Artefact Research Center

Überbrückung der Kluft zwischen akademischen und industriellen Anwendungen.

class="img-responsive
class="img-responsive

Forschung zu transparenteren und ethischeren Modellen, um die Einführung von AI zu fördern.

ARTEFACT RESEARCH CENTER

Beispiele für AI Vorurteile

  • AppleCard vergibt Hypotheken auf der Grundlage rassistischer Kriterien
  • Lensa AI sexualisiert Selfies von Frauen
  • Rassistische Facebook-Bildklassifizierung mit afro-amerikanischen Affen
  • Microsoft Twitter Chatbot wird nazistisch, sexistisch und aggressiv
  • ChatGPT, der einen Code schreibt, der besagt, dass gute Wissenschaftler weiße Männer sind

Aktuelle Herausforderung

AI Modelle sind in vielen Anwendungsfällen genau und einfach zu implementieren, bleiben aber aufgrund von Black Boxes und ethischen Fragen unkontrollierbar.

Der Auftrag von Artefact Research Center .

Ein vollständiges Ökosystem, das die Lücke zwischen
Grundlagenforschung und greifbaren industriellen Anwendungen überbrückt.

Der Auftrag von Artefact Research Center .
Emmanuel MALHERBE

Emmanuel MALHERBE

Leiter der Forschung

Forschungsgebiet: Deep Learning, Maschinelles Lernen

Angefangen mit einer Promotion über NLP-Modelle, die an die elektronische Personalbeschaffung angepasst sind, hat Emmanuel immer ein effizientes Gleichgewicht zwischen reiner Forschung und wirkungsvollen Anwendungen gesucht. Zu seinen Forschungserfahrungen gehören 5G-Zeitreihenprognosen für Huawei Technologies und Computer-Vision-Modelle für Friseur- und Make-up-Kunden bei L'Oréal. Bevor er zu Artefact kam, arbeitete er in Shanghai als Leiter der AI Forschung für L'Oréal Asien. Heute ist seine Position bei Artefact eine perfekte Gelegenheit und ein ideales Umfeld, um die Kluft zwischen Wissenschaft und Industrie zu überbrücken und seine praxisnahe Forschung zu fördern, während er sich auf industrielle Anwendungen auswirkt.

Ein komplettes Ökosystem, das die Kluft zwischen Grundlagenforschung und konkreten industriellen Anwendungen überbrückt.

Ein komplettes Ökosystem, das die Kluft zwischen Grundlagenforschung und konkreten industriellen Anwendungen überbrückt.

Transversale Forschungsbereiche

Mit unserer einzigartigen Positionierung zielen wir darauf ab, die allgemeinen Herausforderungen von AI anzugehen, sei es im Bereich der statistischen Modellierung oder der Managementforschung.
Diese Fragen sind transversal zu all unseren Themen und nähren unsere Forschung.

Kontrolle und Rechenschaftspflicht

Kontrolle und
Rechenschaftspflicht

  • Kontrollierbare Modelle mit Garantien für Vorhersagen
  • Schnittstelle mit Bedarfsplanern
  • Kategorie-Manager
  • Entscheidung durch beste Modelleingabe: Durchsetzung einer zuverlässigen Vorhersage auch außerhalb der Zugmenge
  • Z.B.: Erzwingen von Monotonie bei Eingabevariablen
Erklärbarkeit und Transparenz

Erklärbarkeit
& Transparenz

  • Interpretation der Vorhersagen
  • Schnittstelle und Visualisierung für nichttechnische Benutzer
  • Anpassung der Module und Komponenten des Modells an das jeweilige Metier
  • Visualisierung auf verständlichen Eingaben, vor der Entwicklung von Funktionen
Voreingenommenheit und Unsicherheit

Voreingenommenheit &
Unsicherheit

  • Bessere Prognosen für bessere Entscheidungen
  • Nicht-symmetrische Unsicherheit (im Vergleich zu Gauß), die von den Kunden benötigt wird
  • Angepasst an Zeitreihen und Sortimentsoptimierung
Hindernisse und Beschleuniger von AI in der Wirtschaft

Hindernisse und Beschleuniger von AI in der Wirtschaft

  • Studie über Organisationen
  • Befragung der wichtigsten Interessenvertreter und Entscheidungsträger des CAC 40
  • Auswirkungen von AI Ethik, Fairness, Interpretierbarkeit
  • Governance, Normen und Vorschriften für AI Anwendungen

Themen

Wir arbeiten an mehreren Promotionsthemen an der Schnittstelle zwischen industriellen Anwendungsfällen und den Grenzen des Stands der Technik.
Für jedes Thema arbeiten wir mit Universitätsprofessoren zusammen und haben Zugang zu data , was uns ermöglicht, die wichtigsten Forschungsbereiche in einem bestimmten realen Szenario anzugehen.

1 - Vorhersage und Preisgestaltung

Modellierung der Zeitreihen als Ganzes mit einem kontrollierbaren, multivariaten Prognosemodell. Eine solche Modellierung wird es uns ermöglichen, die Preis- und Werbeplanung anzugehen, indem wir die optimalen Parameter finden, die die Absatzprognose erhöhen. Mit einem solchen ganzheitlichen Ansatz wollen wir die Kannibalisierung und Komplementarität zwischen Produkten erfassen. So können wir die Vorhersage kontrollieren und garantieren, dass die Vorhersagen konsistent sind.

Mohamed CHTIBA

Mohamed CHTIBA

Wissenschaftlicher Mitarbeiter
für Prognosen und Preisgestaltung

Artefact
Pariser Universität 1 Panthéon Sorbonne

Forschungsbereich
-
Deep Learning, Optimierung, Statistik

Jean-Marc BARDET

Jean-Marc BARDET

Professor

Laboratorium SAMM

Pariser Universität 1 Panthéon Sorbonne

Forschungsbereich
-
Stochastische Prozesse, Statistik, Wahrscheinlichkeitsrechnung

Josef RYNKIEWICZ

Josef RYNKIEWICZ

Außerordentlicher Professor

Laboratorium SAMM

Pariser Universität 1 Panthéon Sorbonne

Forschungsbereich
-
Zeitliche Reihen, Neuronale Netze, Statistik

2 - Erklärbares und kontrollierbares Scoring

Eine weit verbreitete Familie von Modellen des maschinellen Lernens basiert auf Entscheidungsbäumen: Random Forests, Boosting. Während ihre Genauigkeit oft dem neuesten Stand der Technik entspricht, leiden solche Modelle unter einem Black-Box-Gefühl, das dem Nutzer nur begrenzte Kontrolle bietet. Unser Ziel ist es, ihre Erklärbarkeit und Transparenz zu erhöhen, indem wir die Schätzung der SHAP-Werte im Falle unausgewogener Datensätze verbessern. Wir wollen auch einige Garantien für solche Modelle bieten, z. B. für nicht trainierte Stichproben oder durch die Ermöglichung besserer monotoner Beschränkungen.

Abdoulaye SAKHO

Abdoulaye SAKHO

Wissenschaftlicher Mitarbeiter für
Baum-basierte Modelle

Artefact
Universität Sorbonne

Forschungsbereich
-
Statistik, erklärungsbedürftig AI

Erwan SCORNET

Erwan SCORNET

Professor

Laboratorium LPSM

Universität Sorbonne

Forschungsbereich
-
Zufällige Wälder, Interpretierbarkeit, fehlende Werte

3 - Optimierung des Sortiments

Das Sortiment ist ein wichtiges Geschäftsproblem für Einzelhändler, das bei der Auswahl der in den Geschäften zu verkaufenden Produkte auftritt. Mithilfe großer industrieller Datensätze und neuronaler Netze wollen wir robustere und besser interpretierbare Modelle entwickeln, die die Wahlmöglichkeiten der Kunden bei einem Produktsortiment besser erfassen. Der Umgang mit Kannibalisierung und Komplementaritäten zwischen Produkten sowie ein besseres Verständnis der Kundengruppen sind der Schlüssel zur Ermittlung einer optimalen Produktauswahl in einem Geschäft.

Vincent AURIAU

Vincent AURIAU

Wissenschaftlicher Mitarbeiter für Sortimentsoptimierung

Artefact
Zentrale Supélec
Université Paris Saclay

Forschungsbereich
-
Tiefes Lernen,
Operative Forschung

Vincent MOUSSEAU

Vincent MOUSSEAU

Professor

Laboratorium MICS

Zentrale Supélec
Université Paris Saclay

Forschungsbereich
-
Präferenzlernen, Multikriterielle Entscheidungsanalyse, Operations Research

Antoine DESIR

Antoine DESIR

Außerordentlicher Professor

Laboratorium TOM

Insead

Forschungsbereich
-
Modellierung von Wahlmöglichkeiten, Sortimentsoptimierung, Operations Research

Ali AOUAD

Ali AOUAD

Assistenzprofessor

Managementwissenschaft und Betrieb

London Business School

Forschungsbereich
-
Dynamisches Matching, Modellierung von Wahlmöglichkeiten, Sortiments- und Bestandsoptimierung, Approximationsalgorithmus, Operations Research

4 - AI Übernahme in Unternehmen

Die Herausforderung für eine bessere Einführung von AI in Unternehmen besteht darin, einerseits die Modelle von AI zu verbessern und andererseits die menschlichen und organisatorischen Aspekte zu verstehen. An der Schnittstelle zwischen qualitativer Managementforschung und Sozialforschung soll in diesem Schwerpunkt untersucht werden, wo Unternehmen Schwierigkeiten bei der Einführung von AI Tools haben. Die bestehenden Rahmenwerke für die Übernahme von Innovationen sind für Innovationen im Bereich des maschinellen Lernens nicht ganz geeignet, da es typische Unterschiede bei der Regulierung, der Ausbildung der Menschen oder der Voreingenommenheit gibt, wenn es um AI geht, und erst recht bei generativen AI.

Lara ABDEL HALIM

Lara ABDEL HALIM

Forschungswissenschaftler zu AI Einführung in Unternehmen

Artefact
Polytechnische Hochschule

Forschungsbereich
-
Managementforschung, Innovation

Cécile CHAMARET

Cécile CHAMARET

Professor

Laboratorium CRG

Polytechnische Hochschule

Forschungsbereich
-
Innovation, Marketing, Qualitative Sozialforschung

5 - Data-gesteuerte Nachhaltigkeit

Das Projekt wird qualitative und quantitative Forschungsmethoden einsetzen und zwei Schlüsselfragen behandeln: Wie können Unternehmen ihre soziale und ökologische Nachhaltigkeitsleistung effektiv messen? Warum führen Nachhaltigkeitsmaßnahmen oft nicht zu signifikanten Veränderungen in der Unternehmenspraxis?

Einerseits zielt das Projekt darauf ab, data-gesteuerte Metriken zu erforschen und Indikatoren zu identifizieren, um organisatorische Verfahren mit sozialen und ökologischen Nachhaltigkeitszielen in Einklang zu bringen. Andererseits wird sich das Projekt darauf konzentrieren, diese Nachhaltigkeitsmaßnahmen in konkrete Aktionen innerhalb der Unternehmen umzusetzen.

Oualid Mokhantar

Oualid Mokhantar

Wissenschaftlerin für Nachhaltigkeit

Artefact
ESCP Business School

Forschungsbereich
-
Managementforschung, Wirtschaft

Gorgi KRLEV

Gorgi KRLEV

Außerordentlicher Professor

Abteilung Nachhaltigkeit

ESCP Business School

Forschungsbereich
-
Nachhaltigkeit, soziale Innovation, Organisationstheorie

6 - Voreingenommenheit in der Computer Vision

Wenn ein Modell eine Vorhersage auf der Grundlage eines Bildes trifft, das z. B. ein Gesicht zeigt, hat es Zugang zu sensiblen Informationen wie der ethnischen Zugehörigkeit, dem Geschlecht oder dem Alter, die seine Schlussfolgerungen verfälschen können. Unser Ziel ist es, einen Rahmen zu entwickeln, um solche Verzerrungen mathematisch zu messen, und Methoden vorzuschlagen, um diese Verzerrungen während des Modelltrainings zu reduzieren. Darüber hinaus würde unser Ansatz Zonen starker Verzerrungen statistisch aufdecken, um zu erklären, zu verstehen und zu kontrollieren, wo solche Modelle die Verzerrungen in data verstärken.

Veronika SHILOVA

Veronika SHILOVA

Wissenschaftlerin zum Thema Verzerrungen in der Computer Vision

Artefact
Universität Toulouse 3

Forschungsbereich
-
Deep Learning, Computer Vision, Verzerrungen

Laurent RISSER

Laurent RISSER

CNRS Forschungsingenieur

Institut Mathématiques de Toulouse

Universität Toulouse 3
CNRS

Forschungsbereich
-
Erklärbares maschinelles Lernen, Bildanalyse, interpretierbar und robust AI

Jean-Michel LOUBES

Jean-Michel LOUBES

Professor

Institut Mathématiques de Toulouse

Universität Toulouse 3
ANITI

Forschungsbereich
-
Unvoreingenommenes Lernen, interpretierbare AI, optimaler Transport und Anwendungen in der Statistik, maschinelles Lernen

7 - LLM für Informationsbeschaffung

Eine wichtige Anwendung von LLMs ist die Verbindung mit einem Korpus von Dokumenten, die industrielles Wissen oder Informationen darstellen. In einem solchen Fall gibt es einen Schritt der Informationsbeschaffung, für den LLMs einige Einschränkungen aufweisen, wie z.B. die Größe des Eingabetextes, der für die Indizierung von Dokumenten zu klein ist. In ähnlicher Weise kann der Halluzinationseffekt auch in der endgültigen Antwort auftreten, die wir mit Hilfe des abgerufenen Dokuments und der Modellunsicherheit zur Inferenzzeit erkennen wollen.

Hippolyte GISSEROT-BOUKHLEF

Hippolyte GISSEROT-BOUKHLEF

Wissenschaftlicher Mitarbeiter für große Sprachmodelle für die Informationsbeschaffung

Artefact
Zentrale Supélec
Université Paris Saclay

Forschungsbereich
-
Deep Learning, NLP

Pierre COLOMBO

Pierre COLOMBO

Außerordentlicher Professor

Laboratorium MICS

Zentrale Supélec
Université Paris Saclay

Forschungsbereich
-
Große Sprachmodelle, Verzerrungen in AI, Modellbewertung

Céline HUDELOT

Céline HUDELOT

Professor

Laboratorium MICS

Zentrale Supélec
Université Paris Saclay

Forschungsbereich
-
Wissensrepräsentation, Semantische Interpretation, Neuronale Netze

ArtefactForscher auf Teilzeitbasis

Neben unserem Team, das sich der Forschung widmet, haben wir mehrere Mitarbeiter, die einige Zeit mit wissenschaftlicher Forschung und der Veröffentlichung von Artikeln verbringen. Indem sie auch als Berater arbeiten, inspirieren sie sich an realen Problemen, die bei unseren Kunden auftreten.

  • Michael Voelske

    Michael Voelske

    Forschungsbereich

    Große Sprachmodelle - Anwendungen in Information Retrieval und NLP

    Erklärbare Modelle für maschinelles Lernen, Retrieval und Ranking

    IR für komplexen, aufgabenbezogenen Informationsbedarf

    Artefact

    Seit Mai 2022 stehe ich an der Spitze des Data Science and Engineering Teams bei Artefact Deutschland, wo ich meinen akademischen Hintergrund in Informatik, mit einem Doktortitel, der sich auf maschinelles Lernen und Information Retrieval konzentriert, zur Lösung der Geschäftsprobleme der Kunden von Artefacteinsetze. Zu meinen Aufgaben gehört es nicht nur, mein Team zu leiten, sondern es auch zu inspirieren, um Spitzenforschung AI mit pragmatischen Anwendungen zu verbinden. Ich bin leidenschaftlich bemüht, komplexe AI Konzepte zugänglich zu machen und die Technologie sowohl für innovative Geschäftslösungen als auch für sinnvolle gesellschaftliche Auswirkungen zu nutzen.

  • Evan Hurwitz

    Evan Hurwitz

    Forschungsbereich

    Reinforcement Learning

    Maschinelles Lernen

    Finanzen und Glücksspiele

    Artefact

    Evan hat einen Doktortitel in Ingenieurwesen in artificial intelligence , wo er AI Techniken zur Optimierung eines aktiv verwalteten Portfolios unter Verwendung mehrerer Handelsstrategien anwandte. Er hat im akademischen Bereich geforscht und war Mitverfasser von "Artificial Intelligence and Economic Theory: Skynet auf dem Markt". Später arbeitete er an grünen Energielösungen unter Verwendung von Reinforcement Learning für S&P Platts, danach arbeitete er mit Preqin an der Aufnahme und dem Verständnis alternativer Investitionen data. Im Jahr 2020 kam er zu Artefact und hat in verschiedenen Branchen wie Einzelhandel, Cybersicherheit, SaaS, Technik, Bildung und Immobilien mit Kunden gearbeitet, die von KMU bis hin zu FTSE100-Unternehmen reichen.

  • George Cevora

    George Cevora

    Forschungsbereich

    Neurowissenschaften

    Tiefes Lernen

    Maschinelles Lernen

    Artefact

    George erhielt seinen Doktortitel in Theoretischen Neurowissenschaften von der University of Cambridge für seine Arbeit über die mathematische Modellierung des Lernens von Tieren. George verfügt über 10 Jahre Forschungserfahrung im Bereich Deep Learning, die er nun in der Industrie anwendet. Seit er die akademische Welt verlassen hat, hat George in einer Vielzahl von Branchen und Problembereichen gearbeitet, von Düsentriebwerken bis hin zur Antibiotikaresistenz. George hat auch einige Jahre im Bereich der nationalen Sicherheit verbracht, wo er ein Produkt zur Bekämpfung von Diskriminierung aufgrund der unangemessenen Verwendung von AI entwickelt hat. Erfahren Sie mehr unter www.cevora.xyz

  • Savio Rozario

    Savio Rozario

    Forschungsbereich

    Maschinelles Lernen

    Nichtlineare Optimierung

    Physik

    Artefact

    Savio promovierte in experimenteller Laserplasmaphysik am Imperial College London, wo er Methoden des maschinellen Lernens zur Optimierung der experimentellen Konfiguration hochgradig nichtlinearer Plasmabeschleunigersysteme einsetzte. Er arbeitete bei EY in der Abteilung für Steuerforschung und -entwicklung, wo er maschinelle Lernlösungen für die Überwachung der Einhaltung von Vorschriften in verschiedenen Ländern unter Verwendung großer Sprachmodelle entwickelte. Im Jahr 2022 kam er zu Artefact und hat für FTSE250-Unternehmen durchgängige data Wissenschaftslösungen in einer Vielzahl von Sektoren, darunter Einzelhandel, Transport und Immobilien, entwickelt.

  • Nelson Frieden

    Nelson Frieden

    Artefact

    Nelson verbrachte das erste Jahrzehnt seiner Karriere in einer Kombination aus Aktien- und Rohstoffmärkten, wo er quantitative Handelsstrategien in OTC-Märkten einsetzte. data Nach Abschluss seines MSc in Data Science im Jahr 2021 trat er als Wissenschaftler in die britische Niederlassung von Artefactein, wo er an data wissenschaftlichen Problemen in einer Reihe von Bereichen arbeitet, mit Fachkenntnissen in AI Anwendungen in Finanzmärkten und Handel.

Veröffentlichungen

Medium-Blogartikel von unseren Technik-Experten.

Die Ära der Generative AI: Was sich ändert

Die Ära der Generative AI: Was sich ändert

Die Fülle und Vielfalt der Reaktionen auf ChatGPT und andere generative KI, ob skeptisch oder enthusiastisch, zeigen die Veränderungen, die sie mit sich bringen, und die Auswirkungen...

Wie es Artefact gelungen ist, ein faires und dennoch einfaches Karrieresystem für Softwareingenieure zu entwickeln

Wie es Artefact gelungen ist, ein faires und dennoch einfaches Karrieresystem für Softwareingenieure zu entwickeln

In der dynamischen und sich ständig weiterentwickelnden Technologiebranche von heute kann sich eine berufliche Laufbahn oft wie ein gewundener Pfad durch einen dichten Wald von Möglichkeiten anfühlen. Mit der schnellen...

Warum Sie LLMOps brauchen

Warum Sie LLMOps brauchen

Dieser Artikel stellt LLMOps vor, einen spezialisierten Zweig, der DevOps und MLOps für die Bewältigung der Herausforderungen von Large Language Models (LLMs) zusammenführt...

Entfesselung der Leistungsfähigkeit der LangChain Expression Language (LCEL): von der Machbarkeitsstudie zur Produktion

Entfesselung der Leistungsfähigkeit der LangChain Expression Language (LCEL): von der Machbarkeitsstudie zur Produktion

LangChain hat sich in weniger als einem Jahr zu einer der meistgenutzten Python-Bibliotheken für die Interaktion mit LLMs entwickelt, aber LangChain war hauptsächlich eine Bibliothek...

Wie wir den Profil-ID-Abgleich mit Treasure Data Unification und SQL durchgeführt haben

Wie wir den Profil-ID-Abgleich mit Treasure Data Unification und SQL durchgeführt haben

In diesem Artikel erläutern wir die Herausforderungen des ID-Abgleichs und demonstrieren unseren Ansatz zur Erstellung einer einheitlichen Profil-ID in der Customer Data Platform, insbesondere...

Snowflake's Snowday '23: Schneeballschlacht zum Data Wissenschaftserfolg

Snowflake's Snowday '23: Schneeballschlacht zum Data Wissenschaftserfolg

Während wir über die Erkenntnisse nachdenken, die wir während der "Snowday"-Veranstaltung am 1. und 2. November gewonnen haben, gibt es eine Kaskade von...

Wie wir Software-Ingenieure interviewen und einstellen bei Artefact

Wie wir Software-Ingenieure interviewen und einstellen bei Artefact

Wir erläutern die Fähigkeiten, die wir suchen, die verschiedenen Schritte des Verfahrens und die Verpflichtungen, die wir gegenüber allen Bewerbern eingehen.

Kodierung kategorialer Merkmale in der Prognose: Machen wir es alle falsch?

Kodierung kategorialer Merkmale in der Prognose: Machen wir es alle falsch?

Wir schlagen eine neuartige Methode zur Kodierung kategorialer Merkmale vor, die speziell auf Vorhersageanwendungen zugeschnitten ist.

Wie wir ein einfaches System zur Überwachung von Wildtieren in der Google Cloud eingerichtet haben

Wie wir ein einfaches System zur Überwachung von Wildtieren in der Google Cloud eingerichtet haben

Wir haben mit Smart Parks zusammengearbeitet, einem niederländischen Unternehmen, das fortschrittliche Sensorlösungen zum Schutz bedrohter Wildtiere anbietet...

Einsatz von Stable Diffusion auf Vertex AI

Einsatz von Stable Diffusion auf Vertex AI

Dieser Artikel enthält eine Anleitung für die Bereitstellung des Stable Diffusion-Modells, eines beliebten Modells zur Bilderzeugung, auf Google Cloud mit Vertex AI.

Alles, was Sie wissen müssen, um mit Vertex AI Pipelines zu beginnen

Alles, was Sie wissen müssen, um mit Vertex AI Pipelines zu beginnen

Präsentation eines Tools, das unsere Erfahrungen mit Vertex AI Pipelines in einem Produktionsprojekt praktisch demonstriert.

dbt coalesce 2022 Zusammenfassung

dbt coalesce 2022 Zusammenfassung

Die Ausgabe der dbt coalesce fand in New Orleans statt. Und wir haben eine Menge über die Analytik-Engineering-Landschaft gelernt.

Snowflake-Zugangskontrolle im großen Maßstab

Snowflake-Zugangskontrolle im großen Maßstab

Snowflake | Wie wir die Verwaltung eines Kontos mit mehr als 50 Nutzern unter Einhaltung der data Governance-Standards automatisiert haben

Vorhersage von etwas, das nie stattgefunden hat: Wie wir die Rentabilität vergangener Werbeaktionen geschätzt haben

Vorhersage von etwas, das nie stattgefunden hat: Wie wir die Rentabilität vergangener Werbeaktionen geschätzt haben

Ein Leitfaden für die Verwendung kontrafaktischer Prognosen zur Schätzung der Kosteneffizienz vergangener In-Store-Promotions im Einzelhandel.

Bayes'sche Medienmix-Modellierung mit begrenzten data

Bayes'sche Medienmix-Modellierung mit begrenzten data

Wie lassen sich die Auswirkungen der Kanäle zwischen Vertrieb und Marketing abschätzen? Die Media-Mix-Modellierung ist die Lösung, Statistiken sind die wichtigste Ressource.

Messung der CO2eq-Belastung durch Ihr Python-Notebook (Azure ML)

Messung der CO2eq-Belastung durch Ihr Python-Notebook (Azure ML)

Nach meinem ersten Bericht über die Code-Optimierung, mit der ich meine Rechenzeit um 90 % reduzieren konnte, war ich daran interessiert, die CO2eq-Belastung zu erfahren, die durch meine...

Ein Manifest zur Einbeziehung von ML-Ingenieuren in Ihre Data-Science-Projekte vom ersten Tag an

Ein Manifest zur Einbeziehung von ML-Ingenieuren in Ihre Data-Science-Projekte vom ersten Tag an

Jeffrey Kane, Senior Data Scientist, erklärt, warum ML Engineer von Anfang an in Ihre Data Science-Projekte eingebunden werden sollte.

Wie sieht die Zukunft der data Technik aus?

Wie sieht die Zukunft der data Technik aus?

Der Bereich und die Zukunft der Datentechnik entwickeln sich rasant weiter. Entdecken Sie 3 wichtige Trends, die sich in den kommenden Jahren abzeichnen werden.

Ist Facebook Prophet geeignet, um gute Vorhersagen in einem realen Projekt zu machen?

Ist Facebook Prophet geeignet, um gute Vorhersagen in einem realen Projekt zu machen?

Dieser Leitfaden hilft Ihnen herauszufinden, ob Facebook Prophet für Ihr Prognoseprojekt geeignet ist oder nicht.

String-Filter in Pandas: Sie machen es falsch

String-Filter in Pandas: Sie machen es falsch

String-Filter in Pandas sollten Sie vermeiden, da der scalar_compare-Operator zu Leistungsengpässen führt.

Data & ML-Herausforderungen für 2022

Data & ML-Herausforderungen für 2022

Die wichtigsten Trends 2021 data & ML... und was sie für 2022 bedeuten

Schneller Vergleich zweier Datensätze mit einer generischen und leistungsstarken SQL-Abfrage

Schneller Vergleich zweier Datensätze mit einer generischen und leistungsstarken SQL-Abfrage

Eine Schritt-für-Schritt-Anleitung zum einfachen Vergleich von Datensätzen mit Hilfe einer gebrauchsfertigen Structured Query Language-Vorlage

Bewertung der Kundenneigung mithilfe von Modellen für maschinelles Lernen in Google Analytics Data

Bewertung der Kundenneigung mithilfe von Modellen für maschinelles Lernen in Google Analytics Data

Ein tiefer Einblick, wie wir hochmoderne benutzerdefinierte maschinelle Lernmodelle entwickelt haben, um die Kaufbereitschaft von Kunden mit Google Analytics zu schätzen...

Der Weg zur Entwicklung eines leistungsstarken Nachfrageprognosemodells - Teil 4

Der Weg zur Entwicklung eines leistungsstarken Nachfrageprognosemodells - Teil 4

Bisher haben wir vor allem über die Vorhersage regelmäßiger Produkte gesprochen, die schon seit einiger Zeit im Regal stehen. Aber was ist mit Produkten, die...