Suchergebnisse

Millionen Pakete werden jährlich in Logistikzentren gehandhabt. Um die große Vielfalt unterschiedlicher Kartons abdecken zu können, kommen meist Standard-Greifsysteme mit leistungsfähigen Vakuumejektoren zum Einsatz, die durchgehend bei hohem Überdruck betrieben werden. So wird in den meisten Fällen mehr Energie verbraucht, als benötigt wird. Durch den Einsatz von Machine Learning kann das manuelle, erfahrungsbasierte Einstellen der Prozessparameter eliminiert und Energieeinsparungen von bis zu 70 % erzielt werden.

Von der Waschmaschine über Blutdruckmessgeräte bis hin zu Wearables – Mikrocontroller sind in fast jedem technischen Gerät verbaut. Mit "AIfES" ist Forscherinnen und Forschern am Fraunhofer-Institut für Mikroelektronische Schaltungen und Systeme IMS in Duisburg jetzt die Entwicklung einer sensornahen Künstlichen Intelligenz für Mikrocontroller und eingebettete Systeme gelungen, die ein voll konfigurierbares künstliches neuronales Netz umfasst. AIfES soll die Möglichkeit bieten, kleine intelligente Mikroelektroniken und Sensoren zu entwickeln, die keine Verbindung zu einer Cloud oder zu leistungsfähigeren Computern benötigen und sogar in der Lage sind, selbst zu lernen.

AbstractA significant set of epistemic and political transformations are taking place as states and societies begin to understand themselves and their problems through the paradigm of deep neural network algorithms. A machine learning political order does not merely change the political technologies of governance, but is itself a reordering of politics, of what the political can be. When algorithmic systems reduce the pluridimensionality of politics to the output of a model, they simultaneously foreclose the potential for other political claims to be made and alternative political projects to be built. More than this foreclosure, a machine learning political order actively profits and learns from the fracturing of communities and the destabilising of democratic rights. The transformation from rules-based algorithms to deep learning models has paralleled the undoing of rules-based social and international orders – from the use of machine learning in the campaigns of the UK EU referendum, to the trialling of algorithmic immigration and welfare systems, and the use of deep learning in the COVID-19 pandemic – with political problems becoming reconfigured as machine learning problems. Machine learning political orders decouple their attributes, features and clusters from underlying social values, no longer tethered to notions of good governance or a good society, but searching instead for the optimal function of abstract representations of data.