Bedeutet der Schutz sensibler Daten, dass Sie auch Abstriche bei der Leistung Ihres maschinellen Lernmodells machen müssen? Wenn Sie maschinelles Lernen an der Universität studieren oder einen Online-Kurs belegen, arbeiten Sie normalerweise mit einer Reihe öffentlich verfügbarer Datensätze wie dem Titanic-Datensatz , dem Fisher’s Iris Flower-Datensatz oder dem Labeled Faces in the Wild- Datensatz.
Wir untersuchen den möglichen Einfluss von maschinellem Lernen und KI auf die Rechtsbranche. Sich mutig dorthin wagen, wo sich noch kein Rechtsteam oder keine Rechtsabteilung zuvor gewagt hat – durch künstliche Intelligenz.
Wie wenden wir Ethik auf künstliche Intelligenz an? Warum brauchen wir jetzt eine KI-Ethik? Was ist KI-Ethik? Die ständig wachsende Verfügbarkeit von Big Data und Cloud Computing, die verbesserte Rechenleistung und die jüngsten Entwicklungen bei Deep-Learning-Algorithmen haben den Weg für maschinelle Lernalgorithmen geebnet, die nahezu jede Branche verändern werden.
Erklärbare KI oder XAI bezieht sich auf eine Sammlung von Möglichkeiten, wie wir Modelle für maschinelles Lernen analysieren können. Es ist das Gegenteil der sogenannten „Black Box“, einem maschinellen Lernmodell, dessen Entscheidungen nicht verstanden oder erklärt werden können .
Technische Due Diligence für Unternehmen mit KI-Produkten und -Technologien Denken Sie darüber nach, in ein Startup zu investieren, das angeblich KI oder maschinelles Lernen einsetzt, und möchten eine völlig unvoreingenommene Bewertung seiner tatsächlichen KI-Technologie oder Produkte?
Wir haben ein maschinelles Lernmodell entwickelt, um vorherzusagen, welche Schiffe wahrscheinlich festgehalten werden. Das Modell schaffte es in die engere Auswahl des Singapore Ocean of Opportunities AI Track , einer international renommierten Veranstaltung, bei der konkurrierende Unternehmen KI-Lösungen für die Schifffahrtsindustrie entwickeln wollen.
Wie erklären wir, wie ein neuronales Netzwerk ein Bild erkennen kann? Manchmal stoßen wir als Datenwissenschaftler auf Fälle, in denen wir ein Modell für maschinelles Lernen erstellen müssen, das keine Blackbox sein sollte, sondern transparente Entscheidungen treffen sollte, die für Menschen verständlich sind.
Geschlechtsspezifische Voreingenommenheit bei der Kreditbewertungs-KI? In den letzten Wochen haben mehrere Apple-Card-Nutzer in den USA berichtet, dass ihnen und ihren Partnern trotz gleichem Einkommen und gleicher Kreditwürdigkeit sehr unterschiedliche Kreditlimits für die Markenkreditkarte zugewiesen wurden (siehe BBC-Artikel ).
What we can do for you
