Machine Learning Use Cases erkennen und spezifizieren mit DDD und Design Canvas

Ein wichtiger Grund, warum Unternehmen an der Umsetzung von AI/ML scheitern, ist die Schwierigkeit, einen sinnvollen Use Case für ML zu identifizieren. Bei INNOQ haben wir einen Konzept für die Erkennung von ML Use Cases entwickelt und stellen unseren Prozess in diesem Vortrag vor.

In den ersten zwei Phasen nutzen wir Domain-Driven-Design-Methoden wie Event Storming, um die Fachlichkeiten zu verstehen und potenzielle ML Tasks zu identifizieren. Das Ziel der zweiten Phase ist, das ML-Projekt zu strukturieren und die Anforderungen zu klären. Dafür nutzen wir ein visuelles Framework: den ML Design Canvas. Dabei werden wichtige funktionale und qualitative Anforderungen für das ML-System spezifiziert.

Vorkenntnisse

Teilnehmerinnen und Teilnehmer sollten ein grundlegendes Verständnis von Machine Learning mitbringen.

Lernziele

Wie man DDD-Methoden nutzt, um ML Use Cases zu erkennen und darauf ein ML-Projekt aufzubauen.

 

Speaker

 


Larysa Visengeriyeva hat im Bereich Data Cleaning an der TU Berlin promoviert. Bei INNOQ beschäftigt sie sich mit dem Thema der Operationalisierung von Machine Learning. Sie ist die Queen von ml-ops.org.

Isabel Bär
Isabel Bär studiert Master of Data Engineering am HPI und ist eine Machine-Learning-Enthusiastin.

Silber-Sponsoren

codecentric
inovex
Opitz Consulting

data2day-Newsletter

Sie möchten über die data2day
auf dem Laufenden gehalten werden?

 

Anmelden