# Einführung

Das Ökosystem der künstlichen Intelligenz (KI) entwickelt sich in rasantem Tempo. Wenn Sie versuchen, jede neue Forschungsarbeit auf ArXiv zu lesen oder jedes Open-Supply-Repository zu testen, das auf GitHub landet, werden Sie noch vor Ablauf der Woche ausbrennen. Für Datenprofis geht es nicht mehr darum, alles zu lesen, um auf dem Laufenden zu bleiben; Es geht darum, die richtigen Informationsströme zu kuratieren. Im Jahr 2026 hat YouTube seinen Platz als führende Plattform für die KI-Ausbildung gefestigt und bietet alles von zeilenweisen Code-Komplettlösungen bis hin zu hochrangigen Branchenanalysen.

In diesem Artikel gehen wir durch die zehn besten YouTube-Kanäle für Datenwissenschaftler und KI-Ingenieure, unterteilt in vier Hauptkategorien: Die Recherche- und Papierbrecher, die praktischen KI-Entwickler, die Kernkonzeptpädagogen, Und Die Branchenanalysten.

Wir haben außerdem für jeden Kanal eine bestimmte Wiedergabeliste oder einen bestimmten Videotyp hervorgehoben, damit Sie direkt zu den besten Inhalten springen können. Egal, ob Sie Multiagentensysteme aufbauen, die Mathematik hinter Transformatoren verstehen oder herausfinden möchten, welches neue Modell Ihre Zeit wert ist, diese Kanäle gehören in Ihren Abonnement-Feed.

Zum Vergrößern anklicken

# Die Forschungs- und Papierbrecher

// 1. Entmystifizierung neuer Modelle mit Zwei-Minuten-Aufsätzen

Das Lesen wissenschaftlicher Arbeiten zum Thema maschinelles Lernen kann ein intensiver und anstrengender Prozess sein. Moderation: Károly Zsolnai-Fehér, Zwei-Minuten-Aufträge ist legendär dafür, die komplexesten KI-Forschung in hochvisuelle, zugängliche und enthusiastische Kurzvideos zu verwandeln.

Deshalb ist dieser Kanal ein Muss:

• Zerlegt komplexe Forschungsarbeiten visuell und zeigt die tatsächlichen Ergebnisse neuer generativer Modelle, Robotiksimulationen und Rendering-Engines.
• Fasst 30-seitige wissenschaftliche Arbeiten in 5- bis 10-minütige Zusammenfassungen zusammen, die die wichtigsten Durchbrüche und praktischen Auswirkungen hervorheben.
• Bietet einen ständigen Überblick darüber, wohin sich die neueste Entwicklung der KI-Forschung entwickelt, bevor sie kommerzialisiert wird.

Lernressource: Sehen Sie sich seine aktuellen Movies zu den neuesten generativen Videomodellen und Simulationen der Strömungsphysik an, um zu sehen, wie die nächste Technology der KI aussehen wird.

// 2. Tiefer Einblick in wissenschaftliche Arbeiten zum maschinellen Lernen mit Yannic Kilcher

Wenn Two Minute Papers die visuelle Zusammenfassung liefert, Yannic Kilcher Bietet den rigorosen, Zeile für Zeile umfassenden technischen Einblick. Yannic liest die komplexesten Aufsätze zum maschinellen Lernen, sodass Sie dies nicht tun müssen, indem er die Mathematik, die Architektur und die Methodik auf einem virtuellen Whiteboard aufschlüsselt.

Hauptmerkmale von Yannics Inhalten:

• Bietet ausführliche Anleitungen zu mathematischen Formeln und neuronalen Netzwerkarchitekturen, die andere Kanäle beschönigen.
• Bietet ehrliche, ungefilterte Rezensionen von gehypten Artikeln und weist häufig auf fehlerhafte Methoden oder übertriebene Behauptungen hin.
• Deckt die Open-Supply-Neighborhood umfassend ab und hält Sie über die Debatten und philosophischen Veränderungen auf dem Laufenden, die den KI-Bereich prägen.

Lernressource: Seine Playlist „Machine Studying Papers Defined“ ist eine Goldgrube für Ingenieure, die die Mechanismen hinter neuen Fundamentmodellen verstehen möchten.

# Die praktischen KI-Builder

// 3. Erstellen von KI-Anwendungen mit AI Jason

Zu verstehen, wie ein großes Sprachmodell (LLM) funktioniert, ist etwas völlig anderes als die Integration eines Modells in einen Geschäftsablauf. AI Jason konzentriert sich ausschließlich auf die Anwendungsschicht und bringt Entwicklern bei, wie sie mithilfe moderner Agenten-Frameworks praktische, produktionsreife Instruments erstellen.

Was Jasons Kanal von unschätzbarem Wert macht:

• Bietet Schritt-für-Schritt-Anleitungen zu Retrieval-Augmented Technology (RAG) und komplexen Multi-Agent-Architekturen.
• Kombiniert Low-Code-Automatisierungstools mit Python-basierten Lösungen und deckt so ein breites Spektrum an technischen Kenntnissen ab.
• Konzentriert sich auf reale Geschäftsanwendungsfälle und geht weit über einfache Chatbots hinaus bis hin zu vollständig autonomen Workflow-Systemen.

Lernressource: Durchsuchen Sie seinen Kanal nach „LangChain Multi-Agent-Tutorials“, um zu erfahren, wie Sie mehrere LLMs orchestrieren, um komplexe, mehrstufige Aufgaben zu erledigen.

// 4. Entwicklung moderner LLM-Apps mit AssemblyAI

Obwohl es sich technisch gesehen um einen Unternehmenskanal handelt, AssemblyAI produziert einige der unvoreingenommensten und qualitativ hochwertigsten Bildungsinhalte für KI-Entwickler auf YouTube. Sie legen stets Wert auf echten Unterricht gegenüber Produktwerbung.

Folgendes bietet AssemblyAI der Entwicklergemeinschaft:

• Hochwertige Crashkurse zu Vektordatenbanken, RAG-Systemen und API-Integrationen.
• Klare, visuelle Erklärungen komplexer Audiomodelle, Speech-to-Textual content-Systeme und NLP-Architekturen (Pure Language Processing).
• Code-Alongside-Projekte, die Ihnen produktionsbereite Vorlagen liefern, die Sie direkt in Ihre eigenen Repositorys integrieren können.

Lernressource: Ihre Reihe „Giant Language Fashions Defined“ ist eine der saubersten und praktischsten Einführungen in das Erstellen mit modernen APIs.

// 5. Codierung der Zukunft mit Sentdex

Harrison Kinsleys Sentdex Der Kanal ist seit Jahren ein fester Bestandteil der Python-Programmiergemeinschaft. Mit der Weiterentwicklung der Branche haben sich auch seine Inhalte weiterentwickelt, wobei der Schwerpunkt nun auf angewandtem maschinellem Lernen und von Grund auf neu aufgebautem Deep Studying liegt.

Warum Sentdex weiterhin unverzichtbar ist:

• Bietet von Grund auf neue Codierungs-Tutorials, die den Zuschauer dazu zwingen, die zugrunde liegende Mechanik neuronaler Netze zu verstehen, ohne sich hinter Excessive-Degree-Bibliotheken zu verstecken.
• Erforscht eine Vielzahl von Anwendungen, vom Coaching benutzerdefinierter Reinforcement-Studying-Modelle bis hin zur Erstellung selbstfahrender Autosimulationen in Spielen.
• Übernimmt neue APIs und Frameworks sofort nach der Veröffentlichung, sodass Sie frühzeitig einen Einblick in die Arbeit mit den neuesten Instruments erhalten.

Lernressource: Die Playlist „Neural Networks from Scratch in Python“ ist unverzichtbar für jeden, der die Mechanismen des Deep Studying wirklich verstehen und nicht nur nutzen möchte.

# Das Kernkonzept der Pädagogen

// 6. Von den ersten Prinzipien lernen mit Andrej Karpathy

Als Gründungsmitglied von OpenAI und ehemaliger Direktor für KI bei Tesla, Andrej Karpathy ist einer der angesehensten Ingenieure auf diesem Gebiet. Sein YouTube-Kanal fungiert als Deep-Studying-Kurs für Hochschulabsolventen, der von jemandem unterrichtet wird, der selbst Grenzmodelle entwickelt hat.

Merkmale, die den Kanal von Karpathy auszeichnen:

• Berühmt für seine langen Codierungssitzungen „Let’s construct from Scratch“, in denen er komplexe Systeme wie GPT-Tokenizer und Backpropagation-Engines stay auf dem Bildschirm erstellt.
• Bietet außergewöhnlich klare Erklärungen der Kernkonzepte, einschließlich Backpropagation, Transformatoren und der Trainingsschleife hinter großen Sprachmodellen.
• Schließt die Lücke zwischen akademischer Theorie und optimiertem Produktionscode auf eine Weise, wie es nur wenige Pädagogen können.

Lernressource: Nehmen Sie sich ein Wochenende für seine Serie „Neural Networks: Zero to Hero“ vor. Es ist einer der besten kostenlosen KI-Kurse, die derzeit verfügbar sind.

// 7. Aufbau statistischer Instinct mit StatQuest

Wenn Ihnen die Mathematik hinter Datenwissenschaft und maschinellem Lernen einschüchternd vorkommt, StatQuest mit Josh Starmer ist der richtige Ausgangspunkt. Josh hat ein seltenes Expertise dafür, komplexe statistische Konzepte und Algorithmen für maschinelles Lernen in einfache, intuitive Erklärungen umzuwandeln.

Was Sie von StatQuest erhalten:

• Entfernt die einschüchternde Notation und ersetzt sie durch schrittweises visuelles Denken, das alles von der grundlegenden Wahrscheinlichkeits- und Hauptkomponentenanalyse (PCA) bis hin zu komplexen Transformatorarchitekturen abdeckt.
• Deckt das gesamte Spektrum der Datenwissenschaft in einer logischen, strukturierten Reihenfolge ab, die Langzeitabonnenten belohnt.
• Produziert „BAM!“ Momente – das charakteristische Lehrmittel des Kanals –, die sicherstellen, dass die Kernlogik eines Algorithmus tatsächlich hängen bleibt.

Lernressource: Seine Playlist „Machine Studying“ ist der ideale Begleiter bei der Vorbereitung auf technische Interviews im Bereich Knowledge Science.

// 8. Strukturierte maschinelle Lernausbildung mit DeepLearning.AI

Gegründet vom KI-Pädagogen Andrew Ng, dem DeepLearning.AI Der Kanal erweitert seinen legendären Coursera-Lehrplan auf YouTube. Es bietet einen strukturierten, universitären Ansatz zum Aufbau von Fachwissen in Datenwissenschaft und maschinellem Lernen.

Warum dieser Kanal so beliebt ist:

• Behandelt die Kernkonzepte des klassischen maschinellen Lernens, des Deep Studying und moderner MLOps-Frameworks in einer logischen, fortschrittsbasierten Reihenfolge.
• Enthält „AI Heroes“-Interviewsegmente, in denen Andrew Ng direkt mit Spitzenforschern über den Stand und die Zukunft des Fachgebiets spricht.
• Aktualisiert seine Inhalte kontinuierlich, um den Wandel vom traditionellen maschinellen Lernen hin zu generativen KI-Paradigmen widerzuspiegeln.

Lernressource: Die Einführungsvideoreihe „KI für alle“ ist ein hervorragender Ausgangspunkt für den Aufbau eines fundierten, übertreibungsfreien Verständnisses der Technologie.

# Die Branchenanalysten

// 9. Den Hype mit KI durchbrechen erklärt

Um mit schnellen Modellveröffentlichungen, Benchmarks und Branchennachrichten Schritt zu halten, KI erklärt bietet die nüchternsten und analytischsten Aufschlüsselungen auf der Plattform. In einem Ökosystem voller Überforderung ist dieser Kanal eine beständige Quelle kritischen Denkens.

Hauptmerkmale der KI erklärt:

• Testet neue Modelle anhand schwieriger Logik- und Argumentationsaufgaben, anstatt einfach die Pressemitteilung eines Unternehmens zu wiederholen.
• Analysiert Benchmarks, Fähigkeitsüberhänge sowie die Sicherheits- und wirtschaftlichen Überlegungen beim Einsatz von Grenzmodellen in großem Maßstab.
• Fasst fragmentierte KI-Nachrichten einer Woche in dichten, äußerst informativen Zusammenfassungen zusammen, die Ihre Zeit respektieren.

Lernressource: Schauen Sie sich die wöchentlichen Nachrichtenzusammenfassungen an, um eine sachliche Analyse der wichtigsten Veröffentlichungen und Forschungsergebnisse des Stiftungsmodells zu erhalten.

// 10. Entdecken Sie neue Instruments mit Matt Wolfe

Generative KI bringt jede Woche Tausende neuer Instruments und Softwareplattformen hervor. Matt Wolfe konzentriert sich auf die praktischen, alltäglichen Instruments, die auf den Markt kommen, was seinen Kanal für alle wertvoll macht, die ihre Arbeitsabläufe automatisieren und beschleunigen möchten.

Warum Matt Wolfe Ihre Zeit wert ist:

• Bietet praktische Display screen-Share-Bewertungen neuer KI-Software program, Browsererweiterungen und kreativer Plattformen mit ehrlichen Bewertungen.
• Durchdringt den Lärm und hebt die Instruments hervor, die Unternehmen tatsächlich für Produktivität, Videogenerierung und Workflow-Automatisierung einsetzen.
• Behält das KI-Startup-Ökosystem aktiv im Auge und bringt nützliche Produkte auf den Markt, lange bevor sie in den Mainstream-Tech-Medien erscheinen.

Lernressource: Seine regelmäßigen wöchentlichen Zusammenfassungen „AI Information and Instruments“ sind eine der effizientesten Möglichkeiten, Software program zu entdecken, die Ihre tägliche Arbeit beschleunigen kann.

# Zusammenfassung

Die zehn oben genannten Kanäle decken alle Ebenen des Stacks ab – von grundlegender Mathematik und Codierung von Grund auf bis hin zu Papieranalysen, LLM-Anwendungsentwicklung und Verfolgung von Branchentrends. Wählen Sie aus jeder Kategorie eine aus, verbringen Sie einen Monat damit und sehen Sie, auf welche Eröffnung Sie sich tatsächlich freuen. Das sind diejenigen, die man behalten sollte.

Vinod Chugani ist ein KI- und Datenwissenschaftspädagoge, der die Lücke zwischen neuen KI-Technologien und der praktischen Anwendung für Berufstätige schließt. Zu seinen Schwerpunkten zählen Agentische KI, Anwendungen für maschinelles Lernen und Automatisierungsworkflows. Durch seine Arbeit als technischer Mentor und Ausbilder hat Vinod Datenprofis bei der Kompetenzentwicklung und bei Karriereübergängen unterstützt. Er bringt analytisches Fachwissen aus dem quantitativen Finanzwesen in seinen praxisorientierten Lehransatz ein. Sein Inhalt betont umsetzbare Strategien und Rahmenbedingungen, die Fachleute sofort anwenden können.

In einem riesigen autonomen Lagerhaus flitzen Hunderte von Robotern durch die Gänge, während sie Artikel sammeln und verteilen, um einen stetigen Strom an Kundenbestellungen zu erfüllen. In dieser geschäftigen Umgebung können selbst kleine Staus oder kleinere Kollisionen zu massiven Verzögerungen führen.

Um eine solche Lawine von Ineffizienzen zu vermeiden, haben Forscher des MIT und des Technologieunternehmens Symbotic eine neue Methode entwickelt, die automatisch dafür sorgt, dass eine Roboterflotte reibungslos läuft. Ihre Methode lernt anhand der Staubildung, welche Roboter zu jedem Zeitpunkt zuerst fahren sollten, und passt sich an, um Robotern Priorität einzuräumen, die kurz davor stehen, stecken zu bleiben. Auf diese Weise kann das System Roboter im Voraus umleiten, um Engpässe zu vermeiden.

Das Hybridsystem nutzt Deep Reinforcement Studying, eine leistungsstarke Methode der künstlichen Intelligenz zur Lösung komplexer Probleme, um herauszufinden, welche Roboter priorisiert werden sollten. Anschließend übermittelt ein schneller und zuverlässiger Planungsalgorithmus den Robotern Anweisungen, sodass sie auf sich ständig ändernde Bedingungen schnell reagieren können.

In Simulationen, die von tatsächlichen E-Commerce-Lagerlayouts inspiriert waren, erzielte dieser neue Ansatz eine Durchsatzsteigerung von rund 25 Prozent gegenüber anderen Methoden. Wichtig ist, dass sich das System schnell an neue Umgebungen mit unterschiedlichen Robotermengen oder unterschiedlichen Lagerlayouts anpassen kann.

„Es gibt viele Entscheidungsprobleme in der Fertigung und Logistik, bei denen Unternehmen auf Algorithmen angewiesen sind, die von menschlichen Experten entwickelt wurden. Aber wir haben gezeigt, dass wir mit der Kraft des Deep Reinforcement Studying eine übermenschliche Leistung erzielen können. Das ist ein sehr vielversprechender Ansatz, denn in diesen riesigen Lagerhäusern kann selbst eine Steigerung des Durchsatzes um 2 oder 3 Prozent enorme Auswirkungen haben“, sagt Han Zheng, Doktorand am Laboratory for Data and Resolution Programs (LIDS) am MIT und Hauptautor einer Arbeit über diesen neuen Ansatz.

Zheng wird bei der Arbeit von Yining Ma, einem LIDS-Postdoktoranden, begleitet; Brandon Araki und Jingkai Chen von Symbotic; und leitende Autorin Cathy Wu, außerordentliche Professorin für Karriereentwicklung im Jahrgang 1954 für Bau- und Umweltingenieurwesen (CEE) und Institut für Daten, Systeme und Gesellschaft (IDSS) am MIT sowie Mitglied von LIDS. Die Forschung erscheint heute im Zeitschrift für künstliche Intelligenzforschung.

Roboter umleiten

Hunderte von Robotern gleichzeitig in einem E-Commerce-Lager zu koordinieren, ist keine leichte Aufgabe.

Das Downside ist besonders kompliziert, da das Lager eine dynamische Umgebung ist und Roboter ständig neue Aufgaben erhalten, nachdem sie ihre Ziele erreicht haben. Sie müssen beim Verlassen und Betreten der Lagerhalle schnell umgeleitet werden.

Unternehmen nutzen häufig von menschlichen Experten geschriebene Algorithmen, um zu bestimmen, wohin und wann sich Roboter bewegen sollten, um die Anzahl der Pakete zu maximieren, die sie verarbeiten können.

Kommt es jedoch zu einer Überlastung oder einer Kollision, bleibt einem Unternehmen möglicherweise keine andere Wahl, als das gesamte Lager stundenlang herunterzufahren, um das Downside manuell zu beheben.

„In dieser State of affairs haben wir keine genaue Vorhersage der Zukunft. Wir wissen nur, was die Zukunft bringen könnte, in Bezug auf die eingehenden Pakete oder die Verteilung zukünftiger Bestellungen. Das Planungssystem muss sich im Laufe des Lagerbetriebs an diese Änderungen anpassen können“, sagt Zheng.

Diese Anpassungsfähigkeit erreichten die MIT-Forscher durch maschinelles Lernen. Sie begannen mit der Entwicklung eines neuronalen Netzwerkmodells, um Beobachtungen der Lagerumgebung zu erfassen und zu entscheiden, wie die Roboter priorisiert werden sollten. Sie trainieren dieses Modell mithilfe von Deep Reinforcement Studying, einer Versuch-und-Irrtum-Methode, bei der das Modell lernt, Roboter in Simulationen zu steuern, die tatsächliche Lagerhäuser nachahmen. Das Modell wird dafür belohnt, dass es Entscheidungen trifft, die den Gesamtdurchsatz steigern und gleichzeitig Konflikte vermeiden.

Mit der Zeit lernt das neuronale Netzwerk, viele Roboter effizient zu koordinieren.

„Durch die Interaktion mit Simulationen, die von realen Lagerlayouts inspiriert sind, erhält unser System Suggestions, das wir nutzen, um seine Entscheidungsfindung intelligenter zu gestalten. Das trainierte neuronale Netzwerk kann sich dann an Lager mit unterschiedlichem Structure anpassen“, erklärt Zheng.

Es ist darauf ausgelegt, die langfristigen Einschränkungen und Hindernisse auf dem Weg jedes Roboters zu erfassen und gleichzeitig dynamische Interaktionen zwischen Robotern bei ihrer Bewegung durch das Lager zu berücksichtigen.

Durch die Vorhersage aktueller und zukünftiger Roboterinteraktionen plant das Modell, Staus zu vermeiden, bevor sie auftreten.

Nachdem das neuronale Netzwerk entschieden hat, welche Roboter Vorrang haben sollen, verwendet das System einen bewährten Planungsalgorithmus, um jedem Roboter mitzuteilen, wie er sich von einem Punkt zum anderen bewegen soll. Dieser effiziente Algorithmus hilft den Robotern, schnell auf die sich ändernde Lagerumgebung zu reagieren.

Diese Methodenkombination ist entscheidend.

„Dieser hybride Ansatz baut auf der Arbeit meiner Gruppe auf, wie man das Beste aus beiden Welten zwischen maschinellem Lernen und klassischen Optimierungsmethoden erreichen kann. Rein maschinelle Lernmethoden haben immer noch Schwierigkeiten, komplexe Optimierungsprobleme zu lösen, und dennoch ist es für menschliche Experten äußerst zeit- und arbeitsintensiv, effektive Methoden zu entwerfen. Aber zusammen kann die richtige Verwendung von Experten entwickelten Methoden die Aufgabe des maschinellen Lernens enorm vereinfachen“, sagt Wu.

Komplexität überwinden

Nachdem die Forscher das neuronale Netzwerk trainiert hatten, testeten sie das System in simulierten Lagerhäusern, die sich von denen unterschieden, die es während des Trainings gesehen hatte. Da Industriesimulationen für dieses komplexe Downside zu ineffizient waren, entwarfen die Forscher ihre eigenen Umgebungen, um die Vorgänge in tatsächlichen Lagerhäusern nachzuahmen.

Im Durchschnitt erreichte ihr hybrider, lernbasierter Ansatz einen um 25 Prozent höheren Durchsatz als herkömmliche Algorithmen sowie eine Zufallssuchmethode, gemessen an der Anzahl der professional Roboter zugestellten Pakete. Ihr Ansatz könnte auch realisierbare Roboterpfadpläne generieren, die die durch herkömmliche Methoden verursachten Staus überwinden.

„Besonders wenn die Roboterdichte im Lager zunimmt, nimmt die Komplexität exponentiell zu und diese traditionellen Methoden beginnen schnell zu versagen. In diesen Umgebungen ist unsere Methode viel effizienter“, sagt Zheng.

Auch wenn ihr System noch weit von einem realen Einsatz entfernt ist, verdeutlichen diese Demonstrationen die Machbarkeit und die Vorteile der Verwendung eines auf maschinellem Lernen basierenden Ansatzes in der Lagerautomatisierung.

In Zukunft möchten die Forscher Aufgabenzuweisungen in die Problemformulierung einbeziehen, da sich die Festlegung, welcher Roboter welche Aufgabe erledigen wird, auf die Überlastung auswirkt. Sie planen außerdem, ihr System auf größere Lager mit Tausenden von Robotern auszudehnen.

Diese Forschung wurde von Symbotic finanziert.

Einführung

Anwendungen, die auf Giant Language Fashions (LLMs) basieren, erfordern die Integration mit externen Diensten, beispielsweise die Integration mit Google Kalender zum Einrichten von Besprechungen oder die Integration mit PostgreSQL, um Zugriff auf einige Daten zu erhalten.

Funktionsaufruf

Ursprünglich wurden diese Arten von Integrationen durch Funktionsaufrufe implementiert: Wir erstellten einige spezielle Funktionen, die von einem LLM über bestimmte Token aufgerufen werden können (LLM generierte einige spezielle Token zum Aufrufen der Funktion gemäß den von uns definierten Mustern), Analyse und Ausführung. Damit es funktioniert, haben wir für jedes der Instruments Autorisierungs- und API-Aufrufmethoden implementiert. Wichtig conflict, dass wir alle Anweisungen für den Aufruf dieser Instruments verwalten und die interne Logik dieser Funktionen einschließlich Normal- oder benutzerspezifischer Parameter erstellen mussten. Doch der Hype um „KI“ erforderte schnelle, manchmal brutale Lösungen, um Schritt zu halten, und so wurden MCPs von der Firma Anthropic eingeführt.

MCPs

MCP steht für Mannequin Context Protocol und ist heute eine Standardmethode zur Bereitstellung von Instruments für die meisten Agenten-Pipelines. MCPs verwalten grundsätzlich sowohl Integrationsfunktionen als auch LLM-Anweisungen zur Verwendung von Instruments. An dieser Stelle mögen einige argumentieren, dass Fähigkeiten und Codeausführung, die kürzlich auch von Anthropic eingeführt wurden, MCPs getötet haben, aber tatsächlich neigen diese Funktionen auch dazu, MCPs für die Integration und Befehlsverwaltung zu verwenden (Codeausführung mit MCP – Anthropic). Fähigkeiten und Codeausführung konzentrieren sich auf das Kontextmanagementproblem und die Device-Orchestrierung, das ist ein anderes Drawback als das, was MCPs sind konzentriert.

MCPs bieten eine Standardmethode zur Integration verschiedener Dienste (Instruments) in LLMs und stellen außerdem Anweisungen bereit, die LLMs zum Aufrufen der Instruments verwenden. Allerdings gibt es hier ein paar Probleme:

1. Das aktuelle Modellkontextprotokoll geht davon aus, dass alle Werkzeugaufrufparameter dem LLM zugänglich gemacht werden und alle ihre Werte vom LLM generiert werden sollen. Das bedeutet beispielsweise, dass der LLM einen Benutzer-ID-Wert generieren muss, wenn der Funktionsaufruf dies erfordert. Das ist ein Mehraufwand, da das System und die Anwendung den Benutzer-ID-Wert kennen, ohne dass LLM ihn generieren muss. Darüber hinaus müssen wir ihn an die Eingabeaufforderung senden, um LLM über den Benutzer-ID-Wert zu informieren (in FastMCP gibt es einen Ansatz zum „Ausblenden von Argumenten“) gofastmcp das sich speziell auf dieses Drawback konzentriert, aber ich habe es in der ursprünglichen MCP-Implementierung von Anthropic nicht gesehen).
2. Keine sofort einsatzbereite Kontrolle über Anweisungen. MCPs stellen eine Beschreibung für jedes Device und eine Beschreibung für jedes Argument eines Instruments bereit, sodass diese Werte in den Agentenpipelines einfach blind als LLM-API-Aufrufparameter verwendet werden. Und die Beschreibung wird von den einzelnen MCP-Serverentwicklern bereitgestellt.

“...You might be supplied with perform signatures inside <instruments></instruments> XML tags:n<instruments>" }}n    {%- for software in instruments %}n        {{- "n" }}n        { tojson }n    {%- endfor %}...”

Das erste Drawback wird tatsächlich teilweise durch den erwähnten Ansatz „Argumente ausblenden“ von FastMCP gelöst, aber ich habe dennoch einige Lösungen gesehen, bei denen Werte wie „Benutzer-ID“ an die Systemeingabeaufforderung des Modells gesendet wurden, um sie beim Aufrufen des Instruments zu verwenden – es ist aus technischer Sicht einfach schneller und viel einfacher zu implementieren (eigentlich ist keine technische Planung erforderlich, um sie einfach an die Systemeingabeaufforderung zu stellen und sich auf ein LLM zu verlassen, um sie zu verwenden). Hier konzentriere ich mich additionally auf das zweite Drawback.

Gleichzeitig lasse ich die Probleme beiseite, die mit Unmengen von MCPs auf dem Markt verbunden sind – einige von ihnen funktionieren nicht, andere haben Werkzeugbeschreibungen generiert, die für das Modell verwirrend sein können. Das Drawback, auf das ich mich hier konzentriere, sind nicht standardisierte Instruments und ihre Parameterbeschreibungen, die der Grund dafür sein können, dass sich LLMs mit einigen Instruments schlecht verhalten.

Anstelle des Fazits zum Einleitungsteil:

Wenn Ihre Agent-LLM-gestützte Pipeline mit den Ihnen zur Verfügung stehenden Instruments ausfällt, können Sie Folgendes tun:

1. Wählen Sie einfach eine leistungsfähigere, modernere und teurere LLM-API.
2. Überprüfen Sie Ihre Werkzeuge und die Anweisungen insgesamt noch einmal.

Beides kann funktionieren. Treffen Sie Ihre Entscheidung oder bitten Sie Ihren KI-Assistenten, eine Entscheidung für Sie zu treffen …

Formaler Teil der Arbeit – Forschung

1. Beispiele für verschiedene Beschreibungen

Basierend auf der Suche durch die realen MCPs auf dem Markt und der Überprüfung ihrer Werkzeuglisten und Beschreibungen konnte ich viele Beispiele für das erwähnte Drawback finden. Hier stelle ich nur ein einziges Beispiel von zwei verschiedenen MCPs bereit, die auch unterschiedliche Domänen haben (in den realen Fällen hat die Liste der MCPs, die ein Modell verwendet, tendenziell unterschiedliche Domänen):

Beispiel 1:

Beschreibung des Instruments: „Erstellen Sie ein Flächendiagramm, um Datentrends unter kontinuierlichen unabhängigen Variablen anzuzeigen und den Gesamtdatentrend zu beobachten, z. B. Verschiebung = Geschwindigkeit (durchschnittlich oder momentan) × Zeit: s = v × t. Wenn die x-Achse die Zeit

Beschreibung der Eigenschaft „Daten“: „Daten für ein Flächendiagramm. Es sollte ein Array von Objekten sein. Jedes Objekt enthält ein Feld „Zeit“ und ein Feld „Wert“, z. Gruppe: ‚A‘ }, { Zeit: ‚2015‘, Wert: 32, Gruppe: ‚B‘ }).“

Beispiel 2:

Toolbeschreibung: „Suchen Sie nach Airbnb-Inseraten mit verschiedenen Filtern und Seitenumbrüchen. Stellen Sie dem Benutzer direkte Hyperlinks zur Verfügung.“

Eigenschaftsbeschreibung „Standort“: „Zu suchender Ort (Stadt, Bundesland usw.)“

Ich behaupte hier nicht, dass eine dieser Beschreibungen falsch ist, sie unterscheiden sich lediglich stark vom Format und der Detailperspektive.

2. Datensatz und Benchmark

Um zu beweisen, dass verschiedene Werkzeugbeschreibungen das Verhalten des Modells ändern können, habe ich die von NVidia verwendet „When2Call“ Datensatz. Aus diesem Datensatz habe ich Testbeispiele entnommen, bei denen das Modell mehrere Werkzeuge zur Auswahl hat, und ein Werkzeug ist die richtige Wahl (je nach Datensatz ist es richtig, ein bestimmtes Werkzeug anstelle eines anderen aufzurufen oder eine Textantwort ohne Werkzeugaufruf bereitzustellen). Die Idee des Benchmarks besteht darin, korrekte und falsche Device-Aufrufe zu zählen. Ich zähle auch „kein Device-Aufruf“-Fälle als falsche Antwort. Für das LLM habe ich „gpt-5-nano“ von OpenAI ausgewählt.

3. Datengenerierung

Der Originaldatensatz enthält nur eine einzige Werkzeugbeschreibung. Um various Beschreibungen für jedes Werkzeug und jeden Parameter zu erstellen, habe ich „gpt-5-mini“ verwendet, um sie basierend auf der aktuellen zu generieren, mit der folgenden Anweisung, um sie zu komplizieren (nach der Generierung gab es bei Bedarf einen zusätzlichen Schritt der Validierung und Neugenerierung):

„““Sie erhalten die Werkzeugdefinition im JSON-Format. Ihre Aufgabe besteht darin, die Werkzeugbeschreibung detaillierter zu gestalten, damit sie von einem schwachen Modell verwendet werden kann.

Eine Möglichkeit, es zu verkomplizieren: Fügen Sie eine detaillierte Beschreibung der Funktionsweise und Anwendungsbeispiele ein.

Beispiel für detaillierte Beschreibungen:

Beschreibung des Instruments: „Erstellen Sie ein Flächendiagramm, um Datentrends unter kontinuierlichen unabhängigen Variablen anzuzeigen und den Gesamtdatentrend zu beobachten, z. B. Verschiebung = Geschwindigkeit (durchschnittlich oder momentan) × Zeit: s = v × t. Wenn die x-Achse die Zeit

Eigenschaftsbeschreibung: „Daten für Flächendiagramme, es sollte ein Array von Objekten sein, jedes Objekt enthält ein „Zeit“-Feld und ein „Wert“-Feld, wie zum Beispiel ({ Zeit: ‚2015‘, Wert: 23 }, { Zeit: ‚2016‘, Wert: 32 }), wenn eine Stapelung für die Fläche erforderlich ist, sollten die Daten ein „Gruppen“-Feld enthalten, wie zum Beispiel ({ Zeit: ‚2015‘, Wert: 23, Gruppe: ‚A‘ }, { Zeit: ‚2015‘, Wert: 32, Gruppe: ‚B‘ }).“

Geben Sie die aktualisierte detaillierte Beschreibung ausschließlich im JSON-Format zurück (ändern Sie einfach die Beschreibungen, ändern Sie nicht die Struktur des eingegebenen JSON). Beginnen Sie Ihre Antwort mit:

„Neues JSON-Format: …“

„““

4. Experimente

Um die Hypothese zu testen, habe ich einige Checks durchgeführt, nämlich:

• Messen Sie die Basislinie der Modellleistung anhand des ausgewählten Benchmarks (Baseline).
• Ersetzen Sie die korrekten Werkzeugbeschreibungen (einschließlich der Werkzeugbeschreibung selbst und der Parameterbeschreibungen – für alle Experimente gleich) durch die generierte (richtiges Werkzeug ersetzt);
• Ersetzen Sie falsche Werkzeugbeschreibungen durch die generierten (Falsches Werkzeug ersetzt);
• Ersetzen Sie die Beschreibung aller Werkzeuge durch die generierte Beschreibung (Alle Werkzeuge ersetzt).

Hier ist eine Tabelle mit den Ergebnissen dieser Experimente (für jedes der Experimente wurden 5 Auswertungen durchgeführt, daher wird zusätzlich zur Genauigkeit die Standardabweichung (Standardabweichung) angegeben):

Abschluss

Aus der obigen Tabelle geht hervor, dass die Komplikation der Instruments zu einer Verzerrung des Modells führt. Ausgewählte LLM tendieren dazu, das Device mit einer detaillierteren Beschreibung auszuwählen. Gleichzeitig können wir sehen, dass eine erweiterte Beschreibung das Modell verwirren kann (im Fall aller ersetzten Werkzeuge).

Die Tabelle zeigt, dass die Werkzeugbeschreibung Mechanismen zur Manipulation und erheblichen Anpassung des Verhaltens/der Genauigkeit des Modells bereitstellt, insbesondere unter Berücksichtigung der Tatsache, dass der ausgewählte Benchmark bei jedem Modellaufruf mit einer kleinen Anzahl von Werkzeugen arbeitet und die durchschnittliche Anzahl der verwendeten Werkzeuge bei jeder Stichprobe 4,35 beträgt.

Gleichzeitig zeigt es deutlich, dass LLMs Vorurteile gegenüber Werkzeugen haben können, die möglicherweise von MCP-Anbietern missbraucht werden können, wobei es sich um Vorurteile handeln kann, die denen ähneln, über die ich zuvor berichtet habe – Stilvorurteile. Die Erforschung der Vorurteile und ihres Missbrauchs kann für weitere Studien wichtig sein.

Eine Lösung entwickeln

Ich habe einen PoC mit Werkzeugen vorbereitet, um das erwähnte Drawback in der Praxis anzugehen – Grasp-MCP. Grasp-MCP ist ein Proxy-MCP-Server, der mit einer beliebigen Anzahl von MCPs verbunden werden kann und auch als einzelner MCP-Server selbst (derzeit stdio-transport MCP-Server) mit einem Agenten/LLM verbunden werden kann. Standardfunktionen des Grasp-MCP, die ich implementiert habe:

1. Ignorieren Sie einige Parameter. Die implementierte Mechanik schließt alle Parameter, die mit dem Image „_“ beginnen, aus dem Parameterschema des Instruments aus. Später kann dieser Parameter programmgesteuert eingefügt werden oder der Standardwert verwendet werden (falls angegeben).
2. Anpassungen der Werkzeugbeschreibung. Grasp-MCP sammelt alle Instruments und deren Beschreibungen von den verbundenen MCP-Servern und bietet einem Benutzer die Möglichkeit, diese anzupassen. Es stellt eine Methode mit der einfachen Benutzeroberfläche zum Bearbeiten dieser Liste (JSON-Schema) bereit, sodass der Benutzer mit den Beschreibungen verschiedener Instruments experimentieren kann.

Ich lade alle Interessierten ein, sich dem Projekt anzuschließen. Mit der Neighborhood-Unterstützung können die Pläne die Funktionserweiterung von Grasp-MCP umfassen, zum Beispiel:

• Protokollierung und Überwachung, gefolgt von erweiterten Analysen;
• Hierarchie und Orchestrierung der Instruments (einschließlich ML-Unterstützung), um moderne Kontextverwaltungstechniken und intelligente Algorithmen zu kombinieren.

Aktuelle Github-Seite des Projekts: Hyperlink

Einführung

Ärger der Kunden durch Wartezeiten. Anrufe kommen zufällig an, daher folgt die Wartezeit X einer Exponentialverteilung – die meisten Wartezeiten sind kurz, einige sind schmerzhaft lang.

Nun würde ich argumentieren, dass Ärger nicht linear ist: Eine 10-minütige Wartezeit fühlt sich mehr als doppelt so schlimm an wie eine 5-minütige Wartezeit. Sie beschließen additionally, „Belästigungseinheiten“ als (Y = X²) zu modellieren.

Ganz einfach, oder? Nehmen Sie einfach das PDF von X, ersetzen Sie x durch (sqrt{y}) und fertig.

Sie planen es. Es sieht vernünftig aus – Spitzenwert nahe Null, langer Schwanz.

Aber was wäre, wenn Sie den CDF tatsächlich berechnen würden? Sie würden 1 erwarten, oder?

Das Ergebnis? 2.

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import expon

# CDF of Exponential(1): F(x) = 1 - exp(-x) for x >= 0
def cdf_exp(x):
    return 1 - np.exp(-x)

# Flawed (naive) pdf for Y = X²: simply substitute x = sqrt(y)
def wrong_pdf(y):
    return np.exp(-np.sqrt(y))  # This integrates to 2!

# Fast numerical test of integral
from scipy.combine import quad
integral, err = quad(wrong_pdf, 0, np.inf)
print(f"Numerical integral ≈ {integral:.3f} (needs to be 1, nevertheless it's 2)")

# prints 2

Ihre neue Verteilung behauptet, dass jedes mögliche Ergebnis doppelt so wahrscheinlich ist, wie es sein sollte.

Das ist unmöglich … aber es ist passiert, weil Sie eine kleine Anpassung verpasst haben.

Diese „Anpassung“ ist der Jacobi-Wert – ein Skalierungsfaktor, der kompensiert, wie die Transformation die Achse an verschiedenen Punkten streckt oder staucht. Überspringen Sie es und Ihre Wahrscheinlichkeiten liegen. Fügen Sie es hinzu, und alles fügt sich wieder perfekt zusammen.

In diesem Beitrag bauen wir die Instinct auf, leiten die Mathematik Schritt für Schritt ab, sehen, wie sie bei der Histogrammentzerrung natürlich erscheint, visualisieren die Dehnung/Schrumpfung empirisch und beweisen sie mit Simulationen.

Die Instinct

Um zu verstehen, warum die Jacobi-Anpassung notwendig ist, verwenden wir eine greifbare Analogie: Stellen Sie sich eine Wahrscheinlichkeitsverteilung als eine feste Menge Sand – genau 1 Pfund – vor, die entlang einer Zahlenlinie verteilt ist, wobei die Höhe des Sandhaufens an jedem Punkt die Wahrscheinlichkeitsdichte darstellt. Der Gesamtsand ergibt immer 1, was einer Wahrscheinlichkeit von 100 % entspricht.

Wenn Sie nun die Zufallsvariable transformieren (z. B. von Sie fügen keinen Sand hinzu oder entfernen ihn. Sie dehnen oder komprimieren lediglich verschiedene Teile des Blattes.

In Bereichen, in denen die Transformation das Blatt komprimiert (ein langer Abschnitt der ursprünglichen Linie wird auf der neuen Y-Achse in ein kürzeres Section gequetscht), nimmt dieselbe Sandmenge jetzt weniger horizontalen Raum ein. Um die Gesamtsandmenge zu erhalten, muss der Haufen höher werden – die Dichte nimmt zu. Beispielsweise werden in der Nähe von Y=0 in der Quadrierungstransformation viele kleine X-Werte (von 0 bis 1) in einem winzigen Y-Intervall (0 bis 1) zusammengepfercht, sodass die Dichte dramatisch ansteigt.

Umgekehrt breitet sich der Sand in Bereichen, in denen die Transformation das Blatt ausdehnt (ein kurzes Section der ursprünglichen Linie wird in ein längeres auf der Y-Achse gezogen), über einen größeren Raum aus, wodurch der Stapel kürzer und flacher wird – die Dichte nimmt ab. Bei großem X (z. B. 10 bis 11) erstreckt sich Y von 100 bis 121 – einem viel größeren Intervall –, sodass die Dichte dort dünner wird.

Der entscheidende Punkt: Die gesamte Sandmenge bleibt genau 1 Pfund, egal wie man die Platte verformt. Ohne Berücksichtigung dieser lokalen Dehnung und Schrumpfung wäre Ihre neue Dichte inkonsistent, als ob Sie behaupten würden, Sie hätten nach der Verzerrung 2 Pfund Sand. Der Jacobi ist der mathematische Faktor, der die Höhe überall automatisch anpasst, um den Gesamtbetrag beizubehalten.

Die Mathematik

Lassen Sie uns die Instinct am Beispiel von ( Y = g(X) = X^2 ) formalisieren, wobei (

Betrachten Sie ein kleines Intervall um ( x ) mit der Breite ( Delta x ).
Die Wahrscheinlichkeit in diesem Intervall beträgt ungefähr ( f_X(x) Delta x ).

Nach der Transformation wird dies einem Intervall um ( y = x^2 ) mit der Breite zugeordnet
( Delta y approx left| g'(x) proper| Delta x = |2x| Delta x ).

Um die Wahrscheinlichkeit zu erhalten:
$$ f_Y(y) Delta y approx f_X(x) Delta x, $$
Additionally
$$ f_Y(y) approx frac{f_X(x)} g'(x) proper $$

Im Limes als ( Delta x to 0 ) wird dies genau:
$$ f_Y(y) = f_X(x) left| frac{dx}{dy} proper|, $$
wobei ( x = sqrt{y} ) (die Umkehrung) und
( frac{dx}{dy} = frac{1}{2sqrt{y}} ).

Einstecken:
$$ f_Y(y) = e^{-sqrt{y}} cdot frac{1}{2sqrt{y}} quad textual content{für } y > 0. $$

Ohne den Jacobi-Time period ( frac{1}{2sqrt{y}} ), das Naive
( f_Y(y) = e^{-sqrt{y}} )
integriert sich zu 2:

Sei ( u = sqrt{y} ), ( y = u^2 ), ( dy = 2u , du ):
$$ int_0^infty e^{-sqrt{y}} , dy $$

$$ = int_0^infty e^{-u}cdot 2u , du $$

$$= 2 int_0^infty ue^{-u} , du $$

$$ = 2 Gamma(2) = 2 cdot 1 = 2. $$

Die Jacobi-Anpassung gewährleistet $$ int_0^infty f_Y(y) , dy = 1. $$

Dieser Skalierungsfaktor ( left| frac{dx}{dy} proper| ) gleicht genau die lokale Streckung und Schrumpfung der Achse aus.

Die allgemeine Type

Sei Y = g(X), wobei g eine streng monotone (steigende oder fallende) differenzierbare Funktion ist und X pdf ( f_X(x) ) hat.

Wir wollen das pdf ( f_Y(y) ) von Y.

Betrachten Sie ein kleines Intervall um x mit der Breite ( Delta x ).
Die Wahrscheinlichkeit in diesem Intervall beträgt ungefähr ( f_X(x) Delta x ).

Nach der Transformation y = g(x) wird dieses Intervall einem Intervall um y mit der Breite zugeordnet
( Delta y approx left| g'(x) proper| Delta x ).

Zurück zu der Gleichung, die wir zuvor entwickelt haben:
$$ f_Y(y) = f_X(x) left| frac{dx}{dy} proper|, $$
wobei wir die Umkehrbeziehung (x = h(y) = g^{-1}(y) ) verwenden, und
( frac{dx}{dy} = h'(y) = frac{1}{g'(x)} ).

Somit lautet die allgemeine Formel
$$ f_Y(y) = f_X(h(y)) left| h'(y) proper|. $$

Emperischer Beweis

Simulieren Sie das Dehnen und Schrumpfen

Der beste Weg, die Dehnung und Schrumpfung zu „spüren“, besteht darin, zwei Bereiche separat zu vergrößern: nahe Null (wo die Komprimierung stattfindet) und weiter außen (wo die Dehnung dominiert).

Wir erstellen vier Diagramme:

1. Ursprüngliches X-Histogramm, gezoomt auf kleine Werte (X < 1), mit gleichen kleinen Intervallen der Breite 0,1 – um die Quelle der Komprimierung anzuzeigen.

2. Entsprechendes Y = X²-Histogramm, nahe Null gezoomt – zeigt, wie diese winzigen X-Intervalle auf Y noch kleiner werden (schrumpfen).

3. Ursprüngliches X-Histogramm für größere Werte (X > 1) mit gleichen Intervallen der Breite 1 – um die Ursache der Streckung anzuzeigen.

4. Entsprechendes Y-Histogramm für große Werte – zeigt, wie diese X-Intervalle in riesige Y-Intervalle explodieren (Streckung).

import numpy as np
import matplotlib.pyplot as plt

# Generate massive pattern for clear visuals
n = 50000
x = np.random.exponential(scale=1, dimension=n)
y = x**2

fig = plt.determine(figsize=(16, 10))

def plot_histogram(ax, knowledge, bins, density, coloration, alpha, title, xlabel, ylabel):
    ax.hist(knowledge, bins=bins, density=density, coloration=coloration, alpha=alpha)
    ax.set_title(title)
    ax.set_xlabel(xlabel)
    ax.set_ylabel(ylabel)

# Plot 1: X small values (compression supply)
ax1 = fig.add_subplot(2, 2, 1)
plot_histogram(ax1, x(x < 1), bins=50, density=True, coloration='skyblue', alpha=0.7,
               title='Authentic X (zoomed X < 1)', xlabel='X', ylabel='Density')

# Equal-width intervals of 0.1 on small X
small_x_lines = np.arange(0, 1.01, 0.1)
for line in small_x_lines:
    ax1.axvline(line, coloration='crimson', linestyle='--', alpha=0.8)

# Plot 2: Y close to zero (displaying shrink/compression)
ax2 = fig.add_subplot(2, 2, 2)
plot_histogram(ax2, y(y < 1), bins=100, density=True, coloration='lightcoral', alpha=0.7,
               title='Y = X² close to zero (compression seen)', xlabel='Y', ylabel='Density')

# Mapped small intervals on Y (very slim!)
small_y_lines = small_x_lines**2
for line in small_y_lines:
    ax2.axvline(line, coloration='crimson', linestyle='--', alpha=0.8)

# Plot 3: X bigger values (stretching supply)
ax3 = fig.add_subplot(2, 2, 3)
plot_histogram(ax3, x((x > 1) & (x < 12)), bins=50, density=True, coloration='skyblue', alpha=0.7,
               title='Authentic X (X > 1)', xlabel='X', ylabel='Density')

# Equal-width intervals of 1 on bigger X
large_x_starts = (1, 3, 5, 7, 9, 11)
large_x_lines = large_x_starts + (s + 1 for s in large_x_starts)
for line in large_x_lines:
    if line < 12:
        ax3.axvline(line, coloration='crimson', linestyle='--', alpha=0.8)

# Plot 4: Y massive values (displaying stretch)
ax4 = fig.add_subplot(2, 2, 4)
plot_histogram(ax4, y((y > 1) & (y < 150)), bins=80, density=True, coloration='lightgreen', alpha=0.7,
               title='Y = X² massive values (stretching seen)', xlabel='Y', ylabel='Density')

# Mapped massive intervals on Y (enormous gaps!)
large_y_lines = np.array(large_x_lines)**2
for line in large_y_lines:
    if line < 150:
        ax4.axvline(line, coloration='crimson', linestyle='--', alpha=0.8)

# Replace annotation types with modified font type
fig.textual content(0.5, 0.75, "X-axis shrinking → Density increasesnY-axis greater close to zero", 
         ha='middle', va='middle', fontsize=12, coloration='black', 
         fontstyle='italic', bbox=dict(facecolor='#f7f7f7', edgecolor='none', alpha=0.9))

fig.textual content(0.5, 0.25, "X-axis stretching → Density decreasesnY-axis decrease for giant values", 
         ha='middle', va='middle', fontsize=12, coloration='black', 
         fontstyle='italic', bbox=dict(facecolor='#f7f7f7', edgecolor='none', alpha=0.9))

fig.set_dpi(250)
plt.tight_layout()
plt.present()

Simulation der Jacobi-Anpassung

Um die Jacobi-Anpassung in Aktion zu sehen, simulieren wir Daten aus der Exponential(1)-Verteilung für X, berechnen Y = X² und zeichnen das empirische Histogramm von Y gegen das theoretische PDF für zunehmende Stichprobengrößen n auf. Wenn n wächst, sollte das Histogramm zum korrekt angepassten PDF konvergieren, nicht zum naiven.

import numpy as np
import matplotlib.pyplot as plt

def correct_pdf(y):
    return np.exp(-np.sqrt(y)) / (2 * np.sqrt(y))

def naive_pdf(y):
    return np.exp(-np.sqrt(y))

# Pattern sizes to check
sample_sizes = (100, 1_000, 10_000)

fig, axs = plt.subplots(1, len(sample_sizes), figsize=(15, 5))

y_vals = np.linspace(0.01, 50, 1000)  # Vary for plotting theoretical pdfs

for i, n in enumerate(sample_sizes):
    # Pattern X ~ Exp(1)
    x = np.random.exponential(scale=1, dimension=n)
    y = x**2
    
    # Plot histogram (normalized to density)
    axs(i).hist(y, bins=50, vary=(0, 50), density=True, alpha=0.6, coloration='skyblue', label='Empirical Histogram')
    
    # Plot theoretical pdfs
    axs(i).plot(y_vals, correct_pdf(y_vals), 'g-', label='Appropriate PDF (with Jacobian)')
    axs(i).plot(y_vals, naive_pdf(y_vals), 'r--', label='Naive PDF (no Jacobian)')
    
    axs(i).set_title(f'n = {n}')
    axs(i).set_xlabel('Y = X²')
    axs(i).set_ylabel('Density')
    axs(i).legend()
    axs(i).set_ylim(0, 0.5)  # For constant viewing
    axs(i).grid(True)  # Add grid to every subplot

# Set the determine DPI to 250 for greater decision
fig.set_dpi(250)

plt.grid()
plt.tight_layout()
plt.present()

Und das Ergebnis ist das, was wir erwarten.

Histogrammausgleich: eine reale Anwendung

Ein klassisches Beispiel, bei dem die Jacobi-Anpassung natürlich auftritt, ist die Histogrammentzerrung in der Bildverarbeitung.

Wir behandeln Pixelintensitäten X (typischerweise in ((0, 255))) als Stichproben aus einer Verteilung mit empirischem PDF basierend auf dem Bildhistogramm.

Das Ziel besteht darin, sie in neue Intensitäten Y umzuwandeln, sodass Y auf ((0, 255)) ungefähr gleichmäßig ist – dies verteilt die Werte und verbessert den Kontrast.

Die verwendete Transformation ist genau die skalierte kumulative Verteilungsfunktion (CDF) von X:

$$ Y = 255 cdot F_X(X) $$

wobei ( F_X(x) = int_{-infty}^x f_X

Warum funktioniert das? Es handelt sich um eine direkte Anwendung der Chance Integral Remodel (PIT):

Wenn ( Y = F_X(X) ) und X stetig ist, dann ist Y ~ Uniform((0,1)).

Eine Skalierung um 255 ergibt Uniform((0,255)).

Sehen Sie sich nun den Jacobianer bei der Arbeit an:

Sei ( g(x) = L cdot F_X(x) ) (( L = 255 )).

Die Ableitung ( g'(x) = L cdot f_X(x) ) (da die Ableitung der CDF das pdf ist).

Wenden Sie die Formel zur Änderung der Variablen an:

$$ f_Y(y) = f_X(x) / |g'(x)| = f_X(x) / (L f_X(x)) = 1/L $$

Das ( f_X(x) ) hebt sich perfekt auf und hinterlässt eine konstante (gleichmäßige) Dichte.

Der Jacobi-Faktor ( 1 / |g'(x)| ) flacht die Verteilung automatisch ab, indem er Bereiche kompensiert, in denen die ursprüngliche Dichte hoch oder niedrig battle.

Bei diskreten Bildern wird durch Rundung eine Annäherung erzielt, das Prinzip ist jedoch das gleiche.

Weitere Informationen zum Histogrammausgleich anhand von Beispielen finden Sie in meinem früheren Beitrag: Hier.

Abschließend

Die Jacobi-Anpassung ist einer dieser stillen Teile der Mathematik, die unnötig erscheinen – bis Sie sie überspringen und plötzlich Ihre Wahrscheinlichkeiten nicht mehr 1 ergeben. Ganz gleich, ob Sie Wartezeiten quadrieren, Energie anhand der Geschwindigkeit modellieren oder Bildhistogramme abflachen, die Transformation ändert nicht nur die Werte, sondern auch die Wahrscheinlichkeitsverteilung auf ihnen. Der Faktor ( left| frac{dx}{dy} proper| ) (oder sein multivariater Cousin, die Determinante) ist die genaue Kompensation, die die Gesamtwahrscheinlichkeit beibehält und gleichzeitig lokale Streckung und Stauchung berücksichtigt.

Wenn Sie das nächste Mal eine Zufallsvariable transformieren, denken Sie an den Sand auf der Gummiplatte: Verzerren Sie die Achse so weit Sie möchten, aber der gesamte Sand muss gleich bleiben. Die Jacobi-Anpassung ist die Regel, die dies ermöglicht.

Code

Hyperlink zum Colab Pocket book

Referenzen und weiterführende Literatur

Ein paar Dinge, die ich nützlich fand.

Im schnell wachsenden Bereich der Datenwissenschaft ist es wichtig, informiert zu bleiben. Von der Entdeckung trendiger Instruments bis hin zum Erlernen berufstauglicher Fertigkeiten: Wenn Sie auf dem Laufenden bleiben, können Sie sich einen Wettbewerbsvorteil verschaffen. Aber bei so vielen verfügbaren Inhalten kann es leicht passieren, dass man sich überfordert fühlt. Knowledge-Science-Publication bieten eine einfache Lösung: Sie liefern kuratierte Nachrichten, Instruments und Tutorials direkt in Ihren Posteingang. Mit diesen Newslettern sparen Sie Zeit, indem sie den Lärm reduzieren und Ihnen helfen, sich auf das Wesentliche zu konzentrieren. Hier sind meine sieben Prime-Tipps für Knowledge-Science-Publication, die Sie auf dem Laufenden halten.

1. Datenelixier

Knowledge Elixir wird wöchentlich kuratiert von Lon Reisbergbekennender Technikfreak, der auf eine äußerst prestigeträchtige berufliche Laufbahn zurückblicken kann, unter anderem bei der NASA. Knowledge Elixir erscheint jeden Dienstag in Ihrem Posteingang und sendet seit 2014 die besten Knowledge-Science-Nachrichten und -Ressourcen an Datenliebhaber. Knowledge Elixir ist ein guter Allrounder mit einer Mischung aus Nachrichten, Meinungen und Tutorials. Sie bieten – gegen eine Gebühr – eine Professional-Model an, die Ihnen Zugang zu interaktiven Deep Dives und personalisierten KI-Instruments bietet.

2. Die Analytics Engineering-Zusammenfassung

Der Analytics Engineering Roundup ist das nächste Kapitel des Knowledge Science Roundup, jetzt kuratiert von Tristan UsefulGründer von dbt Labs. Jeden Sonntag landet das Roundup in meinem Posteingang und ich freue mich immer darauf, es als perfekten Begleiter für die Lektüre am Wochenende zu finden. Anstatt mich mit einer langen Linkliste zu überfordern, enthält es nur ein paar herausragende Artikel – immer sorgfältig ausgewählt. Was ich wirklich liebe, sind Tristans klare Zusammenfassungen der einzelnen Stücke. Selbst wenn ich nicht die Zeit habe, mich in jeden Artikel zu vertiefen, machen es seine Zusammenfassungen einfach, auf dem Laufenden zu bleiben und wichtige Erkenntnisse zu gewinnen. Es ist zu einer meiner Lieblingsmethoden geworden, um über Analysetechnik, Datentransformation und Branchentrends auf dem Laufenden zu bleiben.

3. Frauen in Knowledge Science

Womxn in Knowledge Science ist einer meiner Lieblings-Publication, da er sich auf die Stärkung von Frauen in der Technologiebranche konzentriert und gleichzeitig wertvolle Erkenntnisse für alle bietet. Jede Woche stellt ihr Staff eine Mischung aus Branchennachrichten, Tutorials und Ressourcen zusammen, die Ihre Datenkompetenz und Ihr KI-Wissen verbessern sollen. Ich schätze auch das Gemeinschaftsgefühl, das sie durch Veranstaltungen wie Konferenzen, Workshops und Networking-Möglichkeiten fördern. Es ist eine fantastische Möglichkeit, in Kontakt zu bleiben und von einer vielfältigen Gruppe von Stimmen in diesem Bereich zu lernen.

4. KDnuggets-Neuigkeiten

KDnuggets Information ist seit über 30 Jahren ein Eckpfeiler der Knowledge-Science-Neighborhood und wird kuratiert von Gregory Piatetsky-Shapiro. Erstveröffentlichung am 20. August 1993Dies ist der älteste Publication auf unserer Liste und bietet weiterhin einen enormen Mehrwert. KDnuggets Information erscheint wöchentlich mittwochs und ist eine umfassende Zusammenfassung von über 30 Artikeln, die jede Woche auf der KDnuggets-Web site veröffentlicht werden. Obwohl es keine Zusammenfassungen enthält, ist es aufgrund der Breite der Berichterstattung eine Pflichtlektüre, um über die neuesten Entwicklungen in der Datenwissenschaft auf dem Laufenden zu bleiben.

Zusätzlich zu den KDnuggets Information können Sie auch „The AI ​​Report“ abonnieren, einen wöchentlichen Publication, der sich auf Durchbrüche, Neuigkeiten und Tendencies im Bereich der künstlichen Intelligenz konzentriert, was ihn zu einer weiteren hervorragenden Ressource für Profis und Enthusiasten gleichermaßen macht.

5. Der Gradient-Publication

Wenn Sie von den neuesten Entwicklungen im Bereich maschinelles Lernen und künstliche Intelligenz fasziniert sind, ist der Gradient Publication eine hervorragende Ressource. Es wird von einem Expertenteam kuratiert und bietet wöchentlich eine Zusammenfassung von Forschungshighlights, zum Nachdenken anregenden Essays und Branchennachrichten. Was mir an The Gradient am meisten gefällt, ist die Stability zwischen Zugänglichkeit und Tiefe, sodass sowohl Anfängern als auch erfahrenen Profis etwas geboten wird. Es ist eine fantastische Möglichkeit, über die Fortschritte auf diesem Gebiet auf dem Laufenden zu bleiben und gleichzeitig Ihr Verständnis für Schlüsselkonzepte zu erweitern.

6. Knowledge Science Central Publication

Knowledge Science Central ist seit langem eine meiner Anlaufstellen, um in der Welt der Datenwissenschaft auf dem Laufenden zu bleiben. Ihr Publication vereint Artikel, Webinare und Branchennachrichten, die stets praktische Einblicke bieten. Ich fand es besonders nützlich, um neue Instruments und Ansätze für häufige Herausforderungen in der Datenwissenschaft zu entdecken. Es ist eine großartige Möglichkeit, mit der breiteren Datengemeinschaft in Verbindung zu bleiben und weiter zu lernen.

7. Dataquest-Obtain

Natürlich darf ich unseren eigenen Publication, den Dataquest Obtain, nicht auslassen. Jeden Dienstag heben wir einige Prime-Nachrichten hervor, geben tolle Karrieretipps weiter und versuchen, Sie mit coolen Projekten und hilfreichen Lernressourcen zu inspirieren. Abonnieren könnt ihr einfach per Registrieren Sie sich für ein kostenloses Dataquest-Konto. Und natürlich haben wir auch unsere Weblogeine weitere großartige kostenlose Lernressource. Hier sind einige unserer beliebtesten und meistgelesenen Beiträge:

Habe ich etwas verpasst?

Fehlt Ihr Lieblings-Knowledge-Science-Publication in der Liste?

Nehmen Sie Kontakt auf und lass es mich wissen!

Die Fähigkeit der Regulierungsbehörden, mit der KI Schritt zu halten, ist von entscheidender Bedeutung, wenn sie eine erfolgreiche Rolle bei spannenden Fortschritten im Gesundheitswesen spielen soll. Aber auch, wenn wir sicherstellen wollen, dass die Patientensicherheit weiterhin an erster Stelle steht, da sich sehr schnell neue Möglichkeiten eröffnen.

Zweifellos ist es eine große Herausforderung, die rasch wachsenden Möglichkeiten dieser Technologie zu nutzen und gleichzeitig sicherzustellen, dass strenge Exams und eine risikofreie Wirksamkeit auf ethische Weise erreicht werden. Die Lernkurve für die Regulierungsbehörden ist steil.

Die vielfältigen Vorteile der KI sind bereits heute erkennbar – von der Krebsbildgebung bis hin zu Diagnose- und Prognosefunktionen. Ohne Zweifel hat sie einen enormen Einfluss, der voraussichtlich noch weiter zunehmen wird.

Allerdings müssen diese Vorteile im Blick behalten werden und die Regulierungsbehörden müssen versuchen, immer schnellere Innovationen im Gesundheitswesen zu fördern und nicht zu behindern. Dabei steht der Schutz der Patienten an erster Stelle.

Einerseits muss die Technologie eindeutig constructive Ergebnisse liefern, um die Regulierungsbehörden zufriedenzustellen. Andererseits muss klar nachgewiesen werden, dass die KI-Technologie auch für den Patienten funktioniert und dessen Erfahrung grundlegend verbessert.

Die große Herausforderung ist dann die Zeit – die Fähigkeit, die Regulierungsbehörden, die möglicherweise versuchen, mit den Entwicklungen Schritt zu halten, schnell weiterzubilden und ihnen dann immer einen Schritt voraus zu sein. Das bedeutet nicht nur, den Kurs intestine zu verstehen; es bedeutet ein umfassendes, durchgängiges Verständnis verschiedener Bereiche, das fundierte, intestine informierte Entscheidungen ermöglicht und die Verbreitung zeitnaher Leitlinien ermöglicht, die allen Beteiligten Klarheit verschaffen.

Die Herausforderung kann jedoch bewältigt werden, und es wurden wichtige Erfolge verzeichnet, die für die dringend benötigte Klarheit sorgen. Das EU-KI-Gesetz wurde kürzlich vom EU-Parlament verabschiedet. Es dürfte sich dabei um die weltweit ersten umfassenden Gesetze handeln, die den Einsatz von künstlicher Intelligenz und maschinellen Lerntechnologien wie Gesichtserkennung und ChatGPT regeln.

Ich bin nach wie vor davon überzeugt, dass der wichtigste Aspekt des Gesetzes darin besteht, sicherzustellen, dass es für Änderungen offen bleibt und gleichzeitig die globale Wettbewerbsfähigkeit gewährleistet. Doch wie die Präsidentin der Europäischen Kommission, Ursula von der Leyen, es ausdrückte, handelt es sich um einen „einzigartigen Rechtsrahmen für die Entwicklung künstlicher Intelligenz, dem Sie vertrauen können“, und seine Existenz ist für alle beruhigend.

Mit anderen Worten: Auch wenn es offensichtlich schwierig ist, mit dem technologischen Fortschritt Schritt zu halten, werden keine Stalltüren voreilig geschlossen, nachdem das KI-Pferd durchgebrannt ist. Wir sind so intestine aufgestellt wie möglich, und die richtigen Ratschläge zu erhalten, ist nach wie vor entscheidend, um erfolgreich durch die regulatorische Landschaft zu navigieren und Innovationen in die Hände der Patienten zu bringen.

Um dies aufrechtzuerhalten, ist es wichtig, das richtige Fachwissen zu gewinnen und genügend Benannte Stellen zur Verfügung zu haben, die bereit und in der Lage sind, revolutionary neue Technologien und Geräte zeitnah zu zertifizieren.

Damit das so bleibt, bedarf es natürlich der entsprechenden Ressourcen und einer Schulung durch die Regulierungsbehörden, die mit dem Tempo der Veränderungen Schritt halten kann.

Darüber hinaus ist eine vorausschauende Betrachtung erforderlich – vorausschauende Planung und Proaktivität, nicht nur Reaktivität – um sicherzustellen, dass Entwicklungen vorweggenommen, Ressourcen im Voraus zugewiesen und Verzögerungen minimiert werden.

Daher ist es erfreulich zu sehen, dass die Medicines and Healthcare merchandise Regulatory Company (MHRA) diesen Bedarf erkannt hat und ihr Innovationsbüro „offen“ ist für Anfragen zu Produkten oder Technologien, die den aktuellen regulatorischen Rahmen in Frage stellen. Dies gilt insbesondere für Produkte oder Technologien, die sich in einem frühen Entwicklungsstadium befinden oder in denen regulatorische Unsicherheit herrscht oder die einem schnellen Wandel unterliegen.

Das bedeutet, Innovationen immer einen Schritt voraus zu sein, das Bewusstsein und Verständnis für ihre Entwicklung zu schärfen und sie systematisch zu begleiten und zu beraten. Diese Unterstützungsmöglichkeiten sind für ein proaktives Administration von entscheidender Bedeutung.

Wenn Innovatoren erkennen, dass ihnen derartige Unterstützung, Fachkenntnisse und Beratung zur Verfügung stehen, kann dies nur constructive Auswirkungen auf die KI-Ambitionen und die Zukunft des regulierten Gesundheitswesens haben.

Über den Autor

Elaine Gemmell, Leiterin Regulatory Affairs bei InnoScot Gesundheit. Elaine hat einen BSc in Elektrotechnik und einen BEng (Hons) in Ingenieurwissenschaften und ist Honorarprofessorin an der Faculty of Engineering and Bodily Sciences der Heriot-Watt College. Seit sie 2002 zu InnoScot Well being kam, hat sie mehr als zwanzig Jahre Erfahrung in allen Aspekten der Entwicklung medizinischer Geräte und fünfzehn Jahre in der behördlichen Zulassung gesammelt. Sie ist zertifizierte ISO 13485/ISO 9001 Lead Auditor und hat Erfahrung mit behördlichen Zulassungen in Großbritannien, Europa und den USA. Sie hatte Positionen auf Direktoren- und Senior-Administration-Ebene in zwei Spin-off-Unternehmen von InnoScot Well being inne.

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/

Folge uns auf Fb: https://www.fb.com/insideAINEWSNOW