Anwendungssoftware

Auf dem Markt von Deep-Learning-Frameworks wird man meist im Bereich Python fündig. NumPy, Matplotlib, MXNet, PyTorch oder auch TensorFlow sind aus der Deep-Learning-Gemeinde nicht mehr wegzudenken. Start-ups, die über einen eher kleinen sowie modernen IT-Stack verfügen, haben zumeist kein Problem damit, sich schnell in Richtung Python oder andere moderne Implementierungssprachen auszurichten. Doc..

Von der ersten Idee einer Anwendung von Machine Learning (ML) bis zur Entscheidung über den Projektstart lassen sich viele Fehler vermeiden, die den Projekterfolg gefährden. Die Bedeutung von Daten und der Datenqualität für das Gelingen von ML-Projekten lässt sich nicht unterschätzen, aber auch darüber hinaus gibt es viele Fragen zu klären. Hier betrachten wir eine Reihe relevanter Problemdimensio..

Neue aufkommende Marktentwicklungen erhöhen den Druck auf die IT der Unternehmen zusehends. ERP-Systeme wurden bisher aufgrund ihrer Größe und Komplexität meist klassisch entwickelt, doch strategische Entscheidungen von Softwareanbietern wie SAP führen immer mehr zu der Notwendigkeit, auch diese Systeme agil zu entwickeln. In der agilen Softwareentwicklung steigt die Bedeutung des automatisierten ..

Es ist so weit – nach vielen Jahren endet mit dem Jahr 2020 die Ära von Intel Parallel Studio XE. Aber keine Angst, die oneAPI Tookits bieten als Nachfolger genau die gleichen Komponenten, Compiler, Bibliotheken und Analyse-Tools. Doch es steckt viel mehr drin. Der Artikel zeigt auf, wie Umsteiger am besten von diesem Mehrwert profitieren können.

Ideal für schnell skalierende Microservice-Architekturen und -Umgebungen, haben Container-Technologien die Infrastruktur-Welt im Sturm erobert. Und mit ihnen ging eine erhebliche Komplexität in Bezug auf die Orchestrierung einher. Der ideale Nährboden für Kubernetes. Doch auch der Orchestrierer will im Blick behalten werden. Monitoringstrategien müssen überdacht und neu ausgerichtet werden, gerade..