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.