Ein Modell, das im Labor eine hohe Genauigkeit erreicht, kann nach dem Rollout schlechter arbeiten als erwartet. Der wichtigste Grund ist die Lücke zwischen Trainingsdaten und realen Daten. Ein anderer Sensor, eine andere Jahreszeit oder ein anderes Nutzerverhalten verändert die Eingaben, die das Modell sieht.
Legen Sie vor dem Rollout drei Dinge fest: die Kennzahl für den Erfolg und die Akzeptanzschwelle; einen Mechanismus, der überwacht, ob sich die Eingabeverteilung im Lauf der Zeit verschiebt; und die Bedingungen für ein erneutes Training samt der Person, die die neue Version freigibt. Ist der Bedarf nicht real, ist eine regelbasierte Lösung in der ersten Version oft robuster und leichter zu erklären. Macht die Komplexität des Modells das System schwer wartbar, bringt es keinen Mehrwert.
Planen Sie ein ähnliches Projekt?
Wir besprechen gern, wie sich das Thema des Artikels in Ihrem Produkt umsetzen lässt.
