Ein kleines Beispielprojekt ist schnell trainiert. Wenn es allerdings darum geht, ein ML-Modell produktiv zu nutzen, sollten Entwickler wissen, wie sehr sie dem Modell vertrauen können. Zuerst müssen sie erkennen, ob das Modell für reale Daten geeignet ist. Dazu können sie anhand von Metriken bestimmen, wie stark sie es mit Overfitting und Underfitting zu tun haben.
Aber lässt sich überhaupt immer nachvollziehen, warum ein Modell bestimmte Ergebnisse liefert?
Dieser Vortrag beschäftigt sich neben den Qualitätsansprüchen an die Trainingsdaten und dem trainierten Modell auch mit den softwaretechnischen Prozessen wie Test und Deployment um das Modell herum.
Vorkenntnisse
Optimal ist es, wenn die Besucher bereits Machine-Learning-Modelle trainiert und evtl. sogar in Produktion gebracht haben.
Lernziele
Kenntnis über die Herausforderungen bei produktiven ML-Modellen
//
Oliver Zeigermann
ist Entwickler, Architekt, Berater und Coach. Oliver hat über Jahrzehnte in vielen unterschiedlichen Sprachen und mit vielen Technologien Software entwickelt. In den letzten Jahren ist er tiefer in die Analyse großer Datenmengen mit Machine Learning eingestiegen. Er knüpft damit an sein Studium der Künstlichen Intelligenz in den 90er Jahren an.