Motivation Flashcards
Define:
Was sind die Ziele für Research vs. Production
R:1, P:1
Research: Modell Performance
Production: Kommt auf Stakeholder drauf an
Define
Was sind die “Computational” Prioritäten für Reserach vs. Production
R:2, P:2
Research: Schnelles Training, Hoher Durchsatz
Production: Schnelle Inference, Geringe Latenz
Define:
Was sind die Datenvoraussetzungen für Research vs. Production
R:1, P:1
Research: Statisch
Production: Verändert sich ständig
Define:
Wie steht es über fairer KI-Entwicklung / Ethisch korrekt für Research vs. Production
R:1, P:2
Research: (Nur) Nice-2-Have
Production: Wichtig, Oft nur Lippenbekenntnis
Define:
Wie wichtig ist die Interpretierbarkeit für Research vs. Production
R:1, P:1
Research: Nice-2-Have
Production: Important or Killing-Feature
Wie ist die traditionelle Software Entwicklung aufgebaut?
Specifikationen → Architektur & Design → Entwicklung → Debugging und Testen → Deployment → Monitoring
Was sind die KI-Hauptkomponenten, welche die traditionelle Software Entwicklung ergänzen?
Management → Data Science → Model Building
Nenne Beispiele für die KI-Komponenten
(3, 3, 2)
(3, 2, 2)
Nenne Beispiele des Problems:
Was ist eine geeignete Spezifikation für ein KI-Modell?
5
- Accuracy-Levels
- Erfolgskennzahlen für das Geschäft
- Wie werden Fehler gemessen?
- Wie wird ein Fehler erkannt?
- Hardware und nicht funktionale Eigenschaften (z.B. Inferenzzeit)
Nenne Beispiele des Problems:
Wie integriert man die KI-Komponente in das Softwaresystem?
2
- Wie überbrückt man Programmiersprachen und Systemgrenzen?
- Wie gestaltet man das System unter Berücksichtigung von Modularität und Softwarequalität?
Nenne Beispiele des Problems:
Wie kann der Entwicklungsprozess der KI-Komponente in den Entwicklungsprozess des restlichen Softwaresystems integriert werden?
- CI/CD for AI projects
- AIOps, MLOps, DataOps
- Technische Schulden der KI-Komponente
Definiere:
AIOps
Def + 4 Beispiele
AIOps steht für Artificial Intelligence for IT Operations.
Es bezeichnet den Einsatz von KI-Technologien zur Automatisierung und Rationalisierung aktiver Workflows.
- AIOps sammelt strukturierte und unstrukturierte Daten,
- identifiziert Ereignisse und Muster,
- reduziert Lärm und
- meldet oder behebt Probleme.
Definiere:
MLOps
MLOps ist die Standardisierung und Rationalisierung des Lebenszyklus von Maschinenlernmodellen in der Produktion. Es orchestriert die Bewegung von Maschinenlernmodellen, Daten und Ergebnissen zwischen den Systemen
Definiere:
DataOps
DataOps wendet agile Entwicklung, DevOps und Lean Manufacturing auf Datenanalytik und -operationen an. Es verbessert die Qualität und Skalierbarkeit der Datenanalyse
Was ist der Lebenszyklus von Machine-Learning-Modellen?
Der typische Lebenszyklus eines Machine-Learning-Modells umfasst mehrere Phasen
- Entwicklung (Development): In dieser Phase wird das Modell entwickelt, nachdem alle notwendigen vorbereitenden Schritte durchgeführt wurden. Dazu gehört die Identifizierung und Aufbereitung der Daten für den spezifischen Anwendungsfall1. Die tatsächliche Entwicklung der Modelle bzw. die Suche nach einem optimalen Modell passiert im Rahmen eines Experiments.
- Testen (Staging): Nach der Entwicklung wird das Modell getestet. Dieser Schritt ist entscheidend, um sicherzustellen, dass das Modell wie erwartet funktioniert und genaue Vorhersagen liefert.
- Produktion (Production): Sobald das Modell getestet und validiert wurde, wird es in die Produktionsumgebung überführt. Hier wird das Modell verwendet, um Vorhersagen auf neuen, bisher nicht gesehenen Daten zu treffen.
- Ruhestand (Retired): Wenn ein Modell nicht mehr benötigt wird oder durch ein besseres Modell ersetzt wurde, wird es in den Ruhestand versetzt.
Während des gesamten Lebenszyklus ist es wichtig, die Modelle zu überwachen und zu warten. Dies beinhaltet die Überprüfung der Modellleistung im Laufe der Zeit und die Anpassung oder Schulung des Modells, wenn sich die zugrunde liegenden Daten ändern