KI News: Kurz und klar.

LLMs haben in den letzten Jahren viel Aufmerksamkeit für Klassifikationsaufgaben erhalten, da sie mit Zero‑Shot‑Prompting eine flexible Alternative zu etablierten Modellen wie LightGBM bieten. Doch ihre Zuverlässigkeit bei strukturierten Tabellendaten, insbesondere in hochriskanten Bereichen wie der Finanz‑Risikobewertung, ist noch nicht geklärt.

Die Vorhersage von Klickrate (CTR) ist ein entscheidender Faktor für moderne Werbesysteme, denn sie bestimmt, wie gut Anzeigen platziert werden und wie stark Nutzerinteraktionen die Effizienz einer Plattform beeinflussen. In einem neuen Forschungsprojekt untersucht Alibaba, wie die CTR auf Basis des umfangreichen Taobao-Datensatzes noch genauer vorhergesagt werden kann.

Ein neues Forschungsprojekt von arXiv präsentiert, wie Premium-Autohersteller ihre monatlichen Nachfrageprognosen deutlich verbessern können. Durch die Kombination von LightGBM-Ensembles, Quantilregression und einer Mixed-Integer-Linear-Programming-Rekonsilierung werden Prognosen auf strategischer und operativer Ebene erzeugt.

In der heutigen digitalen Landschaft bestimmen Social‑Media‑Empfehlungssysteme maßgeblich, welche Inhalte Nutzer sehen und damit auch ihre emotionalen Zustände. Bisher wurden diese Systeme jedoch primär auf Engagement‑Metriken wie Klickrate, Aufmerksamkeitsdauer oder Scrollverhalten optimiert, ohne die Gefühle der Nutzer zu berücksichtigen. Wiederholte Exposition gegenüber stark emotional aufgeladenen Inhalten kann langfristig das Wohlbefinden beeinträchtigen.

In meinen bisherigen Beiträgen habe ich die klassischen Entscheidungsbäume und die Faszination von Random Forests beleuchtet. Jetzt runde ich das Dreieck ab und tauche visuell in Gradient Boosted Trees ein. Es gibt zahlreiche Bibliotheken – XGBoost, CatBoost und LightGBM gehören zu den beliebtesten – doch für diese Demonstration setze ich auf die in scikit‑learn integrierte Variante. Warum? Weil sie sich nahtlos in das bestehende Ökosystem einfügt, leicht zu bedienen ist und dennoch die volle Leistungsfähigkeit von Gradient Boosting bietet.

Ein neues, interpretierbares Machine‑Learning‑Modell verspricht, akutes Nierenversagen (AKI) bei kritisch kranken Patienten mit Leberzirrhose frühzeitig zu erkennen. Die Studie, die auf Daten aus der MIMIC‑IV‑Datenbank basiert, zeigt, dass das Modell mit hoher Genauigkeit arbeitet und gleichzeitig klinisch nachvollziehbare Risikofaktoren liefert.