Die Untersuchung analysiert die Leistung von zwei lokal eingesetzten LLMs, LLaMA 3.2 und Mistral, bei der Fehlererkennung in Python-Code. Anhand des BugsInPy-Benchmarks wurden 349 Fehler über 17 Projekte evaluiert. Die Modelle erzielten eine Genauigkeit zwischen 43% und 45%, wobei viele Antworten nur teilweise korrekt waren und problematische Codebereiche identifizierten, ohne die genauen Lösungen anzugeben. Die Ergebnisse verdeutlichen die Herausforderungen bei der Fehlerlokalisierung, insbesondere bei komplexen und kontextabhängigen Bugs in realistischen Entwicklungsszenarien.
Das Framework FeatEHR-LLM adressiert die Herausforderungen der Merkmalsgenerierung aus elektronischen Gesundheitsakten, die durch unregelmäßige Beobachtungsintervalle und strukturelle Sparsamkeit gekennzeichnet sind. Es verwendet große Sprachmodelle, um bedeutungsvolle tabellarische Merkmale zu erzeugen, ohne auf Rohdaten der Patienten zuzugreifen. Durch spezialisierte Routinen kann das Modell ausführbaren Code zur Merkmals-Extraktion generieren, der unregelmäßige Datenmuster berücksichtigt. In Tests zeigte das Framework signifikante Verbesserungen in der Vorhersagegenauigkeit.
Transthorakale Echokardiographie ist der Referenzstandard zur Bestätigung struktureller Herzerkrankungen, jedoch sind die ersten Screening-Methoden durch Kosten und Verfügbarkeit von Spezialisten eingeschränkt. Der Artikel bewertet, ob offene vortrainierte Elektrokardiogramm-Modelle die echokardiographisch bestätigte Erkennung mehrerer struktureller Herzerkrankungen unterstützen können. Die Ergebnisse zeigen, dass angepasste Modelle die beste Gesamtleistung erzielen und eine effektive Strategie zur Fallfindung und Triage darstellen.
In der Arbeit wird ein bestehendes sprachbewusstes Sprachmodell erweitert, um Zeitstempel direkt neben Transkripten vorherzusagen. Es werden neuartige, leichte Trainingsstrategien eingeführt, die die Robustheit der Ausrichtung verbessern und gleichzeitig die Erkennungsqualität bewahren. Die Experimente zeigen, dass diese Strategien nicht nur die Genauigkeit der Zeitstempel erhöhen, sondern auch die Gesamtleistung der ASR-Systeme steigern. Dies stellt einen effizienten und einheitlichen Ansatz zur Spracherkennung mit präziser Zeitstempelvorhersage dar.
Das iWatchRoad-System bietet eine umfassende Lösung zur automatisierten Erkennung von Schlaglöchern auf Straßen. Es verwendet ein selbst annotiertes Dataset von über 7.000 Bildern, das unter verschiedenen Bedingungen aufgenommen wurde. Durch die Kombination von Computer Vision und GPS-Technologie ermöglicht es eine präzise Geotagging und Visualisierung der erkannten Schlaglöcher. Die gesammelten Daten werden in einer benutzerfreundlichen Weboberfläche dargestellt, die für die Planung von Straßenwartung und -bewertung geeignet ist. Dieses kosteneffiziente und skalierbare System ist besonders für städtische und ländliche Gebiete in Entwicklungsländern von Bedeutung.
Kakao Mobility plant die Entwicklung von Technologien für autonomes Fahren der Stufe 4, die in definierten Servicebereichen ohne menschliche Kontrolle operieren können. Die Roadmap umfasst drei Haupttechnologiebereiche: maschinelles Lernen, Fahrzeugredundanz und Validierungssysteme. Zudem wird ein integriertes Sicherheitsmanagementsystem entwickelt, das Echtzeit-Überwachung und Anomalieerkennung ermöglicht. Das Unternehmen strebt an, ausgewählte Technologien mit anderen Unternehmen zu teilen, um ein offenes Ökosystem für autonome Fahrdienste zu fördern.
Laut einer Umfrage des TÜV-Verbands haben viele Unternehmen in Deutschland bereits generative KI-Tools in ihren Arbeitsalltag integriert. Dennoch besteht ein erheblicher Weiterbildungsbedarf, da nur ein kleiner Teil der Mitarbeiter entsprechende Schulungen erhalten hat. Besonders große Unternehmen erkennen die Bedeutung von KI und investieren in die Qualifizierung ihrer Mitarbeiter, während der Mittelstand hinterherhinkt. Die Studie hebt hervor, dass Weiterbildung in wirtschaftlich angespannten Zeiten oft vernachlässigt wird, was als Fehler angesehen wird. Unternehmen sollten gezielt in die Weiterbildung ihrer Mitarbeiter investieren, um im digitalen Wettbewerb nicht zurückzufallen.
Die genaue Modellierung von Signalverlusten ist entscheidend für die Verbesserung der Leistung drahtloser Netzwerke in städtischen Gebieten. Traditionelle Messmethoden sind teuer und zeitaufwendig. Diese Studie schlägt ein maschinelles Lernframework vor, das passiv gesammelte Daten von Benutzerausrüstungen mit öffentlichen Informationen kombiniert. Die Ergebnisse zeigen, dass der vorgeschlagene Ansatz eine praktikable, datengestützte Alternative zu traditionellen Modellen darstellt und das Potenzial hat, die Netzwerkplanung und die Optimierung der Innenabdeckung zu unterstützen.
In der Studie werden sechs Algorithmen zur Vorhersage von Strompreisen im National Electricity Market Australiens untersucht. Die Ergebnisse zeigen, dass baumbasierte Modelle, insbesondere GBRT, bessere Vorhersagen liefern als LSTM und SVR. Trotz dieser Fortschritte bleibt die Vorhersagegenauigkeit herausfordernd, da alle Modelle eine hohe Fehlerquote aufweisen. Zukünftige Verbesserungen könnten durch hybride Modelle und Datenaugmentation erreicht werden.
In der Schönheitsindustrie gewinnt Künstliche Intelligenz zunehmend an Bedeutung. L’Oréal hat seine Partnerschaft mit Nvidia erweitert, um innovative Lösungen zu entwickeln, die sowohl die Produktentwicklung als auch die Kundeninteraktion verbessern. Diese Technologien ermöglichen es L’Oréal, maßgeschneiderte Produkte anzubieten und die Effizienz in verschiedenen Bereichen zu steigern.