IBM Watson, ein fast menschlich kommunizierendes, kognitives Computer-Programm, erzielte mit der F\u00e4higkeit, maschinell zu lernen, bereits 2011 in der amerikanischen Quizshow Jeopardy erstaunliche Ergebnisse. Nun kreierte die New Yorker Agentur SOFTlab mithilfe des Supercomputers den Auftritt des IT-Unternehmens auf dem Mobile World Congress 2017 in Barcelona. Gestalterische Inspiration f\u00fcr die interaktive Installation waren die vertikalen Kettenmodelle Antonio Gaud\u00eds, die er f\u00fcr die statische Berechnung \u2013 beispielsweise der Sagrada Fam\u00edlia \u2013 experimentell nutzte. Bereits im Planungsprozess kam Watson dabei zum Einsatz: Gespeist mit einer Vielzahl von Daten und Bildern der Arbeit Gaud\u00eds, identifizierte das visuelle Erkennungsprogramm die grunds\u00e4tzlichen \u2013 meist der Natur entlehnten \u2013 Gestaltungselemente des spanischen Architekten. Diese Prinzipien \u00fcbersetzten die New Yorker Kreativen anschlie\u00dfend in eine zeitgem\u00e4\u00dfe, h\u00e4ngende Skulptur aus bl\u00fctenf\u00f6rmigen Aluminiumformen und farbchangierenden Folien, die dann auf dem Kongress pr\u00e4sentiert wurde. Dabei beeinflusste Watson auch vor Ort die Erscheinung des Auftritts ma\u00dfgeblich: Daten aus den sozialen Kan\u00e4len sowie Interfaces auf der Ausstellungsfl\u00e4che wurden gesammelt, f\u00fchrten zu neuen Formationen der Skulptur in Echtzeit und demonstrierten damit die Ver\u00e4nderungsm\u00f6glichkeit eines realen Raums mithilfe k\u00fcnstlicher Intelligenz.<\/p>\n","protected":false},"excerpt":{"rendered":"
IBM Watson, ein fast menschlich kommunizierendes, kognitives Computer-Programm, erzielte mit der F\u00e4higkeit, maschinell zu lernen, bereits 2011 in der amerikanischen Quizshow Jeopardy erstaunliche Ergebnisse. […]<\/p>\n","protected":false},"author":2,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":[],"categories":[6],"tags":[1789,1804],"_links":{"self":[{"href":"https:\/\/www.plotmag.com\/blog\/wp-json\/wp\/v2\/posts\/33551"}],"collection":[{"href":"https:\/\/www.plotmag.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.plotmag.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.plotmag.com\/blog\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.plotmag.com\/blog\/wp-json\/wp\/v2\/comments?post=33551"}],"version-history":[{"count":3,"href":"https:\/\/www.plotmag.com\/blog\/wp-json\/wp\/v2\/posts\/33551\/revisions"}],"predecessor-version":[{"id":33554,"href":"https:\/\/www.plotmag.com\/blog\/wp-json\/wp\/v2\/posts\/33551\/revisions\/33554"}],"wp:attachment":[{"href":"https:\/\/www.plotmag.com\/blog\/wp-json\/wp\/v2\/media?parent=33551"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.plotmag.com\/blog\/wp-json\/wp\/v2\/categories?post=33551"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.plotmag.com\/blog\/wp-json\/wp\/v2\/tags?post=33551"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}