Praktisches maschinelles Lernen für Computer Vision

Kapitel 10. Trends in der Produktion ML

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Bisher haben wir in diesem Buch das maschinelle Sehen als ein Problem betrachtet, das von Datenwissenschaftlern gelöst wird. Da maschinelles Lernen jedoch zur Lösung von realen Geschäftsproblemen eingesetzt wird, gibt es auch andere Rollen, die mit Datenwissenschaftlern zusammenarbeiten, um maschinelles Lernen durchzuführen - zum Beispiel:

ML-Ingenieure

ML-Modelle, die von Datenwissenschaftlern erstellt werden, werden von ML-Ingenieuren in die Produktion gebracht, die alle Schritte eines typischen Machine-Learning-Workflows, von der Erstellung der Datensätze bis zur Bereitstellung für Vorhersagen, in einer Machine-Learning-Pipeline zusammenfassen. Du wirst dies oft als MLOps bezeichnen.

Endverbraucher

Menschen, die Entscheidungen auf der Grundlage von ML-Modellen treffen, neigen dazu, Blackbox-KI-Ansätzen nicht zu vertrauen. Das gilt vor allem in Bereichen wie der Medizin, wo die Endnutzer hochqualifizierte Spezialisten sind. Sie verlangen oft, dass deine KI-Modelle erklärbarsind - Erklärbarkeitgilt weithin als Voraussetzung für eine verantwortungsvolle Ausübung von KI.

Domänenexperten

Domänenexperten können ML-Modelle mit codefreien Frameworks entwickeln. So helfen sie oft bei der Datenerfassung, der Validierung und der Bewertung der Machbarkeit des Problems. Man könnte dies als "Demokratisierung" von ...