Identifikation und Validierung von ML-Anwendungen
Das Finden geeigneter Machine Learning Use Cases aus einer Vielzahl von Ideen ist komplex. Neben dem erwarteten Nutzen sind Datenschutz, Datenqualität und andere Faktoren entscheidend. Fragen zur Nutzenmessung, Unsicherheit vor Datenzugriff, Datenschutzabstimmungen und Überwachung im Produktionsbetrieb sind relevant.In dieser Session diskutiert ihr mit Mirko und Olli, nach welchen Kriterien man geeignete Anwendungsgebiete für Machine Learning auswählt, wie man die gewählten Strategien validiert und wie man in der Produktionsphase sicherstellt, dass das Modell weiterhin den Anforderungen genügt.
Vorkenntnisse
Grundlegende Kenntnisse im Bereich Machine Learning. Im Idealfall haben die Besucher bereits ein ML-Modell in Produktion gebracht.
Lernziele
Verständnis für die frühen Phasen eines ML-Projekts. Worauf muss man achten?
Speaker
Oliver Zeigermann ist Software-Entwickler aus Hamburg. Er entwickelt seit über 35 Jahren Software mit unterschiedlichen Ansätzen und Programmiersprachen. In letzter Zeit hat er sich vor allem mit Machine Learning und dessen Kommunikation mit dem Menschen beschäftigt. Oliver arbeitet bei der Techniker Krankenkasse als Machine Learning Engineer.
Mirko Böttcher studierte Informatik in Magdeburg, promovierte im Maschinellen Lernen und arbeitete in diversen Branchen als Entwickler, Architekt und Projektleiter für Machine Learning Projekte. Seit 2017 steuert er als KI Architekt und Product Owner bei der Techniker Krankenkasse die Einführung und Etablierung von KI-Entwicklung, von der Ideenfindung bis hin zur Produktivsetzung.
M3-Newsletter
Sie möchten über die Minds Mastering Machines
auf dem Laufenden gehalten werden?