Prozessintegration und Produktivsetzung von ML-Modellen

Aussagekräftige Machine-Learning-Modelle entwickeln, Daten analysieren und visualisieren sind die tägliche Arbeit eines Data Scientist. Ist die eigentliche Arbeit abgeschlossen, ist das Modell in einen bestehenden Prozess zu integrieren, um es produktiv nutzen zu können.

Anhand eines Schadensmanagement-Prozesses zeigen wir, wie sich ML-Module und klassische Software, z. B. Regelwerke, ergänzen, um Labeling und Routing zu automatisieren und letztendlich eine vollständige Dunkelverarbeitung ermöglicht wird.

Dabei verfolgen wir Probleme und Lösungen anhand des kompletten Lebensweges von der Datenanalyse über die iterative Modellentwicklung bis hin zur Integration und Produktivsetzung.

Vorkenntnisse

Keine tiefen Machine-Learning-Kenntnisse nötig.

Lernziele

Ziel ist es, den kompletten Lebensweg eines Vorhersagemodells zu beleuchten – von der Konzeption über die Entwicklung eines aussagekräftigen Modells und die Prozessintegration bis hin zur tatsächlichen Produktivsetzung.

 

Speaker

 

Antje Fitzner
Antje Fitzner hat in Nijmegen Physik und Astronomie studiert und anschließend in Kopenhagen in Geophysik promoviert. Jetzt ist sie Teamleiterin des Data-Science-Teams bei der Eucon Digital GmbH, das sich mit den verschiedensten KI-Projekten im Unternehmen beschäftigt.

Jeremy Schieblon
Jeremy Schieblon hat das Studium der Wirtschaftsinformatik an der Fachhochschule Münster mit dem Bachelor of Science abgeschlossen. Er schrieb seine Thesis bei der Eucon Digital GmbH und wurde anschließend als Data Scientist eingestellt. Aktuell konzentriert er sich auf die Entwicklung von Predictionmodellen in den Bereichen Real Estate und KFZ-Schadenbeurteilung.

Gold-Sponsor

Novatec

Silber-Sponsoren

ETECTURE
inovex
inovex
HO Computer
Intel
Phytec

Bronze-Sponsoren

M3-Newsletter

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

 

Anmelden