Google hat zugestimmt, SpaceX im Rahmen eines Cloud-Providers-Vertrags, der bis Juni 2029 läuft, etwa 920 Millionen US-Greenback professional Monat für große Rechenkapazitäten zu zahlen. Die Vereinbarung hat über die gesamte Laufzeit einen Wert von rund 30 Milliarden US-Greenback und soll Google dabei helfen, die steigende Nachfrage nach KI-Workloads zu befriedigen.

Der Vertrag gewährt Google Zugriff auf die umliegende Infrastruktur Nvidia-GPUs zusammen mit CPUs, Speichersystemen und unterstützender {Hardware}. Die Kapazität wird zur Unterstützung der Erweiterung der KI-Dienste in der gesamten Google Cloud, einschließlich Google Cloud, genutzt Gemini-Unternehmen Plattform.

Nvidia-basierte Infrastruktur im Mittelpunkt des Offers

Laut der EinreichungSpaceX wird den Zugriff auf etwa ermöglichen 110.000 Nvidia-GPUsrepräsentierend mehr als 100 Megawatt Rechenleistung bezogen auf H200-Klassensysteme. Damit ist die Vereinbarung einer der größten bislang bekannt gegebenen Verträge über die Lieferung von KI-Rechnern.

Laut Google soll die Vereinbarung dazu beitragen, die steigende Kundennachfrage nach KI-Diensten zu bewältigen, während das Unternehmen seine eigene Cloud-Infrastruktur weiter ausbaut.

Der Deal verdeutlicht, dass der Zugang zur GPU-Versorgung zu einem zentralen Hindernis bei der Skalierung von KI-Systemen geworden ist und Unternehmen ihre Kapazitäten Jahre im Voraus sichern.

Strenge Konditionen und Kündigungsrechte inklusive

Die Vereinbarung enthält standardmäßige Flexibilitätsklauseln, die es beiden Parteien ermöglichen, den Vertrag mit einer Frist von 90 Tagen zu kündigen.

Google hat außerdem das Recht, aus dem Deal auszusteigen, wenn SpaceX nach Ablauf einer in der Einreichung dargelegten kurzen Nachfrist bis zum 30. September den erforderlichen Zugang zum Nvidia-Chip nicht bereitstellt.

Diese Bedingungen spiegeln die betrieblichen Risiken wider, die mit der Sicherung einer groß angelegten KI-Infrastruktur in einer Zeit knapper globaler GPU-Versorgung verbunden sind.

Alphabet berichtete kürzlich, dass der Auftragsbestand von Google Cloud auf mehr als 460 Milliarden US-Greenback angewachsen ist, was einer nahezu Verdoppelung gegenüber dem Vorquartal entspricht, was den Druck auf die verfügbare Kapazität unterstreicht.

SpaceX hat seine Rolle in der KI-Infrastruktur ausgebaut, einschließlich rechnerbezogener Vereinbarungen mit anderen Unternehmen und Investitionen in große Rechenzentrumssysteme in den Vereinigten Staaten.

Trotz der Konkurrenz in Teilen des KI-Ökosystems unterhalten Google und SpaceX finanzielle und infrastrukturelle Beziehungen, einschließlich der Eigentumsbeteiligung von Alphabet an SpaceX. Der Deal spiegelt ein breiteres Branchenmuster wider, bei dem Konkurrenten zusammenarbeiten, um die Rechenleistung sicherzustellen und gleichzeitig weiterhin bei KI-Plattformen und -Diensten zu konkurrieren.

---

Hervorgehobener Bildnachweis

„Künstliche Intelligenz ist nicht mehr nur etwas für Informatiker; sie wird jeden Aspekt unseres Lebens durchdringen und jedes Unternehmen beeinflussen“, sagt MIT-Präsidentin Sally Kornbluth.

Die Welt erreicht mit künstlicher Intelligenz einen Wendepunkt: über die Hälfte der Erwachsenen in den USA Nutzen Sie generative KI – 12 Prozent nutzen es täglich bei der Arbeit – und 88 Prozent der globalen Organisationen haben dies getan integrierte KI in mindestens eine Kernfunktionein Anstieg von 78 Prozent im Jahr 2024. KI-Wissen ist für Karriereentwicklung, Unternehmensführung und Leben nicht mehr elective. Dennoch besteht eine wachsende Informationslücke zwischen denen, die das Potenzial der KI nutzen können, und denen, die versuchen, Schritt zu halten.

Der Bedarf an zugänglicher, praktischer KI-Ausbildung warfare noch nie so groß. Um diesem Second gerecht zu werden, startet MIT Open Studying Universelle KIein modulares On-line-Programm zum Selbststudium, das einen Lernenden vom KI-Anfänger zum Experten macht, angefangen bei den Kerngrundlagen bis hin zu realen, branchenspezifischen Anwendungen.

„Wir haben einen Bedarf an einer KI-Lernerfahrung festgestellt, die in ihrer Breite und Zugänglichkeit universell ist – eine, die die Lücke zwischen tiefgreifenden und oberflächlichen Einführungen in die neuesten KI-Instruments schließt und für ein nicht technisch versiertes, globales Publikum konzipiert ist“, sagt Dimitris Bertsimas, Vize-Provost für offenes Lernen. „Common AI wurde entwickelt, um diese Nadel einzufädeln. Wir haben die langjährige Experience des MIT auf diesem Gebiet genutzt und die Artwork und Weise, wie es gelehrt wird, völlig neu konzipiert, indem wir es an realen Fällen verankern und jeden Lernenden mit KI-Instruments unterstützen, die sich an sie anpassen. Das Ergebnis ist ein Weg zur KI-Sprachkompetenz, der für jeden und überall zugänglich ist.“

Der Kernlehrplan umfasst fünf Kurse, die die zugrunde liegenden Theorien, Konzepte und Technologien der KI abdecken, darunter Programmierung, maschinelles und tiefes Lernen, große Sprachmodelle, Entscheidungsfindung, Erklärbarkeit und Ethik. Der erste Kurs im Programm, Grundlagen der Programmierung und des maschinellen Lernensist für Lernende überall kostenlos verfügbar.

Common AI umfasst auch branchenspezifische Kurse, die sich mit der Schnittstelle zwischen KI und Gesundheitswesen, Nachhaltigkeit, Unternehmertum, Transport und mehr befassen. Heute sind sechs branchenspezifische Kurse verfügbar, darunter Ganzheitliche KI in der Medizin, KI und UnternehmertumUnd KI und Nachhaltigkeit: Energie.

„Unser Ziel ist es, dass die Lernenden, die Common AI belegen, das grundlegende Wissen und Verständnis erwerben, damit sie das Potenzial von KI für ihre Karriere, ihr Leben und ihre Gemeinschaften erkennen“, sagt Megan Mitchell, Senior Director von Common Studying bei Open Studying. „Wir hoffen auch, dass das Programm die Angst und das Unbekannte vor KI zerstreut und den Lernenden die Möglichkeit gibt, das wahre Potenzial dieser transformativen Technologie zu nutzen.“

Universelle KI ist verfügbar unter MIT Lernendie On-line-Lernplattform des Instituts mit Programmen, Kursen und Ressourcen, die Lernenden dabei helfen sollen, neue Fähigkeiten zu erwerben, neue Technologien zu erkunden und ihre Karriere voranzutreiben. Die Plattform ist mit einem KI-Assistenten, AskTIM, ausgestattet, der Lernenden hilft, ihre Lernreise zu entdecken und zu planen, Fragen zu wichtigen Vorlesungskonzepten beantwortet und Lernende durch Aufgaben unterrichtet.

Universelle KI wurde pilotiert von einer breit gefächerten Gruppe von Organisationen ab Sommer 2025, zu der Universitäten, Krankenhäuser, Unternehmen, die MIT-Gemeinschaft sowie geflüchtete und vertriebene Lernende im MIT Rising Expertise-Programm gehören.

Madiha Malikzada, eine Lernende, die am Pilotprogramm teilnahm, schätzte es, AskTIM als „Studienpartner“ zu haben.

„(AskTIM) hat mich herausgefordert, tiefer nachzudenken und mich sinnvoll mit dem Materials auseinanderzusetzen“, sagt Malikzada. „Mir kam der Gedanke, dass wir manchmal vergessen zu erwähnen, wie hilfreich KI im Lernprozess sein kann, nicht nur bei der Beantwortung von Fragen, sondern auch bei einem gegenseitigen Austausch, der uns neue Ideen geben und unser Verständnis vertiefen kann.“

Common AI umfasst Beiträge von über 30 Lehrkräften, Lehrassistenten und Experten aus dem gesamten MIT. Diese Zahl wird steigen, wenn zusätzliche branchenspezifische Kurse verfügbar werden.

„Es ist bemerkenswert zu sehen, wie so viele Mitglieder der MIT-Neighborhood zusammenkommen, um hochwertige Ressourcen und Instruments für Menschen auf der ganzen Welt zu schaffen, die etwas über KI lernen möchten“, sagt MIT-Provostin Anantha Chandrakasan. „Es zeigt wirklich die Vielfalt der Perspektiven und des Fachwissens zum Thema KI im gesamten Institut sowie das Engagement, dieses Fachwissen zum Nutzen von On-line-Lernenden zu nutzen.“

Common AI ist das erste Angebot von Common Studying, einer neuen Initiative bei Open Studying, die sich auf die Entwicklung von Lehrplänen für die wichtigsten Bereiche konzentriert, die unsere Welt prägen. Mehr lesen von Bertsimas und Mitchell über Common Studying.

„Angesichts der langen Geschichte des MIT, Wissen durch MIT Open Studying verfügbar zu machen, ist es nur natürlich, dass wir uns gezwungen fühlen, universelle KI auf die Welt zu bringen“, fügt Kornbluth hinzu.

Universelle KI ist jetzt verfügbar auf MIT Be taught.

sah solide aus. Die KL-Divergenz lag deutlich innerhalb akzeptabler Bereiche. Beim Prepare on Artificial, Take a look at on Actual (TSTR)-Take a look at erreichte das Modell eine Genauigkeit von 91 %, wenn es mit den synthetischen Daten trainiert und mit den realen Daten getestet wurde, was etwas niedriger conflict als die 93 %, die bei Verwendung der tatsächlichen Daten erreicht wurden – ein Unterschied, der deutlich innerhalb der Grenzen liegt, die das Crew für die Datentoleranzen festgelegt hatte. Darüber hinaus conflict das Risiko einer Mitgliedschaftsinferenz relativ gering. Der synthetische Datensatz wurde als sicher für die Verwendung im Modelltraining für maschinelles Lernen zertifiziert; die echten Daten wurden sicher gespeichert; und das Modell wurde trainiert.

Drei Monate später konnte das Betrugserkennungsmodell jedoch die zuvor erkannten Transaktionsklassen nicht mehr fehlerfrei erkennen, was nicht nur zu Leistungseinbußen führte, sondern sogar einen völligen Ausfall zur Folge hatte. Eine ganze Gruppe von Randverhaltensweisen wurde effektiv aus der Realität des Modells entfernt.

Bei der Untersuchung des Issues konnte das Crew keine technischen Fehler bei den synthetischen Daten feststellen. Alle vom Crew ermittelten Kennzahlen haben weiterhin bestanden.

Das Downside bestand jedoch darin, dass keine dieser Kennzahlen tatsächlich misst, was wirklich wichtig ist.

Das Drei-Metrik-System und warum es Praktiker in die Irre führt

Das Dreieck aus Treue, Nutzen und Privatsphäre ist zum Standardlexikon für die Bewertung der Qualität synthetischer Daten geworden, und das aus gutem Grund. Es erfasst die drei Qualitätsaspekte, die Sie wirklich erreichen möchten: Ähneln die synthetischen Daten den realen Daten (Wiedergabetreue); Trainieren die synthetischen Daten Modelle, die sich ähnlich verhalten wie Modelle, die auf realen Daten trainiert werden (Nützlichkeit); und schützen die synthetischen Daten die Identität der Personen, von denen die Daten stammen (Privatsphäre)?

Der Rahmen selbst ist solide. Bei der Umsetzung dieses Rahmenwerks treten jedoch Probleme auf.

Die meisten Praktiker bewerten die drei Qualitätsmetriken nacheinander und betrachten den erfolgreichen Abschluss jeder einzelnen als ausreichend für den Einsatz. Dieser Ansatz ist aus drei miteinander verbundenen Gründen fehlerhaft, die einer detaillierten Erläuterung bedürfen:

Downside Nr. 1: Genauigkeitsmetriken bewerten Randverteilungen, nicht Interaktionen zwischen Options

Die am häufigsten verwendeten Genauigkeitsmetriken KL-Divergenz, Kolmogorov-Smirnov-Take a look at, Gesamtvariationsdistanz und Wasserstein-Distanz messen alle den Grad, in dem die individuelle Merkmalsverteilung im synthetischen Datensatz mit dem Authentic verglichen wird.
Keines dieser Maße beurteilt, wie Merkmale miteinander korrelieren.

Dies ist eine subtile, aber entscheidende Unterscheidung. Stellen Sie sich beispielsweise einen Gesundheitsdatensatz vor, bei dem die synthetische Model die Randverteilungen des Patientenalters und der Schwere der Erkrankung genau wiedergibt und die Randverteilungen praktisch nicht unterscheidbar erscheinen. Es gibt jedoch eine geringfügige Diskrepanz in der Korrelation zwischen den beiden Merkmalen in den synthetischen Daten. Wenn ein Modell darauf trainiert wird, identifiziert das Modell daher die entsprechenden Signale separat, aber die falsche Interaktion zwischen den Signalen.

Im Jahr 2025 wurden in einer Peer-Assessment-Studie zu synthetischen Patientendaten fünf generative Modelle anhand von drei klinischen Datensätzen evaluiert. Die Ergebnisse zeigten, dass die Randverteilungen zwar quick immer sehr ähnlich waren, sich die Korrelationswerte jedoch um 20 Punkte oder mehr unterschieden. Die nachgelagerten Auswirkungen waren dramatisch: Bei einem Datensatz ergaben Modelle, die mit synthetischen Daten trainiert wurden, Werte für die Fläche unter der Kurve (AUC) von etwa 0,80, während bei Verwendung der realen Daten AUC-Werte von etwa 0,88 erzielt wurden. Die Variable, die darüber entschied, ob es sich um Ersteres oder Letzteres handelte, conflict eher die Erhaltung der Korrelation als die Genauigkeit der Randverteilung.

Um dies zu beheben: Führen Sie KS- und KL-Exams als Foundation durch, um die Ähnlichkeit der Randverteilungen zu bestätigen. Schließen Sie immer einen Vergleich der Korrelationsmatrizen ein. Berechnen Sie die Frobenius-Norm der Differenz, um einen einzelnen Wert zu erhalten, der den Umfang der verlorenen Korrelationsstruktur darstellt. Legen Sie einen Schwellenwert für den Verlust der Korrelationsstruktur fest, bevor Sie die Daten synthetisieren, nicht danach.

import numpy as np
import pandas as pd
def correlation_drift_score(real_df: pd.DataFrame, synthetic_df: pd.DataFrame) -> float:
“””
Computes the Frobenius norm of the distinction between
actual and artificial correlation matrices.
Decrease is healthier. A rating above 0.5 warrants investigation.
“””
real_corr = real_df.corr().fillna(0).values
synth_corr = synthetic_df.corr().fillna(0).values
return np.linalg.norm(real_corr — synth_corr, ‘fro’)
rating = correlation_drift_score(real_df, synthetic_df)
print(f”Correlation Drift Rating: {rating:.4f}”)

Eine Nummer. Führen Sie es jedes Mal aus. Wenn es über Ihrem Schwellenwert liegt, kehren Sie zum Generator zurück, bevor Sie etwas anderes tun.

Downside 2: TSTR-Utility-Scores verbergen das Tail-Verhalten, wenn sie nur die durchschnittliche Leistung darstellen

„Prepare on Artificial Information, Take a look at on Actual Information“ ist eine der „Goldstandards“-Nutzungsmetriken und verdient den Ruf, den sie erworben hat. Ein Modell anhand synthetischer Daten zu trainieren und sicherzustellen, dass es anhand realer Daten intestine funktioniert, ist sicherlich ein aussagekräftiger Beweis für die Nützlichkeit.

Allerdings basieren die TSTR-Werte auf Durchschnittswerten. Somit verbergen sie genau das, was in der Produktion kaputt gehen wird. Im Betrugserkennungsbeispiel am Anfang dieses Artikels betrug die Gesamt-TSTR-AUC 91 %, aber als die Leistung nach Dezil des Transaktionsvolumens aufgeschlüsselt wurde, sank das Dezil mit der niedrigsten Leistung (die seltensten Transaktionen mit dem höchsten Wert) auf 67 % (die synthetischen Daten generierten häufige Transaktionen sehr genau; die seltensten oder ungewöhnlichsten Szenarien stellten die synthetischen Daten jedoch nicht so genau dar). Daher lernte das Modell, das anhand synthetischer Daten trainiert wurde, die häufigsten Verhaltensweisen mit äußerster Genauigkeit und das am wenigsten häufige Verhalten mit geringer Genauigkeit.

Dies ist das Tail-Loss-Downside. Es wird in der Modellkollaps-Literatur formal behandelt (Alemohammad et al., 2024, ICLR) und kann auf jede Artwork von synthetischem Datengenerierungsprozess angewendet werden: Generative Modelle, die für die Generierung von Bereichen der Verteilung mit hoher Wahrscheinlichkeit optimiert sind, repräsentieren seltene Ereignisse zunehmend unterrepräsentiert. Der synthetische Datengenerator versucht nicht, seltene Ereignisse zu unterrepräsentieren – er stellt lediglich die Mathematik dar, wie diese Modelle lernen.

Repair: Melden Sie den TSTR nicht auf aggregierter Foundation. Geben Sie den TSTR separat für jedes Dezil an, in das Sie Ihre Zielvariable geschichtet haben. Die Dezile, in denen die synthetisch trainierte Leistung am stärksten von der actual trainierten Leistung abweicht, zeigen Ihnen genau an, welche Dezile Ihre synthetischen Daten nicht genau wiedergeben.

from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import roc_auc_score
import pandas as pd
import numpy as np
def tstr_by_decile(
real_train: pd.DataFrame,
synthetic_train: pd.DataFrame,
real_test: pd.DataFrame,
target_col: str,
n_deciles: int = 10
) -> pd.DataFrame:
“””
Runs TSTR analysis stratified by deciles of the goal variable.
Returns a comparability dataframe for actual vs artificial coaching efficiency.
“””
outcomes = ()
real_test = real_test.copy()
real_test(‘decile’) = pd.qcut(
real_test(target_col), q=n_deciles, labels=False, duplicates=’drop’
)
feature_cols = (c for c in real_train.columns if c != target_col)
for label, train_df in ((“Actual”, real_train), (“Artificial”, synthetic_train)):
clf = RandomForestClassifier(n_estimators=100, random_state=42)
clf.match(train_df(feature_cols), train_df(target_col))
for decile_id, group in real_test.groupby(‘decile’):
if len(group(target_col).distinctive()) < 2:
proceed
rating = roc_auc_score(
group(target_col),
clf.predict_proba(group(feature_cols))(:, 1)
)
outcomes.append({
‘Prepare Supply’: label,
‘Decile’: decile_id,
‘AUC-ROC’: spherical(rating, 4)
})
return pd.DataFrame(outcomes).pivot(
index=’Decile’, columns=’Prepare Supply’, values=’AUC-ROC’
)
decile_results = tstr_by_decile(real_train, synthetic_train, real_test, ‘fraud_flag’)
print(decile_results)

Downside 3: Datenschutzmetriken sollten alle Funktionen gleich behandeln, obwohl dies nicht der Fall sein sollte.

Das Risiko einer Mitgliedschaftsinferenz ist die häufigste Datenschutzmetrik. Das Risiko einer Mitgliedschaftsinferenz stellt eine Frage: Kann ein Angreifer feststellen, ob ein bestimmter Datensatz im Trainingsdatensatz vorhanden ist? Niedrige Werte sind wirklich gute Nachrichten.

Dies wird jedoch auf Datensatzebene gemessen und misst daher das Risiko, einen Datensatz als Ganzes zu identifizieren. Die riskantere Angriffsart ist die Attributinferenz; Kann ein Angreifer anhand öffentlich verfügbarer Informationen über die Merkmale einer Particular person ein sensibles Attribut in den synthetischen Daten identifizieren? Dies ist das Angriffsmodell, mit dem sich die Aufsichtsbehörden im Rahmen des DSGVO-Requirements zur Neuidentifizierung befassen, und es funktioniert auf der Kombinationsebene (nicht auf der Datensatzebene).

Ein Consensus Privateness Metrics Framework (Pilgram et al., 2025) definiert drei verschiedene Arten von Risiken: Herausgreifen (Identifizieren einer einzelnen Particular person), Verknüpfbarkeit (Datensätze über Datensätze hinweg verknüpfen) und Rückschluss (Ableiten sensibler Attribute aus Kombinationen von Quasi-Identifikatoren). Praktiker messen quick ausschließlich den ersten Typ (Singling Out). Die dritte Artwork von Risiko (Inferenz) ist der Bereich, in dem tatsächlich vertrauliche Daten verloren gehen und der für die standardmäßige Mitglieder-Inferenzbewertung völlig unsichtbar ist.

Repair: Priorisieren Sie Ihre Funktionen vor der Synthese basierend auf der Empfindlichkeit. Kategorisieren Sie sie in öffentlich (Merkmale, die ohne Einschränkung in die synthetischen Daten einbezogen werden können), Quasi-Identifikatoren (Kombinationen öffentlicher Merkmale, die eine Verknüpfung ermöglichen können) und sensibel (die Attribute, die Sie schützen möchten). Messen Sie das Risiko der Mitgliedschaftsinferenz nur für die sensiblen Options und beziehen Sie nicht den gesamten Datensatz mit ein. Führen Sie als Nächstes einen Attributinferenztest durch: Trainieren Sie ein externes Modell, um jedes smart Merkmal basierend auf den Quasi-Identifikatoren mithilfe synthetischer Daten vorherzusagen. Vergleichen Sie die Genauigkeit des trainierten Modells mit einem Modell, das darauf trainiert wurde, jedes smart Merkmal auf der Grundlage derselben Quasi-Identifikatoren, aber unter Verwendung zurückgehaltener Daten vorherzusagen. Wenn der Genauigkeitsunterschied gering ist, sind Ihre synthetischen Daten verloren gegangen.

from sklearn.ensemble import GradientBoostingClassifier
def attribute_inference_risk(
synthetic_df: pd.DataFrame,
real_test_df: pd.DataFrame,
quasi_identifiers: record,
sensitive_feature: str
) -> dict:
“””
Estimates attribute inference threat by checking how nicely
a mannequin educated on artificial information predicts a delicate function
utilizing solely quasi-identifiers.
Excessive accuracy on actual take a look at information = artificial information is leaking
details about the delicate attribute.
“””
clf = GradientBoostingClassifier(random_state=42)
clf.match(synthetic_df(quasi_identifiers), synthetic_df(sensitive_feature))
real_accuracy = clf.rating(
real_test_df(quasi_identifiers),
real_test_df(sensitive_feature)
)
majority_class_accuracy = (
real_test_df(sensitive_feature).value_counts(normalize=True).max()
)
elevate = real_accuracy — majority_class_accuracy
return {
“inference_accuracy_on_real”: spherical(real_accuracy, 4),
“baseline_accuracy”: spherical(majority_class_accuracy, 4),
“inference_lift”: spherical(elevate, 4),
“risk_level”: “HIGH” if elevate > 0.10 else “MODERATE” if elevate > 0.05 else “LOW”
}
threat = attribute_inference_risk(
synthetic_df, real_test_df,
quasi_identifiers=(‘age_band’, ‘area’, ‘employment_status’),
sensitive_feature=’income_bracket’
)
print(threat)

Wenn Sie für die Steigerung einen „über 0,10“ (oder eine beliebige andere Zahl) sehen, bedeutet dies, dass Ihr synthetischer Datensatz die sensiblen Attribute Ihrer Benutzer besser identifizieren kann als der Zufall. Es spielt keine Rolle, ob Ihr Membership Inference Rating (MIS) unter 0,10 oder einem anderen Schwellenwert liegt; das ist irrelevant.

Das einheitliche Bewertungsrahmenwerk

Wie bereits erwähnt, handelt es sich bei diesen drei Herausforderungen im Wesentlichen um eine Herausforderung: Sie ergeben sich jeweils aus der Verwendung von Metriken zur Bewertung der Merkmale eines Datensatzes und der anschließenden Verwendung derselben Metriken als Grundlage für die Zertifizierung eines Datensatzes für den Produktionseinsatz. Das sind zwei sehr unterschiedliche Aufgaben.

Nachfolgend finden Sie eine vollständige Checkliste der Bewertungen, die die einzelnen Bewertungslücken schließen:

Dimension, Standardmetrik, was es vermisst und erweiterte Prüfung

Treue

• KL-Divergenz, KS-Take a look at
• Korrelationsstruktur zwischen Options
• Korrelationsdrift-Rating (Frobenius-Norm)

Dienstprogramm

• TSTR durchschnittliche AUC
• Tail-Efficiency bei seltenen Ereignissen
• TSTR stratifiziert nach Zieldezil

Privatsphäre

• Risiko einer Mitgliedschaftsinferenz
• Attributinferenz über Quasi-Identifikatoren
• Attribut-Inferenz-Carry-Take a look at

Der richtige Schwellenwert hängt von Ihrem Anwendungsfall ab

Der am meisten übersehene Aspekt des Runden Tisches zwischen FCA, ICO und Alan Turing Institute zur Validierung synthetischer Daten conflict dieser: „Null Risiko = Null Nutzen.“ Synthetische Daten können nicht vollständig privat und gleichzeitig ebenso nützlich sein. Die Frage lautet nicht mehr: „Gehen die Daten weiter?“ Die Frage lautet: „Erfüllen die Kompromisse die Anforderungen der Anwendungsfälle?“

Die synthetischen Daten, die für interne QS-Exams einer Anwendung verwendet werden, erfordern eine hohe Wiedergabetreue und strukturelle Genauigkeit. Da der Zugriff auf die Daten jedoch kontrolliert wird, wird der Datenschutz weniger groß geschrieben.

Andererseits müssen die Daten, die Sie an externe Benutzer, organisationsübergreifend, an Aufsichtsbehörden oder zu Forschungszwecken weitergeben, über höhere Datenschutzgarantien verfügen. In solchen Fällen können Sie eine geringere statistische Genauigkeit der synthetischen Daten akzeptieren.

Definieren Sie daher bei der Entwicklung Ihres Bewertungsrahmens den Anwendungsfall, bevor Sie Ihre synthetischen Daten auswerten. Beantworten Sie die folgenden Fragen, bevor Sie synthetische Daten generieren:

1) Wer hat unter welchen Bedingungen Zugriff auf diesen synthetischen Datensatz? Dies legt Ihren Schwellenwert für den Datenschutz fest.

2) Welche nachgelagerte Aufgabe werden diese Daten trainieren oder testen? Dies definiert die Nutzmetriken, die sich auf Tragfähigkeit und Lärm auswirken.

3) Sind für die nachgelagerte Aufgabe Funktionen erforderlich? Wenn ja, definiert dies, wo Sie die Treue wahren müssen und wo Sie Abweichungen tolerieren können.

Legen Sie diese Schwellenwerte basierend auf Ihren Antworten auf die oben genannten Fragen fest, bevor Sie die Synthese durchführen. Führen Sie Ihre Auswertungen anhand Ihrer festgelegten Schwellenwerte durch (nicht der vom Instrument standardmäßig gemeldeten Schwellenwerte).

Fazit: Die Qualitätslücke ist eine Messlücke

Das Betrugserkennungsmodell scheiterte nicht daran, dass die synthetischen Daten unzureichend waren. Das Modell scheiterte, weil das Crew die falschen Eigenschaften bewertete und aufgrund der korrekten Messungen falsche Schlussfolgerungen zog. Treue, Nützlichkeit und Privatsphäre sind die richtigen Dimensionen.

Die Standardmetriken innerhalb jeder Dimension sind gute Ausgangspunkte. Sie wurden jedoch zur Messung und Beschreibung von Daten entwickelt und nicht zur Zertifizierung von Daten für den Produktionsgebrauch. Um diese Messlücke zu schließen, sind drei zusätzliche Bewertungen erforderlich, die die Lücken in den Standardmetriken identifizieren; Korrelationsdrift, Endnutzen professional Dezil und Attributinferenzrisiko.

Für diese drei Beurteilungen sind keine speziellen Instruments erforderlich. Die drei in diesem Artikel beschriebenen Implementierungen laufen im Commonplace-Scikit-Be taught und NumPy. Die schwierige Arbeit besteht nicht darin, den Code zu schreiben, sondern darin, die richtigen Fragen zu stellen, bevor Sie Ihr Modell in Produktion bringen.

Hackathons sind anders!. Die Guten ziehen Sie in ihren Bann, erweitern Ihr Denken und hinterlassen etwas Echtes – unabhängig vom Ergebnis. Das Drawback ist Auswahl. Es ist schwer, das Richtige zu finden! Zu viele Hackathons. Zu viele Formate. Und zu viel Lärm.

Deshalb wurde diese Liste unter diesem Gesichtspunkt erstellt. Anstatt Hackathons zu beschreiben, die jede Minute ablaufen könnten, listet es die zehn besten Orte auf, an denen Sie je nach Ihren Anforderungen – Geld, Title, Spiel – nach Hackathons suchen können. Wählen Sie diejenige aus, die Ihren Interessen am besten entspricht.

1. Für die beliebten Hackathons

Devpost | Kreativität steht im Vordergrund, wettbewerbsfähiges Bauen

Devpost-Hackathons belohnen Kreativität ebenso wie Code. Sie optimieren nicht nur Modelle. Sie bauen etwas auf, das Sinn macht, durchgängig funktioniert und eine Plattform für die Present bildet.

Was bietet es?

• Kontakt zu High-Hackathons
• Teambasierte Kreativität
• Demoorientierte Ergebnisse

Superb für erfahrene Bauherren, die Schifffahrt und maßstabsgetreues Geschichtenerzählen mögen.

Bonus: Der von Google Deepmind angebotene und von Devpost verwaltete Gemini 3 Hackathon ist für die Aspiranten die perfekte Kombination aus Geld, Title und Spiel. Mit einem riesigen Preispool von 100.000 US-Greenback und über 13.000 Teilnehmern ist dies die Anlaufstelle für Hackathon-Enthusiasten.

2. Für den Wettbewerb

Kaggle-Wettbewerbe | Selbstgesteuertes, auf Bestenlisten basierendes Lernen

Wenn Sie gerne tief und ohne Ablenkung nachdenken, ist Kaggle genau das Richtige. Keine Kickoff-Anrufe. Keine Demos. Nur ein Drawback, ein Datensatz und eine Bestenliste, die Sie ehrlich hält. Sie konkurrieren in Ihrem eigenen Tempo und lernen, indem Sie im Laufe der Zeit kleine Particulars verfeinern.

Was bietet es?

• Selbstgesteuerte Teilnahme
• Starker Fokus auf Grundlagen
• Lernen Sie viel, indem Sie öffentlich scheitern

Superb für Lernende, die sich gerne in ihrem eigenen Tempo verbessern möchten.

3. Für vielfältige Herausforderungen

AICrowd | Forschungsorientierte, methodische Wettbewerbe

AIcrowd fühlt sich auf eine gute Weise akademisch an. Klare Problemstellungen. Durchdachte Grundlinien. Communities, denen es am Herzen liegt, wie Sie das Ergebnis erzielt haben, nicht nur an der Punktzahl. Superb, wenn Sie gerne Aufsätze lesen und Ideen methodisch testen.

Was bietet es?

• Probleme im Forschungsstil
• Intestine dokumentierte Herausforderungen
• Starke technische Tiefe

Superb für Lernende, die forschungsbasierte, methodische Problemlösungen mögen.

4. Für karriereorientierte Herausforderungen

Analytik Vidhya | Strukturierte, karriereorientierte Hackathons

Hier erleben viele Menschen ihren ersten „richtigen“ Hackathon-Move. Klare Zeitpläne, intestine gestaltete Probleme und eine riesige Lerngemeinschaft. Konkurrenzfähig, aber nicht überwältigend. Mit einem unmittelbaren Kontakt zu Personalvermittlern, wodurch qualifizierte Personen weiter hervorgehoben werden.

Was bietet es?

• Einsteigerfreundliche Struktur
• Rekrutierungspräsenz
• Hochwertige Problemstellungen

Superb für Hackathon-Teilnehmer, die eine Mischung aus Herausforderung und Belohnung suchen. Schauen Sie sich die an Datenanalysten-Fähigkeitstest von Analytics Vidhya um Belohnungen zu verdienen und die Probability auf ein Vorstellungsgespräch für die Stelle zu bekommen!

5. Für KI-Hackathons

LabLab.ai | Probleme der realen Welt mit regionalem Kontext

Diese Hackathons sind schnell und fühlen sich lebendig an. Mit Schwerpunkt auf KI befassen sich die angebotenen Hackathons mit den unmittelbaren Problemen der Zeit. Dies sollte die Wahl für KI-Enthusiasten sein, die praktische Herausforderungen suchen.

Was bietet es?

• KI-fokussierte Hackathons
• Starke Neighborhood- und Mentorenpräsenz
• Der Schwerpunkt liegt auf Demos und echten Produkten

Superb für Bauherren, die Spaß an der KI-Entwicklung in schnellen, kollaborativen Sprints haben.

6. Zur praktischen Problemlösung

Hackerearth | Klare Regeln, Prototypenfokus

Diese sind unkompliziert. Sie erhalten ein Drawback – lösen Sie es – senden Sie es ein. Keine Theatralik. Wenn Sie Klarheit und saubere Auswertungen mögen, wird Ihnen dieses Format nicht im Weg stehen.

Was bietet es?

• Klare Bewertungsmetriken
• Zeitgebundene Herausforderungen
• Starker Fokus auf Fundamentaldaten

Superb zum Üben von Kernkompetenzen unter klaren Vorgaben.

7. Für soziale Wirkung

Angetriebene Daten | KI-Wettbewerbe für das soziale Wohl

Hier spielen die Probleme eine Rolle, die über die Rangliste hinausgeht. Öffentliche Gesundheit, Bildung, Klima, Infrastruktur. Sie wenden ML dort an, wo es tatsächlich helfen kann. Dies sollten diejenigen sein, die einen Ertrag für ihre Bemühungen für eine gerechte Sache suchen.

Was bietet es?

• Auswirkungen auf die reale Welt
• Interpretierbare Modelle sind wichtig
• Zielorientiertes Lernen

Superb für Lernende, die durch praktische Erfahrungen motiviert sind.

8. Für tiefgreifende Herausforderungen

Codelabs | Ruhige, forschungsorientierte Problemlösung

Dies ist die ruhige Ecke von Hackathons. Forschungsorientierte Herausforderungen, bei denen Sie sorgfältig iterieren und gründlich lernen. Kein Demodruck. Nur nachdenkliches Experimentieren. Die Wahl für diejenigen, die nach einer besonderen Problemlösung suchen.

Was bietet es?

• Forschungsorientierte Denkweise
• Selbstgesteuerte Teilnahme
• Superb für sorgfältige Problemlöser

​Superb für Denker, die Tiefe statt Demos bevorzugen.

9. Für vielfältige Herausforderungen

Main League HackinG | Energiegeladene, studentenfreundliche Hackathons

Das ist das Tech-Model der Main League. Diese Hackathons sind laut, schnell und sozial. Man baut schnell auf, lernt Leute kennen, lernt von Mentoren und führt am Ende etwas Schrottiges, aber Echtes vor.

Was bietet es?

• Riesige Auswahl an Hackathons zur Auswahl
• Hohe Verfügbarkeit von Mentoren
• Starke Networking-Möglichkeiten

Superb für Studenten und junge Hacker, die Energie und Mentoring suchen.

10. Für Portfolio

GitHub | Bauen Sie sichtbar in der Öffentlichkeit, zum Wohle der Allgemeinheit

Nicht alle Hackathons haben Fristen. Bei einigen handelt es sich um fortlaufende Beitragsaktionen, bei denen Sie an echten Codebasen arbeiten, echte Probleme lösen und eine öffentliche Spur der Arbeit hinterlassen. Diese stehen im Mittelpunkt des Gemeinschaftsbeitrags auf der ganzen Welt.

Was bietet es?

• Codebasen aus der realen Welt
• Langfristiges Lernen
• Stark Arbeitsnachweis

Superb für disziplinierte Lernende, die in der Öffentlichkeit bauen möchten.

Die Wahl!

Auch wenn Hackathons im Wesentlichen sind ProblemlösungSie dienen unterschiedlichen Zwecken für verschiedene Personen. Ihr aktueller Kenntnisstand, Ihr Zeitaufwand und Ihr Arbeitsstil sind wichtiger als das Befolgen einer festen Hackathon-Formel.

Wenn Sie gerade erst anfangen, finden Sie einsteigerfreundliche und intestine strukturierte Hackathons von Analytik Vidhya würde Ihnen den Einstieg erleichtern. Wenn Sie bereits mit den Grundlagen, wettbewerbsorientierten oder forschungsorientierten Herausforderungen vertraut sind, dann sind Hackathons von Google Und Kaggle würde zu Ihrem Verständnis beitragen. Und wenn Sie für Karrierewachstum hacken, dann GitHub bietet Sichtbarkeit und Glaubwürdigkeit, die Ihnen am besten dienen.

Es geht nicht darum, an allem teilzunehmen. Es geht darum, den Hackathon auszuwählen, der zu Ihnen passt und Ihnen dabei hilft, in die richtige Richtung voranzukommen.

Häufig gestellte Fragen

Wie wandeln Sie echte Agentenverfolgungen in Reinforcement Studying RL-Übergänge um, um Richtlinien-LLMs zu verbessern, ohne Ihren bestehenden Agentenstapel zu ändern? Veröffentlichungen des Microsoft AI-Groups Agent Lightning zur Optimierung von Multiagentensystemen. Agent Lightning ist ein Open-Supply-Framework, das Reinforcement Studying für jeden KI-Agenten ohne Umschreibungen ermöglicht. Es trennt Coaching und Ausführung, definiert ein einheitliches Hint-Format und führt LightningRL ein, eine hierarchische Methode, die komplexe Agentenläufe in Übergänge umwandelt, die standardmäßige Single-Flip-RL-Coach optimieren können.

Was Agent Lightning macht?

Das Framework modelliert einen Agenten als Entscheidungsprozess. Es formalisiert den Agenten als einen teilweise beobachtbaren Markov-Entscheidungsprozess, bei dem die Beobachtung die aktuelle Eingabe in das Richtlinien-LLM ist, die Aktion der Modellaufruf ist und die Belohnung terminaler oder intermediärer Natur sein kann. Aus jedem Lauf werden nur die vom Richtlinienmodell getätigten Aufrufe sowie Eingaben, Ausgaben und Belohnungen extrahiert. Dadurch werden andere Rahmengeräusche entfernt und saubere Übergänge für das Coaching erzielt.

LightningRL führt die Kreditzuweisung über mehrstufige Episoden hinweg durch und optimiert dann die Richtlinie mit einem einzigen RL-Ziel. Das Forschungsteam beschreibt die Kompatibilität mit Single-Flip-RL-Methoden. In der Praxis nutzen Groups häufig Coach, die PPO oder GRPO implementieren, wie z. B. VeRL, das zu dieser Schnittstelle passt.

Systemarchitektur

Agent Lightning verwendet Coaching Agent Disaggregation. Ein Blitz Server führt Coaching und Bereitstellung durch und stellt eine OpenAI-ähnliche API für das aktualisierte Modell bereit. Ein Lightning-Consumer führt die Agentenlaufzeit dort aus, wo sie sich bereits befindet, erfasst Spuren von Eingabeaufforderungen, Toolaufrufen und Belohnungen und streamt sie zurück an den Server. Dadurch bleiben Instruments, Browser, Shells und andere Abhängigkeiten nah an der Produktion, während das GPU-Coaching auf der Serverebene verbleibt.

Die Laufzeit unterstützt zwei Ablaufverfolgungspfade. Ein Standardpfad verwendet OpenTelemetry-Spans, sodass Sie Agententelemetrie über Standardkollektoren weiterleiten können. Es gibt auch einen leichtgewichtigen eingebetteten Tracer für Groups, die OpenTelemetry nicht einsetzen möchten. Beide Wege enden zum Coaching im selben Laden.

Einheitliche Datenschnittstelle

Agent Lightning zeichnet jeden Modellaufruf und jeden Toolaufruf als Spanne mit Eingaben, Ausgaben und Metadaten auf. Die Algorithmusschicht passt Spannen in geordnete Tripletts aus Aufforderung, Antwort und Belohnung an. Durch diese selektive Extraktion können Sie einen Agenten in einem Multi-Agenten-Workflow oder mehrere Agenten gleichzeitig optimieren, ohne den Orchestrierungscode zu berühren. Dieselben Spuren können auch eine automatische Immediate-Optimierung oder eine überwachte Feinabstimmung vorantreiben.

Experimente und Datensätze

Das Forschungsteam meldet drei Aufgaben. Für Textual content-to-SQL verwendet das Group den Spider-Benchmark. Spider enthält mehr als 10.000 Fragen in 200 Datenbanken, die 138 Bereiche umfassen. Das Richtlinienmodell ist Llama 3.2 3B Instruct. Die Implementierung verwendet LangChain mit einem Author-Agenten, einem Rewriter-Agenten und einem Checker. Der Author und der Rewriter werden optimiert und der Checker bleibt unverändert. Die Belohnungen verbessern sich während des Trainings und zur Prüfungszeit stetig.

Für die Retrieval-Augmented-Generierung verwendet das Setup den MuSiQue-Benchmark und einen Wikipedia-Skalenindex mit etwa 21 Millionen Dokumenten. Der Retriever verwendet BGE-Einbettungen mit Kosinusähnlichkeit. Der Agent wird mit dem OpenAI Brokers SDK erstellt. Die Belohnung ist eine gewichtete Summe aus einem Format-Rating und einem F1-Korrektheits-Rating. Belohnungskurven zeigen stabile Zuwächse während des Trainings und der Bewertung mit demselben Basismodell.

Für die Beantwortung mathematischer Fragen mithilfe eines Instruments wird der Agent mit AutoGen implementiert und ruft ein Taschenrechnertool auf. Der Datensatz ist Calc X. Das Basismodell ist wiederum Llama 3.2 3B Instruct. Das Coaching verbessert die Fähigkeit, Instruments korrekt aufzurufen und Ergebnisse in endgültige Antworten zu integrieren.

Wichtige Erkenntnisse

1. Agent Lightning nutzt Coaching Agent Disaggregation und eine einheitliche Hint-Schnittstelle, sodass bestehende Agenten in LangChain, OpenAI Brokers SDK, AutoGen oder CrewAI nahezu ohne Codeänderungen verbunden werden können.
2. LightningRL wandelt Flugbahnen in Übergänge um. Es wendet die Kreditzuweisung auf mehrstufige Läufe an und optimiert dann die Richtlinie mit Single-Flip-RL-Methoden wie PPO oder GRPO in Standardtrainern.
3. Automated Intermediate Rewarding, AIR, liefert dichtes Suggestions. AIR wandelt Systemsignale wie den Standing der Werkzeugrückgabe in Zwischenbelohnungen um, um Probleme mit spärlichen Belohnungen in langen Arbeitsabläufen zu reduzieren.
4. Die Forschung wertet Textual content nach SQL auf Spider, RAG auf MuSiQue mit einem Wikipedia-Skalenindex unter Verwendung von BGE-Einbettungen und Kosinusähnlichkeit sowie die Verwendung von Mathematiktools auf Calc X aus, alles mit Llama 3.2 3B Instruct als Basismodell.
5. Die Laufzeit zeichnet Traces über OpenTelemetry auf, streamt sie an den Trainingsserver und stellt einen OpenAI-kompatiblen Endpunkt für aktualisierte Modelle bereit, wodurch skalierbare Rollouts ohne das Verschieben von Instruments ermöglicht werden.

Agent Lightning ist eine praktische Brücke zwischen der Agentenausführung und dem verstärkenden Lernen und nicht eine weitere Neufassung des Frameworks. Es formalisiert Agentenläufe als Markov-Entscheidungsprozess (MDP), führt LightningRL für die Kreditzuweisung ein und extrahiert Übergänge, die in Single-Flip-RL-Coach eingefügt werden. Das Coaching Agent Disaggregation-Design trennt einen Consumer, der den Agent ausführt, von einem Server, der einen OpenAI-kompatiblen Endpunkt trainiert und bedient, sodass Groups vorhandene Stacks behalten. Die automatische Zwischenbelohnung wandelt Laufzeitsignale in dichtes Suggestions um und reduziert so spärliche Belohnungen in langen Arbeitsabläufen. Insgesamt ist Agent Lightning ein sauberer Weg mit minimaler Integration, der es Agenten ermöglicht, aus ihren eigenen Spuren zu lernen.

---

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

Wilmington, Del., 21. August 2025-definitiv, eine KI-native Datenplattform mit vollem Stapel, kündigte heute eine von Costanoa angeführte Saatgut-Runde in Höhe von 10 Millionen US-Greenback mit Teilnahme von ACREW Capital und Strategic Angels an.

Die Finanzierung wird die Produktentwicklung und die Einstellung von Markteinstellungen als eindeutige Skalen-Einführung unter Unternehmen beschleunigen.

Generative KI ist derzeit an der Spitze des technologischen Fortschritts und entwickelt sich schnell weiter. Wenn wir uns dem Jahr 2025 nähern, ist dieser Bereich bereit, einen bedeutenden technologischen und gesellschaftlichen Wandel voranzutreiben.

Die größten Chancen in der KI zeichnen sich ab. Ähnlich wie die Elektrizitätswirtschaft die Industrie verändert hat, hat KI das Potenzial, Innovationen zu fördern, Chancen zu schaffen und neue Anwendungen zu entwickeln.

Vordenker wie Eric Schmidt und Andrew Ng haben unschätzbare Einblicke in die Zukunft der KI gegeben und die Bedeutung ethischer Innovation, interdisziplinärer Zusammenarbeit und der Beherrschung neuer Technologien hervorgehoben.

Dieser Weblog behandelt diese Erkenntnisse mit umsetzbaren Strategien, um GenAI-Experten zu einem erfolgreichen und wirkungsvollen Jahr zu führen.

Lernziele

• Erlernen Sie Schlüsselkompetenzen und Strategien, um sich als GenAI-Experte hervorzuheben und Innovationen in der KI-Landschaft voranzutreiben.
• Entwickeln Sie ein tiefes Verständnis für nachhaltige Praktiken und interdisziplinäre Zusammenarbeit, die für GenAI-Experten unerlässlich sind.
• Entdecken Sie Techniken zur Nutzung unstrukturierter Daten für Innovationen und wirkungsvolle KI-Lösungen.
• Gewinnen Sie Einblicke in die Förderung interdisziplinärer Zusammenarbeit und die Förderung eines verantwortungsvollen KI-Einsatzes.
• Entdecken Sie nachhaltige KI-Praktiken und Möglichkeiten, wirkungsvolle Projekte zur Bewältigung realer Herausforderungen zu leiten.

Verfolgen Sie hochmoderne Bildungsprogramme

Beim kontinuierlichen Lernen geht es nicht nur darum, Schritt zu halten – es geht darum, sich in einer sich schnell verändernden Landschaft, in der Innovation alles antreibt, hervorzuheben.

Bleiben Sie mit der Forschung auf dem Laufenden

Um einen Wettbewerbsvorteil zu wahren, ist es wichtig, informiert zu bleiben. Durch die regelmäßige Auseinandersetzung mit den neuesten Forschungsergebnissen können Sie Branchentrends vorhersehen, progressive Methoden erkunden und Ihre technischen Fähigkeiten verfeinern.

• Nehmen Sie sich wöchentlich Zeit für die Überprüfung arXiv für die neuesten Forschungsarbeiten.
• Folgende Themen folgen:
  • Schnelle technische Techniken
  • Fortschritte bei Transformatormodellen
  • Ethik in der KI-Entwicklung
• Verfolgen Sie Blogs und Podcasts von führenden KI-Forschungsorganisationen wie OpenAI, DeepMind Und Analytik Vidhya.
• Abonnieren Sie den E-newsletter zur KI-Forschung.

Bleiben Sie einfacher auf dem Laufenden, indem Sie kuratierte E-newsletter abonnieren:

• Die Cost: Wöchentliche KI-Einblicke und -Analysen.
• Auf dem Weg zur Datenwissenschaft: Artikel zu maschinellem Lernen, Datenwissenschaft und KI-Fortschritten.
• KI importieren: Konzentriert sich auf die technischen, ethischen und geopolitischen Entwicklungen der KI.

Meistern Sie das Design von KI-Agenten

Andrew Ng betont das transformative Potenzial von KI-Agenten und agentischem Denken. Diese Systeme, die in der Lage sind, im Kontext zu denken und zu handeln, revolutionieren die Industrie.

Umsetzbare Schritte:

Nutzen Sie unstrukturierte Daten für Innovation

Textual content, Bilder, Movies und Audio machen über 80 % der Unternehmensdaten (IDC) aus, doch ein Großteil davon bleibt ungenutzt. Diese Daten bergen ein enormes Potenzial, bieten umsetzbare Erkenntnisse, verbessern die Entscheidungsfindung und treiben branchenübergreifend Innovationen voran. Generative KI lebt von der Fähigkeit, unstrukturierte Daten effektiv zu interpretieren und zu nutzen und so die Arbeitsweise von Unternehmen zu verändern. Die Beherrschung dieses Bereichs ist nicht nur ein Vorteil, sondern eine Notwendigkeit für Fachleute, die eine Führungsrolle bei der GenAI-Innovation übernehmen wollen.

Umsetzbare Schritte:

• Integrieren große Sprachmodelle (LLMs) und große multimodale Modelle (LMMs) mit KI-Agenten zur Verarbeitung unstrukturierter Daten.
• Nutzen Sie Instruments wie LangChain für die nahtlose Integration unstrukturierter Daten in KI-Workflows.
• Entdecken Sie Vektordatenbanken wie Weaviate und Pinecone, die für den Aufbau von Retrieval-Augmented Technology (RAG)-Systemen unerlässlich sind.
• Machen Sie sich mit Datenverarbeitungstools wie vertraut Apache Spark und Vektordatenbanken.

Nutzen Sie die interdisziplinäre Zusammenarbeit

Die bedeutendsten KI-Durchbrüche ereignen sich häufig an der Schnittstelle von Bereichen. Sowohl Schmidt als auch Andrew betonen die Bedeutung der Zusammenarbeit zwischen KI-Experten und Fachexperten in Bereichen wie Gesundheitswesen, Bildung und Klimawissenschaft.

Interdisziplinäre Zusammenarbeit fördert nicht nur die Kreativität, sondern treibt auch sinnvolle Veränderungen voran.

Umsetzbare Schritte:

• Besuchen Sie interdisziplinäre Foren wie AI for Good oder NeurIPS.
• Arbeiten Sie mit Forschern und Fachleuten aus nichttechnischen Bereichen zusammen, um wirkungsvolle KI-Lösungen zu entwickeln.

Beispiel: KI-gestütztes Klima Modelle haben dank Partnerschaften zwischen KI und Umweltwissenschaftlern die Vorhersage extremer Wetterereignisse verbessert.

Befürworter eines verantwortungsvollen KI-Einsatzes

Der Aufbau innovativer Systeme ist nur die halbe Arbeit; Ebenso wichtig ist die Sicherstellung ihres verantwortungsvollen Einsatzes. Eric Schmidt betont, dass KI-Systeme „zweckgebunden“ sein müssen, um verantwortungsvoll auf gesellschaftliche Bedürfnisse einzugehen.

Umsetzbare Schritte:

• Verwenden Sie Instruments wie Mannequin Playing cards for AI, um die beabsichtigten Verwendungszwecke und Einschränkungen von KI-Systemen zu dokumentieren.
• Überwachen Sie bereitgestellte Modelle mithilfe von Plattformen wie WhyLabs um die Leistung zu verfolgen und unbeabsichtigte Folgen zu beheben.

Bauen Sie emotionale Intelligenz in KI-Systeme ein

KI, die emotionale Resonanz bei den Benutzern auslöst, wird die Interaktion zwischen Mensch und Maschine neu definieren und die Technologie intuitiver und zugänglicher machen.

Schmidt und Andrew betonen beide den wachsenden Bedarf an KI-Systemen, die menschliche Emotionen und Kontexte verstehen können. Emotionale Intelligenz in der KI steigert das Vertrauen und das Engagement der Benutzer.

Umsetzbare Schritte:

• Implementieren Sie Stimmungsanalysen und Emotionserkennung mithilfe von APIs wie Microsoft Azure Cognitive Companies.
• Erkunden Sie affektive Computertechniken, um die Fähigkeit der KI zu verbessern, auf natürliche Weise mit Benutzern zu interagieren.

Tragen Sie zu Open-Supply-Communitys bei

Die Open-Supply-Zusammenarbeit conflict von entscheidender Bedeutung für die Weiterentwicklung der KI-Innovation. Das Teilen Ihrer Arbeit gibt nicht nur der Group etwas zurück, sondern erhöht auch Ihre Glaubwürdigkeit und Sichtbarkeit.

Umsetzbare Schritte:

• Veröffentlichen Sie Projekte auf GitHub oder tragen Sie zu beliebten KI-Bibliotheken wie LangChain oder AutoGen bei.
• Treten Sie Open-Supply-Communitys bei, um an Multiagenten- und RAG-Systemen (Retrieval-Augmented Technology) zusammenzuarbeiten.

Statistik: Die Beiträge zu Open-Supply-KI-Projekten stiegen im Jahr 2023 um 40 %.

Führen Sie nachhaltige KI-Praktiken ein

Nachhaltigkeit ist für eine verantwortungsvolle KI-Entwicklung von entscheidender Bedeutung. Das Coaching großer Modelle wie GPT-3 verursacht so viel Kohlenstoff wie 125 Flüge von New York nach Peking (MIT Expertise Overview). Die Einführung nachhaltiger Praktiken sorgt für langfristige Innovation und reduziert gleichzeitig die Auswirkungen auf die Umwelt.

Umsetzbare Schritte:

• Nutzen Sie energieeffiziente Architekturen
  • Entdecken Sie Modelle wie DistilBERT und TinyBERT für einen geringeren Energieverbrauch.
  • Wenden Sie Modellbereinigung und Quantisierung an, um größere Modelle zu optimieren.
• Nutzen Sie grüne Cloud-Plattformen
• Implementieren Sie effiziente Trainingstechniken
  • Optimieren Sie Arbeitsabläufe mit Gradienten-Checkpointing und gemischtes Präzisionstraining.
  • Verfolgen Sie CO2-Emissionen mit Instruments wie CodeCarbon.
• Unterstützen Sie grüne Initiativen
  • Arbeiten Sie mit Klimawandel-KI für nachhaltige Projekte.
  • Arbeiten Sie mit erneuerbaren Rechenzentren wie den Inexperienced Knowledge Facilities von Change.

Warum es wichtig ist

Der Energiebedarf der KI steigt rasant. Fachleute, die der Nachhaltigkeit Priorität einräumen, können umweltfreundliche Innovationen vorantreiben und sicherstellen, dass KI der Gesellschaft zugute kommt, ohne dem Planeten zu schaden. Lasst uns eine grünere KI-Zukunft aufbauen!

Führen Sie mit wirkungsvollen Projekten

Sowohl Eric Schmidt als auch Andrew Ng betonen, wie wichtig es ist, an Projekten zu arbeiten, die sich mit realen Herausforderungen befassen. Von Multi-Agenten-Systemen bis hin zu personalisierter Bildung – wirkungsvolle Projekte stellen Ihre Fähigkeiten unter Beweis und treiben Veränderungen voran.

Umsetzbare Schritte:

• Schließen Sie dieses Jahr mindestens drei bedeutende Projekte ab, die sich auf Bereiche mit großer Wirkung wie Gesundheitswesen, Klimaschutz oder Bildung konzentrieren.
• Teilen Sie Ihre Projekte auf Plattformen wie Kaggle oder GitHub, um Sichtbarkeit und Suggestions zu erhalten.

Abschluss

„Bei der Zukunft der KI geht es nicht nur um das, was Sie jetzt wissen – es geht darum, sich auf das vorzubereiten, was als nächstes kommt.“
– Eric Schmidt.

Das Jahr 2025 bietet GenAI-Experten eine unglaubliche Gelegenheit, verantwortungsvoll Innovationen zu entwickeln, disziplinübergreifend zusammenzuarbeiten und einen bleibenden Eindruck zu hinterlassen. Indem Sie diese 10 Vorsätze annehmen, die von den Erkenntnissen von Eric Schmidt und Andrew Ng inspiriert sind, können Sie Ihre Karriere vorantreiben und gleichzeitig die Zukunft der KI sinnvoll gestalten.

Machen wir dieses Jahr zu einem transformativen Meilenstein in der generativen KI-Innovation und der Entwicklung intelligenter KI-Agenten.

Wichtige Erkenntnisse

• GenAI-Experten können Innovationen vorantreiben, indem sie neue Technologien beherrschen und über die KI-Forschung auf dem Laufenden bleiben.
• Um im Bereich KI wettbewerbsfähig zu bleiben, ist es wichtig, durch kontinuierliche Weiterbildung und Forschung auf dem Laufenden zu bleiben.
• Die Nutzung unstrukturierter Daten und die Beherrschung des KI-Agentendesigns sind der Schlüssel zur Erschließung neuer Möglichkeiten in der KI.
• Interdisziplinäre Zusammenarbeit und verantwortungsvoller KI-Einsatz sind entscheidend für die Erzielung sinnvoller und ethischer Fortschritte.
• Die Einführung nachhaltiger KI-Praktiken gewährleistet langfristige Innovationen und minimiert gleichzeitig die Auswirkungen auf die Umwelt.

Häufig gestellte Fragen

Importe und Datenladen

Wir beginnen mit dem Import einiger praktischer Bibliotheken und Module.

import json
from transformers import CLIPProcessor, CLIPTextModelWithProjection
from torch import load, matmul, argsort
from torch.nn.useful import softmax

Als Nächstes importieren wir Textual content- und Bildblöcke aus Multimodale LLMs Und Multimodale Einbettungen Blogbeiträge. Diese werden in .json-Dateien gespeichert, die als Liste von Wörterbüchern in Python geladen werden können.

# load textual content chunks
with open('knowledge/text_content.json', 'r', encoding='utf-8') as f:
text_content_list = json.load(f)
# load photos
with open('knowledge/image_content.json', 'r', encoding='utf-8') as f:
image_content_list = json.load(f)

Obwohl ich den Datenvorbereitungsprozess hier nicht besprechen werde, befindet sich der von mir verwendete Code auf der GitHub-Repo.

Wir laden auch die multimodalen Einbettungen (von CLIP) für jedes Ingredient in text_content_list Und image_content_list. Diese werden als Pytorch-Tensoren gespeichert.

# load embeddings
text_embeddings = load('knowledge/text_embeddings.pt', weights_only=True)
image_embeddings = load('knowledge/image_embeddings.pt', weights_only=True)
print(text_embeddings.form)
print(image_embeddings.form)
# >> torch.Measurement((86, 512))
# >> torch.Measurement((17, 512))

Wenn wir die Type dieser Tensoren ausdrucken, sehen wir, dass sie durch 512-dimensionale Einbettungen dargestellt werden. Und wir haben 86 Textblöcke und 17 Bilder.

Multimodale Suche

Nachdem unsere Wissensdatenbank geladen ist, können wir nun eine Abfrage für die Vektorsuche definieren. Dies besteht aus der Übersetzung einer Eingabeabfrage in eine Einbettung mithilfe von CLIP. Dies machen wir analog zu den Beispielen aus dem vorheriger Beitrag.

# question
question = "What's CLIP's contrastive loss operate?"
# embed question (4 steps)
# 1) load mannequin
mannequin = CLIPTextModelWithProjection.from_pretrained("openai/clip-vit-base-patch16")
# 2) load knowledge processor
processor = CLIPProcessor.from_pretrained("openai/clip-vit-base-patch16")
# 3) pre-process textual content
inputs = processor(textual content=(textual content), return_tensors="pt", padding=True)
# 4) compute embeddings with CLIP
outputs = mannequin(**inputs)
# extract embedding
query_embed = outputs.text_embeds
print(query_embed.form)
# >> torch.Measurement((1, 512))

Wenn wir die Type ausdrucken, sehen wir, dass wir einen einzelnen Vektor haben, der die Abfrage darstellt.

Um eine Vektorsuche in der Wissensdatenbank durchzuführen, müssen wir Folgendes tun.

1. Berechnen Sie Ähnlichkeiten zwischen der Abfrageeinbettung und allen Textual content- und Bildeinbettungen.
2. Skalieren Sie die Ähnlichkeiten über die Softmax-Funktion neu, sodass sie von 0 bis 1 reichen.
3. Sortieren Sie die skalierten Ähnlichkeiten und geben Sie die besten okay Ergebnisse zurück.
4. Filtern Sie abschließend die Ergebnisse, um nur Elemente oberhalb eines vordefinierten Ähnlichkeitsschwellenwerts beizubehalten.

So sieht das im Code für die Textblöcke aus.

# outline okay and simiarlity threshold
okay = 5
threshold = 0.05
# multimodal search over articles
text_similarities = matmul(query_embed, text_embeddings.T)
# rescale similarities by way of softmax
temp=0.25
text_scores = softmax(text_similarities/temp, dim=1)
# return prime okay filtered textual content outcomes
isorted_scores = argsort(text_scores, descending=True)(0)
sorted_scores = text_scores(0)(isorted_scores)
itop_k_filtered = (idx.merchandise() 
for idx, rating in zip(isorted_scores, sorted_scores) 
if rating.merchandise() >= threshold)(:okay)
top_k = (text_content_list(i) for i in itop_k_filtered)
print(top_k)

# prime okay outcomes
({'article_title': 'Multimodal Embeddings: An Introduction',
'part': 'Contrastive Studying',
'textual content': 'Two key points of CL contribute to its effectiveness'})

Oben sehen wir die besten Textergebnisse. Beachten Sie, dass wir jedoch nur einen Artikel haben okay=5. Dies liegt daran, dass die 2. bis 5. Elemente unter dem Schwellenwert von 0,1 lagen.

Interessanterweise scheint dieser Artikel für unsere erste Anfrage nicht hilfreich zu sein „Was ist die Kontrastverlustfunktion von CLIP?“ Dies unterstreicht eine der größten Herausforderungen der Vektorsuche: Elemente, die einer bestimmten Anfrage ähneln, helfen möglicherweise nicht unbedingt bei der Beantwortung dieser Frage.

Eine Möglichkeit, dieses Downside abzumildern, besteht darin, unsere Suchergebnisse durch Erhöhen weniger streng einzuschränken okay und die Ähnlichkeit verringern Schwelleund hoffe dann, dass der LLM herausfinden kann, was hilfreich ist und was nicht.

Dazu packe ich zunächst die Schritte der Vektorsuche in eine Python-Funktion.

def similarity_search(query_embed, target_embeddings, content_list, 
okay=5, threshold=0.05, temperature=0.5):
"""
Carry out similarity search over embeddings and return prime okay outcomes.
"""
# Calculate similarities
similarities = torch.matmul(query_embed, target_embeddings.T)
# Rescale similarities by way of softmax
scores = torch.nn.useful.softmax(similarities/temperature, dim=1)
# Get sorted indices and scores
sorted_indices = scores.argsort(descending=True)(0)
sorted_scores = scores(0)(sorted_indices)
# Filter by threshold and get prime okay
filtered_indices = (
idx.merchandise() for idx, rating in zip(sorted_indices, sorted_scores) 
if rating.merchandise() >= threshold
)(:okay)
# Get corresponding content material gadgets and scores
top_results = (content_list(i) for i in filtered_indices)
result_scores = (scores(0)(i).merchandise() for i in filtered_indices)
return top_results, result_scores

Legen Sie dann umfassendere Suchparameter fest.

# search over textual content chunks
text_results, text_scores = similarity_search(query_embed, text_embeddings, 
text_content_list, okay=15, threshold=0.01, temperature=0.25)
# search over photos
image_results, image_scores = similarity_search(query_embed, image_embeddings, 
image_content_list, okay=5, threshold=0.25, temperature=0.5)

Dies führt zu 15 Textergebnissen und 1 Bildergebnis.

1 - Two key points of CL contribute to its effectiveness
2 - To make a category prediction, we should extract the picture logits and consider 
which class corresponds to the utmost.
3 - Subsequent, we are able to import a model of the clip mannequin and its related knowledge 
processor. Observe: the processor handles tokenizing enter textual content and picture 
preparation.
4 - The fundamental thought behind utilizing CLIP for 0-shot picture classification is to 
move a picture into the mannequin together with a set of attainable class labels. Then, 
a classification may be made by evaluating which textual content enter is most just like 
the enter picture.
5 - We will then match the perfect picture to the enter textual content by extracting the textual content 
logits and evaluating the picture similar to the utmost.
6 - The code for these examples is freely obtainable on the GitHub repository.
7 - We see that (once more) the mannequin nailed this straightforward instance. However let’s attempt 
some trickier examples.
8 - Subsequent, we’ll preprocess the picture/textual content inputs and move them into the mannequin.
9 - One other sensible software of fashions like CLIP is multimodal RAG, which 
consists of the automated retrieval of multimodal context to an LLM. Within the 
subsequent article of this sequence, we are going to see how this works beneath the hood and 
assessment a concrete instance.
10 - One other software of CLIP is actually the inverse of Use Case 1. 
Quite than figuring out which textual content label matches an enter picture, we are able to 
consider which picture (in a set) finest matches a textual content enter (i.e. question)—in 
different phrases, performing a search over photos.
11 - This has sparked efforts towards increasing LLM performance to incorporate 
a number of modalities.
12 - GPT-4o — Enter: textual content, photos, and audio. Output: textual content.FLUX — Enter: textual content. 
Output: photos.Suno — Enter: textual content. Output: audio.
13 - The usual strategy to aligning disparate embedding areas is 
contrastive studying (CL). A key instinct of CL is to symbolize totally different 
views of the identical data equally (5).
14 - Whereas the mannequin is much less assured about this prediction with a 54.64% 
chance, it appropriately implies that the picture will not be a meme.
15 - (8) Mini-Omni2: In direction of Open-source GPT-4o with Imaginative and prescient, Speech and Duplex 
Capabilities

Aufforderndes MLLM

Obwohl die meisten dieser Textelementergebnisse für unsere Abfrage nicht hilfreich zu sein scheinen, ist das Bildergebnis genau das, wonach wir suchen. Lassen Sie uns dennoch anhand dieser Suchergebnisse sehen, wie LLaMA 3.2 Imaginative and prescient auf diese Anfrage reagiert.

Wir werden die Suchergebnisse zunächst als intestine formatierte Zeichenfolgen strukturieren.

text_context = ""
for textual content in text_results:
if text_results:
text_context = text_context + "**Article title:** " 
+ textual content('article_title') + "n"
text_context = text_context + "**Part:**  " 
+ textual content('part') + "n"
text_context = text_context + "**Snippet:** " 
+ textual content('textual content') + "nn"

image_context = ""
for picture in image_results:
if image_results:
image_context = image_context + "**Article title:** " 
+ picture('article_title') + "n"
image_context = image_context + "**Part:**  " 
+ picture('part') + "n"
image_context = image_context + "**Picture Path:**  " 
+ picture('image_path') + "n"
image_context = image_context + "**Picture Caption:** " 
+ picture('caption') + "nn"

Beachten Sie die Metadaten, die jedem Textual content- und Bildelement beiliegen. Dies wird dem LLaMA helfen, den Kontext des Inhalts besser zu verstehen.

Als nächstes verschachteln wir die Textual content- und Bildergebnisse zu einer Eingabeaufforderung.

# assemble immediate template
immediate = f"""Given the question "{question}" and the next related snippets:
{text_context}
{image_context}
Please present a concise and correct reply to the question, incorporating 
related data from the offered snippets the place attainable.
"""

Die letzte Eingabeaufforderung ist ziemlich lang, daher werde ich sie hier nicht abdrucken. Es wird jedoch vollständig im angezeigt Beispiel-Notizbuch auf GitHub.

Endlich können wir es verwenden Ollama um diese Aufforderung an LLaMA 3.2 Imaginative and prescient weiterzuleiten.

ollama.pull('llama3.2-vision')
response = ollama.chat(
mannequin='llama3.2-vision',
messages=({
'function': 'consumer',
'content material': immediate,
'photos': (picture("image_path") for picture in image_results)
})
)
print(response('message')('content material'))

The picture depicts a contrastive loss operate for aligning textual content and picture 
representations in multimodal fashions. The operate is designed to reduce the 
distinction between the similarity of constructive pairs (text-image) and unfavourable 
pairs (text-text or image-image). This loss operate is often utilized in CLIP, 
which stands for Contrastive Language-Picture Pre-training.
**Key Parts:**
*   **Optimistic Pairs:** Textual content-image pairs the place the textual content describes a picture.
*   **Damaging Pairs:** Textual content-text or image-image pairs that don't belong to 
the identical class.
*   **Contrastive Loss Operate:** Calculates the distinction between constructive 
and unfavourable pairs' similarities.
**The way it Works:**
1.  **Textual content-Picture Embeddings:** Generate embeddings for each textual content and pictures 
utilizing a multimodal encoder (e.g., CLIP).
2.  **Optimistic Pair Similarity:** Calculate the similarity rating between every 
text-image pair.
3.  **Damaging Pair Similarity:** Calculate the similarity scores between all 
unfavourable pairs.
4.  **Contrastive Loss Calculation:** Compute the contrastive loss by 
minimizing the distinction between constructive and unfavourable pairs' similarities.
**Advantages:**
*   **Multimodal Alignment:** Aligns textual content and picture representations for higher 
understanding of visible content material from textual content descriptions.
*   **Improved Efficiency:** Enhances efficiency in downstream duties like 
picture classification, retrieval, and technology.

Das Modell erkennt richtig, dass das Bild die benötigten Informationen enthält und erklärt die allgemeine Instinct seiner Funktionsweise. Allerdings ist es missversteht die Bedeutung von positiven und negativen Paarendenkend, dass ein negatives Paar einem Paar derselben Modalität entspricht.

Während wir die Implementierungsdetails Schritt für Schritt durchgingen, habe ich hier mithilfe von Gradio alles in eine schöne Benutzeroberfläche gepackt Notizbuch im GitHub-Repo.

Multimodale RAG-Systeme können in verschiedenen Formaten gespeichertes Wissen synthetisieren und so die Möglichkeiten von KI erweitern. Hier haben wir drei einfache Strategien zur Entwicklung eines solchen Methods besprochen und dann eine Beispielimplementierung eines multimodalen Weblog-QS-Assistenten gesehen.

Obwohl das Beispiel für diese Demonstration intestine genug funktionierte, gibt es klare Einschränkungen beim Suchvorgang. Einige Techniken, die dies verbessern können, umfassen die Verwendung von a Reranker zur Verfeinerung der Ähnlichkeitssuche Ergebnisse und zur Verbesserung der Suchqualität über fein abgestimmte multimodale Einbettungen.

Wenn Sie zukünftige Beiträge zu diesen Themen sehen möchten, lassen Sie es mich in den Kommentaren wissen

Mehr zu multimodalen Modellen

Bild vom Autor | Canva

Sie sind wahrscheinlich in Ihrer Rolle und fragen sich, wie Sie Ihre Fähigkeiten mit dem neuen Increase der generativen KI verbessern können. Nun, keine Sorge, das Crew von KDnuggets hat alles für Sie. Der KI-Bereich entwickelt sich schneller, als wir blinzeln können – insbesondere die generative KI.

Viele von uns nutzen generative KI in ihren täglichen Arbeitsabläufen und auch privat. Wenn Sie jedoch daran interessiert sind, wie Sie Ihre Fähigkeiten verbessern, generative KI nutzen und vor allem das Gefühl haben können, dass Ihr Arbeitsplatz nicht gefährdet ist, sollten Sie sich am besten darüber informieren.

In diesem Weblog gehe ich auf eine Reihe von Spezialisierungskursen zur generativen KI für bestimmte Berufe ein.

Generative KI für Datenanalysten

Hyperlink: Generative KI für Datenanalysten

Die Artwork und Weise, wie Organisationen Entscheidungen mithilfe generativer KI treffen, nimmt zu. Daher liegt es in Ihrer Verantwortung als Datenanalyst, zu verstehen, wie die generative KI-Datenanalyse Ihre Organisation verbessern kann.

In diesem von IBM angebotenen Spezialisierungskurs lernen Sie reale Anwendungsfälle generativer KI sowie beliebte Modelle und Instruments generativer KI für die Generierung von Textual content, Code, Bildern, Audio und Video kennen. Sie vertiefen sich in Konzepte des generativen KI-Immediate-Engineerings, verwenden Immediate-Techniken wie Zero-Shot und Few-Shot und erkunden verschiedene Immediate-Engineering-Ansätze und Instruments wie IBM Watson, Immediate Lab, Spellbook und Mud.

Anschließend erweitern Sie Ihr Wissen, indem Sie die Bausteine ​​und Basismodelle der generativen KI, wie GPT, DALL-E und IBM Watson Studio, sowie die ethischen Implikationen, Überlegungen und Herausforderungen bei der Verwendung generativer KI in verschiedenen Branchen verstehen.

Generative KI für die Cybersicherheit

Hyperlink: Generative KI für die Cybersicherheit

Ich glaube, dass Cybersicherheit nicht so viel Aufmerksamkeit bekommt, wie sie verdient. Sie sind die Masterminds hinter der Absicherung einer Organisation, um sicherzustellen, dass sie effektiv arbeiten kann. Als Cybersicherheitsexperte ist das Erlernen generativer KI-Fähigkeiten ein wesentlicher Bestandteil Ihres täglichen Werkzeugkastens.

In diesem Spezialisierungskurs von IBM lernen Sie zunächst den Unterschied zwischen generativer KI und diskriminativer KI. Anschließend tauchen Sie ein und erkunden reale Anwendungsfälle generativer KI und entdecken beliebte Modelle generativer KI. Sie werden sich auch mit technischen Konzepten generativer KI befassen. Und nicht zuletzt lernen Sie die grundlegenden Konzepte der Verwendung generativer KI für die Cybersicherheit kennen und erfahren, wie Sie Techniken generativer KI auf reale Szenarien anwenden, darunter UBEA, Bedrohungsinformationen, Berichtszusammenfassung und Playbooks, und deren Auswirkungen und Schwachstellen bewerten.

Generative KI für Dateningenieure

Hyperlink: Generative KI für Dateningenieure

Als Dateningenieur drehen sich Ihre Aufgaben und Verantwortlichkeiten um die effiziente Datenerfassung, -generierung, -transformation und -speicherung. Mithilfe von generativem A können Sie Instruments verwenden, die jede der Datentechnikaufgaben in einer ETL-Pipeline effizienter, effektiver und komfortabler gestalten können.

Dieser IBM-Spezialisierungskurs richtet sich nicht nur an Dateningenieure, sondern an alle, die sich für den Einsatz generativer KI im Daten-Engineering interessieren. In drei Kursen im eigenen Tempo lernen Sie zunächst die Unterschiede zwischen generativer und diskriminativer KI kennen. Sie vertiefen sich in reale Anwendungsfälle generativer KI und erkunden beliebte Modelle und Instruments generativer KI für die Generierung von Textual content, Code, Bildern, Audio und Video. Und nicht zuletzt lernen Sie Immediate-Techniken wie Zero-Shot und Few-Shot kennen und erkunden verschiedene Immediate-Engineering-Ansätze und häufig verwendete Immediate-Engineering-Instruments wie IBM Watsonx, Immediate Lab, Spellbook und Mud.

Generative KI für Softwareentwickler

Hyperlink: Generative KI für Softwareentwickler

Heutzutage können Sie als Softwareentwickler von dieser revolutionären Technologie der generativen KI in vielerlei Hinsicht profitieren, zum Beispiel durch das Schreiben von qualitativ hochwertigem Code mit weniger Fehlern. Generative KI für Softwareentwickler steigert nachweislich deren allgemeine Effektivität und Effizienz – was generative KI zu einer unverzichtbaren und unverzichtbaren Fähigkeit für Softwareentwickler macht.

Dieser IBM-Spezialisierungskurs richtet sich an Personen im Softwareentwicklungssektor, die die Leistungsfähigkeit generativer KI in ihrem täglichen Arbeitsablauf nutzen möchten. Er richtet sich jedoch nicht nur an Softwareentwickler, sondern auch an bestehende und angehende Webentwickler, Entwickler mobiler Apps, Frontend-Entwickler, Backend-Entwickler, Full-Stack-Entwickler, DevOps-Experten und Website Reliability Engineers (SREs).

In dieser Spezialisierung beginnen Sie mit den Grundlagen der generativen KI, einschließlich ihrer Verwendungsmöglichkeiten, Modelle und Instruments zur Generierung von Textual content, Code, Bildern, Audio und Video. Fahren Sie mit dem Immediate Engineering fort und erkunden Sie verschiedene Immediate-Engineering-Ansätze und Immediate-Engineering-Instruments, darunter IBM Watsonx, Immediate Lab, Spellbook und Mud.

Generative KI für Produktmanager

Hyperlink: Generative KI für Produktmanager

Benötigen Sie Unterstützung bei der Entwicklung, Markteinführung und Auslieferung Ihrer Produkte? Als Produktmanager können Sie generative KI nutzen, um einige Ihrer Aufgaben abzugeben. Ob es sich um die Automatisierung von Aufgaben oder die Personalisierung der Benutzererfahrung handelt, generative KI kann bei Design und Entwicklung in der Produktpipeline helfen.

Diese IBM-Spezialisierung hilft Produktmanagern, egal ob sie neu oder erfahren sind, sich mit generativer KI vertraut zu machen und Erkenntnisse darüber zu gewinnen, wie sie diese Technologie zu ihrem Vorteil nutzen können. Sie lernen zunächst, wie man generative KI von diskriminativer KI unterscheidet, und vertiefen sich dann in reale Anwendungsfälle generativer KI und erkunden beliebte Modelle generativer KI.

Anschließend beherrschen Sie generative KI-Immediate-Engineering-Konzepte für reale Geschäftsanwendungen. Erfahren Sie mehr über Immediate-Techniken wie Zero-Shot und Few-Shot, verschiedene Immediate-Engineering-Ansätze und Instruments wie IBM Watsonx und Spellbook. Zu guter Letzt erkunden Sie spezifische generative KI-Techniken und -Prozesse, mit denen Produktmanager bessere Produkte in kürzerer Zeit liefern können.

Einpacken

5 verschiedene Spezialisierungskurse für 5 verschiedene Berufe. Obwohl der Inhalt dieser Spezialisierungskurse sehr ähnlich ist, liegt der Hauptunterschied darin, wie sie auf die jeweilige Berufsbezeichnung zugeschnitten sind, um sicherzustellen, dass Sie als Lernender den größtmöglichen Nutzen daraus ziehen und ihn in Ihrem täglichen Arbeitsablauf anwenden können.

Nisha Arya ist Datenwissenschaftlerin, freiberufliche technische Redakteurin und Redakteurin und Group-Managerin für KDnuggets. Sie ist besonders daran interessiert, Karriereberatung oder Tutorials für die Datenwissenschaft sowie theoriebasiertes Wissen rund um die Datenwissenschaft bereitzustellen. Nisha deckt ein breites Themenspektrum ab und möchte die verschiedenen Möglichkeiten erkunden, wie künstliche Intelligenz die Langlebigkeit des menschlichen Lebens verbessern kann. Als eifrige Lernerin möchte Nisha ihr technisches Wissen und ihre Schreibfähigkeiten erweitern und gleichzeitig anderen helfen, Anleitung zu geben.