KI News: Kurz und klar.

In vielen Netzwerk‑Anwendungen ist die Erkennung von Gruppenanomalien entscheidend, doch die Vielfalt der Anomalie­muster erschwert die Arbeit. Durch den Erfolg großer Sprachmodelle (LLMs) im Natural‑Language‑Processing wurde die Idee eines Graph‑Foundation‑Models (GFM) für Few‑Shot‑Learning mit geringem Label‑Aufwand aufgegriffen.

Die visuelle Artenidentifikation (VSR) ist ein zentrales Werkzeug für Biodiversitäts‑, Evolutions‑ und Ökosystemforschung. Traditionell erfordert die Erstellung von Modellen für VSR riesige Mengen annotierter Bilder, wobei die präzise Kennzeichnung von Arten Expertenwissen voraussetzt. In der Praxis können Fachleute jedoch nur wenige Beispiele liefern, was den Einsatz von Few‑Shot‑Learning (FSL) notwendig macht.

Die Innenraumnavigation bleibt eine zentrale Herausforderung für Menschen mit Sehbehinderungen. Bisherige Systeme basieren überwiegend auf infrastrukturbasierten Lösungen, die in dynamischen Umgebungen eingeschränkt sind. Mit Floorplan2Guide wird ein neuer Ansatz vorgestellt, der ein Basismodell nutzt, um Grundrisse in durchsuchbare Wissensgraphen zu überführen und leicht verständliche Navigationsanweisungen zu generieren.

Unternehmen, die große ERP‑Systeme betreiben, stehen häufig vor der Herausforderung, hunderte Tausend Mitarbeiterdaten sauber und konsistent zu halten. In einer aktuellen Studie wurde ein End‑to‑End‑Ansatz entwickelt, der genau diese Problematik adressiert und in einem produktiven Umfeld mit 240.000 Mitarbeiterkonten über sechs Monate hinweg eingesetzt wurde.

In der Landwirtschaft sind die Daten für die Klassifikation von Feldfrüchten häufig stark unausgewogen und folgen einer langen Schwanzverteilung. Gleichzeitig sind beschriftete Datensätze knapp und teuer zu beschaffen. Um mit diesen begrenzten Daten umzugehen, werden Trainingssets in der Regel künstlich ausgeglichen – besonders im Few‑Shot‑Learning. Dieses Vorgehen widerspricht jedoch den realen Bedingungen und führt zu einer Verschiebung zwischen Trainings- und Testlabelverteilungen, die die Generalisierbarkeit des Modells stark beeinträchtigt.

Ein neuer Beitrag auf arXiv (ID 2511.11576v1) präsentiert DAOpt, ein innovatives Framework, das große Sprachmodelle (LLMs) gezielt für die Modellierung und Bewertung von Optimierungsproblemen unter Unsicherheit einsetzt. Während die Forschung zu automatisierter Optimierung in den letzten Jahren stark von LLMs vorangetrieben wurde, konzentrierte sich die Mehrheit der Arbeiten bislang auf deterministische Szenarien mit bekannten Parametern. DAOpt füllt diese Lücke, indem es Unsicherheit explizit in den Optimierungsprozess integriert.

Die neuesten Entwicklungen bei Noisy Intermediate-Scale Quantum (NISQ)-Geräten zeigen, dass Quantencomputer bereits bei klassischen Problemen Vorteile bieten, von Physiksimulationen bis hin zu Gaussian Boson Sampling. Für Laien bleibt die Umsetzung dieser Vorteile jedoch schwierig, weil das Programmieren in Open Quantum Assembly Language (OpenQASM) komplex ist.

Die Erkennung menschlicher Aktivitäten mit Wearables hat in den letzten Jahren enorme Fortschritte gemacht, doch die Modelle verlieren oft an Genauigkeit, wenn sie neuen Nutzern ausgesetzt werden. Dieser Leistungsverlust entsteht vor allem durch nutzerinduzierte Konzeptverschiebungen, die eine effiziente Personalisierung erforderlich machen.