Superbundle iX Special Künstliche Intelligenz (Heft + PDF + Buch)
61,80 €*
% 76,70 €* (19.43% gespart)Lieferzeit Sofort lieferbar
Mit dem Superbundle sparen Sie 14,90 Euro, über 19%.
Komplett im Set: gedrucktes Heft + digitale Ausgabe. Enthalten im Angebot ist auch das Buch "Natural Language Processing mit Transformern“ vom Dpunkt Verlag im Wert von 46,90 Euro.
Mit diesem iX-Sonderheft Künstliche Intelligenz wirft die Redaktion einen unvoreingenommenen und ehrlichen Blick hinter die Technik der großen KI-Modelle. Thema sind neben nach wie vor wichtigen Tools, Frameworks und Methoden natürlich auch die Rohstoffe des Machine Learnings - die Daten.
Dieses Sonderheft ist im iX-Jahresabonnement enthalten.
Highlights:
- Was große KI-Modelle können: So funktionieren GPT-4, Bard, Stable Diffusion und Co.
- Mit LangChain KI-Agenten bauen und eigene Daten nutzen
- Hugging Face - die Zentrale für Open-Source-ML
- Aktuelle GPUs im Leistungsvergleich
- Neuronale Suche: Finden, was wirklich gemeint ist
- Mit PyTorch und scikit-learn in die KI-Entwicklung starten
- KI und Recht: Urheberrecht, DSGVO, Data Act und AI Ac
Auch interessant für Sie:
Mit dem Superbundle sparen Sie 14,90 Euro.
Komplett im Set: gedrucktes Heft + digitale Ausgabe. Enthalten im Angebot ist auch das Buch "Natural Language Processing mit Transformern“ vom Dpunkt Verlag im Wert von 46,90 Euro.
►►► Zum Buch:
Natural Language Processing mit Transformern in Erstauflage aus Februar 2023
Dieses Praxisbuch zeigt Data Scientists und Programmierer*innen, wie sie NLP-Modelle mit Hugging Face Transformers, einer Python-basierten Deep-Learning-Bibliothek, trainieren und skalieren. Transformer liefern hervorragende Ergebnisse bei der maschinellen Sprachverarbeitung und haben sich in den letzten Jahren zur vorherrschenden Architektur im Natural Language Processing entwickelt.
- Erstellen, debuggen und optimieren Sie Transformer-Modelle für zentrale NLP-Aufgaben wie Textklassifizierung, Named Entity Recognition oder Question Answering
- Lernen Sie, wie Transformer für sprachenübergreifendes Transfer Learning verwendet werden
- Wenden Sie Transformer auf reale Anwendungsfälle an, bei denen nur auf wenige gelabelte Daten zurückgegriffen werden kann
- Optimieren Sie Transformer-Modelle für das Deployment mit Techniken wie Distillation, Pruning und Quantisierung
- Trainieren Sie Transformer von Grund auf und lernen Sie, wie sie auf mehreren GPUs und verteilten Umgebungen skalieren
►►► Zum iX-Sonderheft:
Mit diesem Sonderheft Künstliche Intelligenz
wirft die Redaktion einen unvoreingenommenen und ehrlichen Blick hinter
die Technik der großen KI-Modelle. Thema sind neben nach wie vor
wichtigen Tools, Frameworks und Methoden natürlich auch die Rohstoffe
des Machine Learnings - die Daten.
Basics
KI-Modelle verschleiern ihre Funktionsweise gerne durch viele Abstraktionsschichten. Ein Blick hinter die Magie von ChatGPT und Stable Diffusion hilft, große KI-Modelle sinnvoll einzusetzen. Wir zeigen, wie spezielle KI-Hardware das Training beschleunigt, und gehen der Frage nach, wie die Qualität der Trainingsdaten die Fairness der Modelle beeinflusst. (Seite 7)
Werkzeuge
Python hat sich als die Programmiersprache der KI etabliert. Die Frameworks scikit-learn und PyTorch unterstützen Entwickler vom Einstieg bis zum professionellen Einsatz. Jupyter-Notebooks und ihre Alternativen aus der Cloud helfen beim Auswerten der Daten und beim Experimentieren mit Modellen. Aber wo kriegt man Trainingsdaten her? Wir weisen den Weg zu den wichtigsten öffentlichen Quellen. (Seite 49)
Modelle einsetzen
Für viele Einsatzzwecke gibt es bereits geeignete Modelle. Mit der Transformers-Bibliothek von Hugging Face lassen sie sich nutzen. Der neuste Trend bei Chatbots ist das Verknüpfen verschiedener Sprachmodelle. Mit dem Framework LangChain kann man KI-Agenten automatisieren und mit eigenen Daten füttern. Das Ergebnis von Dialogsystemen ist dabei vor allem von der Nutzereingabe – dem Prompt – abhängig. Geschicktes Prompting ist keine Glückssache. (Seite 85)
KI selbst entwickeln
KI-Modelle müssen nicht gleich alle Texte des Internets kennen oder Probleme wie den Klimawandel angehen können. Mit wenig Aufwand lassen sich eigene Modelle zum Experimentieren und zum Erfüllen kleiner Aufgaben erstellen. Das reicht von der neuronalen Suche in der Dokumentensammlung über das Erkennen von Emotionen in Selfies bis zum Klassifizieren der eigenen Musiksammlung mit einem KI-Modell. Wer mit Algorithmen und Modellen noch nicht so vertraut ist, lässt sich diese von AutoML-Werkzeugen vorschlagen. (Seite 105)
Recht und Gesellschaft
Beim Thema KI stehen Entwickler, Anwender und Gesetzgeber noch vor juristischen Herausforderungen. Wie und wo das Urheberrecht gilt, ist umstritten und die DSGVO ist beim Umgang mit Trainingsdaten möglicherweise ein Stolperstein. Kommende Richtlinien wie AI Act und Data Act gilt es jetzt schon mitzudenken. Dabei können KI-Governance-Frameworks Unternehmen Orientierung liefern. Zwei Interviews am Ende des Hefts ordnen den aktuellen gesellschaftlichen und technischen Stand ein und versuchen sich an einem Blick in die Zukunft. (Seite 127)
-
Basics
-
8
Large Language Models
Sprachmodelle verstehen und einsetzen -
16
Generative KI
Stable Diffusion seziert -
20
KI-Beschleuniger
So funktionieren KI-Chips -
28
Hardware
GPUs für das KI-Training -
34
Bias und Fairness
Warum KI oft unfair ist und was dagegen hilft -
40
Datenqualität
Data-centric AI: Wie Datenqualität Fairness beeinflusst
-
8
Large Language Models
-
Werkzeuge
-
50
Machine-Learning-Frameworks
Einstieg in PyTorch -
58
ML-UI
Notebook-Umgebungen für Machine Learning -
66
Data Science
Mit scikit-learn Modelle erstellen -
72
Datenquellen
Offene Datenquellen für ML-Projekte -
80
Algorithmen
Assoziationsanalyse: Wer mit wem?
-
50
Machine-Learning-Frameworks
-
Modelle anwenden
-
86
KI-Modell-Datenbanken
Hugging Face – Zentrale für KI-Modelle -
90
Modelle verketten
Große Sprachmodelle mit LangChain verketten -
98
Knowledge Destillation
Große KI-Modelle mit Destillation eindampfen -
102
Generative KI
Das Einmaleins des Prompt Engineering
-
86
KI-Modell-Datenbanken
-
KI selbst entwickeln
-
106
Dense Passage Retrieval
Maschinen auf Text abrichten -
110
MLOps
Musikklassifikation mit eigenen Modellen -
116
Bilderkennung
Emotionen erkennen mit Deep Learning -
122
AutoML
AutoML mit Microsofts ML.NET Model Builder
-
106
Dense Passage Retrieval
-
Recht und Gesellschaft
-
128
Rechtsrahmen
KI im Spannungsfeld der Regulierung -
132
Urheberrecht
Kampf um das Urheberrecht -
140
DSGVO
KI versus Datenschutz -
144
KI-Governance
Vertrauenswürdige KI organisatorisch umsetzen -
148
Ausblick
Open-Source-Modelle können aufholen - 150 Die Zukunft der KI – ohne Körper keine Intelligenz
-
128
Rechtsrahmen