Das Wissensportal für IT-Professionals. Entdecke die Tiefe und Breite unseres IT-Contents in exklusiven Themenchannels und Magazinmarken.

heise conferences GmbH

(vormals SIGS DATACOM GmbH)

Lindlaustraße 2c, 53842 Troisdorf

Tel: +49 (0)2241/2341-100

kundenservice@sigs-datacom.de

Development

344 Inhalte
Entdecken Sie unser Archiv zu tiefgehenden Inhalte zum Thema Development.
Für die klassische Entwicklung einer App sind fundierte Programmierkenntnisse erforderlich. Nachdem darüber nur vergleichsweise wenige Personen verfügen, muss zwangsläufig oft der Weg einer kostspieligen Fremdentwicklung gewählt werden. Eine vielversprechende, deutlich kostengünstigere Alternative ist die Eigenerstellung mittels Endbenutzerwerkzeugen. Damit lassen sich nach Angaben der Hersteller ..
Endbenutzerwerkzeuge zur App-Entwicklung: Grundlagen, Kategorisierung und Risiken
Heute beschäftigt sich die Kolumne damit, wie eine hohe Anzahl an Kombinationsmöglichkeiten in einer Programmierschnittstelle mit möglichst linearem Aufwand abgebildet werden kann.
Fluent-API – Für und Wider
Der verstärkte Einsatz von Edge-Computing in IIoT-Szenarien erfordert heute sowohl Kompetenzen im Bereich Engineering als auch in den Bereichen Datenverarbeitung und Algorithmen. Eine Herausforderung für industrielle IoT-Projekte besteht daher darin, Engineering (Industrial Computing, PLC) und Data Science (Daten, KI-Modelle, Statistik, Cloud-IT) zusammenzubringen. Der vorliegende Artikel stellt e..
Industrielle IoT-Plattformen als Treiber des Umbruchs
DevOps ist heute schon in vielen Unternehmen angekommen und hat sich dort etabliert. Für viele, die sich gleichzeitig mit dem Thema IoT beschäftigen, stellt sich jedoch die Frage: Wie funktionieren DevOps und IoT zusammen? Entwicklungsteams müssen sich auf einmal mit Hardware sowie Daten aus Produktionsprozessen beschäftigen. Auch die Barriere zwischen Operational Technology (OT) und Information T..
Das Beste aus beiden Welten vereinen
Funkelnde neue KI-Welt: Die großen Datenmengen schwimmen im Data Lake; die Use-Cases für Machine-Learning-Anwendungen sind identifiziert; die ersten Proof-of-Concepts laufen vielversprechend ... Aber dann kommt die große Ernüchterung: Wie schaffen wir es, dass nicht nur das prädiktive Modell, sondern auch der Modellentwicklungsprozess „in Produktion“ übergeht? Ein prädiktives Modell produktiv bere..
Mit ML nicht in die PoC-Falle tappen