ML Use Cases erkennen und ML Anforderungen spezifizieren mit DDD und Design Canvas: Die INNOQ Methode

Ein wichtiger Grund, warum Unternehmen an der Umsetzung von AI/ML scheitern ist die Schwierigkeit, einen sinnvollen Use Case für ML zu identifizieren. Bei INNOQ haben wir ein Konzept für die Erkennung von ML Use Cases entwickelt und stellen unseren Prozess in diesem Vortrag vor. In den ersten zwei Phasen nutzen wir DDD-Methoden wie EventStorming, um die Fachlichkeiten zu verstehen und potenzielle ML-Tasks zu identifizieren. Das Ziel der zweiten Phase ist, das ML-Projekt zu strukturieren und die Anforderungen zu klären. Dafür nutzen wir ein visuelles Framework – das ML Design Canvas. Dabei werden wichtige funktionale und qualitative Anforderungen für das ML-System spezifiziert.

Datum: 20.10.2020
Uhrzeit: 10:00 - 10:45
Online Event: data2day 2020

Speaker:innen

Dr. Larysa Visengeriyeva Head of Data and AI

Larysa Visengeriyeva hat im Bereich Augmented Data Quality an der TU Berlin promoviert. Bei INNOQ beschäftigt sie sich mit der Operationalisierung von Machine Learning (MLOps), Daten Architekturen wie Data Mesh und Domain-Driven Design.

Isabel Bär Alumna

Isabel Bär war bis Juni 2023 Werkstudentin bei INNOQ. Ihr Interessensgebiet ist die Entwicklung ML-basierter Software als Produkt zur Lösung von Business Problemen mit Machine Learning Model Operationalization Management (MLOps). MLOps erweitert DevOps um Machine Learning Artefakte mit dem Ziel, die Konzeptionierung, den Aufbau, das Deployment und das Monitoring von Machine-Learning-Modellen in Produktion durch effektive Methoden und Prozesse zu unterstützen.

ML Use Cases erkennen und ML Anforderungen spezifizieren mit DDD und Design Canvas: Die INNOQ Methode

TAGS