Fallstricke beim Deep Learning

Vorschau

Deep Learning ist in den letzten Jahren sehr populär geworden, doch trotz aller Erfolge muss klar zwischen Realität, Machbarkeit und allgemeiner Wunschvorstellung unterschieden werden. Das ist oft nicht sehr einfach, da bei Entscheidern und Projektleitern falsche Erwartungen geweckt werden.

So ist ein Modell nicht mal eben mit beliebigen Daten trainiert, also einfach einen Datensatz aus dem Unternehmensnetzwerk herunterladen und das Netzwerk damit trainieren wird nicht funktionieren. Es ist also wichtig sich genügend Zeit bei der Wahl und Aufarbeitung der Daten zu nehmen. Es ist also entscheidend, dass alle von Beginn an verstehen, dass die Datenanalyse im Vorfeld entscheidend für den Projekterfolg ist und signifikante Zeit in Anspruch nehmen kann.

Ein Modell ist auch kein schlechtes wenn es keine 100% Genauigkeit erreicht. Natürlich lassen sich Modelle mit Metriken wie Accuracy und Loss bezüglich ihrer Güte charakterisieren, oft können Modelle aber nicht weiter verbessert werden bzw. der Aufwand an zusätzlichen Daten steht in keiner Relation zum Funktionsgewinn.

In den folgenden Kapiteln soll aufgezeigt werden, wie zur Diagnose von Prüfberichten in der Analytik eine KI trainiert und im Anschluss zur Klassifizierung von Mustern verwendet werden kann. Dabei soll auf die einzelnen Schritte als auch den darin durchzuführenden Arbeiten genauer eingegangen werden.

Zurück zu: Machine Learning Diagnostik > 020 Grundlagen