{"id":1326,"date":"2024-03-20T16:44:00","date_gmt":"2024-03-20T16:44:00","guid":{"rendered":"https:\/\/mivia.io\/?p=1326"},"modified":"2024-06-26T10:38:46","modified_gmt":"2024-06-26T10:38:46","slug":"ki-training-101-wie-wir-bei-mivia-unsere-modelle-trainieren","status":"publish","type":"post","link":"https:\/\/mivia.ai\/en\/2024\/03\/ki-training-101-wie-wir-bei-mivia-unsere-modelle-trainieren\/","title":{"rendered":"AI training 101: How we train our models at MiViA"},"content":{"rendered":"<style>.kb-row-layout-id1326_b0c224-2b > .kt-row-column-wrap{align-content:start;}:where(.kb-row-layout-id1326_b0c224-2b > .kt-row-column-wrap) > .wp-block-kadence-column{justify-content:start;}.kb-row-layout-id1326_b0c224-2b > .kt-row-column-wrap{column-gap:var(--global-kb-gap-md, 2rem);row-gap:var(--global-kb-gap-md, 2rem);padding-top:var(--global-kb-spacing-sm, 1.5rem);padding-bottom:var(--global-kb-spacing-sm, 1.5rem);grid-template-columns:minmax(0, 1fr) minmax(0, 2fr);}.kb-row-layout-id1326_b0c224-2b > .kt-row-layout-overlay{opacity:0.30;}@media all and (max-width: 1024px){.kb-row-layout-id1326_b0c224-2b > .kt-row-column-wrap{grid-template-columns:minmax(0, 1fr) minmax(0, 2fr);}}@media all and (max-width: 767px){.kb-row-layout-id1326_b0c224-2b > .kt-row-column-wrap{grid-template-columns:minmax(0, 1fr);}}<\/style><div class=\"kb-row-layout-wrap kb-row-layout-id1326_b0c224-2b alignnone wp-block-kadence-rowlayout\"><div class=\"kt-row-column-wrap kt-has-2-columns kt-row-layout-right-golden kt-tab-layout-inherit kt-mobile-layout-row kt-row-valign-top\">\n<style>#wrapper.site{overflow:clip;}.kadence-column1326_1ef4ed-5e{--kb-section-setting-offset:120px;}.kadence-column1326_1ef4ed-5e > .kt-inside-inner-col,.kadence-column1326_1ef4ed-5e > .kt-inside-inner-col:before{border-top-left-radius:0px;border-top-right-radius:0px;border-bottom-right-radius:0px;border-bottom-left-radius:0px;}.kadence-column1326_1ef4ed-5e > .kt-inside-inner-col{column-gap:var(--global-kb-gap-sm, 1rem);}.kadence-column1326_1ef4ed-5e > .kt-inside-inner-col{flex-direction:column;}.kadence-column1326_1ef4ed-5e > .kt-inside-inner-col > .aligncenter{width:100%;}.kadence-column1326_1ef4ed-5e > .kt-inside-inner-col:before{opacity:0.3;}.kadence-column1326_1ef4ed-5e{position:relative;}@media all and (max-width: 1024px){.kadence-column1326_1ef4ed-5e > .kt-inside-inner-col{flex-direction:column;justify-content:center;}}@media all and (max-width: 767px){.kadence-column1326_1ef4ed-5e > .kt-inside-inner-col{flex-direction:column;justify-content:center;}}<\/style>\n<div class=\"wp-block-kadence-column kadence-column1326_1ef4ed-5e kb-section-is-sticky\"><div class=\"kt-inside-inner-col\"><style>.wp-block-kadence-advancedheading.kt-adv-heading1326_b37493-74, .wp-block-kadence-advancedheading.kt-adv-heading1326_b37493-74[data-kb-block=\"kb-adv-heading1326_b37493-74\"]{font-style:normal;}.wp-block-kadence-advancedheading.kt-adv-heading1326_b37493-74 mark.kt-highlight, .wp-block-kadence-advancedheading.kt-adv-heading1326_b37493-74[data-kb-block=\"kb-adv-heading1326_b37493-74\"] mark.kt-highlight{font-style:normal;color:#f76a0c;-webkit-box-decoration-break:clone;box-decoration-break:clone;padding-top:0px;padding-right:0px;padding-bottom:0px;padding-left:0px;}.wp-block-kadence-advancedheading.kt-adv-heading1326_b37493-74 img.kb-inline-image, .wp-block-kadence-advancedheading.kt-adv-heading1326_b37493-74[data-kb-block=\"kb-adv-heading1326_b37493-74\"] img.kb-inline-image{width:150px;vertical-align:baseline;}<\/style>\n<h5 class=\"kt-adv-heading1326_b37493-74 wp-block-kadence-advancedheading has-theme-palette-2-color has-text-color\" data-kb-block=\"kb-adv-heading1326_b37493-74\">Navigation<\/h5>\n\n\n<style>.kb-table-of-content-nav.kb-table-of-content-id1326_3e8101-03 .kb-table-of-content-wrap{padding-top:var(--global-kb-spacing-sm, 1.5rem);padding-right:var(--global-kb-spacing-sm, 1.5rem);padding-bottom:var(--global-kb-spacing-sm, 1.5rem);padding-left:var(--global-kb-spacing-sm, 1.5rem);}.kb-table-of-content-nav.kb-table-of-content-id1326_3e8101-03 .kb-table-of-contents-title-wrap{padding-top:0px;padding-right:0px;padding-bottom:0px;padding-left:0px;}.kb-table-of-content-nav.kb-table-of-content-id1326_3e8101-03 .kb-table-of-contents-title{font-weight:regular;font-style:normal;}.kb-table-of-content-nav.kb-table-of-content-id1326_3e8101-03 .kb-table-of-content-wrap .kb-table-of-content-list{font-weight:regular;font-style:normal;margin-top:var(--global-kb-spacing-sm, 1.5rem);margin-right:0px;margin-bottom:0px;margin-left:0px;}.kb-table-of-content-nav.kb-table-of-content-id1326_3e8101-03 .kb-table-of-content-list li{margin-bottom:13px;}.kb-table-of-content-nav.kb-table-of-content-id1326_3e8101-03 .kb-table-of-content-list li .kb-table-of-contents-list-sub{margin-top:13px;}<\/style><\/div><\/div>\n\n\n<style>.kadence-column1326_80dd9b-cd > .kt-inside-inner-col,.kadence-column1326_80dd9b-cd > .kt-inside-inner-col:before{border-top-left-radius:0px;border-top-right-radius:0px;border-bottom-right-radius:0px;border-bottom-left-radius:0px;}.kadence-column1326_80dd9b-cd > .kt-inside-inner-col{column-gap:var(--global-kb-gap-sm, 1rem);}.kadence-column1326_80dd9b-cd > .kt-inside-inner-col{flex-direction:column;}.kadence-column1326_80dd9b-cd > .kt-inside-inner-col > .aligncenter{width:100%;}.kadence-column1326_80dd9b-cd > .kt-inside-inner-col:before{opacity:0.3;}.kadence-column1326_80dd9b-cd{position:relative;}@media all and (max-width: 1024px){.kadence-column1326_80dd9b-cd > .kt-inside-inner-col{flex-direction:column;justify-content:center;}}@media all and (max-width: 767px){.kadence-column1326_80dd9b-cd > .kt-inside-inner-col{flex-direction:column;justify-content:center;}}<\/style>\n<div class=\"wp-block-kadence-column kadence-column1326_80dd9b-cd\"><div class=\"kt-inside-inner-col\">\n<h2 class=\"wp-block-heading has-large-font-size\" id=\"was-ist-kitraining\">Was ist KI-Training?<\/h2>\n\n\n\n<p>KI-Training ist der Prozess, bei dem ein Computermodell (oft ein neuronales Netzwerk) mit Daten gef\u00fcttert wird, um bestimmte Aufgaben zu erlernen. Dies kann das Erkennen von Mustern, das Treffen von Entscheidungen oder das Vorhersagen zuk\u00fcnftiger Ereignisse beinhalten. Das Ziel ist es, das Modell so zu trainieren, dass es selbstst\u00e4ndig Aufgaben l\u00f6sen kann, f\u00fcr die es urspr\u00fcnglich nicht programmiert wurde.<\/p>\n\n\n\n<blockquote class=\"wp-block-quote is-layout-flow wp-block-quote-is-layout-flow\">\n<p><strong><em>Das Training von KI im Kontext der Mikrostrukturanalyse bezieht sich auf den Prozess, bei dem ein KI-Modell, typischerweise ein maschinelles Lernmodell oder ein neuronales Netzwerk, darauf trainiert wird, spezifische Muster, Eigenschaften oder Anomalien in den Mikrostrukturen von Materialien zu erkennen und zu analysieren.<\/em><\/strong><\/p>\n<\/blockquote>\n\n\n\n<p>Durch das Training der Netze auf umfangreichen Datens\u00e4tzen, k\u00f6nnen sie lernen, komplexe Muster und Merkmale zu erkennen, die f\u00fcr das menschliche Auge nicht offensichtlich sind. Parallel dazu werden maschinelle Lernmodelle entwickelt, die auf statistischen und probabilistischen Methoden basieren, um Vorhersagemodelle zu erstellen, die in einer Vielzahl von Anwendungsf\u00e4llen eingesetzt werden k\u00f6nnen.<\/p>\n\n\n\n<p>Bei MiViA werden f\u00fcr jedes Analysemodul gezielt ML-Modelle trainiert und kombiniert sowie ein geeignetes Post-Processing entwickelt.<\/p>\n\n\n\n<h3 class=\"wp-block-heading has-large-font-size\" id=\"schritt-1-definition-des-problems\">Schritt 1: Definition des Problems<\/h3>\n\n\n\n<p>Bei der Entwicklung von KI-Modellen f\u00fcr die Mikrostrukturanalyse ist die pr\u00e4zise Definition des zu l\u00f6senden Problems ein entscheidender Schritt. Dies beinhaltet die genaue Bestimmung der Art der Mikrostrukturen, die analysiert werden sollen und der spezifischen Aufgaben, die das KI-Modell erf\u00fcllen muss.<\/p>\n\n\n\n<p>Ein gut definiertes Problem erm\u00f6glicht es, ein zielgerichtetes und effektives KI-Modell zu entwickeln, das spezifische, wertvolle Einblicke in die Mikrostrukturanalyse liefert.<\/p>\n\n\n\n<blockquote class=\"wp-block-quote is-layout-flow wp-block-quote-is-layout-flow\">\n<p><strong><em>Zum Beispiel wurden von MiViA bereits KI-Modelle erfolgreich darauf trainiert, bestimmte Gef\u00fcgemerkmale in Metallen automatisch zu identifizieren und zu klassifizieren.<\/em><\/strong><\/p>\n<\/blockquote>\n\n\n\n<p>Wir verfolgen dabei den Ansatz, spezifische Analysemodule f\u00fcr einzelne Analysemethoden zu entwickeln und als Plattform zur Verf\u00fcgung zu stellen. Sprich, f\u00fcr jede Methode werden zun\u00e4chst die relevanten Input- und Output- Daten definiert unter Ber\u00fccksichtigung der Anforderungen bestehender Normen und wissenschaftlicher Vorgehensweisen.<\/p>\n\n\n\n<h3 class=\"wp-block-heading has-large-font-size\" id=\"Schritt-2-Datensammlung-und--vorbereitung\">Schritt 2: Datensammlung und -vorbereitung<\/h3>\n\n\n\n<p>Daten sind das Herzst\u00fcck jeder KI. Es wird ein umfangreicher Datensatz ben\u00f6tigt, der relevant f\u00fcr das Problem ist. Diese Daten m\u00fcssen gesammelt, bereinigt und in ein Format gebracht werden, das von den KI-Modell verarbeitet werden kann. Dies kann das Entfernen von Duplikaten, das F\u00fcllen von fehlenden Werten oder das Konvertieren von Daten in numerische Formate umfassen.<\/p>\n\n\n\n<blockquote class=\"wp-block-quote is-layout-flow wp-block-quote-is-layout-flow\">\n<p><strong><em>Bezogen auf die Mikrostrukturanalyse m\u00fcssen zun\u00e4chst umfangreiche Datenmengen gesammelt werden, welche die Mikrostrukturen der zu analysierenden Materialien repr\u00e4sentieren.<\/em><\/strong><\/p>\n<\/blockquote>\n\n\n\n<p>Diese Daten k\u00f6nnen aus hochaufl\u00f6senden Bildern stammen, die mit Techniken wie der optischen Mikroskopie, Rasterelektronenmikroskopie (REM) oder Transmissionselektronenmikroskopie (TEM) aufgenommen wurden. Die Daten m\u00fcssen dann f\u00fcr das Training vorbereitet werden, was die Normalisierung der Bildgr\u00f6\u00dfen, die Konvertierung in ein geeignetes Format und m\u00f6glicherweise das Annotieren bestimmter Merkmale oder Defekte umfassen kann.<\/p>\n\n\n\n<p>Die meisten auf dem Markt existierenden Modelle im Bereich der metallographischen Schliffanalyse sind aufgrund der sp\u00e4rlichen Trainingsdatens\u00e4tze stark in ihrer Aussagesicherheit begrenzt.<\/p>\n\n\n\n<p>Eine ausreichend gro\u00dfe Datenmenge an wissenschaftlich detailliert beschriebenen Mikrostrukturaufnahmen, die eine Entwicklung von allgemeinen Analysewerkzeugen erm\u00f6glichen, existiert zurzeit nur bei MiViA und wird st\u00e4ndig erweitert.<\/p>\n\n\n\n<h3 class=\"wp-block-heading has-large-font-size\" id=\"Schritt-3-Auswahl-des-Modells\">Schritt 3: Auswahl des Modells<\/h3>\n\n\n\n<p>Es gibt verschiedene Arten von KI-Modellen, darunter neuronale Netze, Entscheidungsb\u00e4ume und Support-Vektor-Maschinen. Die Wahl des richtigen Modells h\u00e4ngt von der Art des Problems ab, das es zu l\u00f6sen gilt.<\/p>\n\n\n\n<p>Abh\u00e4ngig von der spezifischen Aufgabe \u2013 sei es die Identifizierung bestimmter Mikrostrukturtypen, die Erkennung von Defekten oder die Vorhersage von Materialeigenschaften \u2013 wird ein passendes KI-Modell ausgew\u00e4hlt.<\/p>\n\n\n\n<blockquote class=\"wp-block-quote is-layout-flow wp-block-quote-is-layout-flow\">\n<p><strong><em>Deep Convolutional Neuronal Networks (DCNNs) sind eine spezialisierte Form von tiefen Lernarchitekturen, welche besonders effektiv in der Verarbeitung visueller Informationen sind und was sie ideal f\u00fcr Anwendungen in der Bildanalyse macht.<\/em><\/strong><\/p>\n<\/blockquote>\n\n\n\n<p>Bei MiViA liegt daher der Fokus auf der Entwicklung und dem Training von Neuronalen Netzen, insbesondere DCNNs, sowie auf der Implementierung maschineller Lernmodelle. Diese Technologien erm\u00f6glichen es, die gro\u00dfen Datenmengen effizient zu analysieren und daraus pr\u00e4zise Vorhersagen abzuleiten.<\/p>\n\n\n\n<h3 class=\"wp-block-heading has-large-font-size\" id=\"Schritt-4-Training-des-Modells\">Schritt 4: Training des Modells<\/h3>\n\n\n\n<p>In dieser Phase wird das KI-Modell mit den vorbereiteten Daten trainiert, um Muster und Beziehungen zu lernen. Dieser Prozess erfordert oft eine erhebliche Rechenleistung, insbesondere bei gro\u00dfen Datens\u00e4tzen oder komplexen Modellen. W\u00e4hrend des Trainingsprozesses passt das Modell seine internen Parameter an, um die Genauigkeit der Vorhersagen oder Entscheidungen zu verbessern.<\/p>\n\n\n\n<p>Das ausgew\u00e4hlte Modell wird mit einer umfangreichen Sammlung von Mikrostrukturbildern trainiert, welche zuvor sorgf\u00e4ltig vorbereitet wurden, um dem Modell zu helfen, relevante Muster und Merkmale zu erkennen.<\/p>\n\n\n\n<blockquote class=\"wp-block-quote is-layout-flow wp-block-quote-is-layout-flow\">\n<p><strong><em>W\u00e4hrend des Trainings lernt das Modell, feine Details und spezifische Charakteristika der Mikrostrukturen zu identifizieren und zu klassifizieren.<\/em><\/strong><\/p>\n<\/blockquote>\n\n\n\n<p>Dieser Lernprozess erfolgt bei MiViA durch die Anpassung der Gewichte innerhalb des neuronalen Netzwerks, basierend auf dem Feedback, welches das Modell f\u00fcr seine Vorhersagen erh\u00e4lt. Ein entscheidender Aspekt dabei ist die Vermeidung von \u00dcberanpassung (Overfitting), bei der das Modell zu spezifisch auf die Trainingsdaten zugeschnitten wird und seine F\u00e4higkeit verliert, auf neuen, unbekannten Daten zu generalisieren. Um dies zu erreichen, werden Techniken wie die Aufteilung der Daten in Trainings- und Validierungss\u00e4tze, die Anwendung von Regularisierungsmethoden und gegebenenfalls die Durchf\u00fchrung von Data Augmentation angewendet.<\/p>\n\n\n\n<blockquote class=\"wp-block-quote is-layout-flow wp-block-quote-is-layout-flow\">\n<p><strong><em>Das Ziel ist es, Modelle zu entwickeln, die nicht nur pr\u00e4zise und effizient Mikrostrukturen analysieren kann, sondern auch robust und zuverl\u00e4ssig bei der Anwendung auf neue, vielf\u00e4ltige Datens\u00e4tze sind.<\/em><\/strong><\/p>\n<\/blockquote>\n\n\n\n<h3 class=\"wp-block-heading has-large-font-size\" id=\"Schritt-5-Evaluation-und-Feinabstimmung\">Schritt 5: Evaluation und Feinabstimmung<\/h3>\n\n\n\n<p>Nach dem Training wird das Modell evaluiert, um seine Genauigkeit und Effektivit\u00e4t bei der Analyse von Mikrostrukturen zu beurteilen. Dies geschieht in der Regel durch Tests mit einem separaten Datensatz, der nicht f\u00fcr das Training verwendet wurde. Basierend auf den Ergebnissen dieser Tests wird das Modell weiter angepasst und optimiert, um die Genauigkeit zu verbessern.<\/p>\n\n\n\n<blockquote class=\"wp-block-quote is-layout-flow wp-block-quote-is-layout-flow\">\n<p><strong><em>Auch bei MiViA dient die Analyse von Fehlern oder falschen Vorhersagen dazu, zu verstehen, in welchen Bereichen das Modell verbessert werden muss.<\/em><\/strong><\/p>\n<\/blockquote>\n\n\n\n<p>Einer der wichtigsten Schritte bei der Feinabstimmung ist die Anpassung der Hyperparameter des Modells, wie die Lernrate, die Anzahl der Schichten in einem neuronalen Netzwerk oder die Anzahl der B\u00e4ume in einem Entscheidungsbaum-Ensemble.<\/p>\n\n\n\n<p>Nach der Feinabstimmung wird das Modell erneut evaluiert, um sicherzustellen, dass die vorgenommenen \u00c4nderungen zu einer Verbesserung der Leistung gef\u00fchrt haben. Dieser Zyklus aus Evaluation und Feinabstimmung kann mehrmals durchlaufen werden, bis das Modell eine zufriedenstellende Leistung zeigt.<\/p>\n\n\n\n<h3 class=\"wp-block-heading has-large-font-size\" id=\"Schritt-6-Testing-und-Qualit\u00e4tssicherung\">Schritt 6: Testing und Qualit\u00e4tssicherung<\/h3>\n\n\n\n<p>In dieser Phase wird das Produkt einer Gruppe von realen Nutzern au\u00dferhalb des Entwicklungsteams zur Verf\u00fcgung gestellt, um es in einer realen Umgebung zu testen. Das Ziel des Testings ist es, Feedback zu sammeln, unentdeckte Fehler zu identifizieren und die Benutzerfreundlichkeit des Produkts zu bewerten, bevor es offiziell auf den Markt gebracht wird.<\/p>\n\n\n\n<blockquote class=\"wp-block-quote is-layout-flow wp-block-quote-is-layout-flow\">\n<p><strong><em>Das Testing hilft dabei, das Produkt f\u00fcr den offiziellen Launch vorzubereiten, indem es sicherstellt, dass es den Bed\u00fcrfnissen und Erwartungen der Endnutzer entspricht.<\/em><\/strong><\/p>\n<\/blockquote>\n\n\n\n<p>Eines der Hauptziele des Testings ist es, Fehler und Probleme zu identifizieren, die w\u00e4hrend der fr\u00fcheren Testphasen nicht erkannt wurden. Dies umfasst technische Fehler, Benutzerfreundlichkeitsprobleme und Leistungsprobleme.<\/p>\n\n\n\n<p>Basierend auf dem Feedback und den gesammelten Daten nehmen die Entwickler Anpassungen am Produkt vor. Dies kann das Beheben von Fehlern, das Verbessern der Benutzeroberfl\u00e4che oder das Hinzuf\u00fcgen neuer Funktionen umfassen.<\/p>\n\n\n\n<h3 class=\"wp-block-heading has-large-font-size\" id=\"Schritt-7-Implementierung-und-kontinuierliches-Lernen\">Schritt 7: Implementierung und kontinuierliches Lernen<\/h3>\n\n\n\n<p>Sobald das Modell zufriedenstellend funktioniert, kann es in realen Anwendungsf\u00e4llen eingesetzt werden, wie beispielsweise in der Qualit\u00e4tskontrolle in der Fertigungsindustrie oder in der Materialforschung.<\/p>\n\n\n\n<p>Im Anschluss daran ist es wichtig, das Modell kontinuierlich mit neuen Daten zu trainieren, um seine Genauigkeit und Relevanz zu erhalten.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"Fazit\">Fazit<\/h2>\n\n\n\n<p>Die Entwicklung von KI-Modellen ist ein spannender und dynamischer Prozess, der das Potenzial hat, viele Aspekte unseres Lebens zu verbessern.<\/p>\n\n\n\n<p>Durch das Verst\u00e4ndnis der Grundlagen und das Befolgen der oben beschriebenen Schritte, k\u00f6nnen leistungsf\u00e4hige und effektive KI-Modelle entwickelt werden, die echte Probleme l\u00f6sen.<\/p>\n\n\n\n<p>Das KI-Training im Bereich der Mikrostrukturanalyse bietet mehrere Vorteile, darunter die F\u00e4higkeit, gro\u00dfe Mengen an Bilddaten schnell und konsistent zu analysieren, die Erkennung subtiler Muster, die f\u00fcr das menschliche Auge schwer zu identifizieren sind, und die M\u00f6glichkeit, kontinuierlich aus neuen Daten zu lernen und die Analysegenauigkeit im Laufe der Zeit zu verbessern.<\/p>\n\n\n\n<h6 class=\"wp-block-heading\">Wenn Sie mehr dar\u00fcber erfahren wollen, wie wir bei MiViA unsere KI-Modelle entwickeln oder ob bereits ein Analysemodul f\u00fcr Ihre Anforderungen existiert,&nbsp;<a href=\"https:\/\/mivia.ai\/company?utm_source=blog&amp;utm_medium=organic&amp;utm_content=bedu11\" target=\"_blank\" rel=\"noreferrer noopener\">kontaktieren Sie uns gern<\/a>!<\/h6>\n<\/div><\/div>\n\n<\/div><\/div>","protected":false},"excerpt":{"rendered":"<p>Artificial intelligence (AI) has triggered a revolution. From automating simple tasks to solving complex problems, AI models have the potential to change almost every aspect of our lives. But how are such models created? And more specifically, how are MiViA's AI models created? In this blog post, we explain the basics and key steps required to develop our models.<\/p>","protected":false},"author":4,"featured_media":1356,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_seopress_robots_primary_cat":"","_seopress_titles_title":"","_seopress_titles_desc":"","_seopress_robots_index":"","_kad_blocks_custom_css":"","_kad_blocks_head_custom_js":"","_kad_blocks_body_custom_js":"","_kad_blocks_footer_custom_js":"","_kadence_starter_templates_imported_post":false,"_kad_post_transparent":"","_kad_post_title":"","_kad_post_layout":"","_kad_post_sidebar_id":"","_kad_post_content_style":"","_kad_post_vertical_padding":"","_kad_post_feature":"","_kad_post_feature_position":"","_kad_post_header":false,"_kad_post_footer":false,"footnotes":""},"categories":[41],"tags":[],"event_status":[37],"post_folder":[],"class_list":["post-1326","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-kuenstliche-intelligenz-blog","event_status-closed"],"acf":[],"taxonomy_info":{"category":[{"value":41,"label":"K\u00fcnstliche Intelligenz"}],"event_status":[{"value":37,"label":"In der Vergangenheit"}]},"featured_image_src_large":["https:\/\/mivia.ai\/wp-content\/uploads\/2024\/06\/Miriam-Corcoran-talking-about-AI-1024x586.png",1024,586,true],"author_info":{"display_name":"Miriam Corcoran","author_link":"https:\/\/mivia.ai\/en\/author\/miriam-corcoran\/"},"comment_info":4,"category_info":[{"term_id":41,"name":"K\u00fcnstliche Intelligenz","slug":"kuenstliche-intelligenz-blog","term_group":0,"term_taxonomy_id":41,"taxonomy":"category","description":"","parent":12,"count":5,"filter":"raw","cat_ID":41,"category_count":5,"category_description":"","cat_name":"K\u00fcnstliche Intelligenz","category_nicename":"kuenstliche-intelligenz-blog","category_parent":12}],"tag_info":false,"publishpress_future_action":{"enabled":false,"date":"2026-04-29 08:22:17","action":"change-status","newStatus":"draft","terms":[],"taxonomy":"category","extraData":[]},"publishpress_future_workflow_manual_trigger":{"enabledWorkflows":[]},"_links":{"self":[{"href":"https:\/\/mivia.ai\/en\/wp-json\/wp\/v2\/posts\/1326","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/mivia.ai\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/mivia.ai\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/mivia.ai\/en\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/mivia.ai\/en\/wp-json\/wp\/v2\/comments?post=1326"}],"version-history":[{"count":8,"href":"https:\/\/mivia.ai\/en\/wp-json\/wp\/v2\/posts\/1326\/revisions"}],"predecessor-version":[{"id":1598,"href":"https:\/\/mivia.ai\/en\/wp-json\/wp\/v2\/posts\/1326\/revisions\/1598"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/mivia.ai\/en\/wp-json\/wp\/v2\/media\/1356"}],"wp:attachment":[{"href":"https:\/\/mivia.ai\/en\/wp-json\/wp\/v2\/media?parent=1326"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/mivia.ai\/en\/wp-json\/wp\/v2\/categories?post=1326"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/mivia.ai\/en\/wp-json\/wp\/v2\/tags?post=1326"},{"taxonomy":"event_status","embeddable":true,"href":"https:\/\/mivia.ai\/en\/wp-json\/wp\/v2\/event_status?post=1326"},{"taxonomy":"post_folder","embeddable":true,"href":"https:\/\/mivia.ai\/en\/wp-json\/wp\/v2\/post_folder?post=1326"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}