27.07.2024 –, Vortragsraum Sprache: Deutsch
Wie finde ich ein Machine Learning Modell für meinen Use-Case, das kann was es verspricht und was bedeuten eigentlich diese ganzen komischen Metriken? Diese und andere Fragen sollen im Vortrag beantwortet werden.
Konkret sollen dabei folgende Informationen vermittelt werden:
- Grundlegendes Verständnis was ein gutes Machine Learning Modell ausmacht.
- Verstehen, was die Metriken aussagen und warum 99,9% Accuracy nicht mit einem guten Modell gleichzusetzen ist.
- Anzeichen von Bias erkennen und (womöglich) kontrollieren.
- Ein Verständnis für die Datengrundlage von KI-Modellen gewinnen
Der Vortrag vermittelt Kompetenzen für eine kritische Analyse und dem umsichtigen Umgang mit Machine Learning Modellen. Es wird gezeigt, wie das richtige maschinelle Lernmodell ausgewählt wird und was ein qualitativ hochwertiges Modell ausmacht. Die Teilnehmenden entwickeln ein tiefes Verständnis für die Bedeutung einer robusten Datenbasis und lernen, wie Bias die Modellperformance beeinflusst und wie dieser erkannt und kontrolliert werden kann. Darüber hinaus wird die Auswahl und Bedeutung von Metriken diskutiert, um die wahre Leistung von Modellen – jenseits von irreführender Genauigkeit – zu erfassen. Die Erkenntnisse sind dabei branchenübergreifend anwendbar, von der Bilderzeugung, generativen Sprachmodellen bis hin zu Medizin und Industrie.
Daniel Hieber ist Doktorand an der Uni Würzburg, dem Universitätsklinikum Augsburg und im Institut DigiHealth der Hochschule Neu-Ulm. Mit einem IT-Hintergrund (B.Sc. Software Engineering, M.Sc. Machine Learning and Data Analytics) forscht er zur Verwendung von KI in der Neuropathologie. Ein wichtiger Aspekt dabei ist der verantwortungsvolle und reflektierte Umgang mit KI in der Medizin.