9 Monate später – Deep-Learning-Einführung bei der Krankenkasse
Viele, gerade größere Unternehmen tragen sich mit der Idee, künstliche Intelligenz in ihre Systeme produktiv zu integrieren. Die Anzahl an verfügbaren Tools und Technologien, benötigten Rollen und Stakeholdern ist dabei oft hoch und verwirrend. Zudem ist man mit überzogenen Erwartungshaltungen an die Möglichkeiten von KI konfrontiert und mit der Frage, wie sich das Zusammenspiel von KI-Entwicklung mit "normaler" Softwareentwicklung gestaltet, zum Beispiel im Hinblick auf Test-Driven Development und Continuous Deployment. Und wie stellen wir fest, wie stabil unsere KI-Logik mit einer sich ändernden Datenlage funktioniert?
Wir möchten über unsere Erfahrungen aus einem Projekt zur Einführung von KI-Entwicklung bei einer Krankenkasse berichten. Dabei zeigen wir pragmatische Wege auf, wie man schnell starten kann, und erläutern aufgetretene Fallstricke und wie man diese vermeidet.
Unser Anwendungsfall: KI statt manueller Klassifikation von ca. 4 Mio Dokumenten pro Jahr aus ca. 100 Dokumentenklassen.
Vorkenntnisse
Grundlegendes Wissen zu Machine Learning und Softwareentwicklung
Lernziele
Die Teilnehmer erhalten ein Verständnis darüber, welche Schritte notwendig sind, um ein Deep-Learning-Projekt von der Idee bis in die Produktion zu überführen. Sie bekommen einen Eindruck von den Grenzen von KI und wissen, wie man diese im Rahmen von Continuous Integration testen kann.