AI

Die IT-Branche steht vor der Exascale-Challenge. Das ist die Herausforderung, einen Supercomputer mit 1 Exaflops wissenschaftlicher Rechenleistung (64 Bit Gleitkomma) zu bauen, der also 1 Trillion Berechnungen pro Sekunde durchführt. Das macht klar: Die Zeiten, in denen diese kostspieligen Computer mit eigens für sie entwickelten Spezialprogrammen betrieben werden müssen, sind passé.

Der Einsatz von Maschinellem Lernen (ML) im Umfeld von Supply-ChainManagement und Logistik ist vor dem Hintergrund von Industrie 4.0 und Smart Factory von sehr großer Bedeutung. In nahezu allen Phasen der Logistik von Beschaffung, Produktion und Distribution über Planung und Gestaltung bis hin zur Ausführung und zum Qualitätsmanagement in Echtzeit können diese KI-Methoden zum Einsatz kommen.

Wie können technische Störungen in Produktionsanlagen erkannt werden, noch bevor ein Schaden entsteht? Dieses Beispiel zeigt, wie mit frei verfügbaren Tools, Datensätzen und Frameworks in der Praxis echter Mehrwert generiert wird.

Machine Learning (ML) ist auf dem Vormarsch und viele Unternehmen fragen sich, wie sie von dieser Technologie profitieren können. Softwarearchitekten werden also immer öfter Systeme entwerfen müssen, in denen auch ML-Technologie steckt. Die Beschäftigung mit dem Thema ist aber häufig schwierig. Es ist zwar omnipräsent, wird aber meist entweder extrem abstrakt oder aber sehr algorithmisch, daten-ze..

Es ist so weit – nach vielen Jahren endet mit dem Jahr 2020 die Ära von Intel Parallel Studio XE. Aber keine Angst, die oneAPI Tookits bieten als Nachfolger genau die gleichen Komponenten, Compiler, Bibliotheken und Analyse-Tools. Doch es steckt viel mehr drin. Der Artikel zeigt auf, wie Umsteiger am besten von diesem Mehrwert profitieren können.