.000 US -Greenback bei einem maschinellen Lernwettbewerb gewonnen – Glückwunsch! Was struggle die größte Lektion, die Sie aus dieser Erfahrung genommen haben, und wie hat sie Ihre Herangehensweise an ML-Probleme in der realen Welt geprägt?

Meine größte Lektion bestand darin, dass Area -Experience mehr wichtig ist als die algorithmische Komplexität. Es struggle ein ML -Wettbewerb von Web3 Credit score Scoring, und obwohl ich noch nie mit Blockchain -Daten oder neuronalen Netzwerken für die Kreditbewertung gearbeitet hatte, gaben mir meine mehr als 6 Jahre in Fintech die Geschäftsintuition, dies als Commonplace -Kreditrisikoproblem zu behandeln. Diese Perspektive erwies sich als wertvoller als ein beliebiger Abschluss oder eine tiefe Lernspezialisierung.

Diese Erfahrung verlagerte grundlegend, wie ich ML -Probleme auf zwei Arten nähere:

Zuerst habe ich gelernt, dass Versand besser als perfekt ist. Ich verbrachte nur 10 Stunden mit dem Wettbewerb und reichte eher einen „MVP“ -Ansatz ein, anstatt ihn zu überbinden. Dies gilt direkt für die Industriearbeit: Ein anständiges Modell, das in der Produktion ausgeführt wird, bietet mehr Wert als ein hoch optimiertes Modell, das in einem Jupyter -Notizbuch sitzt.

Zweitens stellte ich fest, dass die meisten Hindernisse psychological und nicht technisch sind. Ich habe quick nicht teilgenommen, weil ich Web3 nicht kannte oder mich wie eine „Wettbewerbsperson“ fühlte, aber im Nachhinein überlegte ich es. Während ich immer noch daran arbeite, diese Lektion allgemeiner anzuwenden, hat sie meine Möglichkeiten verändert. Ich konzentriere mich nun darauf, ob ich das Kernproblem verstehe und ob es mich begeistert, und vertraue darauf, dass ich es im Laufe des Gehens herausfinden kann.

Ihr Karriereweg umfasst Unternehmen, öffentliche Ordnung, maschinelles Lernen und jetzt AI -Berater. Was motivierte Ihre Verschiebung von Unternehmenstechnologie zum AI Freelance WorldUnd was erregt Sie am meisten über dieses neue Kapitel? Mit welchen Herausforderungen oder Kunden freuen Sie sich am meisten?

Die Verschiebung zu unabhängigen Arbeiten wurde durch das Aufbau von etwas angetrieben, das ich wirklich besitzen und wachsen konnte. In Unternehmensrollen erstellen Sie wertvolle Systeme, die Ihre Amtszeit überleben, aber Sie können sie nicht mitnehmen oder einen weiteren Kredit für ihren Erfolg erhalten. Wenn ich diesen Wettbewerb gewann, hatte ich die Fähigkeiten, meine eigenen Lösungen zu schaffen, anstatt nur zur Imaginative and prescient eines anderen beizutragen. Ich habe wertvolle Fähigkeiten in Unternehmensrollen erlernt, aber ich freue mich, sie auf Herausforderungen anzuwenden, die mir sehr wichtig sind.

Ich verfolge dies über zwei Hauptpfade: Beratungsprojekte, die meine Experience für Datenwissenschaft und maschinelles Lernen nutzen und ein Produkt -Lernprodukt von KI aufbauen. Die Beratungsarbeit bietet sofortige Einnahmen und hält mich mit echten Geschäftsproblemen in Verbindung, während das Sprachprodukt meine langfristige Imaginative and prescient darstellt. Ich lerne, öffentlich aufzubauen und meine Reise durch meine zu teilen Publication.

Als Polyglot, der neun Sprachen spricht, habe ich tief über die Herausforderungen nachgedacht, die Gesprächsfluenz zu erreichen, und nicht nur das Wissen des Lehrbuchs beim Erlernen einer Fremdsprache. Ich entwickle einen KI-Sprachlernpartner, der Menschen hilft, reale Szenarien und kulturelle Kontexte zu üben.

Was mich am meisten begeistert, ist die technische Herausforderung, KI -Lösungen aufzubauen, die den kulturellen Kontext und die Konversationsnuance berücksichtigen. Auf der Beratungsseite bin ich energetisiert, indem ich mit Unternehmen zusammenarbeite, die echte Probleme lösen möchten, anstatt nur KI umzusetzen, um KI zu haben. Egal, ob es sich um Risikomodelle oder das Abrufen von Informationen handelt, ich liebe Projekte, bei denen sich Area -Experten und praktische KI überschneiden.

Viele Unternehmen sind bestrebt, etwas mit KI zu tun, wissen aber nicht immer, wo sie anfangen sollen. Was ist Ihr typischer Prozess, um einem neuen Kunden zu helfen und seine erste AI -Initiative zu priorisieren?

Ich verfolge einen Downside mit dem ersten Ansatz, anstatt mit KI-Lösungen zu führen. Zu viele Unternehmen wollen „etwas mit KI tun“, ohne festzustellen, welches spezifische Geschäftsproblem sie lösen möchten, was normalerweise zu beeindruckenden Demos führt, die die Nadel nicht bewegen.

Mein typischer Prozess folgt drei Schritten:

Erstens konzentriere ich mich auf die Problemdiagnose. Wir identifizieren spezifische Schmerzpunkte mit messbaren Auswirkungen. Zum Beispiel habe ich kürzlich mit einem Kunden im Restaurantbereich zusammengearbeitet, um das Umsatzwachstum zu verlangsamen. Anstatt zu einer „KI-betriebenen Lösung“ zu springen, haben wir die Datenüberprüfungsdaten untersucht, um Muster zu identifizieren. Beispielsweise, welche Menüelemente Beschwerden vorgenommen haben, welche Serviceelemente positives Suggestions generierten und welche operativen Probleme am häufigsten erschienen. Diese datengesteuerte Diagnose führte eher zu spezifischen Empfehlungen als zu generischen KI-Implementierungen.

Zweitens definieren wir den Erfolg im Voraus. Ich bestehe auf quantifizierbaren Metriken wie Zeiteinsparungen, Qualitätsverbesserungen oder Umsatzsteigerungen. Wenn wir es nicht messen können, können wir nicht beweisen, dass es funktioniert hat. Dies verhindert das Kriechen des Umfangs und stellt sicher, dass wir echte Probleme lösen und nicht nur coole Technologien aufbauen.

Drittens durchlaufen wir lebensfähige Lösungen und richten uns auf das Beste aus. Manchmal ist das ein Visualisierungs -Dashboard, manchmal ist es ein Lappensystem, manchmal fügt es Vorhersagefunktionen hinzu. KI ist nicht immer die Antwort, aber wenn es so ist, wissen wir genau, warum wir es verwenden und wie der Erfolg aussieht.

Dieser Ansatz hat optimistic Ergebnisse erzielt. Kunden sehen in der Regel eine verbesserte Entscheidungsgeschwindigkeit und klarere Datenerkenntnisse. Während ich meine unabhängige Praxis aufbaue, struggle es wichtig, mich auf echte Probleme und nicht auf AI -Schlagworte zu konzentrieren, um die Kundenzufriedenheit und die Wiederholung von Engagements zu wiederholen.

Sie haben aufstrebende Datenwissenschaftler betreut – was ist eine gemeinsame Gefahr, die Sie unter Menschen sehen, die versuchen, in das Feld einzudringen, und wie raten Sie ihnen, dies zu vermeiden?

Die größte Gefahr, die ich sehe, ist es, alles zu lernen, anstatt sich auf eine Rolle zu konzentrieren. Viele Menschen, einschließlich mir früh, haben das Gefühl, jeden KI -Kurs belegen und jedes Konzept beherrschen, bevor sie „qualifiziert“ sind.

Die Realität ist, dass Knowledge Science sehr unterschiedliche Rollen umfasst: von Produktdatenwissenschaftlern, die A/B -Checks durch ML -Ingenieure durchführen, die Modelle in der Produktion einsetzen. Sie müssen kein Experte bei allem sein.

Mein Rat: Wählen Sie zuerst Ihre Spur aus. Finden Sie heraus, welche Rolle Sie am meisten erregt, und konzentrieren Sie sich dann darauf, diese Kernfähigkeiten zu schärfen. Ich habe persönlich vom Analyst zum ML -Ingenieur übergegangen, indem ich maschinelles Lernen intensiv studierte und echte Projekte übernommen habe (Sie können meine Übergangsgeschichte lesen Hier). Ich nutzte mein Area -Experience im Kredit- und Betrugsrisiko und beantragte dies auf Berechnungen für technische und geschäftliche Auswirkungen.

Der Schlüssel liegt darin, diese Fähigkeiten auf echte Probleme anzuwenden und nicht in der Tutorial -Hölle festzuhalten. Ich sehe dieses Muster ständig durch meinen Publication und Mentoring. Menschen, die durchbrechen, sind diejenigen, die anfangen zu bauen, auch wenn sie sich nicht bereit fühlen.

Die Landschaft der KI -Rollen entwickelt sich weiter. Wie sollten Neuankömmlinge entscheiden, wo sie sich konzentrieren sollen – ML Engineering, Knowledge Analytics, LLMs oder etwas ganz anderes?

Beginnen Sie mit Ihren aktuellen Fähigkeiten und dem, was Sie interessiert, nicht das, was am prestigeträchtigsten klingt. Ich habe über verschiedene Rollen gearbeitet (Analyst, Datenwissenschaftler, ML -Ingenieur) und haben jeweils wertvolle, übertragbare Fähigkeiten mitgebracht.

So würde ich mich der Entscheidung nähern:

Wenn Sie aus einem geschäftlichen Hintergrund kommen: Produktdatenwissenschaftlerrollen sind häufig der einfachste Einstiegspunkt. Konzentrieren Sie sich auf SQL-, A/B -Take a look at- und Datenvisualisierungsfähigkeiten. Diese Rollen schätzen die Geschäftsintuition häufig über tiefe technische Fähigkeiten.

Wenn Sie Programmiererfahrung haben: Betrachten Sie ML Engineering oder AI Engineering. Die Nachfrage ist hoch und Sie können auf vorhandenen Fähigkeiten zur Softwareentwicklung aufbauen.

Wenn Sie von der Infrastruktur angezogen werden: Mlops Engineering ist sehr gefragt, insbesondere da mehr Unternehmen ML- und KI -Modelle im Maßstab einsetzen.

Die Landschaft entwickelt sich weiterentwickelt, aber wie oben erwähnt, ist Area -Experience häufig wichtiger als dem neuesten Pattern. Ich habe diesen ML -Wettbewerb gewonnen, weil ich das Credit score -Risiko -Grundlagen verstanden habe, nicht weil ich die schicksten Algorithmen kannte.

Konzentrieren Sie sich auf die Lösung realer Probleme in Domänen, die Sie verstehen, und lassen Sie die technischen Fähigkeiten folgen. Um mehr über verschiedene Rollen zu erfahren, habe ich über die 5 Arten von Knowledge Science -Karrierewege geschrieben Hier.

Was ist ein KI- oder Knowledge -Science -Thema, über das mehr Menschen schreiben sollten, oder über einen Pattern, den Sie gerade genau beobachten?

Ich bin von der Geschwindigkeit und Qualität der TTS-Technologie (Textual content-to-Speech) überwältigt, um echte Konversationsmuster und -ton nachzuahmen. Ich denke, mehr Menschen sollten über die TTS -Technologie für gefährdete Sprachbewahrung schreiben.

Als Polyglot, der sich für interkulturelles Verständnis begeistern, bin ich fasziniert davon, wie KI dazu beitragen kann, dass Sprachen vollständig verschwinden. Die meisten TTS -Entwicklung konzentriert sich auf wichtige Sprachen mit massiven Datensätzen, es gibt jedoch weltweit über 7.000 Sprachen, und viele sind aus dem Aussterben bedroht.

Was mich erregt, ist das Potenzial für KI, die Sprachsynthese für Sprachen zu erstellen, bei denen nur noch wenige hundert Sprecher übrig sind. Dies ist Technologie, die die Menschheit und die kulturelle Erhaltung von seiner besten Seite dienen! Wenn eine Sprache stirbt, verlieren wir einzigartige Denkweise über die Welt, spezifische Wissenssysteme und das kulturelle Gedächtnis, die nicht übersetzt werden können.

Der Pattern, den ich genau beobachte, ist, wie Transferlernen und Sprachklonen dies technisch machbar machen. Wir erreichen einen Punkt, an dem Sie möglicherweise nur Stunden anstelle von Tausenden von Stunden Audio -Daten benötigen, um hochwertige TTs für neue Sprachen zu erstellen, insbesondere mit vorhandenen mehrsprachigen Modellen. Während diese Technologie gültige Bedenken hinsichtlich des Missbrauchs hervorruft, zeigen Anwendungen wie Spracherhaltung, wie wir diese Funktionen verantwortungsbewusst für kulturelles Intestine nutzen können.

Während ich mein Sprachlernprodukt weiterentwickle und meine Beratungspraxis aufbaue, werde ich ständig daran erinnert, dass die interessantesten KI -Anwendungen häufig aus der Kombination von technischen Funktionen mit tiefem Domänenverständnis herrühren. Egal, ob es sich um maschinelle Lernmodelle oder kulturelle Kommunikationsinstrumente handelt, die Magie findet an der Kreuzung statt.

---

Mehr darüber erfahren Claudias Arbeit und bleiben Sie mit ihren neuesten Artikeln auf dem Laufenden, Sie können ihr folgen TdsAnwesend Substanzoder LinkedIn.

Die Produktion des M5-Chips von Apple soll in der zweiten Hälfte des Jahres 2025 beginnen, was laut Angaben zu einer Verzögerung bei der Aktualisierung des iPad Professional führt Der Elektr. Auch Analyst Ming-Chi Kuo gemeldet dass dann die Massenproduktion des M5 iPad Professional stattfinden wird, während das Unternehmen plant, einen jährlichen Replace-Zyklus für seine iPad Professional-Modelle beizubehalten.

Die Produktion des M5-Chips von Apple beginnt Ende 2025, was die Aktualisierung des iPad Professional verzögert

Berichten zufolge wird das kommende iPad Professional das erste Gerät sein, das über den neuen M5-Chip verfügt, der voraussichtlich Ende 2025 zusammen mit dem OLED iPad Professional auf den Markt kommen wird. Frühere Spekulationen deuteten darauf hin, dass die aktualisierten Modelle bei einer Frühjahrsveranstaltung im März bis April 2025 vorgestellt werden könnten , neben den M4 MacBook Air-Modellen. Diese Veranstaltung konzentriert sich jedoch möglicherweise ausschließlich auf das MacBook Air und das iPad Air, ohne das aktualisierte iPad Professional vorzustellen.

Kuo betonte, dass das M5 iPad Professional zwar die neueste Chiptechnologie integrieren werde, es aber keine wesentlichen äußerlichen Designänderungen im Vergleich zur bestehenden M4-Model geben werde. Das Erscheinungsbild des Geräts dürfte nach der bedeutenden Neugestaltung, die Anfang des Jahres mit eingeführt wurde, identisch bleiben M4-Chip.

Darüber hinaus gibt es Hinweise darauf, dass der M5-Chip auf Fähigkeiten der künstlichen Intelligenz ausgerichtet sein wird, was den wachsenden Fokus der Industrie auf KI widerspiegelt. Während Apple seine Technologien weiterentwickelt, werden die M5-Chips wahrscheinlich die fortschrittliche System on Built-in Chip (SoIC)-Technologie von TSMC nutzen, die darauf ausgelegt ist, die Transistordichte und -leistung zu verbessern und gleichzeitig einen geringeren Energiebedarf zu gewährleisten.

Von diesen neuen Prozessoren wird erwartet, dass sie eine verbesserte Geschwindigkeit und Leistung bieten und auf 3-Nanometer-Technologiestandards arbeiten. Dies stellt eine Fortsetzung der Strategie von Apple dar, seine Silizium-Angebote kontinuierlich zu verbessern. Branchenberichte deuten darauf hin, dass die Produktion der M5-Chips bei TSMC stattfinden wird, das eine etablierte Zusammenarbeit mit Unternehmen wie hat AMD Und Nvidia für ähnliche KI-fokussierte Technologien.

Während viele Particulars über die Fähigkeiten des M5-Chips unklar bleiben, deutet die Betonung der KI-Integration auf Verbesserungen bei Grafikprozessoren (GPUs) und neuronalen Engines hin. Die erheblichen Investitionen von Apple in 5G-Netzwerke könnten auch die durch diese Chips erzielten Leistungsvorteile ergänzen, da Netzwerkfähigkeiten für eine effektive KI-Implementierung von entscheidender Bedeutung sind.

---

Hervorgehobener Bildnachweis: Hostaphoto/Unsplash

Über zwei Drittel glauben, dass eine externe Überprüfung von KI-Implementierungen der beste Weg ist, KI-Sicherheitsprobleme zu identifizieren

HackerOneein führendes Unternehmen im Bereich der von Menschen gesteuerten Sicherheit, veröffentlichte Daten, aus denen hervorgeht, dass 48 % der Sicherheitsexperten glauben, dass KI das größte Sicherheitsrisiko für ihr Unternehmen darstellt. Vor der Veröffentlichung seines jährlichen Hacker-Powered Safety Report veröffentlichte HackerOne erste Ergebnisse, darunter Daten aus einer Umfrage unter 500 Sicherheitsexperten. Wenn es um KI geht, waren die Befragten am meisten besorgt über den Verlust von Trainingsdaten (35 %), die unbefugte Nutzung von KI innerhalb ihrer Organisationen (33 %) und das Hacken von KI-Modellen durch Außenstehende (32 %).

Auf die Frage nach dem Umgang mit den Herausforderungen, die KI-Sicherheitsprobleme mit sich bringen, gaben 68 % an, dass eine externe und unvoreingenommene Überprüfung von KI-Implementierungen der effektivste Weg sei, KI-Sicherheitsprobleme zu identifizieren. AI Crimson Teaming bietet diese Artwork der externen Überprüfung durch die globale Sicherheitsforscher-Neighborhood an, die dabei hilft, KI-Modelle vor Risiken, Vorurteilen, böswilligen Exploits und schädlichen Ergebnissen zu schützen.

„Während wir immer noch einen Branchenkonsens über KI-Sicherheit und Greatest Practices erzielen, gibt es einige klare Taktiken, mit denen Unternehmen Erfolg hatten“, sagte Michiel Prins, Mitbegründer von HackerOne. „Anthropic, Adobe, Snap und andere führende Organisationen vertrauen alle darauf, dass die globale Sicherheitsforscher-Gemeinschaft eine fachkundige Meinung Dritter zu ihren KI-Einsätzen liefert.“

Weitere Forschungen von a Von HackerOne gesponserter Bericht des SANS Institute untersuchten die Auswirkungen von KI auf die Cybersicherheit und stellten fest, dass mehr als die Hälfte (58 %) der Befragten davon ausgehen, dass KI zu einem „Wettrüsten“ zwischen den Taktiken und Techniken von Sicherheitsteams und Cyberkriminellen beitragen könnte. Die Studie ergab auch, dass der Einsatz von KI für die Produktivität von Sicherheitsteams optimistisch ist: 71 % gaben an, mit der Implementierung von KI zur Automatisierung mühsamer Aufgaben zufrieden zu sein. Allerdings waren die Befragten davon überzeugt, dass KI-Produktivitätssteigerungen den Gegnern zugute gekommen seien, und waren am meisten besorgt über KI-gestützte Phishing-Kampagnen (79 %) und die automatisierte Ausnutzung von Schwachstellen (74 %).

„Sicherheitsteams müssen die besten Anwendungen für KI finden, um mit Gegnern Schritt zu halten und gleichzeitig die bestehenden Einschränkungen zu berücksichtigen – sonst riskieren sie, sich selbst mehr Arbeit zu machen“, sagte Matt Bromiley, Analyst beim SANS Institute. „Unsere Forschung legt nahe, dass KI als Wegbereiter und nicht als Bedrohung für Arbeitsplätze betrachtet werden sollte. Durch die Automatisierung von Routineaufgaben können sich Sicherheitsteams auf strategischere Aktivitäten konzentrieren.“

Melden Sie sich für die kostenlosen insideAI-Information an E-newsletter.

Begleiten Sie uns auf Twitter: https://twitter.com/InsideBigData1

Treten Sie uns auf LinkedIn bei: https://www.linkedin.com/firm/insideainews/

Begleiten Sie uns auf Fb: https://www.fb.com/insideAINEWSNOW

Die Suche nach nachhaltigen und effizienten Energiequellen ist seit Jahrhunderten eine treibende Kraft für die Menschheit. Das in Kalifornien ansässige Startup Replicate Orbital hat möglicherweise gerade den Code geknackt!

Von der Nutzung der Kraft von Wind und Wasser bis hin zur Erforschung der Kernspaltung haben wir ständig nach innovativen Wegen gesucht, um unseren wachsenden Energiebedarf zu decken und gleichzeitig unsere Umweltbelastung zu minimieren. In den letzten Jahren hat sich Solarenergie als vielversprechende Lösung herausgestellt, da Fortschritte in der Photovoltaiktechnologie sie zunehmend zugänglich und erschwinglich machen.

Doch auch wenn Solarmodule immer alltäglicher werden, bleibt eine Herausforderung bestehen: die unregelmäßige Natur des Sonnenlichts.

Replicate Orbital, ein bahnbrechendes Startup mit Sitz in Kalifornien, ist bereit, diese Einschränkung zu überwinden, indem es eine bahnbrechende Lösung anbietet: Sonnenlicht auf Abruf.

Es werde Licht https://t.co/olcQP4KpVa pic.twitter.com/bSVxn87xjB

— cole (@colecallinan) 22. August 2024

Was ist Replicate Orbital?

Orbital reflektieren ist ein in Kalifornien ansässiges Startup, das Sonnenlicht auf Abruf bereitstellen möchte. Das Unternehmen entwickelt eine Konstellation von Satelliten, die mit großen Spiegeln ausgestattet sind, die so positioniert werden können, dass sie Sonnenlicht auf bestimmte Orte auf der Erde reflektieren. Dieser progressive Ansatz hat das Potenzial, die Energieerzeugung, die Landwirtschaft und sogar die Stadtbeleuchtung zu revolutionieren.

Das Konzept, mit Spiegeln Sonnenlicht zu konzentrieren, ist nicht ganz neu. Antike Zivilisationen verwendeten ähnliche Techniken, um Sonnenlicht zum Kochen und Heizen zu konzentrieren. Der Ansatz von Replicate Orbital ist jedoch in seiner Größe und Ambition einzigartig. Durch die Nutzung fortschrittlicher Technologie und Satellitenkapazitäten möchte das Unternehmen eine zuverlässige und skalierbare Lösung zur Nutzung von Sonnenenergie bieten.

Wie wird nach Einbruch der Dunkelheit Sonnenlicht an ein Ziel gebracht?

Die Satellitenkonstellation von Replicate Orbital wird mit großen, reflektierenden Oberflächen ausgestattet sein. Diese Spiegel können präzise gesteuert werden, um das Sonnenlicht auf bestimmte Ziele auf der Erde zu lenken. Durch die Anpassung der Ausrichtung der Spiegel kann das Unternehmen das Sonnenlicht auf Bereiche konzentrieren, die es am meisten benötigen, wie etwa landwirtschaftliche Felder, Industrieanlagen oder sogar städtische Gebiete.

Die Satelliten werden über Solarzellen mit Strom versorgt, sodass sie unabhängig von der Infrastruktur auf der Erde betrieben werden können. Durch diesen autonomen Betrieb kann Replicate Orbital Sonnenlicht nach Bedarf bereitstellen, selbst an abgelegenen oder vom Stromnetz getrennten Standorten.

Ein unbestreitbares Potenzial

Die potenziellen Anwendungsmöglichkeiten der Technologie von Replicate Orbital sind vielfältig. In der Landwirtschaft könnte konzentriertes Sonnenlicht genutzt werden, um das Pflanzenwachstum zu beschleunigen, die Ernteerträge zu verbessern und den Bedarf an Pestiziden zu senken. In der Industrie könnte das reflektierte Sonnenlicht zur Erzeugung von Wärme für Fertigungsprozesse genutzt werden, wodurch die Abhängigkeit von fossilen Brennstoffen verringert würde.

---

Ein historischer Meilenstein für grüne Energie wurde gerade erreicht

---

Darüber hinaus könnte die Technologie von Replicate Orbital eingesetzt werden, um in städtischen Gebieten zusätzliche Beleuchtung bereitzustellen, den Energieverbrauch zu senken und die öffentliche Sicherheit zu verbessern. Indem das Unternehmen das Sonnenlicht auf die Straßen und Parks der Stadt reflektiert, könnte es eine lebendigere und nachhaltigere städtische Umgebung schaffen.

Ist Replicate Orbital additionally actual?

Replicate Orbital ist ein echtes Unternehmen. Das Unternehmen hat seinen Sitz in Kalifornien und arbeitet aktiv an seinem Konzept, Satelliten mit Spiegeln zu verwenden, um Sonnenlicht auf die Erde zu reflektieren.

Zwar haben sie ihre Satellitenkonstellation noch nicht in vollem Umfang gestartet, jedoch bereits erfolgreiche Bodentests durchgeführt und ihre Pläne öffentlich gemacht.

Es handelt sich um ein ehrgeiziges Projekt, doch angesichts der Fortschritte in der Weltraumtechnologie und der steigenden Nachfrage nach erneuerbarer Energie ist es durchaus machbar.

Wie sieht es mit den Preisen von Replicate Orbital aus?

Ab sofort Replicate Orbital hat keine spezifischen Preisdetails veröffentlicht für ihren Service. Die Kosten ihres Dienstes hängen wahrscheinlich von mehreren Faktoren ab, darunter:

• Standort: Die Entfernung zwischen der Satellitenkonstellation und dem Zielort beeinflusst die Menge des reflektierten Sonnenlichts.
• Bereich: Auch die Größe der zu beleuchtenden Fläche beeinflusst die Preisgestaltung.
• Dauer: Ein weiterer Faktor ist die Zeit, die das Sonnenlicht benötigt, um reflektiert zu werden.

Es ist wichtig zu beachten, dass sich Replicate Orbital noch in der Entwicklungsphase befindet. Das Preismodell kann sich daher im Zuge der Verfeinerung der Technologie und des Geschäftsmodells noch ändern.

---

Bildnachweis für vorgestelltes Bild: Emre Çıtak/Ideogramm KI

Heute sind wir von einem Hype um KI umgeben. Quick jeden Tag werden neue KI-gestützte Instruments angekündigt. Sie behaupten, sie könnten quick alles für uns tun: unsere Autos fahren, unsere E-Mails schreiben, uns Kunstwerke schaffen. Doch selbst bei den größten und spektakulärsten Instruments – wie ChatGPT – ist unklar, ob der KI-Ansatz eine Verbesserung gegenüber dem darstellt, was er ersetzen soll. Es ist schwierig, das wirklich Nützliche von dem zu unterscheiden, was kaum mehr als Lärm ist. Das größte Drawback der KI besteht darin, ihre Versprechen zu erfüllen.

Es gibt eine Ausnahme: synthetische Daten.

Was sind synthetische Daten?

Synthetische Daten sind von KI generierte Daten, die die statistischen Eigenschaften realer Daten widerspiegeln. Indem KI-Modelle anhand realer Daten trainiert werden, können so unterschiedliche Branchen wie das Gesundheitswesen, die Fertigung, das Finanzwesen oder die Softwareentwicklung synthetische Daten generieren, die ihren jeweiligen Anforderungen gerecht werden. Wo und wann immer sie diese benötigen, in dem von ihnen gewünschten Umfang und Maßstab.

Synthetische Daten lösen mehrere Probleme. Bei der Entwicklung von KI-Modellen können synthetische Daten den Mangel an erschwinglichen, qualitativ hochwertigen Daten ausgleichen. Bei der Softwareentwicklung und beim Testen können synthetische Datensätze dabei helfen, Randfälle zu testen, komplexe Datenszenarien zu simulieren und die Qualität von Systemen unter wahrscheinlichen realen Bedingungen zu validieren. Während der Zugriff auf Stay-Produktionsdaten zu Recht eingeschränkt ist, kann dies die Innovation im gesamten Unternehmen behindern. Synthetische Daten können weitaus weniger Einschränkungen unterliegen, sodass Groups ohne unnötige Reibungsverluste entwickeln können.

Unternehmen wie AmazonGoogle und American Categorical verlassen sich bereits auf synthetische Daten, ebenso wie Organisationen wie die Der britische Nationwide Well being Service. Ihr Unternehmen/Ihre Branche könnte dies wahrscheinlich auch tun.

Synthetisch, aber nicht gefälscht

Synthetische Daten werden manchmal mit gefälschten Daten verwechselt und viele verwenden die beiden Begriffe synonym. Es handelt sich jedoch um sehr unterschiedliche Dinge. Gefälschte Daten oder Mock-Daten sind billig und einfach zu generieren. Gefälschte Daten können über Open-Supply-Bibliotheken bezogen werden, wie zum Beispiel Schwindler. Gefälschte Daten haben jedoch nicht die gleichen statistischen Eigenschaften wie echte Daten. Sie sind eher einfach und einheitlich. Wenn wir beispielsweise eine gefälschte Datenbank mit 100 Transaktionen zwischen 1 und 10.000 US-Greenback erstellen würden, wären 10 Transaktionen zwischen 1 und 1.000 US-Greenback, 10 zwischen 1.001 und 2.000 US-Greenback und so weiter. Echte Kaufdaten sind ungleichmäßig. Einige Transaktionen bilden Cluster, während andere Ausreißer sind.

Gefälschte Daten besitzen kaum oder gar keine der Eigenschaften oder Merkmale eines realen Produktionsdatensatzes. Abgesehen von einfachen Parametern wie Bereich und Datentyp ist jede Ähnlichkeit mit den realen Daten rein zufällig. Synthetische Daten hingegen werden mit statistischen Modellen und generativer KI erstellt, die anhand realer Daten trainiert wurde. Diese synthetischen Daten besitzen dieselben statistischen Eigenschaften und internen Beziehungen wie der reale Datensatz, den sie nachahmen sollen.

Obwohl sowohl gefälschte als auch synthetische Daten nützlich sind, handelt es sich dabei um völlig unterschiedliche Werkzeuge. In realen Szenarien werden diese Unterschiede sehr wichtig. Schauen wir uns zwei Beispiele an: eines aus dem On-line-Einzelhandel und eines aus der Datenwissenschaft.

Synthetische Daten zum Testen von Softwareanwendungen

Nehmen wir an, ein On-line-Händler für Sportartikel hat seine Daten analysiert und dabei einige Traits festgestellt. Er hat herausgefunden, dass er quick dreimal so viele Besucher aus Massachusetts hat wie aus jedem anderen Bundesstaat, dass ein Besucher aus MA am wahrscheinlichsten im November Schneestiefel kauft und dass der Web site-Verkehr vor Thanksgiving voraussichtlich in die Höhe schnellen wird.

Um diese Erkenntnisse zu nutzen, aktualisiert der Einzelhändler seine Web site, sodass er jedem Besucher aus Massachusetts in den drei Wochen vor Thanksgiving Schneestiefel anzeigt. Außerdem werden die Ergebnisse für Kunden angepasst, die sich für eine stärkere Personalisierung entschieden haben. So werden bestimmte Schneestiefelmodelle basierend auf der Kaufhistorie und den persönlichen Vorlieben jedes einzelnen Besuchers angezeigt.

Bevor der Einzelhändler diese Änderungen in seiner Anwendung einführt, möchte er sie testen. Er möchte auf einen Spitzenwert vorbereitet sein: Selbst wenn in diesem dreiwöchigen Zeitfenster Zehntausende von Besuchen stattfinden, sollte die Web site innerhalb von weniger als einer Millisekunde reagieren. Außerdem möchte er sicherstellen, dass die Die richtigen Stiefel werden der richtigen Particular person zur richtigen Zeit gezeigt, um die Möglichkeit eines Kaufs maximieren. Um diese Exams durchzuführen, benötigen sie Daten.

Was passiert, wenn sie gefälschte Daten verwenden? Da gefälschte Daten zufällig generiert werden, werden sie Besucher aus jedem Bundesstaat mit gleicher Häufigkeit und für jedes Datum im Jahr mit gleicher Häufigkeit generieren. Selbst wenn das Staff beschließt, Millionen gefälschter Besuche zu generieren und dann alles wegzuwerfen, was nicht aus MA und innerhalb ihres Datumsbereichs stammt, enthalten die gefälschten Daten keine Informationen zum Kaufverlauf der Kunden, um den Teil des Codes zu testen, der anpasst, welche Schneestiefel angezeigt werden sollen. In Take a look at- und Entwicklungsumgebungen sah die Leistung der Anwendung intestine aus, aber wenn echte Kunden die Web site besuchen, ist die Leistung aufgrund der in den gefälschten Daten fehlenden Clusterung langsam.

Was wäre, wenn der Einzelhändler stattdessen synthetische Daten verwenden würde? Synthetische Daten, die mithilfe eines KI-Modells generiert und mit den realen Daten des Einzelhändlers trainiert wurden, können echte Kunden emulieren. Damit lassen sich komplette Buyer Journeys erstellen, von der ersten Kontoeröffnung bis hin zu den Einkäufen der letzten zwei Jahre. ein realistischer, synthetischer Kunde.

Wenn echte Kunden Produkt A und sechs Monate später Produkt B gekauft haben, folgen die synthetischen Kunden diesem Muster. Wenn es im November einen Anstieg des Datenverkehrs aus MA gab, wird der synthetische Datensatz dies nachahmen. Mit synthetischen Daten kann der Einzelhändler Daten erstellen, die die erwarteten tatsächlichen Besuche widerspiegeln und dabei Besucherstandorte, Verkehrsspitzen und komplexe Kaufhistorien berücksichtigen. Durch Exams mit diesen Daten erhalten sie eine genauere Vorstellung davon, was sie erwarten können, und können ihre Anwendung entsprechend vorbereiten.

Moderne Softwareanwendungen werden immer dynamischer und passen ihre Ergebnisse auf der Grundlage der Daten an, die sie in Echtzeit sehen. Ihre Logik wird häufig aktualisiert und neue Versionen werden schnell bereitgestellt, manchmal mehrmals am Tag. Vor jeder Bereitstellung müssen Entwickler testen, ob die Anwendung intestine funktioniert und richtig funktioniert. Diejenigen, die synthetische Daten und nicht nur gefälschte Daten verwenden, können sich darauf verlassen, dass ihre Kunden ein großartiges Erlebnis haben und auch mehr Umsatz erzielen.

Synthetische Daten beseitigen den Analysten-Engpass

Unternehmen speichern enorme Mengen an Daten darüber, wie ihre Kunden ihre Produkte und Dienstleistungen nutzen, in der Hoffnung, dass sie daraus Erkenntnisse gewinnen, die sich positiv auf den Gewinn auswirken. Um diese Erkenntnisse zu gewinnen, beauftragen sie möglicherweise Beratungsfirmen oder freiberufliche Datenwissenschaftler oder veranstalten sogar öffentliche Datenwissenschaftswettbewerbe. Ihr Wunsch, möglichst viele Blicke auf die Daten zu lenken, steht jedoch häufig im Widerspruch zum proprietären Charakter der Daten sowie zu Datenschutzbedenken der Kunden. Auch in diesem Szenario helfen gefälschte Daten nicht weiter, da ihnen die realistischen Eigenschaften von Produktionsdaten fehlen: die internen Korrelationen und andere statistische Eigenschaften, die zu wertvollen Erkenntnissen führen.

Damit ein Datensatz reale Daten ersetzen kann, muss er dieselben analytischen Schlussfolgerungen liefern wie reale Daten. Um auf das obige Beispiel zurückzukommen: Wenn die realen Daten zeigen, dass Schneestiefel der beliebteste Kauf für Kunden aus MA sind, muss ein Analyst, der synthetische Daten verwendet, zu derselben Schlussfolgerung gelangen. Können synthetische Daten wirklich so intestine sein?

Um diese Frage systematisch zu beantworten, hat mein Staff am MIT eine Reihe von Experimenten durchgeführt.

Das erste stammt aus dem Jahr 2017, als meine Gruppe freiberufliche Datenwissenschaftler anheuerte, um im Rahmen eines Crowdsourcing-Experiments Vorhersagemodelle zu entwickeln. Wir wollten herausfinden: „Gibt es einen Unterschied zwischen der Arbeit von Datenwissenschaftlern, die synthetische Daten verwenden, und der Arbeit von Datenwissenschaftlern, die Zugriff auf reale Daten haben?”

Um dies zu testen, erhielt eine Gruppe von Datenwissenschaftlern die ursprünglichen, realen Daten, während die anderen drei synthetische Versionen erhielten. Jede Gruppe verwendete ihre Daten, um ein prädiktives Modellierungsproblem zu lösen, und führte schließlich 15 Exams mit 5 Datensätzen durch. Beim Vergleich ihrer Lösungen zeigten die von der Gruppe mit realen Daten generierten Lösungen und die von den Gruppen mit synthetischen Daten generierten Lösungen in 11 von 15 Exams (70 Prozent der Zeit) keinen signifikanten Leistungsunterschied.

Seitdem sind synthetische Daten zu einem festen Bestandteil von Knowledge-Science-Wettbewerben geworden und beginnen, den Datenaustausch und die Datenanalyse für Unternehmen zu verändern. Kaggle, eine beliebte Web site für Knowledge-Science-Wettbewerbe, veröffentlicht jetzt regelmäßig synthetische Datensätzedarunter auch einige aus Unternehmen. Wells Fargo veröffentlichte einen synthetischen Datensatz für einen Wettbewerb, bei dem Datenwissenschaftler aufgefordert wurden, mutmaßlichen Betrug im Zusammenhang mit der Ausbeutung älterer Menschen vorherzusagen. Spar Nord Financial institution veröffentlicht Datensatz zur Geldwäschebekämpfung für Datenwissenschaftler, Muster zu finden, die auf Geldwäsche hinweisen.

Abschluss

Synthetische Daten sind eine nützliche Anwendung der KI-Technologie, die Kunden bereits einen echten, greifbaren Mehrwert bietet. Synthetische Daten sind mehr als bloße Pretend-Daten. Sie unterstützen datengesteuerte Geschäftssysteme während ihres gesamten Lebenszyklus, insbesondere dann, wenn ein kontinuierlicher Zugriff auf Produktionsdaten unpraktisch oder nicht ratsam ist.

Wenn Ihre Projekte durch teure und komplexe Prozesse zum Zugriff auf Produktionsdaten behindert werden oder durch die inhärenten Einschränkungen gefälschter Daten eingeschränkt sind, lohnt es sich, synthetische Daten in Betracht zu ziehen. Sie können noch heute mit der Verwendung synthetischer Daten beginnen, indem Sie eine der kostenlos verfügbaren Optionen herunterladen.

Synthetische Daten sind eine wertvolle neue Technik, die immer mehr Organisationen zu ihren datengesteuerten Workloads hinzufügen. Fragen Sie Ihre Datenteams, wo Sie synthetische Daten verwenden können, und befreien Sie sich von den Fälschern und dem Hype.

Über den Autor

Kalyan Veeramachaneni ist Mitbegründer und CEO von DatenCebodas Unternehmen für synthetische Daten, das die Produktivität von Entwicklern in Unternehmen durch den Einsatz generativer KI revolutioniert. Er ist außerdem leitender Wissenschaftler am MIT, wo er ein Forschungslabor namens Knowledge-to-AI gegründet hat und leitet, das am Schwarzman Faculty of Computing des MIT angesiedelt ist. Im Labor entwickeln sie Technologien, die die Entwicklung, Validierung und Bereitstellung groß angelegter KI-Anwendungen auf Foundation von Daten ermöglichen.

Melden Sie sich für die kostenlosen insideAI Information an Publication.

Folgen Sie uns auf Twitter: https://twitter.com/InsideBigData1

Folgen Sie uns auf LinkedIn: https://www.linkedin.com/firm/insideainews/

Folgen Sie uns auf Fb: https://www.fb.com/insideAINEWSNOW

Hugging Face hat das ZeroGPU-Projekt für die Demokratisierung entwickelt, um die KI-Technologie zu nutzen, um die Kosten für 10 Millionen US-Greenback kostenlos zu senken. Diese Initiative zielt darauf ab, den Wirtschaftsstandort Minsk für einen kleinen Tag zu finanzieren und sie mit einer Reihe technischer Herausforderungen zu konkurrieren, die auf dem neuesten Stand der Technik sind. Hugging Face hat einen neuen Preis in Höhe von 235 Millionen Greenback und eine Finanzierung, die auf 4,5 Millionen Greenback ausgezahlt und verkauft wird.

Um die GPU zu laden, müssen Sie sich die Zeit nehmen, um sie zu verwenden oder gleichzeitig eine Anwendung zu verwenden. Für den Einsatz bei der Bereitstellung einer GPU kann nur die exakte GPU-Leistung verwendet werden, um das Projekt zu verbessern, da die Kapazität so hoch ist, dass sie nur wenige Tage später verfügbar ist.

Dies kann es den Organisatoren ermöglichen, nach traditioneller Artwork und Weise zu arbeiten, ohne lange Zeit zu verbringen und sich oft mit der Unterstützung für eine erfolgreiche Resurser-Erfahrung zu befassen, auch wenn das Projekt nicht ausreicht oder die Notwendigkeit besteht, die nötige Kraft für den Einsatz zu haben.

Projekte greifen auf Nvidia A100 GPU-Combination zurück, die billiger sind als die eher beliebten H100-Combination, die nur eine halbe Million Mal schneller laufen. Das Projekt soll über die App-Veröffentlichungsserver- und -Entwicklungsumgebung Hugging Faces namens Areas verfügbar sein. Mit dieser Einstellung zum Öffnen des Gesichtscodes „Hugging Face“ können Sie ganz einfach ein Gesicht mit Samt und Transparenz machen.