Model Drift am Confidence Score ablesen
Auf diese Weise ist auch das weit verbreitete Problem des Model Drift zu verhindern, bei dem die Vorhersagegenauigkeit der Modelle aufgrund veränderter Variablen abnimmt und Resultate verzerrt. Einen wichtigen Indikator für dieses Phänomen liefern viele Lösungen gleich mit: den Confidence Score. Die Skala gibt an, wie sicher sich das Modell bei seiner Entscheidung ist. Verschiebt er sich, sind Fehlersuchen und Training notwendig – auch aus diesem Grund müssen Unternehmen ihre Daten kontinuierlich erheben, auswerten und ihre Modelle trainieren. Wer diese Schritte von Anfang an in seine Digitalstrategie miteinbezieht, spart sich die meist hohen Kosten, die bei einer Nachrüstung anfallen.
Künstliche Intelligenz und maschinelles Lernen besitzen riesiges Potenzial, um die gesamten Manufacturing-Branche mit intelligenten Lösungen auszustatten und damit den Weg zur Industrie 4.0 zu ebnen. Voraussetzung dafür ist eine an die eigenen Anforderungen angepasste Strategie sowie eine langfristige Ausrichtung auf die Arbeit mit KI-Tools und ML-Modellen.
Der Autor Stefan Bergstein ist Principal Chief Architect bei Red Hat.
Www.redhat.com