In den letzten 18 Monaten hat sich die Kluft zwischen den Fähigkeiten von Sprachmodellen und der Roboterbereitstellung erheblich verringert. Eine neue Klasse von Grundmodellen, die nicht für die Textgenerierung, sondern für physische Aktionen entwickelt wurden, wird nun in Fabriken, Lagern und Forschungslabors eingesetzt. Zu den vorgestellten Modellen gehören NVIDIA Isaac GR00T, Google DeepMind Gemini Robotics und Physical Intelligence, die alle unterschiedliche Ansätze zur Verbesserung der Robotik bieten. Diese Systeme werden sowohl in der Industrie als auch in der Forschung evaluiert und eingesetzt, wobei einige bereits in der Praxis Anwendung finden.
Nach sieben Jahren im Einsatz hat Vodafone seinen Chatbot TOBi aktualisiert, um die Effizienz im Kundenservice zu steigern. Mit der Integration von generativer KI kann der Chatbot nun flexibler und empathischer auf Kundenanliegen reagieren. Er greift auf interne Produktinformationen und Webseiten zu, um Anfragen besser zu verstehen und zu beantworten. Zudem lernt der Chatbot kontinuierlich aus Interaktionen und wird täglich von ehemaligen Kundenberatern auf die Qualität seiner Antworten überprüft.
In der Studie wird ein dreikomponentiges Framework vorgestellt, das strukturierte elektronische Gesundheitsdaten in Patienten-Sequenzen umwandelt. Die entwickelten Modelle, insbesondere das Modell Llama, übertreffen alternative Ansätze in der Vorhersage von klinischer Instabilität und Mortalität. Die Ergebnisse unterstützen eine patientenzentrierte Entscheidungsfindung bei der Entlassung aus dem Krankenhaus und bieten wertvolle Einblicke in die Risikostratifizierung nach der Entlassung.
Die Bewertung der Obstqualität nach der Ernte ist entscheidend zur Reduzierung von Lebensmittelverschwendung. Traditionelle Methoden sind oft teuer und erfordern umfangreiche Daten und Fachwissen. In dieser Studie wurden 20 klassische Machine-Learning-Algorithmen auf hyperspektralen Bilddaten evaluiert, um die Reife und Festigkeit von fünf Obstsorten zu klassifizieren. Die Ergebnisse zeigen, dass baumbasierte Modelle die Genauigkeit von Deep-Learning-Modellen übertreffen können und dass nur drei sichtbare Wellenlängen benötigt werden, um über 94% der Genauigkeit zu erreichen. Dies zeigt das Potenzial kostengünstiger multispektraler Sensoren in der Obstqualitätssortierung.
Angesichts der ehrgeizigen Dekarbonisierungsziele ist die genaue Vorhersage der Energieerzeugung aus Offshore-Windkraft entscheidend für die Stabilität des Stromnetzes und das effiziente Management von Reserven. Der Artikel schlägt ein innovatives Transfer-Learning-Modell vor, das meteorologische Merkmale nutzt, um die Vorhersagegenauigkeit zu erhöhen. Durch die Verwendung von Expertenmodellen, die auf spezifische Wetterbedingungen trainiert sind, können neue Windkraftanlagen effizienter in Betrieb genommen werden. Die Ergebnisse zeigen, dass zuverlässige Vorhersagen auch mit weniger als fünf Monaten standortspezifischer Daten möglich sind.
Die vorgestellte Anwendung ermöglicht eine vollständige lokale Pipeline für maschinelles Lernen, die Firmware-Flashen, Bildsammlung, CNN-Training und Visualisierung umfasst, ohne dass zusätzliche Software installiert werden muss. Die Anwendung bietet Funktionen wie Firmware-Flashen im Browser, Bildbearbeitung und Live-Synchronisation von Hyperparametern. Die Trainingszeit für ein dreiklassiges Modell beträgt etwa eine Minute im Browser, was den gesamten Zyklus von Sammlung bis Bereitstellung auf unter zehn Minuten reduziert. Alle Daten bleiben lokal und es wird eine stabile Konvergenz bei den Trainingsläufen nachgewiesen.
In der Anforderungsanalyse, die oft durch textuelle und repetitive Artefakte geprägt ist, haben große Sprachmodelle (LLMs) das Potenzial, die Generierung und Verarbeitung zu automatisieren. Der Artikel beschreibt einen Ansatz zur Automatisierung des Prozesses der Zielorientierten Anforderungsanalyse (GORE), bei dem funktionale Ziele aus Softwaredokumentationen extrahiert werden. Dies geschieht in drei Phasen: Identifikation der Akteure, Extraktion von hoch- und niedrigstufigen Zielen. Die Autoren experimentieren mit verschiedenen Varianten des In-Context-Lernens und messen die Ähnlichkeiten zwischen Eingabedaten und Beispielen, um deren Einfluss zu untersuchen. Die Ergebnisse zeigen, dass der Ansatz am besten als Werkzeug zur Beschleunigung der manuellen Extraktion geeignet ist, anstatt als vollständiger Ersatz.
In der heutigen Zeit ist es entscheidend, DevOps-Strategien an die Herausforderungen des KI-Zeitalters anzupassen. Der Artikel hebt hervor, dass Unternehmen ihre DevOps-Prioritäten regelmäßig überprüfen sollten, um sicherzustellen, dass sie mit den aktuellen Zielen übereinstimmen. Zu den empfohlenen Praktiken gehören die Validierung von Code, die Automatisierung von CI/CD-Pipelines und die Einbeziehung von Datenbankschemata. Diese Maßnahmen tragen dazu bei, die Qualität und Sicherheit der Softwareentwicklung zu verbessern und die Effizienz zu steigern.
In diesem Artikel wird ein Agent vorgestellt, der mithilfe von Verstärkendem Lernen trainiert wird, um relevante Erinnerungen aus einem Gedächtnisabrufsystem zu extrahieren. Der Agent nutzt OpenAI-Embeddings, um sowohl Erinnerungen als auch Anfragen in Vektorform darzustellen, was die Auswahl der nützlichsten Informationen erleichtert. Durch den Einsatz des PPO-Algorithmus wird die Entscheidungsfindung des Agenten optimiert, sodass er über einfache Ähnlichkeitssuchen hinausgeht. Der Artikel schließt mit einer Evaluierung des Systems, das zeigt, wie der Agent die Genauigkeit der Antworten eines großen Sprachmodells steigert.
Die Einführung von KI in Unternehmen wird oft durch die Qualität und Struktur der vorhandenen Daten behindert. Viele Unternehmen haben ihre Daten in veralteten Systemen und isolierten Anwendungen gespeichert, was die Nutzung von KI erschwert. Um den vollen Nutzen aus KI zu ziehen, müssen Unternehmen ihre Daten konsolidieren, in offenen Formaten bereitstellen und sicherstellen, dass sie zugänglich und von hoher Qualität sind. Eine gut strukturierte Datenarchitektur ist entscheidend, um KI-gestützte Entscheidungen zu ermöglichen und neue Geschäftsmodelle zu entwickeln. Unternehmen sollten daher ihre Datenbestände analysieren und geeignete Governance-Frameworks implementieren, um die Effizienz und Präzision ihrer KI-Anwendungen zu steigern.