# Einführung

Sie müssen kein Datenwissenschaftler werden, um von Datenwissenschaft und künstlicher Intelligenz (KI) zu profitieren. Sie sollten jedoch verstehen, was diese Technologien leisten können, wo sie versagen können und wie ihre Ergebnisse zu bewerten sind.

Nachdem ich mehrere Jahre lang mit Datenwissenschafts- und KI-Instruments gearbeitet habe, ist mir aufgefallen, dass Menschen oft eher mit der Technologie als mit dem Downside beginnen. Sie möchten ein Modell trainieren, einen Chatbot einführen oder eine KI-Anwendung erstellen, bevor sie entscheiden, welche Entscheidung sie verbessern möchten.

Für die meisten Profis sollte es nicht das Ziel sein, jeden Algorithmus zu beherrschen. Es sollte darum gehen, genügend Daten- und KI-Kenntnisse zu entwickeln, um bessere Fragen zu stellen, unzuverlässige Ergebnisse zu hinterfragen, die Grenzen dieser Systeme zu verstehen und fundierte Entscheidungen zu treffen.

Dieser Artikel fasst Erkenntnisse aus meinem Interview mit zusammen Iavor I. Bojinovaußerordentlicher Professor für Betriebswirtschaftslehre an der Harvard Enterprise College, und meine eigene Erfahrung in der Arbeit mit Datenwissenschaft und KI-Instruments. Bojinov ist Co-Leiter der HBS-On-line-Kurse „AI for Leaders“ und „Knowledge Science and AI for Choice Making“.

# Beginnend mit der Entscheidung

Bevor ich KI einsetze, definiere ich zunächst die Entscheidung, die getroffen werden muss.

„Wir wollen KI für Kundenanalysen nutzen“ ist zu weit gefasst. Ein klareres Ziel wäre: „Wir möchten Kunden identifizieren, die möglicherweise abwandern, damit unser Retention-Crew sie kontaktieren kann.“

Dies verbindet das Modell mit einem messbaren Ergebnis und einer echten Geschäftsaktion. Ein technisch fortschrittliches System hat wenig Wert, wenn es die zugrunde liegende Entscheidung nicht verbessert.

Bojinov macht einen ähnlichen Punkt. KI sollte als Enter für die Entscheidungsfindung und nicht als Ersatz für Urteilsvermögen betrachtet werden. Fachleute müssen ihre Fähigkeiten und Grenzen verstehen, ihre Empfehlungen validieren und sich auf bessere Geschäftsergebnisse konzentrieren, anstatt KI um ihrer selbst willen einzuführen.

In seinem HBS On-line-Interview: KI-Einführung, Vertrauen und EntscheidungsfindungBojinov erklärt außerdem, dass die erfolgreiche Einführung von KI vom Vertrauen abhängt und davon, wie effektiv Unternehmen diese Systeme einführen und skalieren.

Bevor Sie ein KI-Projekt starten, fragen Sie, welches Downside es lösen wird, wer die Ergebnisse nutzen wird, welche Maßnahmen folgen und wie der Erfolg gemessen wird.

# Zuerst die Daten verstehen

Wenn ich ein Knowledge-Science-Projekt beginne, trainiere ich nicht sofort ein Modell. Ich beginne mit der Untersuchung der Daten.

Die explorative Datenanalyse (EDA) hilft uns, die Struktur, Qualität, Verteilungen und Beziehungen eines Datensatzes zu verstehen. Es kann fehlende Werte, doppelte Datensätze, inkonsistente Kategorien, ungewöhnliche Beobachtungen und potenzielle Verzerrungen aufdecken.

Diese Überprüfungen sind wichtig, da Genauigkeit allein irreführend sein kann.

Angenommen, nur fünf Prozent der Kunden verlassen das Unternehmen. Ein Modell, das vorhersagt, dass jeder Kunde bleiben wird, wäre zu 95 Prozent genau, würde aber keinen der gefährdeten Kunden identifizieren.

Fachleute sollten sich daher fragen, ob eine Kennzahl das tatsächliche Geschäftsziel widerspiegelt, anstatt sich auf eine beeindruckend aussehende Bewertung zu verlassen.

Der neueste Artikel von HBS On-line, Datenvorbereitung für Ihr KI-Modell: Bedeutung und Greatest Practicesbetont außerdem, dass die Leistung eines Modells stark von der Qualität der dahinter stehenden Daten abhängt. Der Artikel behandelt das Bereinigen, Anreichern, Transformieren und Organisieren von Daten vor der Modellentwicklung.

# Sorgfältige Aufbereitung der Daten

Reale Daten sind selten für maschinelles Lernen bereit.

Die Datenvorbereitung kann den Umgang mit fehlenden Werten, das Korrigieren von Formaten, das Entfernen von Duplikaten, das Umwandeln von Kategorien, das Auswählen nützlicher Funktionen und das Trennen von Trainingsdaten von Bewertungsdaten umfassen.

Fachleute sollten auch wissen, woher ihre Daten stammen, wie sie gesammelt wurden, was möglicherweise fehlt und ob frühere Entscheidungen zu Verzerrungen geführt haben.

Meiner Erfahrung nach bringt die Verbesserung der Daten oft einen größeren Nutzen als das Ersetzen eines einfachen Algorithmus durch ein komplizierteres Modell.

Ein Modell lernt aus den Informationen, die es erhält. Wenn diese Informationen unvollständig, veraltet, inkonsistent oder voreingenommen sind, sind die Ergebnisse ebenfalls unzuverlässig.

Bessere Technologie kann schlechte Daten nicht vollständig ausgleichen.

# Auswahl des einfachsten Modells, das funktioniert

Das beste Modell ist nicht immer das neueste, größte oder teuerste.

Für strukturierte Geschäftsdaten – wie Kundendaten, Transaktionen, Verkaufshistorie oder Betriebsdaten – ist ein Regressionsmodell oder Entscheidungsbaum möglicherweise besser geeignet als ein universelles Massive Language Mannequin (LLM).

Es kann auch schneller, kostengünstiger, einfacher zu erklären und einfacher zu überwachen sein.

LLMs sind nützlich, wenn es bei der Aufgabe um Sprache geht, etwa das Zusammenfassen von Dokumenten, das Extrahieren von Informationen, das Erstellen von Entwürfen oder das Analysieren von Kundenfeedback. Für Prognosen, Klassifizierungen und tabellarische Daten bleibt traditionelles maschinelles Lernen möglicherweise die bessere Choice.

Bevor ich ein Modell auswähle, vergleiche ich Vorhersageleistung, Trainings- und Inferenzkosten, Geschwindigkeit, Skalierbarkeit, Erklärbarkeit, Wartungsanforderungen und die Kosten falscher Vorhersagen.

Ein etwas genaueres Modell ist nicht immer die bessere Wahl, wenn es viel teurer, schwer zu erklären oder schwer zu warten ist.

Das Ziel besteht nicht darin, die fortschrittlichste KI einzusetzen. Es geht darum, die zuverlässigste und kostengünstigste Lösung für das Downside zu wählen.

# Validieren, bevor Sie vertrauen

Ein Modell, das während der Entwicklung intestine funktioniert, garantiert nicht, dass es in der realen Welt funktioniert.

Es sollte anhand von Daten ausgewertet werden, die nicht zum Trainieren oder Auswählen verwendet wurden. Die Bewertungsdaten sollten auch die Kunden, Märkte und Bedingungen darstellen, unter denen das Modell betrieben wird.

Die Validierung sollte nach der Bereitstellung fortgesetzt werden. Das Kundenverhalten ändert sich, Märkte verschieben sich, Datenpipelines brechen zusammen und Muster, die einst nützlich waren, können an Zuverlässigkeit verlieren.

Bojinov identifiziert schwache Validierung und Assessments als einen häufigen Fehler. Wenn Unternehmen Modelle bereitstellen, ohne sie ordnungsgemäß zu testen, können sie sich zu sehr auf die Ergebnisse verlassen.

Fachleute sollten sich fragen, wie ein Modell bewertet wurde, welche Fehler es macht, ob seine Testdaten repräsentativ sind und wie seine Leistung im Laufe der Zeit überwacht wird.

Vertrauen sollte durch Beweise entstehen, nicht dadurch, wie fortschrittlich oder sicher das System erscheint.

# Kundenanalysen in die Tat umsetzen

Kundenanalysen sollten mehr als ein Dashboard sein.

Ein Dashboard kann zeigen, was passiert ist. Ein Vorhersagemodell kann abschätzen, was als nächstes passieren könnte. Ein Experiment kann dabei helfen, herauszufinden, was eine Organisation dagegen tun sollte.

Die Prognose, dass ein Kunde möglicherweise abwandert, ist nur dann sinnvoll, wenn das Unternehmen über eine realistische Bindungsstrategie verfügt. Anschließend muss gemessen werden, ob die Intervention tatsächlich funktioniert.

Fachleute sollten außerdem vermeiden, Korrelation mit Kausalität zu verwechseln. Ein mit der Kundenabwanderung verbundenes Merkmal ist nicht unbedingt der Grund, warum Kunden das Unternehmen verlassen.

Hier wird experimentelles Denken wertvoll. Anstatt davon auszugehen, dass eine Intervention funktioniert, sollten Organisationen sie testen, das Ergebnis messen und aus den Erkenntnissen lernen.

Das Ziel besteht nicht darin, mehr Vorhersagen zu treffen. Es geht darum, bessere Entscheidungen zu treffen.

# LLMs als Assistenten behandeln

Große Sprachmodelle (LLMs) haben die KI viel zugänglicher gemacht. Ich verwende sie regelmäßig zum Codieren, Recherchieren, Verbessern der Grammatik, Zusammenfassen von Informationen, Generieren von Ideen und Lernen von etwas Neuem.

Sie helfen mir, schneller zu arbeiten und unbekannte Themen zu erkunden. Eine fließende und sichere Sprache ist jedoch nicht dasselbe wie sachliche Genauigkeit.

LLMs können den Kontext falsch verstehen, sich auf veraltete Informationen verlassen, Quellen erfinden, falschen Code produzieren oder Sicherheitslücken übersehen. HBS On-line-Leitfaden, Was sind große Sprachmodelle und wie funktionieren sie?bietet einen Überblick darüber, was Geschäftsleute verstehen sollten, bevor sie sie verwenden.

Ich vertraue ihrer Leistung nie blind. Ich überprüfe und lese noch einmal, was sie produzieren, überprüfe wichtige Behauptungen, inspiziere generierten Code, teste, ob er funktioniert, und überprüfe, ob es Sicherheitsprobleme gibt.

Ich behandle einen LLM als Assistenten und nicht als unbestreitbare Autorität. Je größer die Konsequenzen einer Aufgabe sind, desto sorgfältiger sollte ihr Ergebnis überprüft werden.

# Das menschliche Urteilsvermögen auf dem Laufenden halten

Laut Bojinov werden Datenkompetenz, experimentelles Denken und die Fähigkeit, KI-Ergebnisse kritisch zu bewerten, mit zunehmender Verbreitung dieser Instruments immer wertvoller.

Fachleute müssen keine KI-Experten werden, aber sie müssen fließend genug sein, um die richtigen Fragen zu stellen, Beweise zu interpretieren, schwache oder unzuverlässige Ergebnisse zu erkennen und zu verstehen, wann einer Antwort vertraut werden kann.

HBS Onlines Wohnzimmer Folge, Wie Berufseinsteiger mit KI führen und wachsen könnenuntersucht, wie Fachleute KI-Kenntnisse mit ihrem vorhandenen Fachwissen kombinieren können, um an einem KI-gesteuerten Arbeitsplatz Mehrwert zu schaffen. Noch eine Folge, Ratschläge für den Berufseinstieg zum Aufbau von KI und menschlichen Fähigkeitenerörtert, wie wichtig es ist, starkes Fachwissen zu entwickeln und gleichzeitig zu lernen, effektiv mit KI zusammenzuarbeiten.

Letztendlich werden diejenigen herausragen, die technisches Verständnis mit Fachwissen und fundiertem unternehmerischem Urteilsvermögen verbinden können.

# Letzte Gedanken

Viele Unternehmen beeilen sich, überall KI einzuführen, weil sie nicht ins Hintertreffen geraten wollen. Dabei geben sie möglicherweise viel Geld für APIs, Infrastruktur, Schulung und Wartung aus, ohne vorher zu fragen, ob KI tatsächlich die richtige Lösung ist.

Ich denke, der Hype wird sich irgendwann legen.

Unternehmen erfahren, wo KI einen echten Mehrwert bietet, wo Menschen weiterhin unverzichtbar sind und wo eine einfachere und kostengünstigere Lösung ausreicht.

Erfolgreiche Knowledge-Science- und KI-Projekte beginnen nicht mit dem neuesten Modell. Sie beginnen mit einem klaren Downside, zuverlässigen Daten, einer angemessenen Bewertung, realistischen Kosten und einem Plan zur Umsetzung der Ergebnisse in die Tat.

Das Ziel ist nicht, KI überall einzusetzen. Es geht darum, es bewusst einzusetzen, sorgfältig zu validieren und dort anzuwenden, wo es Entscheidungen wirklich verbessert.

Abid Ali Awan (@1abidaliawan) ist ein zertifizierter Datenwissenschaftler, der gerne Modelle für maschinelles Lernen erstellt. Derzeit konzentriert er sich auf die Erstellung von Inhalten und das Schreiben technischer Blogs zu maschinellem Lernen und Datenwissenschaftstechnologien. Abid verfügt über einen Grasp-Abschluss in Technologiemanagement und einen Bachelor-Abschluss in Telekommunikationstechnik. Seine Imaginative and prescient ist es, ein KI-Produkt mithilfe eines graphischen neuronalen Netzwerks für Schüler mit psychischen Erkrankungen zu entwickeln.

Forscher am Boston Kids’s Hospital und Harvard gebraucht Laut einer in NEJM AI veröffentlichten Studie soll das o3 Deep Analysis-Modell von OpenAI 18 neue Diagnosen bei Kindern mit seltenen genetischen Krankheiten identifizieren, die zuvor ungelöst waren. Das Group analysierte 376 nicht identifizierte pädiatrische Fälle erneut, die genetischen Assessments und einer Expertenbegutachtung unterzogen worden waren, ohne dass eine Diagnose gestellt wurde.

Mithilfe des o3 Deep Analysis-Modells synthetisierten die Kliniker genetische Daten, klinische Präsentationen und medizinische Literatur. Zu den aus dieser Analyse identifizierten Diagnosen gehörten neurologische Entwicklungsstörungen, seltene neuromuskuläre Erkrankungen, plötzlicher unerwarteter Tod in der Pädiatrie und früh einsetzende Psychosen.

Das Instrument soll Ärzten und Forschern bei der Navigation durch komplexe medizinische Informationen helfen und nicht als direktes Diagnoseprodukt für Verbraucher dienen. John Brownstein, Chief Innovation Officer am Boston Kids’s Hospital, stellte fest, dass die Herausforderung bei der Diagnose komplexer Fälle oft auf kognitive Grenzen zurückzuführen ist. „Wir kombinieren genetische Informationen, phänotypische Informationen, Literatursuche und die Argumentation der KI, um Diagnosen an Familien zu liefern, die einst keine Antworten hatten“, sagte Brownstein.

Die NEJM-KI-Veröffentlichung ist Teil einer umfassenderen Initiative des Krankenhauses, das im Mai bekannt gab, dass seine KI-Bemühungen zu über 40 Diagnosen seltener Krankheiten geführt hatten, die zuvor als unlösbar galten. OpenAI hat 50 Millionen US-Greenback zur Unterstützung der KI-Initiativen für Kinder in Boston bereitgestellt, die Anfang 2025 begannen. Das Krankenhaus berichtet, dass mehr als ein Drittel seiner Mitarbeiter mittlerweile KI-Instruments bei ihrer täglichen Arbeit nutzen, was zu einer Einsparung von etwa 60.000 Stunden im Wert von über 7 Millionen US-Greenback führt.

Von seltenen Krankheiten sind weltweit schätzungsweise 300 Millionen Menschen betroffen, und viele Familien durchlaufen langwierige Diagnoseprozesse. „Das battle früher undenkbar, aber jetzt gibt es so vielen Familien Hoffnung“, fügte Brownstein hinzu. Die Forscher betonten, dass jede Diagnose immer noch einer Überprüfung und Interpretation durch einen Arzt bedarf, was zeigt, dass KI dazu dient, das menschliche Fachwissen zu erweitern und nicht zu ersetzen.

---

Hervorgehobener Bildnachweis

Agentische KI-Systeme basieren auf großen Sprachmodellen und stellen eine Verbindung zu Instruments, Speicher und externen Umgebungen her. Sie unterstützen bereits wissenschaftliche Entdeckungen, Softwareentwicklung und klinische Forschung, kämpfen jedoch immer noch mit unzuverlässiger Werkzeugnutzung, schwacher langfristiger Planung und schlechter Verallgemeinerung. Die neueste Forschungsarbeit ‚Anpassung der Agenten-KIVon Stanford, Harvard, UC Berkeley schlägt Caltech eine einheitliche Sicht darauf vor, wie sich diese Systeme anpassen sollten, und ordnet vorhandene Methoden einem kompakten, mathematisch definierten Rahmen zu.

Wie diese Forschungsarbeit ein Agenten-KI-System modelliert?

Die Forschungsumfrage modelliert ein Agenten-KI-System als Basismodellagenten zusammen mit drei Schlüsselkomponenten. Ein Planungsmodul zerlegt Ziele in Handlungssequenzen und verwendet dabei statische Verfahren wie Chain-of-Thought und Tree-of-Thought oder dynamische Verfahren wie ReAct und Reflexion, die auf Suggestions reagieren. Ein Instrument-Nutzungsmodul verbindet den Agenten mit Websuchmaschinen, APIs, Codeausführungsumgebungen, Modellkontextprotokollen und Browserautomatisierung. Ein Speichermodul speichert kurzfristigen Kontext und langfristiges Wissen, auf das durch Retrieval Augmented Era zugegriffen wird. Die Anpassung ändert Eingabeaufforderungen oder Parameter für diese Komponenten mithilfe überwachter Feinabstimmung, präferenzbasierter Methoden wie der direkten Präferenzoptimierung, Methoden des verstärkenden Lernens wie der Optimierung der Proximalrichtlinie und der Optimierung der relativen Gruppenrichtlinie sowie parametereffizienter Techniken wie der Adaption niedriger Ränge.

Vier Anpassungsparadigmen

Das Framework definiert 4 Anpassungsparadigmen durch die Kombination von 2 binären Entscheidungen. Die erste Dimension ist das Ziel, Agentenanpassung versus Werkzeuganpassung. Die zweite Dimension ist das Überwachungssignal, die Instrument-Ausführung im Vergleich zur Agenten-Ausgabe. Daraus ergeben sich A1 und A2 für die Anpassung des Agenten und T1 und T2 für die Anpassung der Werkzeuge.

A1, Instrument Execution Signaled Agent Adaptation, optimiert den Agenten mithilfe von Suggestions aus der Toolausführung. A2, Agent Output Signaled Agent Adaptation, optimiert den Agenten mithilfe eines Indicators, das nur an seinen endgültigen Ausgängen definiert ist. T1, Agent-Agnostic Instrument Adaptation, optimiert Instruments, ohne sich auf einen bestimmten Agenten zu beziehen. T2, Agent-Supervised Instrument Adaptation, optimiert Instruments unter Aufsicht eines festen Agenten.

A1, Lernen aus überprüfbarem Instrument-Suggestions

In A1 empfängt der Agent eine Eingabe x, erzeugt einen strukturierten Instrument-Aufruf a, die Instruments geben ein Ergebnis y zurück und das Lernziel O_tool misst den Instrument-Erfolg, zum Beispiel die Richtigkeit der Ausführung oder die Qualität des Abrufs. Der Artikel behandelt sowohl die überwachte Nachahmung erfolgreicher Werkzeugverläufe als auch das verstärkende Lernen, bei dem überprüfbare Werkzeugergebnisse als Belohnung verwendet werden.

Toolformer, ToolAlpaca und Gorilla veranschaulichen überwachte A1-Methoden, da jede Ausführungsergebnisse realer Instruments verwendet, um Trainingsspuren vor der Nachahmung zu erstellen oder zu filtern. Bei allen bleibt das Überwachungssignal auf der Ebene des Werkzeugverhaltens definiert, nicht auf der Ebene der endgültigen Antwort.

DeepRetrieval ist ein zentrales Beispiel für verstärktes A1-Lernen. Es stellt die Abfrageneuformulierung als einen Markov-Entscheidungsprozess dar, bei dem der Standing die Benutzerabfrage ist, die Aktion eine umgeschriebene Abfrage ist und die Belohnung Abrufmetriken wie Recall und nDCG, einen Formatbegriff, und, für Textual content zu SQL, SQL-Ausführungsgenauigkeit kombiniert. Die Richtlinie wird mit KL-regularisierter Proximal-Richtlinienoptimierung trainiert und das gleiche Ziel umfasst die Literatursuche, die Beantwortung von Korpusfragen und die Textausgabe in SQL.

A2, Lernen aus den endgültigen Agentenausgaben

A2 deckt Fälle ab, in denen das Optimierungsziel O_Agent nur von der endgültigen Ausgabe o abhängt, die vom Agenten erzeugt wird, selbst wenn der Agent intern Instruments verwendet. Die Umfrage zeigt, dass die alleinige Überwachung von o nicht ausreicht, um Werkzeuge beizubringen, da der Agent Werkzeuge ignorieren und dennoch die Wahrscheinlichkeit verbessern kann. Effektive A2-Systeme kombinieren daher die Überwachung von Instrument-Aufrufen mit der Überwachung von endgültigen Antworten oder weisen o spärliche Belohnungen zu, wie z. B. die Genauigkeit der exakten Übereinstimmung, und verbreiten sie über die gesamte Flugbahn zurück.

T1, agentenunabhängiges Instrument-Coaching

T1 friert den Hauptagenten ein und optimiert die Instruments, sodass sie weitgehend wiederverwendbar sind. Das Ziel O_tool hängt nur von den Werkzeugausgaben ab und wird anhand von Metriken wie Abrufgenauigkeit, Rating-Qualität, Simulationstreue oder Erfolg nachgelagerter Aufgaben gemessen. Von A1 trainierte Suchrichtlinien wie DeepRetrieval können später als T1-Instruments in neuen Agentensystemen wiederverwendet werden, ohne den Hauptagenten zu ändern.

T2, Werkzeuge optimiert unter einem gefrorenen Agenten

T2 geht von einem leistungsstarken, aber festen Agenten A aus, was häufig der Fall ist, wenn es sich bei dem Agenten um ein Closed-Supply-Grundmodell handelt. Das Instrument führt Aufrufe aus und gibt Ergebnisse zurück, die der Agent dann zur Erstellung von o verwendet. Das Optimierungsziel lebt wieder von O_agent, aber die trainierbaren Parameter gehören zum Instrument. Das Papier beschreibt qualitätsgewichtetes Coaching, zielbasiertes Coaching und Reinforcement-Studying-Varianten, die alle Lernsignale für das Instrument aus den endgültigen Agentenausgaben ableiten.

Die Umfrage behandelt das Langzeitgedächtnis als Sonderfall von T2. Der Speicher ist ein externer Speicher, der durch gelernte Funktionen geschrieben und gelesen wird, und der Agent bleibt eingefroren. Zu den jüngsten T2-Systemen gehören s3, das einen 7-Milliarden-Parametersucher trainiert, der eine durch einen eingefrorenen Generator definierte Acquire-Past-RAG-Belohnung maximiert, und AgentFlow, das einen Planer trainiert, größtenteils eingefrorene Qwen2.5-basierte Module mithilfe von Circulate GRPO zu orchestrieren.

Wichtige Erkenntnisse

• Die Forschung definiert einen präzisen 4-Paradigmen-Rahmen für die Anpassung der Agenten-KI, indem sie zwei Dimensionen kreuzt: ob die Anpassung auf den Agenten oder die Instruments abzielt und ob das Überwachungssignal von der Toolausführung oder von den endgültigen Agentenausgaben kommt.
• A1-Methoden wie Toolformer, ToolAlpaca, Gorilla und DeepRetrieval passen den Agenten direkt anhand von überprüfbarem Instrument-Suggestions an, einschließlich Abrufmetriken, SQL-Ausführungsgenauigkeit und Codeausführungsergebnissen, oft optimiert mit KL-regularisierter Proximal Coverage Optimization.
• A2-Methoden optimieren den Agenten anhand von Signalen zu endgültigen Ausgaben, beispielsweise Antwortgenauigkeit, und das Papier zeigt, dass Systeme immer noch Werkzeugaufrufe überwachen oder spärliche Belohnungen über vollständige Trajektorien verbreiten müssen, andernfalls kann der Agent Werkzeuge ignorieren und gleichzeitig die Wahrscheinlichkeit erhöhen.
• T1 und T2 verlagern das Lernen auf Werkzeuge und Gedächtnis, T1 trainiert allgemein nützliche Retriever, Sucher und Simulatoren ohne einen bestimmten Agenten im Hinterkopf, während T2 Werkzeuge unter einem eingefrorenen Agenten anpasst, wie in s3 und AgentFlow, wo ein fester Generator einen erlernten Sucher und Planer überwacht.
• Das Forschungsteam stellt eine Anpassungslandschaft vor, die monolithische versus modulare und lokale versus systemische Kontrolle in Beziehung setzt, und argumentiert, dass praktische Systeme seltene A1- oder A2-Updates auf einem starken Basismodell mit häufigen T1- und T2-Anpassungen von Retrievern, Suchrichtlinien, Simulatoren und Speicher für Robustheit und Skalierbarkeit kombinieren.

---

Schauen Sie sich das an Papier Und GitHub-Repo. Sie können uns auch gerne weiter folgen Twitter und vergessen Sie nicht, bei uns mitzumachen 100.000+ ML SubReddit und Abonnieren Unser Publication. Warten! Bist du im Telegram? Jetzt können Sie uns auch per Telegram kontaktieren.

Harvard College Har Lanserat Ett AmbitiOst Projekt Som Frigör Nästan En Miljon Böcker Från Det Publika Domänet, Vilket-Repräsentant över 394 Miljoner Skannade Sidor På 254 Språk, För ATT Stödja Ai-Dring.

Initiativet som stöds ekonomiskt av Microsoft och OpenAI, syftar until att förbättra AI-systemen genom att ge tillgång until historiska texter, samtidigt som det återställer bibliotekens roll som kunskapsförmedlare och adresserar etiska överväganden kring datainsamling.

Varför gamla böcker är guld värt för AI

Burton Davis, Bitrötande Chefsjurist På Microsoft, förklarar att det är ”ett klokte BESLUT ATT Börja Med Knowledge Från Allmän Egendom Eftersom det är Mindrekontrroversiellt nur Biblioteken Innehåller Också ”Betydande Mängder Intreat Kulturell, Historisk Och Språklig Knowledge“ Som SaKnas Från de Senaste Decenniernas On-line-Komputerarer Som Ai-Chatbots Mestadels Har Lärt Sig Från.

Greg Leppert Verkställande Direktör för datainitiativet och Chefkoch Teknolog Vid Harvards Berkman Klein Middle, Påpekar att ”Mycket av DATE SOM HAR ANVÄNTS I AI-TRANING HAR INTE COMMIT FRåN URSPRUPRIGA KLALLA KLALLOROR”. Denna Boksamling Går ”Hela Vägen Tillbaka bis Den Fysiska Kopia Som Skannades av de institutioner som faktiskt samlade dessa föremål.

Einführung

Information Science ist ein schnell wachsendes Technologiefeld, das die Entscheidungsfindung in Unternehmen verändert. Um in diesem Bereich Fuß zu fassen, benötigen Sie die richtigen Fähigkeiten. Glücklicherweise bieten High-Institutionen wie Harvard und IBM kostenlose On-line-Kurse an. Diese Kurse decken alles von der grundlegenden Programmierung bis hin zum fortgeschrittenen maschinellen Lernen ab. In diesem Artikel haben wir einige der besten kostenlosen Kurse von Harvard und IBM aufgelistet. Sie eignen sich hervorragend für Anfänger und Fortgeschrittene, die ihre datenwissenschaftlichen Fähigkeiten verbessern möchten.

Kostenlose Harvard-Kurse

1. Einführung in die Programmierung mit Scratch

Harvards CS50 Einführung in die Programmierung mit Scratch ist ein großartiger Ausgangspunkt für alle, die keinerlei Programmiererfahrung haben. Es verwendet Scratch, eine visuelle Programmiersprache, in der Sie Code durch Ziehen und Ablegen grafischer Blöcke erstellen – excellent für Anfänger.

Kursübersicht

• Funktionen: Anweisungen, die bestimmte Aufgaben ausführen.
• Rückgabewerte: Von Funktionen bereitgestellte Ergebnisse.
• Bedingungen: Logik, die entscheidet, ob Aktionen ausgeführt werden sollen.
• Schleifen: Wiederholen Sie bestimmte Aktionen.
• Variablen: Informationen speichern.

Kursfunktionen

• Hilft Ihnen beim Erstellen von Animationen, Spielen und interaktiver Kunst.
• Bereitet Sie auf fortgeschrittene Programmierung in Sprachen wie Java und Python vor.

Anmeldedetails

• Kostenloser Kurs mit der Choice, ein Zertifikat für 299 $ zu erhalten.
• Teil des umfassenderen CS50-Lehrplans von Harvard.

Schauen Sie sich diese kostenlosen Harvard Information Science-Kurse an Hier.

2. Einführung in die künstliche Intelligenz mit Python

Dieser Kurs befasst sich mit künstlicher Intelligenz (KI) und maschinellem Lernen (ML) mit Python. Es richtet sich an diejenigen, die KI praktisch ausprobieren möchten.

Kursübersicht

• Graphsuchalgorithmen: Durch Datenstrukturen navigieren.
• Verstärkungslernen: Erfahren Sie, wie Agenten Entscheidungen auf der Grundlage von Belohnungen und Strafen treffen.
• Prinzipien des maschinellen Lernens: Entdecken Sie Techniken, die Systemen helfen, aus Daten zu lernen.
• Entwerfen intelligenter Systeme: Lernen Sie, Systeme zu bauen, die denken und lernen.

Kursfunktionen

• Verstehen Sie KI-Konzepte und -Algorithmen.
• Beherrschen Sie Python für KI.
• Arbeiten Sie an Bibliotheken für maschinelles Lernen und entwerfen Sie intelligente Systeme.

Anmeldedetails

• Der Kurs bietet auch ein verifiziertes Zertifikat für 299 $.

Weitere Einzelheiten zu diesen kostenlosen Information-Science-Kursen in Harvard finden Sie hier Hier.

3. Einführung in Information Science mit Python

Dieser Kurs konzentriert sich auf die Vermittlung praktischer Fähigkeiten in der Datenwissenschaft mit Python. Es vermittelt Ihnen praktische Erfahrung bei der Lösung realer Probleme.

Lernergebnis

• Codierung in Python für Statistik und Modellierung.
• Arbeiten mit Bibliotheken wie Pandas, NumPy und Matplotlib.
• Ausführen von Modellen für maschinelles Lernen wie lineare Regression und Klassifizierungsmodelle.

Anmeldedetails

• Ein Zertifikat ist für 299 $ erhältlich.

klicken Sie hier um diesen kostenlosen Information-Science-Kurs von Harvard zu erkunden.

4. Maschinelles Lernen und KI mit Python

In diesem Kurs tauchen Sie tiefer in die Techniken des maschinellen Lernens und ihre Anwendungen ein.

Lernergebnis

• Erstellen und bewerten Sie Modelle für maschinelles Lernen.
• Verstehen Sie Entscheidungsbäume, Zufallswälder und Gradient Boosting.
• Identifizieren und reduzieren Sie Datenverzerrungen in Modellen für maschinelles Lernen.

Anmeldedetails

• Die Zertifikatsoption ist für 299 $ erhältlich.

Hier finden Sie alle Particulars zu diesen Kursen Hier.

5. Datenwissenschaft: Visualisierung

In diesem Kurs werden die Grundlagen einer effektiven Datenvisualisierung mithilfe der Programmiersprache R und des Pakets ggplot2 vermittelt. Sie lernen, datengesteuerte Erkenntnisse durch visuelle Darstellungen zu vermitteln.

Lernergebnis

• Erstellen Sie benutzerdefinierte Diagramme.
• Analysieren Sie reale Daten aus den Bereichen Gesundheit, Wirtschaft und Infektionskrankheiten.
• Lernen Sie, Fehler in gängigen Visualisierungen zu erkennen.

Anmeldedetails

• Zertifikat für 219 $ erhältlich.

Entdecken Sie diese Kurse Hier.

6. Datenwissenschaft: Wahrscheinlichkeit

Der Kurs „Information Science: Chance“ von Harvard vermittelt ein umfassendes Verständnis der Wahrscheinlichkeitstheorie und ihrer Bedeutung in der Datenwissenschaft.

Lernergebnis

• Verstehen Sie Zufallsvariablen, Unabhängigkeit und erwartete Werte.
• Führen Sie Monte-Carlo-Simulationen durch.
• Verwenden Sie den zentralen Grenzwertsatz in der Datenanalyse.

Anmeldedetails

• Holen Sie sich ein Zertifikat für 149 $.

klicken Sie hier um diesen kostenlosen Information-Science-Kurs von Harvard zu erkunden.

7. Information Science: Inferenz und Modellierung

In diesem Kurs werden statistische Schlussfolgerungen und Modellierungstechniken behandelt, wobei Wahlprognosen häufig als Fallstudie dienen.

Schlüsselthemen

• Schätzungen, Fehlermargen und Konfidenzintervalle.
• Bayesianische Modellierungstechniken.
• Aggregieren von Daten für eine bessere Genauigkeit.

Anmeldedetails

• Ein Zertifikat ist für 149 $ erhältlich.

klicken Sie hier um diesen kostenlosen Kurs der Harvard College zu erkunden.

8. Information Science: Streit

Information-Wrangling ist für jedes Information-Science-Projekt unerlässlich. In diesem Kurs lernen Sie, Daten mit R zu bereinigen und für die Analyse vorzubereiten.

Lernergebnis

• Importieren und bereinigen Sie Daten aus verschiedenen Quellen.
• Verwenden Sie Tidyverse-Instruments zur Datenbearbeitung.
• Führen Sie Internet Scraping durch.

Anmeldedetails

• Ein Zertifikat ist für 149 $ erhältlich.

klicken Sie hier um diesen kostenlosen Datenwissenschaftskurs der Harvard College zu erkunden.

9. Datenwissenschaft: Maschinelles Lernen

Dieser Kurs bietet eine Einführung in Konzepte des maschinellen Lernens und konzentriert sich auf die Erstellung von Vorhersagemodellen.

Lernergebnisse

• Wenden Sie Algorithmen für maschinelles Lernen an.
• Führen Sie eine Kreuzvalidierung durch.
• Erstellen Sie ein Filmempfehlungssystem.

Anmeldedetails

• Zertifikat für 149 $ erhältlich.

Sie können diesen kostenlosen Kurs erkunden Hier.

10. Information Science: Lineare Regression

Die lineare Regression ist eine grundlegende statistische Methode. In diesem Kurs erfahren Sie, wie Sie sie zur Analyse realer Daten verwenden.

Lernergebnis

• Verstehen Sie die lineare Regressionstheorie.
• Implementieren Sie die lineare Regression in R.
• Bewerten Sie die Modellleistung und treffen Sie Vorhersagen.

Anmeldedetails

• Zertifikat für 149 $ erhältlich.

Einzelheiten zu diesem kostenlosen Datenwissenschaftskurs der Harvard College finden Sie hier Hier.

Kostenlose IBM-Kurse

1. Was ist Information Science?

Dieser Kurs bietet eine umfassende Einführung in das Gebiet der Datenwissenschaft und behandelt deren Kernprinzipien.

Lernergebnis

• Verstehen Sie, was Information Science ist.
• Erkennen Sie seine branchenübergreifende Bedeutung.
• Machen Sie sich mit den wichtigsten Werkzeugen und Techniken vertraut.

klicken Sie hier um diesen kostenlosen IBM Information Science-Kurs kennenzulernen.

2. Daten mit Python analysieren

Lernen Sie, Daten mithilfe von Python-Bibliotheken wie Pandas und Matplotlib zu analysieren und zu visualisieren.

Lernergebnis

• Bearbeiten Sie Daten mit Python.
• Führen Sie Datenbereinigungsaufgaben durch.
• Erstellen Sie Visualisierungen, um Erkenntnisse zu gewinnen.

klicken Sie hier um diesen kostenlosen IBM Information Science-Kurs kennenzulernen.

3. Python für Datenwissenschaft, KI und Entwicklung

Dieser Kurs ist eine umfassende Einführung in die Verwendung von Python für Datenwissenschafts- und KI-Anwendungen.

Lernergebnis

• Verwendung von Python zur Datenmanipulation.
• Implementierung von Algorithmen für maschinelles Lernen.
• Erstellen effektiver Datenvisualisierungen.

klicken Sie hier um diesen kostenlosen IBM Information Science-Kurs kennenzulernen.

4. Python-Grundlagen für Information Science

Dieser für Anfänger konzipierte Kurs führt in die Python-Programmierung ein, mit Schwerpunkt auf datenwissenschaftlichen Anwendungen.

Lernergebnis

• Verstehen Sie die Syntax und Datentypen von Python.
• Verwenden Sie Python zur Datenanalyse.
• Implementieren Sie grundlegende Information-Science-Techniken mithilfe beliebter Bibliotheken.

klicken Sie hier um diesen kostenlosen IBM Information Science-Kurs kennenzulernen.

5. Datenanalyse mit Python

In diesem Kurs beherrschen Sie die Grundlagen der Datenanalyse mit Python.

Lernergebnis

• Manipulieren Sie Daten mit Pandas.
• Führen Sie eine explorative Datenanalyse durch.
• Nutzen Sie Visualisierungen, um Ergebnisse zu kommunizieren.

klicken Sie hier um diesen kostenlosen IBM Information Science-Kurs kennenzulernen.

6. Schlussstein der angewandten Datenwissenschaft

Dieser Abschlusskurs ermöglicht es den Lernenden, ihre datenwissenschaftlichen Fähigkeiten in einem realen Projekt anzuwenden.

Lernergebnis

• Schließen Sie ein vollständiges Information-Science-Projekt von Anfang bis Ende ab.
• Wenden Sie verschiedene Werkzeuge und Techniken an, um komplexe Probleme zu lösen.
• Kommunizieren Sie Ergebnisse durch Visualisierungen und Berichte.

klicken Sie hier um diesen kostenlosen IBM Information Science-Kurs kennenzulernen.

7. Daten mit Python visualisieren

Erfahren Sie, wie Sie mithilfe von Python-Bibliotheken wie Matplotlib und Seaborn effektive Datenvisualisierungen erstellen.

Lernergebnis

• Verstehen Sie die Prinzipien der Datenvisualisierung.
• Erstellen Sie verschiedene Arten von Visualisierungen.
• Visuelle Daten interpretieren.

klicken Sie hier um diesen kostenlosen IBM Information Science-Kurs kennenzulernen.

8. IBM Information Analyst Capstone-Projekt

In diesem Abschlusskurs können Sie Ihre Datenanalysefähigkeiten anhand eines praktischen Projekts unter Beweis stellen.

Lernergebnis

• Führen Sie eine vollständige Datenanalyse durch.
• Erstellen Sie Visualisierungen, um Erkenntnisse effektiv zu kommunizieren.
• Entwickeln Sie ein vollständiges Datenanalyseprojekt und lösen Sie reale Probleme.

klicken Sie hier um diesen kostenlosen IBM Information Science-Kurs kennenzulernen.

9. Einführung in die Datenanalyse

Dieser Kurs gibt einen Überblick über die Datenanalyse und ihre wesentlichen Konzepte.

Sie lernen Folgendes:

• Verstehen Sie die wichtigsten Begriffe der Datenanalyse.
• Wenden Sie Analysetechniken an.
• Interpretieren Sie Dateneinblicke und kommunizieren Sie Ergebnisse effektiv.

klicken Sie hier um diesen kostenlosen IBM Information Science-Kurs kennenzulernen.

Hilfreiche Ressourcen zum Grasp Information Science

Abschluss

Egal, ob Sie ein absoluter Anfänger sind oder Ihre Kenntnisse im Bereich Datenwissenschaft vertiefen möchten, diese kostenlosen Kurse von Harvard und IBM können wirklich hilfreich sein. Wählen Sie additionally den Kurs, der Ihren Zielen entspricht, und beginnen Sie noch heute Ihre Reise in die Datenwissenschaft!

Viel Spaß beim Lernen!

Bild vom Autor | Canva

Wenn Sie Teil der KDnuggets-Group sind, bedeutet das, dass Sie sich bereits mit Datenwissenschaft, maschinellem Lernen und künstlicher Intelligenz beschäftigen oder sich damit befassen. Diese Gemeinschaft und dieser Sektor wachsen schnell, und wenn Sie jemand sind, der in diese Welt eintauchen möchte, sage ich Ihnen: Tun Sie es, tun Sie es und tun Sie es noch einmal!

Allerdings wusste ich, genau wie Sie, als ich anfing, nicht, wo ich anfangen sollte. Ich schaute mir so ziemlich jedes YouTube-Video an, das mir gute Ratschläge gab, las einen Weblog nach dem anderen und überflog die Kursrezensionen, als würde es niemanden etwas angehen.

Da ich weiß, wie es sich anfühlt, in dieser State of affairs zu sein, habe ich den Großteil meiner Blogs darauf verwendet, Menschen zu helfen, die Berufsberatung benötigen, sei es durch kostenlose Kurse, kostenpflichtige Kurse, Vorbereitung auf Vorstellungsgespräche usw.

In dieser speziellen Ausgabe werde ich Ihnen eine Roadmap zur Verfügung stellen, die Ihnen die Grundlage gibt und Ihnen den Einstieg in Fachgebiete mit einer Roadmap von Harvard-Kursen ermöglicht.

Und das Erstaunliche ist, dass sie kostenlos sind!

Einführungskurse

Mit kleinen Schritten können Sie wie ein Sportler laufen. Wenn es um Ihre Karriere geht, insbesondere wenn Sie sich im Übergang befinden, möchten Sie mit allen Einführungskursen beginnen, die die Welt zu bieten hat.

Hier ist eine Liste der kostenlosen Harvard-Einführungskurse:

Spezialisierte Technikkurse

Delicate-Ability-Kurse

Zusammenfassung

Das Beste, was Sie für Ihre Karriere tun können, ist es, Ihr Fundament so aufzubauen, dass es steinhart und solide ist. Ich sage nicht, dass man jeden dieser Kurse belegen muss, aber auf dem Lernweg gibt es nie wirklich Einschränkungen.

Nehmen Sie so viel Wissen wie möglich auf und entscheiden Sie dann, wo Sie Ihre Karriere mit Spezialkursen weiter verfeinern möchten.

Nisha Arya ist Datenwissenschaftler, freiberuflicher technischer Autor sowie Redakteur und Group-Supervisor für KDnuggets. Ihr besonderes Interesse gilt der Bereitstellung von Berufsberatung oder Tutorials im Bereich Knowledge Science sowie theoriebasiertem Wissen rund um Knowledge Science. Nisha deckt ein breites Themenspektrum ab und möchte die verschiedenen Möglichkeiten erkunden, wie künstliche Intelligenz die Langlebigkeit des menschlichen Lebens verbessern kann. Nisha ist eine eifrige Lernende und möchte ihr technisches Wissen und ihre Schreibfähigkeiten erweitern und gleichzeitig dabei helfen, andere anzuleiten.

1. Bestes VPN für Ingenieure – 3 Monate kostenlos – Bleiben Sie on-line sicher mit einer kostenlosen Testversion

2. Bestes Projektmanagement-Device für Tech-Groups – Steigern Sie noch heute die Effizienz Ihres Groups

4. Bestes Passwortverwaltungstool für Tech-Groups – Zero-Belief- und Zero-Data-Sicherheit