Zurück

ML-Projekte schnell und strukturiert durchdenken: Back-of-the-Envelope Calculation For Machine Learning Projects

Online-Workshop am 27. Januar 2022, 9-13 Uhr

Eine der besten Praktiken, die wir von großartigen Ingenieuren kennen, ist die "Back-of-the-envelope"-Kalkulation, um Kosten und Ressourcen abzuschätzen. Ich glaube, dass Machine Learning Engineering von einer solchen "Back-of-the-envelope"-Kalkulation profitieren würde. Denn wir müssen – so kostengünstig wie möglich – sicherstellen, dass unser zukünftiges ML-Projekt lohnenswert ist, dass es einen Mehrwert bringt und dass die Kosten und Ressourcen transparent und somit abschätzbar sind.
In diesem Workshop lernen wir ein Design-Toolkit für ML-Projekte kennen, um ein solches Prototyping mithilfe von drei Canvas-Typen durchzuführen: Machine Learning Canvas, Data Landscape Canvas und MLOps Stack Canvas.

Vorkenntnisse

Allgemeines Verständnis über Machine Learning

Lernziele

Wissen, wie man ML-Projekte mit dem ML Design Toolkit strategisch plant
Wissen, welche Komponenten zu einem ML-Projekt gehören
Wissen, wie man versteckte Kosten und Bottlenecks in ML-Projekten entdeckt und sie rechtzeitig adressiert

Agenda

09.00: Beginn

Einführung
Als erstes klären wir, welche Problemstellungen besonders gut für Machine Learning geeignet sind und mit welchen Ideations-Methoden man einen Use Case für ML findet. Konkret zeige ich, wie man mit Big Picture Event Storming aus DDD einen Business-Prozess versteht und das Potenzial für ML identifiziert.
Im zweiten Teil des Workshops gehe ich auf das Machine Learning Canvas von L. Dourard ein. Wir lernen die wichtigsten Komponenten eines ML-Projektes kennen. Es ist das Ziel, den Mehrwert des Einsatzes von ML sicherzustellen, indem wir alle Aspekte wie Datensammlung, Model Training, Monitoring von Business KPIs und Deployment transparent machen.

ca. 11.00: Pause

Da Daten ein Fundament jedes ML-Projekts sind, lernen wir im dritten Teil des Workshops etwas über das Data Landscape Canvas. Mit diesem Canvas erstellen wir eine Übersicht über die Daten, die wir bereits haben oder möglicherweise brauchen werden, um ein ML-Modell trainieren zu können.
Im abschließenden vierten Teil des Workshops beschäftigen wir uns mit dem MLOps Stack Canvas, das ich entwickelt habe, um den operativen Aspekt eines ML-Projekts abzudecken. Wir lernen, wie die Eigenschaften von ML Use Cases die Menge der technischen Komponenten bestimmen, um ein Overengineering zu vermeiden.

ca. 13.00 Uhr: Ende

Speaker

Dr. Larysa Visengeriyeva arbeitet bei INNOQ und beschäftigt sich dort mit dem Thema der Operationalisierung von Machine Learning (MLOps). Als Mitbegründerin des Projekts ml-ops.org interessiert sie sich besonders für die Schnittstellen zwischen Software Engineering und Machine Learning. Sie hat an der TU Berlin im Bereich Data Cleaning promoviert.

Jetzt Tickets sichern