KI News: Kurz und klar.

Im Jahr 2016 stand ein großes Logistikunternehmen kurz vor dem Kollaps. Das zentrale Routenplanungssystem, das in den meisten Unternehmen noch immer Standard ist, konnte die Millionen von Lieferungen pro Tag nicht mehr bewältigen. Entscheidungen wurden über mehrere Genehmigungsebenen hinweg getroffen, sodass die Reaktionszeit Stunden betrug – ein tödlicher Fehler im E‑Commerce‑Umfeld.

Die Künstliche Intelligenz wird nicht mehr ausschließlich in den riesigen GPU‑Garagen der Big‑Tech‑Giganten betrieben und kann keine langsamen Verbindungen mehr tolerieren. Aus diesem Grund will das Open Compute Project (OCP) Spezifikationen für verteilte Rechenzentren entwickeln und hat entschieden, dass der vollständig optische Innovative Optical and Wireless Network (IOWN) Stack diese Vision realisieren kann.

Mit der rasanten Verbreitung von IoT‑Geräten wächst die Angriffsfläche für Cyberbedrohungen enorm. Ein robustes Intrusion‑Detection‑System (IDS), das gleichzeitig erklärbar und ressourcenschonend ist, wird daher immer wichtiger – besonders in Umgebungen mit begrenzten Rechenkapazitäten.

Während die Schlagzeilen oft von großen Sprachmodellen (LLMs) dominiert werden, ist das heutige KI-Ökosystem weit mehr als nur Text. Im Hintergrund arbeiten zahlreiche spezialisierte Architekturen, die Maschinen dabei helfen, zu sehen, zu planen, zu handeln, zu segmentieren, Konzepte darzustellen und sogar auf kleinen Geräten effizient zu laufen.

Mit dem rasanten Aufstieg von unbemannten Luftfahrzeugen (UAVs) und der wachsenden Komplexität von Sicherheitsbedrohungen in niedrigen Lagen stoßen traditionelle Identifikationsmethoden an ihre Grenzen. Insbesondere die Extraktion zuverlässiger Signalmerkmale in Echtzeit wird in komplexen Umgebungen immer schwieriger.

Mistral AI, Europas führendes KI-Startup, hat heute seine bisher ambitionierteste Produktreihe vorgestellt: die Mistral 3-Familie aus zehn Open‑Source-Modellen, die von Smartphones und autonomen Drohnen bis hin zu Unternehmens‑Cloud‑Systemen überall eingesetzt werden können.

Mit der rasanten Verbreitung von Endgeräten und dem damit einhergehenden Datenanstieg stehen herkömmliche Machine‑Learning‑Modelle vor enormen Herausforderungen. Besonders in ressourcenbeschränkten und sicherheitskritischen Umgebungen, wie sie im Internet der Dinge (IoT) vorkommen, sind diese Probleme deutlich spürbar.

Federated Learning ermöglicht es verteilten Geräten, gemeinsam Modelle zu trainieren, ohne dass sensible Daten preisgegeben werden. In drahtlosen Edge‑Systemen stellt die gleichzeitige Optimierung von Energieeffizienz, fairem Partizipationsgrad und hoher Modellgenauigkeit jedoch eine große Herausforderung dar – vor allem, weil die Geräte unterschiedliche Ressourcen besitzen, die Beiträge der Clients ungleich sind und die Kommunikationskapazität begrenzt ist.

Ein neues Verfahren aus dem Bereich der künstlichen Intelligenz verspricht, die Auswahl von Antennenstrahlen in 5G‑Netzwerken nachhaltig zu optimieren. Durch den Einsatz von Transfer Learning in Kombination mit Reinforcement Learning kann die Trainingszeit um das 16‑fache reduziert werden, was zu erheblichen Einsparungen bei Energie und Rechenleistung führt.

In einer neuen Studie auf arXiv wird ein innovatives Verfahren namens CoDa-FL vorgestellt, das die Auswahl von Clients im Federated Learning (FL) in mobilen Edge-Computing-Umgebungen optimiert. Durch die Berücksichtigung von Abhängigkeiten zwischen mehreren Lernaufgaben soll die Gesamtzeit für die Fertigstellung aller Aufgaben reduziert werden.