Machine Learning? Ja gerne! Aber was und wie? Eine Kurzanleitung für den erfolgreichen Einstieg in die Welt der KI.
•
0 gefällt mir•28 views
Künstliche Intelligenz ist auf dem Vormarsch, ohne Zweifel. Egal ob Qualitätssicherung in der Produktion, Retourenmanagement im Online-Handel oder Customer-Support via Chatbot - KI eröffnet bisher noch nicht dagewesene Möglichkeiten, die eigenen Prozesse und Geschäftsmodelle deutlich zu verbessern. Vorausgesetzt man verfügt über gute Ideen und hinreichend viele und qualifizierte Daten. Aber wie genau kommt man zu diesen Ideen? Und wie lässt sich KI in die eigene Software-Architektur integrieren? Wer befindet über das richtige Modell und den richtigen Algorithmus? Und wie wird über die hinreichende Quantität / Qualität von Daten entschieden? Die Session veranschaulicht die verschiedenen Herausforderungen, die sich durch das Einbinden von KI für die eigene Softwareentwicklung ergeben können, und zeigt dafür passende, pragmatische Lösungsansätze auf.
Empfohlen
Weitere ähnliche Inhalte
Ähnlich wie Machine Learning? Ja gerne! Aber was und wie? Eine Kurzanleitung für den erfolgreichen Einstieg in die Welt der KI.
Ähnlich wie Machine Learning? Ja gerne! Aber was und wie? Eine Kurzanleitung für den erfolgreichen Einstieg in die Welt der KI. (20)
Mehr von OPEN KNOWLEDGE GmbH
Mehr von OPEN KNOWLEDGE GmbH (20)
Machine Learning? Ja gerne! Aber was und wie? Eine Kurzanleitung für den erfolgreichen Einstieg in die Welt der KI.
- 1. #WISSENTEILEN KI? Ja, gerne! Aber was und wie? @_openKnowledge | @mobileLarson Lars Röwekamp | open knowledge GmbH
- 2. #WISSENTEILEN @mobileLarson CIO New Technologies OPEN KNOWLEDGE Lars Röwekamp (Architecture, Cloud, AI & ML)
- 4. „Artificial Intelligence is a system’s ability to correctly interpret external data, to learn from such data, and to use those learnings to achieve specific goals and tasks through flexible adaptation.“ (Andreas Kaplan & Michael Haenlein, 2018)
- 5. künstliche Intelligenz starke KI schwache KI echte Nachbildung des menschlichen Bewusstseins (bis heute nicht existent) Maschine, die menschliches Verhalten (teilweise) imitiert
- 6. künstliche Intelligenz starke KI schwache KI Machine Learning echte Nachbildung des menschlichen Bewusstseins (bis heute nicht existent) Teilgebiet der künstlichen Intelligenz: lernt mittels statistischer Methoden und kann sich anhand von Erfahrungen verbessern Maschine, die menschliches Verhalten (teilweise) imitiert
- 7. Teilgebiet des Machine Learnings: bedient sich mehrschichtiger neuronaler Netze zum Lernen/Entscheiden künstliche Intelligenz starke KI schwache KI Machine Learning echte Nachbildung des menschlichen Bewusstseins (bis heute nicht existent) Teilgebiet der künstlichen Intelligenz: lernt mittels statistischer Methoden und kann sich anhand von Erfahrungen verbessern Maschine, die menschliches Verhalten (teilweise) imitiert Deep Learning
- 8. GenAI KI als „Erfinder“ künstliche Intelligenz starke KI schwache KI Deep Learning Machine Learning
- 11. Daten, Daten, Daten Modell und Algorithmus Grundwahrheit und Baseline Ruckschluss und Aktion Korrelation, nicht Kausalität KI ist …
- 13. Source Fortune Magazine.: https://fortune.com/2022/07/26/a-i-success-business-sense-aible-sengupta/ „Failure rate of AI projects has been between 83% to 92%.“
- 14. Daten 42 Daten Daten Daten Daten Daten Daten Daten Daten ML Voodoo Wenn 42 die Lösung ist, was ist dann das Problem?
- 15. Pain Point Pain Point Pain Point Pain Point 42 Pain Point Pain Point ML Project
- 16. Exploration Ideation DAYs gute Idee! 42 Pain Point Pain Point Pain Point Pain Point ML Project Lifecycle
- 17. Exploration Ideation DAYs WEEKs gute Idee funktioniert! 42 Pain Point Pain Point Pain Point Pain Point ML Project Lifecycle
- 18. Professionalization Exploration Ideation DAYs WEEKs MONTHs gute Idee funktioniert nachhaltig! 42 Pain Point Pain Point Pain Point Pain Point ML Project Lifecycle
- 19. Professionalization Exploration Ideation DAYs WEEKs MONTHs gute Idee funktioniert nachhaltig! 42 83% propability Pain Point Pain Point Pain Point Pain Point ML Project Lifecycle
- 20. Professionalization Exploration Ideation DAYs WEEKs MONTHs well-founded Proof of Concept viable Product AI validated Use-Case(s) initial Idea(s) gute Idee funktioniert nachhaltig! 42 Pain Point Pain Point Pain Point Pain Point ML Project Lifecycle
- 21. ML Project Lifecycle Ideation DAYs WEEKs MONTHs well-founded Proof of Concept viable Product AI validated Use-Case(s) initial Idea(s) 42 Design Thinking Lean Startup Agile Development Professionalization Exploration Pain Point Pain Point Pain Point Pain Point
- 22. ML Project Lifecycle Ideation DAYs WEEKs MONTHs well-founded Proof of Concept viable Product AI validated Use-Case(s) initial Idea(s) 42 Design Thinking Lean Startup Agile Development Professionalization Exploration Pain Point Pain Point Pain Point Pain Point
- 23. ML Project Lifecycle Ideation DAYs WEEKs MONTHs Design Thinking Lean Startup Agile Development Professionalization Exploration Pain Point Pain Point Pain Point Pain Point 42
- 24. 1 3 5 2 4 6 Business Understanding Data Understanding Data Preparation Analysis & Modeling QA & Validation Deployment & Operation *in Anlehnung an „CRISP-DM“: CRoss Industry Standard Process for Data Mining ML for Production
- 25. 1 3 5 2 4 6 Business Understanding Data Understanding Data Preparation Analysis & Modeling QA & Validation Deployment & Operation ML for Production *in Anlehnung an „CRISP-DM“: CRoss Industry Standard Process for Data Mining
- 27. „Wir wollen mit AI unser Geschäft verbessern!“ CEO, mySuperMarket ML for Production am Beispiel …
- 28. SALES FORECAST Auf Basis historischer Daten aus mehreren Filialen einer Supermarktkette sollen Verkaufszahlen für die Zukunft vorhergesagt werden. ML for Production am Beispiel …
- 29. 1 3 5 2 4 6 Business Understanding
- 30. „Was war noch mal die konkrete Frage?“ Ideation & Zielbestimmung
- 31. Business Understanding am Beispiel AI Ideation - SALES FORECAST „Häufig ist zu viel oder zu wenig Ware auf dem Lager.“ „Verderbliche Ware wird abends weggeschmissen.“ „Marketingkampagnen sind nicht effektiv (genug).“ „Umsatz ist ok, aber nicht wirklich planbar.“ …
- 33. WORKSHOP PHASE 1 Opportunity Areas identified HMW … die Verkaufsplanung auf Produktebene optimieren? HMW … immer ausreichen Personal im Markt präsent haben? AI Ideation Verkaufsoptimierung
- 34. WORKSHOP PHASE 2 Opportunity Areas identified HMW … die Verkaufsplanung auf Produktebene optimieren? HMW … abends Restbestände an die Käufer:innen bringen? Goal & Blocker identified In 12 Monaten werden wir … von allen TOP 100 Produkten immer hinreichend viele im Markt und auf Lager haben OHNE kostspieligen Überschuss. Können wir … Vorhersagen auf Produktebene treffen? Können wir … Kosten/Nutzen für die Lagerung berechnen? AI Ideation Verkaufsoptimierung
- 35. WORKSHOP PHASE 3 Opportunity Areas identified Goal & Blocker identified Key Ideas to explore HMW … die Verkaufsplanung auf Produktebene optimieren? In 12 Monaten werden wir … von allen TOP 100 Produkten immer hinreichend viele im Markt und auf Lager haben OHNE kostspieligen Überschuss. Können wir … Vorhersagen auf Produktebene treffen? Können wir … Kosten/Nutzen für die Lagerung berechnen? Key Idea von StockMag Optimierung des Lagerbestands auf der Basis historischer Lagerbewegungen. Key Idea von SaleUp Adaptive Plattform für Verkaufs- prognosen, die aus dem Feedback der Manager lernt. HMW … immer ausreichen Personal im Markt präsent haben? AI Ideation Verkaufsoptimierung
- 36. AI Ideation WORKSHOP ERGEBNISSE Was haben wir gemeinsam erarbeitet / erreicht? • Liste identifizierter Chancen und potenzieller Lösungen • gemeinsam definiertes Ziel, das es via KI zu erreichen gilt • potentielle Blocker, die im Vorfeld ausgeräumt werden sollten EINHEITLICHES VERSTÄNDNIS & GEMEINSAME AUSRICHTUNG
- 37. 00. HOW MIGHT WE … summarize your „how might we“ statement here 01. CONCEPT NAME provide a name tha encapsulates the essence of your idea 04. VISUALIZE narrate a story from the point of view of key stakeholder 05. GUT CHECK jot down your initial thoughts and rank the potential of your idea (low to high) 02. BENEFIT what unmet need or want are we answering 03. WHO …? … and for which user VALUE CREATION TARGET GROUP CONTEXT MEANS What value do you want to create? For whom …? Where and when…? How, with what? What is it …? describe your idea in detail – keep it clear and concise NOTES … define the initial reaction / critique? VALUE TO END-USER SCALE & GROTH POTENTIAL INNOVATION & CREATIVITY low high
- 38. 00. HOW MIGHT WE … summarize your „how might we“ statement here 01. CONCEPT NAME provide a name tha encapsulates the essence of your idea 04. VISUALIZE narrate a story from the point of view of key stakeholder 05. GUT CHECK jot down your initial thoughts and rank the potential of your idea (low to high) 02. BENEFIT what unmet need or want are we answering 03. WHO …? … and for which user VALUE CREATION TARGET GROUP CONTEXT MEANS What value do you want to create? For whom …? Where and when…? How, with what? What is it …? describe your idea in detail – keep it clear and concise NOTES … define the initial reaction / critique? VALUE TO END-USER SCALE & GROTH POTENTIAL INNOVATION & CREATIVITY low high Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. • Benefit 01 • Benefit 02 • Benefit 03 Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua.. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua.. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua.. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet.
- 39. Business Understanding am Beispiel Business Ziele - SALES FORECAST Es soll eine Bedarfsvorhersage erstellt werden, welche die Vorhersage von Verkäufen*, sowie die Planung von Marketingkampagnen** unterstützt. * … und damit indirekt auch Beschaffung und Lagerhaltung ** ... wie z.B. Promotions oder Einführung neuer Produkte
- 40. Business Understanding am Beispiel Analytische Ziele - SALES FORECAST Eine Machine Learning Lösung soll den Umsatz je Filiale für den Zeitraum von 6 Wochen, mit einer Genauigkeit von [X]% vorhersagen. ACHTUNG: Hier ist ein konkreter Wert wichtig. „Möglichst genau“ hilft bei späterer Validierung und Qualitätsanalyse des Modells leider wenig!
- 41. 1 3 5 2 4 6 Data Understanding
- 42. Daten sammeln, untersuchen & bewerten „Die Wahrheit liegt in den Daten!“
- 43. Modeling Data Sets Data Retrival ML4Prod Process Deployment & Monitoring Data Processing & Wrangling Feature Extraction & Engineering Feature Scaling & Selection Data Preparation Model Evaluation & Tuning Re-iterate until satisfactory model performance
- 44. Data Sets Modeling Deployment & Monitoring Data Processing & Wrangling Feature Extraction & Engineering Feature Scaling & Selection Data Retrival Data Preparation Model Evaluation & Tuning Re-iterate until satisfactory model performance Data Understanding
- 45. Data Understanding am Beispiel Daten sammeln & beschreiben - SALES FORECAST Als Basis für erste Analyse dienen Sales Reports sowie weitere Daten zu den POS aus den letzten drei Jahren. * Anzahl verkaufter Produkte pro Tag ** u.a. Lokation, Größe, Mitarbeiter, Distanz zu Mitbewerbern
- 46. Data Understanding am Beispiel Daten sammeln & beschreiben - SALES FORECAST Die Sales Reports und Daten aus den POS werden mit Hilfe einer Exploratory Data Analysis (EDA) tiefgehender untersucht. Der Fokus der Analyse liegt auf der Fragestellung, welche Variablen einen direkten oder indirekten Einfluss auf die Verkaufszahlen haben.
- 47. Sales Data (>1 Mio Datensätze) Store Data (ca. 1100 Datensätze) Data Understanding am Beispiel
- 48. Sales Data (>1 Mio Data Records) Data Understanding am Beispiel OBJECT? Inconvenient for ML! DATETIME? For sorting the "Time Series". But is there any more info in there? > 1 MIO Data Records Lots of data! Very nice. INT64? Which values/ranges are possible? And what do they mean? SALES! Target Variable
- 49. Data Understanding am Beispiel Store Data (ca. 1100 Data Records) OBJECT? Inconvenient for ML! PROMO2? What semantics? COMPETITION? What semantics? NULL? Why are there no values? > 1000 DATENSÄTZE ca 1 Mio of 1000 Stores STORE! Merge Reference
- 50. Data Understanding am Beispiel Store Data (ca. 1100 Data Records) OBJECT? Inconvenient for ML! PROMO2? What semantics? COMPETITION? What semantics? NULL? Why are there no values? > 1000 DATENSÄTZE ca 1 Mio of 1000 Stores STORE! Merge Reference
- 55. Product Sales “Weekday“ Erhöhte Umsätze nach dem Wochenende Wahrscheinlich nur wenige geöffnete Filialen am Sonntag.
- 56. Product Sales “Weekday“ 0 - 25% 25 - 50% 50 - 75% 75 - 100%
- 57. Product Sales “Weekday“ *Wochentag sollte als eigenes Feature modelliert werden. DI bis FR ähnliche Muster SA, SO, MO individuelle Muster*
- 59. Data Understanding am Beispiel Daten sammeln & beschreiben - SALES FORECAST Neben den Sales Reports der einzelnen POS gibt es noch zahlreiche weitere Quellen, die zur ML basierten Vorhersage herangezogen werden können, um so ein genaueres Bild zu zeichnen.
- 60. Internal Data Sources External Data Sources Unstructured Data Sources Structured Data Sources E-Commerce Sales Data Sales Transactions Purchchase Orders Inventory POS Information Loyality Cards Customer Service
- 61. E-Commerce Sales Data Sales Transactions Purchchase Orders Inventory POS Information Loyality Cards Customer Service Weather 3rd Party syndicated Data Macroeconomic Indicators Government Census Customer POS Information Household Panel Data Websites Reviews Marketing Campaigns (Mobile) Apps In-Store Devices Texts CRM Data Internal Data Sources External Data Sources Unstructured Data Sources Structured Data Sources Social Media Click Streams Internet of Things Geolocation Devices Digital Personal Assistants Videos
- 62. Data Understanding am Beispiel Daten untersuchen & bewerten - SALES FORECAST Die Daten müssen im Vorfeld auf viele Qualitätsfaktoren hin analysiert werden: Verfügbarkeit, Vollständigkeit, Genauigkeit, Gültigkeit, Konsistenz, Relevanz, Granularität, Kosten
- 63. 1 3 5 2 4 6 Data Preparation
- 64. „Quantität ist nicht gleich Qualität!“ Daten auswählen, transformieren & bereinigen
- 65. Data Preparation Process Modeling Deployment & Monitoring Data Processing & Wrangling Feature Extraction & Engineering Feature Scaling & Selection Data Preparation Model Evaluation & Tuning Re-iterate until satisfactory model performance Data Sets Data Retrival
- 66. Data Preparation Was genau sind eigentlich diese Features? Was bedeutet Feature Engineering? Und was ist der Unterschied zu Feature Selection?
- 68. Sales Prediction ohne zusätzliche Features 150 100 50 0
- 69. Sales Prediction mit zusätzlichen Features 150 100 50 0
- 70. Data Preparation Die Kunst von Feature Engineering & Selection „As many as necessary and as few as possible.“ • so viele wie notwendig führt zu guten Resultaten • so wenige wie möglich führt zu guter Performance
- 71. Data Preparation Feature Selection für jedermann? „There is a tool for it …“ • FeatureTools* • FeatureSelector** **https://github.com/WillKoehrsen/feature-selector *https://www.featuretools.com
- 72. 1 3 5 2 4 6 Analysis & Modeling
- 73. „Welches Modell passt zu mir?“ Modell wählen, trainieren & bewerten
- 74. Data Sets Modeling Deployment & Monitoring Data Processing & Wrangling Feature Extraction & Engineering Feature Scaling & Selection Data Retrival Data Preparation Model Evaluation & Tuning Re-iterate until satisfactory model performance Analysis & Modeling
- 75. Analysis & Modeling Germanys Next Top Model? Leichter gesagt als getan! Wo soll man da anfangen? Und wie?
- 76. Analysis & Modeling MACHINE LEARNING SUPERVISED LEARNING UNSUPERVISED LEARNING CLUSTERING REGRESSION CLASSIFICATION DIMENSIONALITY REDUCTION REINCORCEMENT LEARNING Weather forecasting Market forecasting Estimating life expectancy Ad popularity prediction Diagnostic Customer retention Image classification Fraud detection Game AI Skill aquisition Robot Navigation Real-time decisions Target marketing Customer segmentation Recommendations Big-Data Visualization Meaningful compression Structure discovery Feature elicitation
- 77. Analysis & Modeling MACHINE LEARNING SUPERVISED LEARNING UNSUPERVISED LEARNING CLUSTERING REGRESSION CLASSIFICATION DIMENSIONALITY REDUCTION REINCORCEMENT LEARNING Weather forecasting Market forecasting Estimating life expectancy Ad popularity prediction Diagnostic Customer retention Image classification Fraud detection Game AI Skill aquisition Robot Navigation Real-time decisions Target marketing Customer segmentation Recommendations Big-Data Visualization Meaningful compression Structure discovery Feature elicitation
- 78. Analysis & Modeling ML Regressors Wenn ein Zukunftswert auf Basis von Vergangenheitswerten vorhergesagt werden soll, kommen in der Regel Regression Algorithmen (aka Regressors) zum Einsatz.
- 79. Analysis & Modeling am Beispiel Typische Modell-Kandidaten für „Demand Forecasting“ ARIMA / SARIMA Linear Regression XG Boost K-Nearest Neighbors Regression Random Forrest Long Short-Term Memory (LSTM) Beste Lösung? Abhängig von Fragestellung, z.B. … SARIMA saisonale Vorhersagen Linear Regression Einfluss von Änderungen Trendvorhersagen
- 80. Quelle: https://www.datasciencecentral.com/linear-machine-learning-and-probabilistic-approaches-for-time/ Analysis & Modeling am Beispiel RMSE Root Mean Square Error
- 81. 1 3 5 2 4 6 QA & Validation
- 82. „Ist GUT auch wirklich GUT genug?“ Modellqualität vs. Projektziel
- 83. Data Sets Modeling Deployment & Monitoring Data Processing & Wrangling Feature Extraction & Engineering Feature Scaling & Selection Data Retrival Data Preparation Model Evaluation & Tuning Re-iterate until satisfactory model performance QA & Validation
- 84. ML Model Training 1. fit 2. predict X_train y_train 3. calc RMSPE „train“ vs score_train QA & Validation am Beispiel y_predict y_train
- 85. ML Model Training 4. predict vs score_test QA & Validation am Beispiel X_test y_predict y_test 5. calc RMSPE „test“
- 86. QA & Validation am Beispiel score_test score_train ≈ > X
- 87. QA & Validation am Beispiel analytisches Ziel "Eine Machine Learning Lösung soll den Umsatz je Filiale für den Zeitraum von 6 Wochen, mit einer Genauigkeit von [X]% vorhersagen.“ score_test score_train ≈ > X
- 88. QA & Validation am Beispiel MAEP of Forecast on Group Level Mean Avarage Percentage Error Quelle: https://www.relexsolutions.com/resources/measuring-forecast-accuracy/ Product vs Group Level?
- 89. QA & Validation am Beispiel MAEP of Forecast Mean Avarage Percentage Error Quelle: https://www.relexsolutions.com/resources/measuring-forecast-accuracy/ Gewichtung?
- 90. QA & Validation am Beispiel Quelle: https://www.relexsolutions.com/resources/measuring-forecast-accuracy/ W-MAEP of Forecast Weighted Mean Avarage Percentage Error
- 91. QA & Validation Quelle: https://towardsdatascience.com/a-short-introduction-to-model-selection-bb1bb9c73376
- 92. QA & Validation am Beispiel score_test score_train ≈ > X
- 93. QA & Validation am Beispiel ML Model Training fit predict X_all y_all deploy Model store Model ML Model Deployment
- 94. 1 3 5 2 4 6 Deployment & Operation
- 95. „ACHTUNG! Dies ist keine Übung!“ Model Deployment & Performance Monitoring
- 96. Data Sets Modeling Deployment & Monitoring Data Processing & Wrangling Feature Extraction & Engineering Feature Scaling & Selection Data Retrival Data Preparation Model Evaluation & Tuning Re-iterate until satisfactory model performance Deployment & Operation
- 97. “Change is the only constant in life.“ Herklit, griechischer Philosoph
- 98. Deployment & Operation Statisches Modell Re-Trained Modell Verschlechterung über die Zeit Regelmäßiges Modell-Update Model Quality Model Quality
- 99. Deployment & Operation ML basierter Web Service 4. call WS 1. (re)train 3. (re)deploy predict(…) prediction 2. validate
- 100. CONTINUOUS DELIVERY “…the ability to get changes of all types — including new features, configuration changes, bug fixes, and experiments — into production, or into the hands of users, safely and quickly in a sustainable way.“ Jez Humble & Dave Farley
- 101. Deployment & Operation am Beispiel MLops etablieren aka CI / CD Pipeline für Änderungen Data Model Code Schema Zeitreihen Mengengerüst Algorithmen Trainings Experimente Anforderungen Bug Fixes Konfigurationen
- 104. Deployment & Operation am Beispiel Überwachung der Modelle Model Performance Model Input/Output Distribution Model Learning Curves Model Evaluation Metrics Model QA Results Hardware Metrics CI/CD Pipeline for ML
- 105. ML Monitoring
- 107. 1 3 5 2 4 6 Business Understanding Data Understanding Data Preparation Analysis & Modeling QA & Validation Deployment & Operation ML for Production
- 108. 1 3 5 2 4 6 Business Understanding Data Understanding Data Preparation Analysis & Modeling QA & Validation Deployment & Operation ML for Production Exploration
- 109. 1 3 5 2 4 6 Business Understanding Data Understanding Data Preparation Analysis & Modeling QA & Validation Deployment & Operation ML for PRODUCTION
- 111. #WISSENTEILEN Vielen Dank! #WISSENTEILEN by open knowledge GmbH @_openKnowledge | @mobileLarson Lars Röwekamp, CIO New Technologies
- 112. #WISSENTEILEN BILDNACHWEIS Folie 01: © Merena, iStockphoto.com Folie 20: © Photoplotnikov, iStockphoto.com All other pictures, drawings and icons originate from • pexels.com, • pixabay.com, • unsplash.com, • flaticon.com or were made by my own.