Durch die Entwicklung zahlreicher Frameworks und Bibliotheken wurde die Anwendung von Methoden des Maschinellen Lernens in den vergangenen Jahren stark vereinfacht und einer großen Bandbreite von Anwendern zugänglich gemacht. Dies motiviert auch zunehmend Unternehmen dazu, Maschinelles Lernen in ihre Geschäfts- und Entwicklungsprozesse zu integrieren. Des Öfteren lassen sich dabei jedoch weitverbreitete Fehler beobachten, die teils gravierende Auswirkungen nach sich ziehen können.
Dieser Vortrag veranschaulicht einige solcher Fehler mittels praktischer Demonstrationen und gibt Empfehlungen für mögliche Gegenmaßnahmen.
Zielpublikum: Entwickler, Architekten, Teamleiter, Manager, Entscheider
Voraussetzungen: keine
Schwierigkeitsgrad: Anfänger
Extended Abstract:
Maschinelles Lernen findet zunehmend Einzug in Alltag und Industrie und wird als einer der zentralen Bestandteile der zukünftigen industriellen Entwicklung gesehen. Der KI-Boom der vergangenen Jahre wurde dabei durch eine Flut an Bibliotheken und Frameworks begleitet, welche die Anwendung von Verfahren des Maschinellen Lernens stark vereinfacht haben. So ist es Anwendern bereits mit grundlegenden Programmierkenntnissen und ohne umfassende mathematische Kenntnisse möglich, innerhalb kürzester Zeit Modelle zu entwickeln und auf Datensätze anzuwenden.
Während diese Entwicklung einerseits sehr zu begrüßen ist, so bietet sie andererseits auch einige Gefahren. Fehlt Anwendern das nötige Fundament, können schnell Fehler entstehen, welche zu falschen oder ungenauen Modellen führen.
Die Folge können je nach Abhängigkeitsgrad finanzielle Einbußen, Sicherheitslücken, Systemausfälle oder Imageschäden sein.
In diesem Vortrag wollen wir einige häufig anzutreffende Fehler aufzeigen und Möglichkeiten zur Fehlerprävention und -behebung benennen. Die Präsentation wird dabei von praktischen Demonstrationen in der Programmiersprache Python unter Verwendung der Bibliothek scikit-learn begleitet.