Über unsMediaKontaktImpressum

Data Science: Buzzword mit gehaltvollem Kern

Data Science mag heute noch ein Thema mit überschaubarer Praxisrelevanz für spezifische Anwendungen sein, es ist aber wohl eines mit großer Zukunft für eine… >> Weiterlesen

Data Science in der Praxis

Dieser Artikel zeigt, wie Data Scientisten und Engineers Werkzeuge wie DVC (Data Version Control) nutzen können, um sämtliche Elemente eines Projekts zu… >> Weiterlesen

Künstliche Intelligenz interpretierbar machen

KI erledigt einfache, sich wiederholende Aufgaben und automatisiert Entscheidungen. Aber viele Black-Box-Modelle sind nicht leicht zu verstehen. Wir brauchen… >> Weiterlesen

Herausforderungen für die IT-Sicherheit bei der Elektromobilität und autonomem Fahren

Die Zukunft der Verkehrssicherheit: Angriffe auf Bezahlsysteme oder Ladesysteme, vor allem aber die Abwendung der Gefahr von Verkehrsunfällen speziell beim… >> Weiterlesen

KI zum Management der Informationssicherheit?

Jedes Unternehmen braucht ein ISMS. Dieser Artikel skizziert ein Modell für ISMS, bei dem menschliche und künstliche Intelligenz in interdisziplinären Teams… >> Weiterlesen

Sicherheitsschwächen von maschinellen Lernverfahren

Fortschritte im Bereich Machine Learning beflügeln den Traum einer künstlichen Superintelligenz. Ein Überblick, welche Angriffsmöglichkeiten existieren und wie… >> Weiterlesen

Machine Learning on Source Code

Mit Machine Learning-Methoden Source Code analysieren: Dieser Artikel beschreibt verschiedene Ansätze. >> Weiterlesen

Aufbau einer Data Science Pipeline

Der Artikel stellt unter Berücksichtigung der Anforderungen aus Betrieb, Anwendungsentwicklung und dem Data Science einen erprobten Ansatz für den Aufbau einer… >> Weiterlesen

Predictive Analytics: Potentiale und Grenzen

Vorhersagemodelle mit Big Data, Deep Learning und Data Science: Unternehmen sollten die Potentiale für ihre Anwendungsfälle nicht unterschätzen. >> Weiterlesen

Machine Learning – eine Challenge für Architekten

Vor dem Hintergrund des Data-Science-Prozesses, der den Weg eines ML-Modells von der experimentellen Phase bis zur Operationalisierung beschreibt, vergleicht… >> Weiterlesen
Weitere Artikel >>