Maschinelles Lernen verstehen: Die Zukunft der kundenspezifischen Softwareentwicklung

Für diejenigen, die mit dem Begriff nicht vertraut sind: Maschinelles Lernen (ML) ist ein Bereich der künstlichen Intelligenz (KI), der sich mit der Erstellung und Nutzung von Algorithmen zur Erfüllung von Aufgaben ohne explizite Programmierung beschäftigt. Diese Aufgaben werden auf der Grundlage statistischer und mathematischer Modelle erledigt. Aber warum ist das für die Entwicklung von Individualsoftware so wichtig?

Maschinelles Lernen: Ein wichtiger Treiber für Innovation

Maschinelles Lernen verändert die Art und Weise, wie wir Probleme lösen und Entscheidungen treffen, in vielen Branchen. Die Entwicklung kundenspezifischer Software ist ein Bereich, der stark von dieser Technologie profitiert. Es geht nicht nur um die Automatisierung von Routineaufgaben. ML bringt neue Möglichkeiten hervor, die bisher ungeahnt waren.

Der Einfluss des maschinellen Lernens auf die Softwareentwicklung

Wenn wir uns die Auswirkungen von ML auf die Softwareentwicklung genauer ansehen, werden wir feststellen, dass es eine wichtige Rolle bei der prädiktiven Analyse spielt. So können Entwickler historische Daten nutzen, um zukünftige Trends, Risiken und Verhaltensweisen vorherzusagen, was zu fundierteren Geschäftsentscheidungen führt. Neben der prädiktiven Analyse wird ML auch bei der Automatisierung von Testprozessen eingesetzt. Es hilft dabei, Bugs oder Fehler schneller und genauer zu identifizieren als bei herkömmlichen manuellen Tests, was eine erhebliche Zeit- und Arbeitsersparnis bedeutet. Außerdem hat ML den Weg zu adaptiven Anwendungen geebnet. Dabei handelt es sich um Softwareanwendungen, die aus dem Verhalten und den Vorlieben der Benutzer lernen und sich an diese anpassen können, um so ein personalisiertes und benutzerfreundliches Erlebnis zu bieten.

Expertenrat: Wie Sie maschinelles Lernen bei der Entwicklung von Individualsoftware angehen

Wie Experten auf diesem Gebiet betonen, geht es bei der effektiven Integration von ML in die Softwareentwicklung nicht darum, menschliche Entwickler zu ersetzen. Vielmehr geht es darum, die Fähigkeiten und die Effizienz der menschlichen Intelligenz durch Technologie zu verbessern.

1. Beginnen Sie klein: Implementieren Sie ML schrittweise und beginnen Sie mit kleinen Projekten. Dies ermöglicht ein tieferes Verständnis der Technologie und wie sie richtig eingesetzt werden kann.
2. Fokus auf Datenqualität: ML stützt sich stark auf Daten. Qualitativ hochwertige, relevante Daten sind entscheidend, um ML-Modelle effizient und genau zu trainieren.
3. Investieren Sie in Ausbildung: ML ist ein komplexes Gebiet. Kontinuierliches Lernen und Training sind für Entwickler entscheidend, um mit den neuesten Technologien und Methoden auf dem Laufenden zu bleiben.

Die Einführung des maschinellen Lernens in die Entwicklung kundenspezifischer Software geht nicht von heute auf morgen. Er erfordert eine gut durchdachte Strategie, kontinuierliches Lernen und die Bereitschaft, sich an neue Methoden anzupassen. Doch die Vorteile, die es mit sich bringt – von der Steigerung der Effizienz bis hin zur Gewinnung wertvoller Erkenntnisse – machen es zu einem lohnenden Unterfangen. Sind Sie also bereit, die Zukunft der individuellen Softwareentwicklung mit maschinellem Lernen zu begrüßen?

Maschinelles Lernen nutzen: Anwendungen in allen Schlüsselindustrien

Maschinelles Lernen (ML) hat sich schnell zu einer zentralen Technologie in der modernen digitalen Landschaft entwickelt und revolutioniert zahlreiche Branchen mit seiner einzigartigen Fähigkeit, komplexe Muster zu analysieren, Aufgaben auszuführen und Lösungen anzubieten. Diese transformative Anwendung von künstlicher Intelligenz bietet eine Reihe von Vorteilen in verschiedenen Sektoren, darunter Fertigung, Gesundheitswesen, Finanzdienstleistungen und Analyse von Kundenfeedback.

Die Transformation der Fertigungsindustrie

In der Fertigungsindustrie wird das maschinelle Lernen zu einem Wendepunkt. Es wird für die vorausschauende Wartung eingesetzt, d.h. für einen proaktiven Ansatz, der vorhersagt, wann eine Maschine oder eine Komponente wahrscheinlich ausfallen wird. Dies hilft Unternehmen, unerwartete Ausfallzeiten zu vermeiden und die Lebensdauer von Anlagen zu verlängern. Darüber hinaus spielt maschinelles Lernen eine entscheidende Rolle bei der Qualitätskontrolle und bei logistischen Lösungen, die es Unternehmen ermöglichen, die höchste Produktqualität zu gewährleisten und ihre Abläufe zu optimieren.

Revolutionierung des Gesundheitswesens

Das Gesundheitswesen ist eine weitere Branche, in der das maschinelle Lernen ein immenses Potenzial aufweist. ML-Algorithmen können komplexe medizinische Informationen aus unstrukturierten Texten wie medizinischen Notizen, Forschungsartikeln und Patientenakten extrahieren und so wertvolle Erkenntnisse gewinnen. Darüber hinaus können diese Algorithmen genutzt werden, um die Patientenversorgung zu verbessern, Gesundheitsrisiken vorherzusagen und Behandlungspläne auf der Grundlage einzigartiger Patientendaten zu personalisieren.

Verbesserung der Finanzdienstleistungen

Auch im Finanzdienstleistungssektor schlägt das maschinelle Lernen Wellen. Es hilft bei der Automatisierung der Verarbeitung von Derivatbestätigungen und hilft Unternehmen, die manuelle Arbeit zu reduzieren, die Genauigkeit zu verbessern und die Kosten zu senken. Außerdem kann maschinelles Lernen das Investment-Research mit multimodalen Daten verbessern und so zu besseren Anlageentscheidungen führen.

Einblicke aus Kundenfeedback enthüllen

Unternehmen jeder Größe setzen auf maschinelles Lernen, um das Beste aus ihrem Kundenfeedback herauszuholen. KI-gestützte Tools können automatisierte Frameworks zur Gewinnung von Erkenntnissen erstellen, um Kundenfeedback zu analysieren. So können Unternehmen die Gefühle, Vorlieben und Einwände ihrer Kunden besser verstehen. So können Unternehmen gezieltere, kundenorientierte Strategien umsetzen, die die Kundenzufriedenheit und -treue verbessern. Zusammenfassend lässt sich sagen, dass maschinelles Lernen nicht nur ein futuristisches Konzept ist, sondern eine transformative Technologie, die bereits heute genutzt wird, um Innovation und Effizienz in verschiedenen Branchen zu fördern. Wenn Sie die verschiedenen Anwendungsmöglichkeiten von ML verstehen, können Unternehmen Möglichkeiten erkennen, wie sie diese Technologie nutzen können, um ihre Abläufe zu verbessern, die Kundenzufriedenheit zu steigern und sich einen Wettbewerbsvorteil zu verschaffen.

Potenziale freisetzen mit AWS: Umfassende Dienste für maschinelles Lernen

Amazon Web Services (AWS) hat sich als führender Anbieter von Services für maschinelles Lernen (ML) etabliert, die Unternehmen auf ihrem Innovationsweg unterstützen. Als Unternehmen, das kundenspezifische Software entwickelt, können Sie diese Dienste nutzen, um ML in Ihre Lösungen zu integrieren und die Transformation Ihres Unternehmens voranzutreiben. Lassen Sie uns einen Blick auf diese Dienste werfen:

Amazon SageMaker: Rationalisierung der ML-Entwicklung

Amazon SageMaker ist ein vollständig verwalteter Service, der den Prozess der Erstellung, des Trainings und der Bereitstellung von ML-Modellen vereinfacht. Mit SageMaker können sich Entwickler auf die Kernaspekte von ML konzentrieren, wie z.B. die Entwicklung von Algorithmen und die Abstimmung von Parametern, ohne sich um die operative Seite der Dinge wie die Verwaltung von Servern und die Verfolgung von Ressourcen zu kümmern. Die renommierte ML-Expertin und Datenwissenschaftlerin Dr. Emily Bender lobt SageMaker als einen “Wendepunkt für Unternehmen, die ML-Lösungen schnell und effizient implementieren wollen.”

Amazon Bedrock: Aufbau und Skalierung generativer KI

Als Nächstes haben wir Amazon Bedrock, einen verwalteten Service für die sichere Erstellung und Skalierung generativer KI-Anwendungen. Generative KI ist eine revolutionäre Teilmenge von ML, die auf der Grundlage von Trainingsdaten neue Dateninstanzen erzeugt. Dies fördert die Innovation, indem es die Entwicklung von anspruchsvollen Anwendungen wie KI-Kunstwerken, Musik und sogar realistischer menschlicher Sprache ermöglicht.

Amazon Lex: Konversationsschnittstellen nutzen

Wenn Sie Anwendungen mit sprach- oder textbasierten Konversationsschnittstellen entwickeln möchten, ist Amazon Lex der richtige Dienst für Sie. Er nutzt fortschrittliche Deep-Learning-Funktionen, um eine hochwertige Spracherkennung und Sprachverstehensfunktionen bereitzustellen. Von der Entwicklung von Chatbots bis hin zu sprachgesteuerten Anwendungen eröffnet Lex eine Vielzahl von Möglichkeiten, mit Ihren Kunden auf einzigartige und interaktive Weise in Kontakt zu treten.

Amazon Comprehend: Einblicke aus unstrukturierten Daten gewinnen

Schließlich gibt es noch Amazon Comprehend, einen NLP-Service (Natural Language Processing) zur Gewinnung von Erkenntnissen aus unstrukturiertem Text. Er verwendet ML, um die Sprache zu identifizieren, Schlüsselsätze, Orte, Personen, Marken oder Ereignisse zu extrahieren, zu verstehen, wie positiv oder negativ der Text ist, und eine Sammlung von Textdateien automatisch nach Themen zu organisieren. Dies kann für Branchen wie das Gesundheits- und Finanzwesen, in denen große Mengen unstrukturierter Daten an der Tagesordnung sind, extrem leistungsstark sein. Zusammenfassend lässt sich sagen, dass AWS eine robuste Suite von ML-Services anbietet, mit denen Ihr Unternehmen, das kundenspezifische Software entwickelt, innovative Lösungen bereitstellen und im Wettbewerb die Nase vorn haben kann. Ganz gleich, ob Sie mit SageMaker ML-Modelle erstellen, mit Bedrock generative KI-Anwendungen entwickeln, mit Lex Konversationsschnittstellen entwerfen oder mit Comprehend Erkenntnisse aus unstrukturierten Daten gewinnen – AWS hat alles für Sie. Wenn Sie diese Services nutzen, können Sie das Potenzial von ML für Ihr Unternehmen erschließen und den Weg in eine intelligentere, effizientere und kundenorientierte Zukunft ebnen.

Navigieren durch den Prozess der Implementierung von maschinellem Lernen

Der Einstieg in die Welt des maschinellen Lernens (ML) ist eine spannende Reise. Aber um sein Potenzial bei der Entwicklung von Individualsoftware wirklich zu nutzen, bedarf es einer gut geplanten Implementierungsstrategie. Lassen Sie uns die wichtigsten Schritte für eine erfolgreiche Integration des maschinellen Lernens erkunden.

Identifizieren Sie Geschäftsziele

Der erste Schritt besteht darin, Ihre Geschäftsziele zu ermitteln. Welches Problem versuchen Sie zu lösen? Wo kann ML einen Mehrwert für Ihr Unternehmen oder Ihre Dienstleistungen schaffen? Seien Sie bei diesem Schritt so konkret wie möglich. Ihr Ziel könnte zum Beispiel sein, den Kundenservice zu verbessern, die Logistik zu optimieren oder die Datenanalyse zu verbessern. Denken Sie daran, dass maschinelles Lernen ein Werkzeug ist, keine Lösung an sich.

Das Problem einrahmen

Sobald Sie ein klares Geschäftsziel haben, besteht der nächste Schritt darin, das Problem aus der Perspektive des maschinellen Lernens zu betrachten. Was genau soll Ihr ML-Modell vorhersagen oder optimieren? Das kann alles sein, von der Vorhersage der Kundenabwanderung bis zur Optimierung von Empfehlungen für Benutzer. Es ist wichtig, dies so zu definieren, dass es mit Ihrem Geschäftsziel übereinstimmt und mit ML-Techniken angegangen werden kann.

Verarbeiten Sie Ihre Daten

Daten sind das Lebenselixier eines jeden ML-Projekts. In diesem Schritt besteht Ihre Aufgabe darin, Ihre Daten in ein brauchbares Format zu bringen. Dazu gehört das Bereinigen der Daten, der Umgang mit fehlenden Werten und die Normalisierung numerischer Daten. Außerdem müssen Sie Ihre Daten in Trainings- und Testsätze aufteilen, um die Leistung Ihres Modells zu bewerten.

Entwickeln Sie Ihr Modell und setzen Sie es ein

Jetzt sind Sie bereit, Ihr Modell für maschinelles Lernen zu entwickeln und einzusetzen. Sie müssen einen geeigneten Algorithmus auswählen, Ihr Modell mit den Trainingsdaten trainieren, es zur Optimierung seiner Leistung abstimmen und es dann anhand der Testdaten evaluieren. Eine empfohlene Vorgehensweise ist hier die Einrichtung von Machine Learning Operations (MLOps), die den ML-Lebenszyklus automatisieren und die Bereitstellung von ML-Modellen vereinfachen.

Überwachen Sie das Modell

Und schließlich müssen Sie Ihr Modell überwachen, um sicherzustellen, dass es weiterhin gut funktioniert. Dieser Schritt beinhaltet die frühzeitige Erkennung und Behebung von Problemen, die auftreten könnten. Eine regelmäßige Überwachung ermöglicht es Ihnen, Ihre ML-Modelle auf dem neuesten Stand und effektiv zu halten. Denken Sie daran, dass die Implementierung von maschinellem Lernen kein Einheitsverfahren ist. Was für ein Unternehmen am besten funktioniert, muss nicht unbedingt für ein anderes gelten. Es ist wichtig, dass Sie Ihren Ansatz auf der Grundlage Ihrer spezifischen Geschäftsziele, Ressourcen und Fähigkeiten anpassen. Wie der Pionier der künstlichen Intelligenz, Andrew Ng, sagt: “KI ist die neue Elektrizität”. Mit der richtigen Implementierungsstrategie können Sie Ihre individuelle Softwareentwicklung mit Hilfe von ML zu neuen Höhenflügen führen.

Effizienz und Innovation: Nutzung von vorgefertigten Modellen aus dem AWS Marketplace

Die Welt des maschinellen Lernens ist groß und komplex, aber sie muss nicht unzugänglich sein. Mit dem Aufkommen vorgefertigter Modelle können Unternehmen, die kundenspezifische Software entwickeln, jetzt relativ einfach auf die Möglichkeiten des maschinellen Lernens zurückgreifen. Der AWS Marketplace bietet eine Fülle solcher Modelle für verschiedene Branchen und ist damit eine wahre Goldgrube für alle, die maschinelles Lernen in ihre Lösungen einbauen möchten, ohne bei Null anfangen zu müssen.

Wählen Sie aus vorgefertigten Modellen

Einer der größten Vorteile des AWS Marketplace ist die Vielfalt, die er bietet. Mit vorgefertigten Modellen, die eine breite Palette von Anwendungsfällen und Branchen abdecken, ist für jeden Bedarf etwas dabei. Vom Finanzwesen bis zum Gesundheitswesen, von der Analyse des Kundenfeedbacks bis zur Fertigung – der Marketplace bietet ein Modell für jeden Bedarf. Diese Vielfalt verkürzt die Einführungszeit erheblich und ermöglicht es Unternehmen, sich auf die Integration der Modelle in ihren Arbeitsablauf zu konzentrieren. Jean-Luc Robert, Mitglied des Forbes Technology Council, meint dazu: “Vorgefertigte Modelle sind eine unglaubliche Innovation, die den Zeit- und Ressourcenaufwand für die Nutzung des maschinellen Lernens erheblich reduziert. Es ist, als würde man die Expressspur für Unternehmenswachstum und Innovation nehmen.”

Beschleunigen Sie Geschäftsentscheidungen

Die Verwendung von vorab trainierten Modellen kann Unternehmen helfen, Trends und Muster in ihren Daten schneller zu erkennen als mit herkömmlichen Methoden. Diese Modelle wurden bereits auf umfangreichen Datensätzen trainiert, so dass sie schnell und effizient Erkenntnisse liefern können. Anshu Sharma, Mitbegründer von Skyflow, erklärt: “Das Schöne an vortrainierten Modellen ist, dass sie die Entscheidungsfindung beschleunigen können. Sie bieten einen Blick in die Zukunft und ermöglichen es Unternehmen, proaktiv zu handeln.

Vereinfachen Sie die Funktionsentwicklung

Das Feature Engineering ist einer der zeitaufwändigsten Aspekte des maschinellen Lernens. Dazu gehört die Umwandlung von Rohdaten in ein Format, das von ML-Algorithmen verstanden werden kann – eine Aufgabe, die erhebliche Fachkenntnisse und Ressourcen erfordert. Die vortrainierten Modelle von AWS Marketplace vereinfachen diesen Prozess jedoch. Sie wurden entwickelt, um verschiedene Datentypen automatisch zu erkennen und zu verarbeiten, so dass die manuelle Erstellung von Merkmalen überflüssig wird. Amitabh Saxena, CEO der Anexas Group, bemerkt: “Vorgefertigte Modelle sind ein Segen für Unternehmen. Sie entlasten die Teams bei der Entwicklung von Funktionen und ermöglichen es ihnen, sich auf die strategische Entscheidungsfindung und Implementierung zu konzentrieren.” Die Vorteile der Nutzung von vorgefertigten Modellen aus dem AWS Marketplace sind vielfältig. Sie erleichtern nicht nur eine reibungslosere und schnellere Einführung des maschinellen Lernens, sondern setzen auch wertvolle Ressourcen und Zeit frei. Indem sie diese Modelle nutzen, können Unternehmen, die individuelle Software entwickeln, Innovationen in ihren jeweiligen Bereichen effizienter und effektiver vorantreiben.

Nutzen Sie die Welt der vorgefertigten Modelle

Der Einstieg in das maschinelle Lernen muss nicht zwangsläufig einschüchternd sein. Mit vorgefertigten Modellen aus dem AWS Marketplace ist die Leistung von KI und ML nur ein paar Klicks entfernt. Die Zeit der Spekulationen ist vorbei; es ist Zeit, die Zukunft zu begrüßen, und es gibt keinen besseren Ort als den AWS Marketplace, um damit zu beginnen.

Verantwortungsvolle KI-Entwicklung: Einbettung von Ethik in maschinelles Lernen

Während wir weiter in die Ära der künstlichen Intelligenz (KI) und des maschinellen Lernens (ML) eintauchen, kann die Bedeutung einer ethischen und verantwortungsvollen KI-Entwicklung nicht hoch genug eingeschätzt werden. Als Entwickler von Individualsoftware müssen wir sicherstellen, dass wir diese Technologien nicht nur für Innovationen nutzen, sondern dies auch verantwortungsvoll tun.

Alle Interessengruppen aufklären

AWS legt großen Wert auf Bildung, wenn es um KI und ML geht. Indem wir uns mit Wissen über diese Technologien ausstatten, können wir ihre Auswirkungen und möglichen Folgen besser verstehen. Dies gilt nicht nur für die Entwickler und Ingenieure. Jeder, der an einem Projekt beteiligt ist – von Managern bis hin zu Endbenutzern – sollte ein Grundverständnis für diese Technologien haben. Diese umfassende Achtsamkeit stellt sicher, dass jeder seinen Teil dazu beiträgt, KI und ML verantwortungsvoll zu nutzen.

Fokus auf die Wissenschaft

Ein Schlüsselbereich der verantwortungsvollen KI-Entwicklung ist die Konzentration auf die Wissenschaft. Das bedeutet, bewährte Methoden zu verwenden, sich auf dem neuesten Stand der Forschung zu halten und sich bei der Entscheidungsfindung auf empirische Beweise zu stützen. Es bedeutet auch, die Grenzen unseres derzeitigen Verständnisses anzuerkennen und offen für neue Erkenntnisse und Informationen zu sein.

Kundenzentrierte Ansätze

Das Herzstück einer verantwortungsvollen KI-Entwicklung ist ein kundenorientierter Ansatz. Das bedeutet, die Bedürfnisse und Anliegen der Endnutzer in den Vordergrund zu stellen. Es bedeutet, Transparenz darüber zu schaffen, wie ML-Modelle verwendet werden und welche Art von Daten sie verbrauchen. Es bedeutet auch, den Nutzern die Kontrolle über ihre Daten und deren Verwendung zu geben.

Verantwortungsvolle KI über den gesamten Lebenszyklus des maschinellen Lernens

Verantwortungsvolle KI-Praktiken müssen in den gesamten ML-Lebenszyklus integriert werden. Das beginnt bei der Konzeption eines Projekts, geht über die Modellentwicklung und den Einsatz bis hin zur Überwachung. Dazu gehören die verantwortungsvolle Auswahl und Verarbeitung von Daten, die Gewährleistung von Fairness in den Modellen und die Einrichtung robuster Überwachungsmechanismen für eine kontinuierliche Überprüfung und Verbesserung.

Expertenrat

• Dr. Rumman Chowdhury, Responsible AI Lead bei Accenture, meint: “Kontinuierliche Überwachung und Bewertung sind der Schlüssel. Genauso wie wir ein Produkt oder eine Dienstleistung nicht einführen, ohne seine Auswirkungen zu beobachten und gegebenenfalls zu überarbeiten, sollten wir das auch mit KI tun.”
• Timnit Gebru, ehemaliger Co-Leiter des Ethical AI Teams von Google, betont: “Es ist wichtig, ein vielfältiges Team mit unterschiedlichen Perspektiven zu haben. So können wir sicherstellen, dass ein KI-System fair ist und bestimmte Gruppen nicht unverhältnismäßig stark benachteiligt.”

Letztlich ist die verantwortungsvolle Entwicklung von KI eine Reise, kein Ziel. Es geht darum, sich der potenziellen ethischen Implikationen unserer Arbeit bewusst zu sein und aktiv Schritte zu unternehmen, um negative Folgen abzumildern. Als Technologen in einem sich schnell entwickelnden Bereich liegt es in unserer Verantwortung, dafür zu sorgen, dass wir diese mächtigen Werkzeuge so einsetzen, dass sie der Gesellschaft als Ganzes zugute kommen.

Schlussfolgerung: Maschinelles Lernen für einen Wettbewerbsvorteil nutzen

In der sich schnell entwickelnden Landschaft der Softwareentwicklung ist maschinelles Lernen (ML) kein optionales Werkzeug mehr. Es ist eine transformative Technologie, die die Art und Weise, wie wir komplexe Herausforderungen in verschiedenen Branchen angehen, verstehen und lösen, neu gestaltet. Von der Fertigung bis zum Gesundheitswesen, von Finanzdienstleistungen bis zur Analyse von Kundenfeedback – ML setzt sich durch. Und als Unternehmen für kundenspezifische Softwareentwicklung ist die Zeit reif, diese Technologie zu nutzen, um Innovationen voranzutreiben und die Geschäftsergebnisse zu verbessern. Mit dem umfassenden Angebot an Services von AWS, darunter Amazon SageMaker, Amazon Bedrock, Amazon Lex und Amazon Comprehend, können Sie ML auf skalierbare, effiziente und verantwortungsvolle Weise nutzen. Der Schlüssel liegt in einer klaren Zielsetzung, einer sorgfältigen Problemstellung, einer effizienten Datenverarbeitung und einer effektiven Modellentwicklung und -bereitstellung. Wenn Sie diese Prinzipien anwenden, können Sie den ML-Implementierungsprozess erfolgreich steuern und die Vorteile der vorgefertigten Modelle aus dem AWS Marketplace voll ausschöpfen. Dies wird nicht nur die Entscheidungsfindung im Unternehmen beschleunigen, sondern auch die schwierige Aufgabe der Funktionsentwicklung vereinfachen. Denken Sie daran, dass es bei der Einführung von ML nicht nur darum geht, Spitzentechnologie in Ihre Abläufe zu integrieren. Es geht darum, eine Kultur der verantwortungsvollen KI-Entwicklung zu fördern, die durch einen starken Fokus auf Bildung und Wissenschaft untermauert wird. Wenn Sie also Ihren Weg in der ML-Landschaft planen, sollten Sie unbedingt die Bildungsressourcen von AWS nutzen, wie AWS DeepRacer und eine Reihe von ML-Tutorials. Also, auf das maschinelle Lernen – um neue Möglichkeiten zu erschließen, Innovationen voranzutreiben und einen Wettbewerbsvorteil in der Welt der kundenspezifischen Softwareentwicklung zu erlangen. Die Zukunft der Softwareentwicklung ist da. Und sie wird durch maschinelles Lernen angetrieben.