Webtagr - Technologienummer

Beliebte Tags：

Kosmos Virtualisierung DNS-Sicherheit formale Verifikation Erreichbarkeitsanalyse KI Compilerfehler Makrokonflikt Web-Erweiterung Entwicklungsframework Alle Tags

Mojo: Chris Lattners nächster großer Wurf zur Revolutionierung der Machine-Learning-Programmierung

2025-09-05

Chris Lattner, Schöpfer von LLVM und Swift, diskutiert mit Ron seine neue Programmiersprache Mojo. Mojo zielt darauf ab, die Nutzung der vollen Leistung moderner GPUs produktiv und unterhaltsam zu gestalten. Das Design konzentriert sich auf die Erstellung einer einfach zu verwendenden Sprache, die gleichzeitig die Kontrolle bietet, die für das Schreiben von hochmodernen Kerneln erforderlich ist. Ein zentrales Konzept ist die Forderung an Programmierer, die Details der Hardware zu verstehen, dies aber durch typsichere Metaprogrammierung überschaubar und teilbar zu machen. Ziel ist es, sowohl die Spezialisierung auf die jeweilige Berechnung als auch auf die Hardware-Plattform zu unterstützen. Lattner argumentiert, dass dies notwendig ist, um zu verhindern, dass einzelne Anbieter das KI-Computing-Ökosystem dominieren.

Entwicklung

Jane Street Quant: Von Mathematik-Wettbewerben zum KI-gesteuerten Trading

2025-03-16

In Young Cho, eine quantitative Traderin bei Jane Street, teilt ihren ungewöhnlichen Karriereweg vom Medizinstudium zum quantitativen Trading. Sie berichtet über ihre Erfahrungen als Praktikantin und Angestellte bei Jane Street, einschließlich der Verwendung von Programmiersprachen wie OCaml und VBA für den Handel und die Entwicklung, sowie humorvolle Anekdoten über die Interaktion mit Brokern. Die Folge geht tief in die Handelsforschung von Jane Street ein, von einfachen linearen Modellen bis hin zu komplexen Deep-Neural-Networks, und wie sie Machine Learning in Umgebungen mit wenig Daten, viel Rauschen und häufigen Regimewechseln einsetzen. In Young Cho beschreibt detailliert die vier Phasen ihres Forschungsprozesses: Exploration, Datensammlung, Modellierung und Produktion, und diskutiert die Spannung zwischen flexiblen Forschungstools und robusten Produktionssystemen. Schließlich gibt sie einen Ausblick auf die zukünftigen Richtungen der Machine-Learning-Forschung bei Jane Street, einschließlich der Erweiterung auf mehr Anlageklassen und Datenmodalitäten, und den Einsatz von KI zur Steigerung der Effizienz von Tradern.