Übung 1: Klar und einfach starten

Geben Sie an, was das Modell für maschinelles Lernen tun soll.

Das Modell für maschinelles Lernen soll

Tipps für den Erfolg
An dieser Stelle kann die Aussage qualitativ aussehen, aber achten Sie darauf, dass Sie damit Ihr tatsächliches und kein indirektes Ziel erreichen. Wenn Sie sich nicht sicher sind, schauen Sie sich die vorherigen Lektionen an und überlegen Sie, welche Möglichkeiten Machine Learning-Modelle haben können.

Übung 2: Das ideale Ergebnis

Das Hinzufügen des ML-Modells zum System sollte zu einem gewünschten Ergebnis führen. Was ist das Ergebnis, unabhängig vom Modell selbst? Dieses Ergebnis kann sich stark von der Bewertung des Modells und seiner Qualität unterscheiden.

Unser ideales Ergebnis:

Tipps für den Erfolg
Sie müssen sich nicht auf Messwerte beschränken, für die Ihr Produkt bereits optimiert wurde. Dies wird im nächsten Training behandelt. Versuchen Sie stattdessen, sich auf das größere Ziel Ihres Produkts oder Ihrer Dienstleistung zu konzentrieren.

Übung 3: Erfolgsmesswerte

Notieren Sie sich Ihre Messwerte für Erfolg und Misserfolg im ML-System. Die Messwerte für Fehler sind wichtig, d. h., wie können Sie feststellen, ob das ML-System fehlgeschlagen ist? Sowohl die Erfolg- als auch die Fehlermesswerte sollten unabhängig von den Bewertungsmesswerten für das Modell ausgedrückt werden. Vermeiden Sie es zum Beispiel, die Genauigkeit, die Trefferquote oder die automatisch angewendeten Empfehlungen zu berücksichtigen, sondern die erwarteten Ergebnisse. Häufig werden diese Messwerte mit dem idealen Ergebnis verknüpft, das Sie oben festgelegt haben.

Unsere Erfolgsmesswerte sind:

Unser ML-Modell gilt in folgenden Fällen als fehlgeschlagen:

Tipps für den Erfolg
  • Sind die Messwerte messbar?
  • Wie werden sie gemessen?
  • Wann werden sie gemessen?
    • Wie lange dauert es, bis Sie wissen, ob Ihr neues ML-System ein Erfolg ist oder nicht?
  • Sorgen Sie langfristig für Entwicklungs- und Wartungskosten.
  • Fehler können nicht nur dadurch verursacht werden, dass ein Messwert nicht erfolgreich abgeschlossen wurde.

Übung 4: Ausgabe

Schreiben Sie die Ausgabe, die Ihr ML-Modell generieren soll.

Die Ausgabe unseres ML-Modells sieht so aus:

Die Ausgabe wird folgendermaßen definiert:

Tipps für den Erfolg
  • Die Ausgabe muss mit einer Definition quantifizierbar sein, die eine Maschine erzeugen kann.
  • Wenn Sie Vorhersage-ML verwenden, können Sie dann Beispielausgaben abrufen, die zum Trainieren von Daten verwendet werden sollen?
    • Wie und aus welcher Quelle?
  • Ihre Ausgabebeispiele müssen möglicherweise angepasst werden, z. B. die Umwandlung der Wiedergabezeit in ein Perzentil.
  • Wenn es schwierig ist, Beispielausgaben für das Training abzurufen, müssen Sie Ihre Antworten auf bisherige Übungen möglicherweise überarbeiten, um Ihr Problem und Ihre Ziele umzuformulieren, sodass Sie ein Modell mit Ihren Daten trainieren können.

Übung 5: Ausgabe verwenden

Schreiben Sie, wann Ihre Ausgabe vom ML-Modell abgerufen werden muss und wie sie in Ihrem Produkt verwendet wird.

Die Ausgabe des ML-Modells wird in folgenden Fällen abgerufen:

Das Ergebnis wird für Folgendes verwendet:

Tipps für den Erfolg
Berücksichtigen Sie, welche Daten Sie für die Vorhersage benötigen. Wenn Sie beispielsweise ML zur Vorhersage der Reisezeit in einer Karten-App verwenden, könnte dies so aussehen: „Die Ausgabe des Modells wird abgerufen, wenn der Nutzer den Start- und Zielort sowie die Mobilitätsform auswählt.“
Überlegen Sie, wie Sie das prognostizierte Ergebnis im Produkt verwenden werden.
  • Wird sie dem Nutzer auf einer UI sofort angezeigt?
  • Wird sie von der nachfolgenden Geschäftslogik genutzt?
  • Welche Latenzanforderungen haben Sie?
Diese Anforderungen (Bereitstellungsanforderung des ML-Modells) können Einfluss darauf haben, welche Informationen für Vorhersagen verwendet werden können. Beispiele:
  • Die Latenz der Verwendung von Daten aus Remotediensten kann sie möglicherweise nicht nutzen.
  • Wenn Datenquellen keine neuen Informationen zur Verfügung stellen:
    • Verarbeitete Logs können nur einmal pro Tag generiert werden.
    • Bestimmte Informationen sind erst bekannt, wenn sie auch tatsächlich erfasst werden, z. B. Conversion-Ereignisse.
Bei Oracle Test gehen wir davon aus, dass Sie immer die richtige Antwort hatten. Wie würden Sie das in Ihrem Produkt nutzen?

Übung 6: Heuristik

Beschreiben Sie, wie Sie das Problem lösen würden, wenn Sie kein ML verwenden würden. Welche Heuristik könntest du beispielsweise verwenden?

Ohne ML würden wir:

Tipps für den Erfolg
Stellen Sie sich ein Szenario vor, in dem das Produkt morgen bereitgestellt werden muss, und Sie können die Geschäftslogik nur fest codieren. Was würden Sie tun?
Klicken Sie auf die Schaltfläche unten, um Ihre Antworten auszudrucken oder als PDF zu speichern.

Seite drucken