Fast Forward Labs Research jetzt ohne Abonnement verfügbar

In Zukunft werden alle neuen Reports öffentlich verfügbar sein und können kostenlos heruntergeladen werden. Zudem werden wir im Laufe der Zeit Zugriff auf aktualisierte Versionen älterer Reports gewähren. Schauen Sie daher regelmäßig vorbei, um die verfügbaren kostenlosen Forschungsergebnisse zu prüfen.

Kostenlose Forschungs-Reports

Entdecken Sie unsere neuesten Forschungs-Reports und Prototypen, die für alle frei zugänglich sind. 

Ableiten eines Concept Drift ohne vorklassifizierte Daten

Ein Concept Drift tritt auf, wenn sich die statistischen Eigenschaften einer Zieldomäne im Laufe der Zeit verändern, was zu einer Verschlechterung der Leistungsfähigkeit eines Modells führt. Drifts werden in der Regel im Rahmen der Überwachung einer Leistungskennzahl von Interesse und dem Auslösen einer Neutraining-Pipeline festgestellt, wenn diese Kennzahl unter einen bestimmten Schwellenwert fällt. Dieser Ansatz setzt jedoch voraus, dass zum Zeitpunkt der Vorhersage ausreichend vorklassifizierte Daten zur Verfügung stehen, was für viele Produktionssysteme eine unrealistische Randbedingung darstellt. In diesem Bericht werden verschiedene Ansätze für den Umgang mit Concept Drift untersucht, für Fälle, in denen vorklassifizierte Daten nicht ohne Weiteres verfügbar sind.

Lesen sie den Bericht

Mehr über den Code erfahren

 Ableiten eines Concept Drift ohne vorklassifizierte Daten

Mehrzieloptimierung für Hyperparameter erkunden

Wir entwickeln anhand der „üblichen verdächtigen“ Metriken wie Prognosegenauigkeit, Rückruf und Präzision Modelle für maschinelles Lernen. Diese Metriken sind jedoch selten das Einzige, was uns wirklich interessiert. Produktionsmodelle müssen auch physischen Anforderungen wie Latenzen, Speicherplatzbedarf oder Vorgaben in Bezug auf Fairness entsprechen. Die Optimierung von Hyperparametern gestaltet sich noch schwieriger, wenn mehrere Metriken optimiert werden müssen. Unsere neueste Forschung untersucht dieses Szenario der „Mehrzieloptimierung“ von Hyperparametern im Detail.

Lesen sie den Bericht

Mehr über den Code erfahren

Mehrzieloptimierung für Hyperparameter erkunden

Deep Learning für die automatische Offline-Signaturüberprüfung

Bei der Überprüfung handschriftlicher Signaturen geht es um die automatische Unterscheidung zwischen echten und gefälschten Unterschriften. Dies stellt aufgrund der Allgegenwart handschriftlicher Unterschriften als eine Form der Identifizierung in den Bereichen Recht, Finanzen und Verwaltung eine besonders wichtige Herausforderung dar. In diesem Forschungszyklus wurde der Einsatz von Deep-Metric-Learning-Ansätzen – insbesondere Siamesische Netze – in Kombination mit neuartigen Methoden zur Merkmalsextraktion untersucht, um herkömmliche Verfahren zu verbessern.

Lesen sie den Bericht

Mehr über den Code erfahren

Textklassifizierung mit wenigen Daten

Session-basierte Empfehlungssysteme

Empfehlungssysteme sind zu einem Grundpfeiler modernen Lebens geworden und umfassen Sektoren wie Onlinehandel, Musik- und Video-Streaming und sogar Content-Publishing. Diese Systeme helfen uns dabei, die große Menge von Inhalten im Internet zu durchsuchen, damit wir herausfinden können, was für uns interessant oder wichtig ist. Ein wichtiger Trend in den letzten Jahren waren session-basierte Empfehlungsalgorithmen, die Empfehlungen rein auf der Grundlage der Interaktionen eines Nutzers in einer laufenden Session geben, ohne dafür Nutzerprofile oder deren gesamte historische Präferenzen zu benötigen.

Lesen sie den Bericht

Mehr über den Code erfahren

Textklassifizierung mit wenigen Daten

Textklassifizierung mit wenigen Daten

Die Textklassifizierung kann beispielsweise für Stimmungsanalysen, Themenzuordnungen, zur Dokumentenermittlung oder für Artikelempfehlungen verwendet werden. Es gibt inzwischen Dutzende von Techniken für diese grundlegende Aufgabe. Viele dieser Techniken sind jedoch auf große Mengen an klassifizierten Daten angewiesen, um brauchbare Ergebnisse zu erzielen. Das Erfassen von Annotationen für Ihren Anwendungsfall ist in der Regel einer der kostspieligsten Aspekte jeder Anwendung für maschinelles Lernen. In diesem Bericht untersuchen wir, wie latente Texteinbettungen mit wenigen oder auch gar keinen Trainingsbeispielen verwendet werden können und wir geben Einblicke in bewährte Verfahren zur Implementierung dieser Methode.

Lesen sie den Bericht

Mehr über den Code erfahren

Textklassifizierung mit wenigen Daten

Strukturelle Zeitreihen

Zeitreihendaten sind allgegenwärtig. In diesem Bericht werden verallgemeinerte additive Modelle untersucht, die uns mit der Zerlegung der Zeitreihen in strukturelle Komponenten ein einfaches, flexibles und interpretierbares Mittel zur Modellierung von Zeitreihen an die Hand geben. Wir betrachten die Vor- und Nachteile der Anwendung eines Ansatzes zur Kurvenanpassung für Zeitreihen und demonstrieren deren Verwendung anhand der Prophet-Bibliothek von Facebook mit einem Nachfrageprognose-Problem.

Lesen sie den Bericht

Mehr über den Code erfahren

Meta-Lernprozesse

Im Gegensatz zu der Art und Weise, wie Menschen lernen, sind Deep-Learning-Algorithmen auf enorme Mengen von Daten und Berechnungen angewiesen und können dennoch an der Generalisierung scheitern. Menschen können sich schnell anpassen, da sie ihr Wissen aus früheren Erfahrungen nutzen, wenn sie mit neuen Problemen konfrontiert werden. In diesem Bericht erläutern wir, wie Meta-Lernprozesse früheres Wissen aus Daten nutzen können, um während der Testzeit neue Aufgaben schnell und effizienter zu lösen.

Lesen sie den Bericht

Mehr über den Code erfahren

Automatisierte Beantwortung von Fragen

Die automatisierte Beantwortung von Fragen ist eine benutzerfreundliche Methode, um mithilfe natürlicher Sprache Informationen aus Daten zu extrahieren. Dank der jüngsten Fortschritte in der Verarbeitung natürlicher Sprache sind die Möglichkeiten zur Beantwortung von Fragen aus unstrukturierten Textdaten rasch gewachsen. Diese Blog-Serie bietet einen Überblick über die technischen und praktischen Aspekte des Aufbaus eines durchgängigen Frage-Antwort-Systems.

Interaktive Blog-Serie lesen

Kausalzusammenhang für maschinelles Lernen

Die Schnittmenge von kausaler Inferenz und maschinellem Lernen ist ein rasch wachsender Forschungsbereich. Er hat bereits Ressourcen hervorgebracht, die robustere, zuverlässigere und fairere Systeme für maschinelles Lernen ermöglichen. Dieser Bericht enthält eine Einführung in die kausale Argumentation, einschließlich Kausalgraphen und invarianter Prognose. Er zeigt außerdem, wie Werkzeuge für kausale Inferenzen zusammen mit klassischen Techniken des maschinellen Lernens in verschiedenen Anwendungsfällen angewendet werden können.

Erkunden Sie den Prototyp

Report jetzt lesen

Interpretierbarkeit: Ausgabe 2020

Die Interpretierbarkeit oder die Fähigkeit zu erklären, warum und wie ein System eine Entscheidung trifft, kann uns helfen, Modelle zu verbessern, Vorschriften zu erfüllen und bessere Produkte zu entwickeln. Black-Box-Techniken wie Deep Learning haben neue Maßstäbe auf Kosten der Interpretierbarkeit gesetzt. In diesem kürzlich aktualisierten Report, der nun Techniken wie SHAP enthält, zeigen wir, wie Modelle ohne Einbußen ihrer Fähigkeiten oder Genauigkeit interpretierbar gemacht werden können.

Report jetzt lesen

Deep Learning zur Erkennung von Anomalien

Von der Betrugserkennung bis zur Kennzeichnung von Anomalien in Bilddaten gibt es unzählige Anwendungen zur automatischen Identifizierung fehlerhafter Daten. Dieser Prozess kann schwierig sein, insbesondere wenn Sie mit großen, komplexen Daten arbeiten. In diesem Report werden Deep-Learning-Ansätze (Sequenzmodelle, VAEs, GANs) zur Erkennung von Anomalien, deren Verwendung, Leistungsbenchmarks und Produktmöglichkeiten untersucht.

Erkunden Sie den Prototyp

Report jetzt lesen

Fast Forward Labs – Deep Learning für die Bildanalyse – Ausgabe 2019 Berichtsvorschau

Lernen mit begrenzt vorklassifizierten Daten

 Durch die Möglichkeit, mit einer begrenzten Anzahl vorklassifizierter Daten zu lernen, werden die strengen Anforderungen an vorklassifizierte Daten für überwachtes maschinelles Lernen gelockert. In diesem Bericht geht es um aktives Lernen. Das ist eine Technik, die sich auf die Zusammenarbeit von Maschinen und Menschen stützt, um Daten intelligent vorzuklassifizieren. Aktives Lernen reduziert die Anzahl der zum Trainieren eines Modells erforderlichen vorklassifizierten Beispiele und spart so Zeit und Geld. Dabei wird eine vergleichbare Leistung wie bei Modellen erzielt, die mit wesentlich mehr Daten trainiert wurden. Mit aktivem Lernen können Unternehmen ihren großen Bestand an nicht klassifizierten Daten nutzen, um neue Produktmöglichkeiten zu erschließen.

Erkunden Sie den Prototyp

Report jetzt lesen

Fast Forward Labs – Lernen mit begrenzt vorklassifizierten Daten

Föderales Lernen

Federated Learning ermöglicht den Aufbau maschineller Lernsysteme ohne direkten Zugriff auf Trainingsdaten. Die Daten verbleiben an ihrem ursprünglichen Speicherort, wodurch der Datenschutz leichter zu gewährleisten ist und Kommunikationskosten gesenkt werden können. Federated Learning eignet sich hervorragend für den Einsatz in Smartphones und Edge-Hardware, im Gesundheitswesen und anderen, in Bezug auf Datenschutz sensiblen Anwendungsfällen, sowie in industriellen Anwendungen wie der vorausschauenden Wartung.

Erkunden Sie den Prototyp

Report jetzt lesen

Fast Forward Labs – Deep Learning für die Bildanalyse – Ausgabe 2019 Berichtsvorschau

Zusammenfassung

In diesem Bericht werden Methoden für die extraktive Zusammenfassung untersucht, mit der Dokumente automatisch zusammengefasst werden können. Diese Technik lässt sich vielseitig einsetzen: von der Möglichkeit, Tausende von Produktbewertungen auf den Punkt zu bringen, die wichtigsten Inhalte aus langen Nachrichtenartikeln zu extrahieren oder Kundenbiografien automatisch zu Personas zusammenzustellen.

Report jetzt lesen

Fast Forward Labs – Deep Learning für die Bildanalyse – Ausgabe 2019 Berichtsvorschau

Deep Learning für Bildanalysen – Ausgabe 2019

Convolutional Neural Networks (CNNs oder ConvNets) zeichnen sich durch das Erlernen aussagekräftiger Darstellungen von Funktionen und Konzepten innerhalb von Bildern aus, wodurch CNNs wesentlich zur Lösung von Problemen in mehreren Bereichen beitragen, von der medizinischen Bildgebung bis zur Fertigung. In diesem Bericht zeigen wir, wie Sie die richtigen Deep-Learning-Modelle für Bildanalyseaufgaben und -techniken zum Debuggen von Deep-Learning-Modellen auswählen.

Erkunden Sie den Prototyp

Report jetzt lesen

Fast Forward Labs – Deep Learning für die Bildanalyse – Ausgabe 2019 Berichtsvorschau

Deep Learning: Bildanalyse

Dieser Bericht untersucht die Historie und den aktuellen Status des tiefen Lernens, erläutert, wie es angewendet wird und prognostiziert künftige Entwicklungen.

Report jetzt lesen

Reports nur mit Abonnement

Aktualisierte Versionen älterer Reports werden in Zukunft kostenlos verfügbar sein. Schauen Sie daher regelmäßig vorbei.

Fast Forward Labs – Lerntransfer für NLP – Berichtsvorschau

Transfer Learning für NLP

NLP-Technologien (Natural Language Processing) können Sprache übersetzen, Fragen beantworten und menschenähnlichen Text generieren, aber die zugrunde liegenden Deep-Learning-Techniken erfordern kostspielige Datasets, Infrastruktur und Fachwissen. In diesem Report zeigen wir, wie Sie Transfer Learning verwenden, um vorhandene Modelle an jede NLP-Anwendung anzupassen, wodurch das Erstellen von Hochleistungs-NLP-Systemen vereinfacht wird.

Bild: Multi-Task-Lernen – Bericht und Prototyp

Multi-Task Learning

In diesem Bericht konzentrieren wir uns auf Multi-Task Learning, ein neuer Ansatz für maschinelles Lernen, der Algorithmen ermöglicht, Aufgaben parallel zu bewältigen.

Semantische Empfehlungen

In diesem Bericht werden wir zeigen, wie die semantischen Inhalte von Elementen helfen können, gängige Empfehlungsfallstricke zu lösen, wie etwa das Problem mit dem Kaltstart, und wie sie neue Produktmöglichkeiten eröffnen können.

Interpretierbarkeit

In diesem Bericht werden wir zeigen, wie Modelle interpretierbar gemacht werden ohne Einbußen ihrer Fähigkeiten oder Präzision.

Probabilistische Programmierung

Hier zeigen wir, wie Sie eine probabilistische Programmierung und Bayessche Inferenz verwenden, um Tools mühelos zu entwickeln, die bessere Prognosen für eine effektivere Entscheidungsfindung schaffen.

Probabilistische Methoden für Echtzeit-Streams

Hier erkunden wir probabilistische Methoden, die hocheffiziente Modelle für die Wertschöpfpung aus Datenstreams bei deren Generierung bieten.

Textgenerierung (natürlichsprachliche Generierung)

In diesem Bericht werden wir uns ansehen, wie Maschinensysteme hochstrukturierte Daten in menschliche Sprache umwandeln können.

Lesen Sie den Fast Forward Labs Blog

 

Halten Sie sich auf dem Laufenden

Melden Sie sich für unseren monatlichen Newsletter an und Sie erhalten die neuesten Informationen über Fortschritte in der angewandten künstlichen Intelligenz sowie Unternehmens-News und Veranstaltungen.

 

Kontaktieren Sie uns für ein Forschungsabonnement

Your form submission has failed.

This may have been caused by one of the following:

  • Your request timed out
  • A plugin/browser extension blocked the submission. If you have an ad blocking plugin please disable it and close this message to reload the page.