Wie gut ist ein Machine-Learning-Modell?

Ein kleines Beispielprojekt ist schnell trainiert. Wenn es allerdings darum geht, ein ML-Modell produktiv zu nutzen, sollten Entwickler wissen, wie sehr sie dem Modell vertrauen können. Zuerst müssen sie erkennen, ob das Modell für reale Daten geeignet ist. Dazu können sie anhand von Metriken bestimmen, wie stark sie es mit Overfitting und Underfitting zu tun haben.

Aber lässt sich überhaupt immer nachvollziehen, warum ein Modell bestimmte Ergebnisse liefert?

Dieser Vortrag beschäftigt sich neben den Qualitätsansprüchen an die Trainingsdaten und dem trainierten Modell auch mit den softwaretechnischen Prozessen wie Test und Deployment um das Modell herum.

Vorkenntnisse

Optimal ist es, wenn die Besucher bereits Machine-Learning-Modelle trainiert und evtl. sogar in Produktion gebracht haben.

Lernziele

Kenntnis über die Herausforderungen bei produktiven ML-Modellen