Modellmonitoring für produktive Systeme zählt in modernen ML-Architekturen zu den entscheidenden Bausteinen, weil Modelle nach dem Deployment weiter beobachtet werden müssen. Ohne Monitoring drohen schleichende Qualitätsverluste. Der Kurs zeigt zentrale Bausteine eines wirksamen Monitorings.
!Kursinhalt
!1. Anforderungen an Modellmonitoring
*Technische Verfügbarkeit
*Vorhersagegüte über Zeit
*Stabilität der Eingabedaten
!2. Datenquellen für Monitoring
*Logging von Eingaben und Vorhersagen
*Vergleich mit tatsächlichen Ergebnissen
*Datenqualitätsindikatoren
!3. Erkennung von Drift
*Konzeptuelle und Daten-Drift
*Statistische Hinweise auf Veränderungen
*Schwellenwerte und Alarme
!4. Reaktion und Pflege
*Eingriff bei Qualitätsverlust
*Erneutes Training oder Anpassung
*Verzahnung mit Releaseprozessen
!Berufliche Relevanz
*Belastbare ML-Anwendungen über längere Zeiträume
*Frühe Erkennung schleichender Probleme
*Vertrauensbasis bei Fachadressaten