Data Science Projekte: Von der Idee bis zur Produktionsreife
Viele Unternehmen starten aktuell mit Daten- und ML-Projekten. Zum Teil weil "etwas mit Daten gemacht werden muss", aber auch um aktuelle Herausforderungen zu lösen, Prozesse zu optimieren oder um ganz neue Geschäftsideen am Markt zu platzieren.
Doch wie startet man mit einem Data-Science-Projekt? Was bedarf es, um zunächst einmal eine Idee zu valideren? Was muss passieren, damit nach einer erfolgreichen Validation das Projekt nicht im Sande verläuft, sondern zu tatsächlichen Mehrwert führt. Wie schaffe ich es die Ergebnisse auch kontinuierlich zu verbessern? Und was ist dabei anders als bei normalen Softwareprojekten?
Auf diese Fragen soll eine Antwort gegeben werden, basierend auf der Erfahrung aus verschiedenen Projekten, bei denen die Entwicklung nicht mit dem PoC beendet war, sondern die Modelle in bestehende Infrastruktur und Anwendungen integriert wurden.
Vorkenntnisse
Keine speziellen Vorkenntnisse notwendig.
Lernziele
Nach dem Talk können die Teilnehmer abschätzen, welche Herausforderungen gelöst werden müssen, damit Daten- und ML-Projekten einen Mehrwert generieren.