KI in der Rechnungsprüfung: Herausforderungen und Möglichkeiten von MLOps

Die Entwicklung von Machine-Learning-Modellen ist ein wichtiger Bestandteil beim Aufbau von datengetriebenen Prozessen und Anwendungen.

Anhand eines konkreten Use Case aus dem Bereich Finance werden Herausforderungen und Möglichkeiten von MLOps aufgezeigt:

  • Wie sieht eine Anwendung des ML Lifecycle in der Praxis aus?
  • Auf welche Weise können Tools wie Python, mflow oder databricks eine kollaborative und nachhaltige (Weiter-)Entwicklung von Modellen unterstützen?
  • Wie kann man fehlerhafte ML-Modelle bzw. -Pipelines debuggen?
  • Was sollte man bei der Auswahl der Trainingsdaten und der Konzeption von Datenpipelines beachten?
  • Wie kann man fachliche Besonderheiten in der Entwicklung und im Betrieb von ML-Pipelines abbilden?
Diese und weitere Fragen werden im Vortrag anhand des Use Case diskutiert. Im Rahmen dessen werden typische Herausforderungen und Lösungsansätze thematisiert, die bei der Entwicklung von Modellen und beim Betrieb von ML-Pipelines auftreten können.

Vorkenntnisse

Die Teilnehmer:innen sollten ein grundlegendes Verständnis von Machine Learning haben und das Prinzip von Supervised Learning kennen. Vorkenntnisse über das Thema MLOps sind nicht notwendig.

Lernziele

  • Die Teilnehmer:innen sollen im Rahmen des Vortrags ein grundlegendes Verständnis verschiedener Aspekte aus dem Bereich MLOps erlangen.
  • Die Teilnehmer:innen werden das Konzept des ML Lifecycle kennenlernen und anhand des Use Case lernen, wie das Konzept in der Praxis angewandt werden kann.
  • Außerdem werden im Vortrag exemplarische Herausforderungen, Lösungen und nützliche Tools gezeigt, die im Rahmen des Use Case relevant sind.

Speaker

 

Andreas Prawitt
Andreas Prawitt hat mit zehn Jahren Erfahrung erfolgreich verschiedenste Data-Science-Projekte in unterschiedlichen Branchen für die eoda GmbH in Kassel umgesetzt. Als Senior Data Scientist liegen seine Schwerpunkte neben der Beratung, hinsichtlich digitaler Strategien und dem Projektmanagement auch bei der Konzeption und Entwicklung von produktiven Machine-Learning-Modellen.

Florian Schmoll
Florian Schmoll hat Mathematik studiert und arbeitet seit 2017 als Data Scientist bei der eoda GmbH. Seine Haupttätigkeit liegt in Projekten der Datenanalyse und der Entwicklung produktiv einsetzbarer Machine-Learning-Modelle. Zudem ist er als Trainer für die von eoda entwickelten Data-Science-Trainings in R und python tätig.

M3-Newsletter

Sie möchten über die Minds Mastering Machines
auf dem Laufenden gehalten werden?

 

Anmelden