Modellentwicklung - Einführung

Modellentwicklung

Für Ihre optimale KI-Lösung bedienen wir ein breites Spektrum an KI-Algorithmen, wie 

  • "Klassisches" Machine Learning (Anomaly Detection, Clustering, Forecasting, etc.)
  • Deep Learning mit Neuronalen Netzen (Computer Vision, NLP, etc.)
  • Reinforcement Learning

 

Datenbereinigung und -vorbereitung

Z.B. Entfernen von Ausreißern, Auffüllen fehlender Werte, Konvertieren von kategorischen Variablen in numerische Werte.

Modellevaluation

Geeignetes Modell für das Problem wird ausgewählt und trainiert.

Modelloptimierung

Anpassung der Hyperparameter zur Verbesserung der Performance.

Validierung und Test

Es muss sichergestellt werden, dass das Modell die erwarteten Ergebnisse liefert.

Dokumentation der Experimente

Alle Phasen werden dokumentiert und es wird ein Bericht erstellt, bevor die nächste Phase des CRISP Modells eingeleitet wird.

Modellentwicklung - Weitere Einführung

Die Modellierung erfolgt in der Regel in diesen Phasen: Zuerst werden einige Modelle evaluiert und grob auf ihre Performance im Hinblick auf Genauigkeit, Effizienz und Latenz getestet. Anschließend wird ein geeignetes Modell ausgewählt und fein nachjustiert (Hyperparameter Tuning) und wieder auf Performance überprüft. Sollte die gewünschte Modellperformance nicht erreicht werden, setzen wir wieder in der Datenvorbereitungsphase an, um z.B. weitere Features oder Transformationen hinzuzufügen.

Unsere KI-Experten verwenden zur Modellierung gängige Bibliotheken wie:

Modellentwicklung - H2O.ai

Neben OpenSource Lösungen bieten wir auch die Auto-ML Lösung unserers Partners   an.

Mehr über H2O.ai erfahren