KI News: Kurz und klar.

Der ehemalige Präsident Donald Trump hat wiederholt betont, wie wichtig es für die USA sei, die Entwicklung von künstlicher Intelligenz (KI) zu beschleunigen. Er sieht in der Technologie einen entscheidenden Faktor für wirtschaftlichen Aufschwung, nationale Sicherheit und die Wettbewerbsfähigkeit gegenüber China und anderen globalen Akteuren.

Das Model Context Protocol (MCP) hat sich schnell als universeller Standard etabliert, um KI‑Modelle nahtlos mit verschiedensten Anwendungen, Systemen und Tools zu verbinden – vergleichbar mit dem „USB‑C für KI‑Integrationen“, wie es die Branche häufig beschreibt. Für Unternehmen, die bislang auf maßgeschneiderte Schnittstellen gesetzt haben, bietet die Migration zu MCP einen echten Mehrwert: technischer Schuldenabbau, vereinfachte Wartung und neue Möglichkeiten der Interoperabilität.

Nvidia plant einen bahnbrechenden neuen KI-Chip für den chinesischen Markt, der das derzeit dort angebotene H20-Modell übertreffen könnte. Der Chip basiert auf dem neuesten Blackwell-Design der Firma und soll laut vertraulichen Quellen eine höhere Leistungsfähigkeit bieten.

Intel hat die aufgedeckten Sicherheitslücken rasch behoben, jedoch blieb der Forscher, der die Schwachstellen entdeckt hat, unbeantwortet. Die schnelle Reaktion des Unternehmens zeigt, dass die betroffenen Web‑Applikationen umgehend gepatcht wurden.

Alibaba hat mit seinem Qwen-Projekt die nächste Generation der künstlichen Intelligenz vorangetrieben. Heute wurde das neue Modell Image Edit vorgestellt, das beliebige Bilder nach Ihren Vorgaben bearbeiten kann.

Wer hat sich schon einmal davor gefürchtet, eine umfangreiche CI/CD‑Pipeline in der Produktionsumgebung aufzubauen? Mit dem neuen Gemini CLI für GitHub Actions wird das zum Kinderspiel.

Microsoft hat die neue COPILOT‑Funktion in Excel für Windows und Mac offiziell eingeführt und damit die Leistungsfähigkeit großer Sprachmodelle direkt in Tabellenkalkulationen integriert.

McDonald's hat heute erfahren, dass ein White‑Hat‑Hacker eine Reihe kritischer Schwachstellen in den internen Staff‑ und Partnerportalen aufgedeckt hat. Diese Lücken erlaubten es jedem, online kostenlose Bestellungen aufzugeben, Administratorrechte für Marketing‑Materialien zu erlangen und sogar Zugriff auf ein Unternehmens‑E‑Mail‑Konto zu erhalten, das für Phishing‑Angriffe genutzt werden könnte.

Die Bewertung großer Sprachmodelle ist sowohl wissenschaftlich als auch wirtschaftlich teuer. Mit der rasanten Entwicklung immer größerer Modelle wird die Methodik zur Bewertung und zum Vergleich immer entscheidender – nicht nur für Benchmark-Ergebnisse, sondern auch für fundierte Entwicklungsentscheidungen.

Forscher setzen das neue Sprachmodell GPT‑4o in der Initiative „AI Space Cortex“ ein, um die Steuerung von Robotern für die Erkundung fremder Weltraumobjekte zu automatisieren. Durch die Kombination aus natürlicher Sprachverarbeitung und hochentwickelter Robotik können Missionen nun schneller und flexibler auf sich ändernde Bedingungen reagieren.

KPMG hat mit einem 100‑seitigen Prompt einen Agenten entwickelt, der Steuerberatung in nur einem Tag liefert – statt der üblichen zwei Wochen. Das australische Büro der Beratungsfirma hat damit einen Meilenstein gesetzt, der die Effizienz massiv steigert, ohne dabei Arbeitsplätze zu gefährden.

Die neuesten KI-Modelle fordern die Grafikprozessoren an ihre Grenzen. Dabei stehen Kosten, Energieeffizienz, Leistungsfähigkeit und Zuverlässigkeit im Fokus, wenn es um die Wirtschaftlichkeit von Trainingsprozessen geht.

Python in Kombination mit Tkinter eröffnet Entwicklern die Möglichkeit, ansprechende und funktionale Dashboards zu bauen, die sowohl optisch ansprechend als auch technisch robust sind. Die Bibliothek bietet eine breite Palette an Widgets und Layout‑Optionen, die sich leicht an die Bedürfnisse von Datenvisualisierung und interaktiven Anwendungen anpassen lassen.

In der dritten Folge der Serie „Mastering NLP mit spaCy“ tauchen wir tief in die Technik der regelbasierten Mustererkennung ein, die ein zentrales Werkzeug für die Extraktion relevanter Informationen aus Texten darstellt. Durch die Kombination von Pattern‑Matching und kontextsensitiven Regeln lässt sich spaCy so konfigurieren, dass es präzise Entitäten erkennt und strukturiert.

In einem neuen Beitrag auf towardsdatascience.com wird ein innovativer, algorithmusneutraler Ansatz vorgestellt, der sich an der klassischen statistischen Kennzahl Cook’s Distance orientiert. Durch die gezielte Identifikation und Behandlung von einflussreichen Datenpunkten kann das Modell gezielt das eigentliche Signal aus dem Rauschen herausfiltern.

In diesem Tutorial wird demonstriert, wie man in Google Colab ein komplett funktionsfähiges Ollama‑Umfeld aufbaut und damit einen selbstgehosteten LLM‑Workflow realisiert. Der Ansatz kombiniert die Installation von Ollama direkt auf der Colab‑VM, die Bereitstellung einer REST‑API und die Integration einer Gradio‑Chat‑Schnittstelle.

Auf dem arXiv wurde die neue Methode DREAMS (Dimensionality Reduction Enhanced Across Multiple Scales) vorgestellt, die die Stärken von t‑SNE und PCA kombiniert. Während t‑SNE vor allem lokale Beziehungen in hochdimensionalen Daten erhält, bewahrt PCA die globale Struktur. DREAMS nutzt einen einfachen Regularisierungsterm, um beide Aspekte gleichzeitig zu berücksichtigen.

Die neue Trans‑XFed‑Architektur verbindet Federated Learning mit erklärbaren KI‑Methoden, um die Kreditbewertung in Lieferketten sicherer und transparenter zu gestalten. Durch die Kombination von Datenschutz, Vermeidung von Informationssilos und der Bewältigung von Klassenungleichgewicht sowie nicht‑identisch und unabhängig verteilten (Non‑IID) Daten bietet Trans‑XFed einen ganzheitlichen Ansatz für die Bewertung von Lieferanten‑Krediten.

In einer neuen Studie aus dem arXiv-Repository wird ein innovativer, datengetriebener Ansatz vorgestellt, der die klassische Ein-Maschinen-Planung revolutioniert. Ziel ist es, die Summe der Gewichte verspäteter Aufträge zu minimieren – ein Problem, das in der Industrie seit Jahrzehnten als besonders anspruchsvoll gilt.

In den letzten Jahren hat die Forschung zu Bandit‑Algorithmen mit stark schiefen Fehlerverteilungen stark zugenommen. Besonders die Kombination aus vielen Optionen und heavy‑tailed Rauschen hat das Interesse geweckt, doch bisher wurden die meisten Arbeiten auf rein stochastische Szenarien beschränkt.

In der Welt des Multi-Agenten‑Reinforcement Learning (MARL) ist Kommunikation das Herzstück, wenn mehrere Agenten komplexe Aufgaben gemeinsam bewältigen sollen. Traditionelle Kommunikationsprotokolle sind oft kompliziert und nicht differenzierbar, was die Lernfähigkeit der Agenten einschränkt. Mit dem neuen MACTAS‑Modul – einer selbstaufmerksamkeitsbasierten Kommunikationskomponente – wird das Spiel verändert.

Die klassische CASH-Strategie (Combined Algorithm Selection and Hyperparameter Optimization) hat AutoML-Systeme seit Jahren geprägt. Mit dem Aufkommen vortrainierter Modelle und der Notwendigkeit von Feinabstimmung, Ensembling und anderen Anpassungstechniken hat sich das Problem jedoch deutlich erweitert: Man muss nicht nur den besten Algorithmus finden, sondern auch die passende Pipeline aus einer Vielzahl heterogener Komponenten auswählen und anpassen.

In der Welt der großen Sprachmodelle (LLMs) wird bislang viel Wert auf die sorgfältige Auswahl von Trainingsdaten und auf die Optimierung der Inferenzzeit gelegt. Das neue Konzept „Input Time Scaling“ richtet den Fokus jedoch auf die Abfrage selbst und verteilt Ressourcen auf die Eingaben, um die Leistung zu steigern.

Neutrale Netzwerke, die auf riesigen Datensätzen trainiert werden, verbrauchen enorme Rechenleistung und verursachen erhebliche CO₂‑Emissionen. Mit der neuen Methode GRAFT (Gradient‑Aware Fast MaxVol Technique) wird das Training effizienter und nachhaltiger gestaltet. GRAFT arbeitet in drei Schritten: Zuerst wird aus jedem Batch eine kompakte, niedrigdimensionale Feature‑Repräsentation erzeugt. Anschließend wählt ein Fast‑MaxVol‑Sampler ein kleines, aber vielfältiges Teilset aus, das den dominanten Unterraum des Batches abdeckt. Schließlich passt GRAFT die Größe dieses Teilsets dynamisch an, indem es eine Gradienten‑Annäherung nutzt, um die wichtigsten Beispiele zu identifizieren.