cas-pml/SL/notizen/L1_Notizen.md

Notizen SL Lektion 1

Thema: Einführung Überwachtes Lernen Datum: 07.05.2026 Dozentin: Violeta Vogel

Kurzpräsentationen

Thema: MLOps, ModelOps, Modelllebenszyklus, ML-Engineering

• Hierarchie:
  • ML-Engineering ist die Bauarbeit
  • MLOps die Betriebsdisziplin für ML
  • ModelOps der Governance-Schirm über alle Modelltypen
  • der Modelllebenszyklus ist das Objekt, das alle drei managen

Geschäftsverständnis

• 80-85% von allen ML-Modellen schaffen es nicht über den PoC Status hinaus, warum?
  • Fehler in Modellen werden nicht früh genug erkannt
  • Bspw. Kreditkartenanalyse PostFinance
• Immer erst schauen welche Probleme sind überhaupt vorhanden?
  • GenAI ist nid immer die optimale Lösung
  • Oft reicht einfache Statistik
    • ist es ein Klassifikationsproblem, Clusteringproblem oder Visualisierungsproblem?
• Was braucht ein Unternehmen?
  1. Geschäftsziele festlegen
     • des eigenen Bias bewusst sein
     • was will man erreichen?
     • Kosten/Nutzen definieren
  2. Situationsanalyse
  3. Data-Mining Ziele festlegen
  4. Projektplan erstellen

Datenverständnis

Welche Daten haben wir? Welche benötigen wir? Sind die Daten sauber?

1. Ausgangsdaten sammeln
   • notewendige Daten beschaffen
2. Daten beschreiben
   • Dokumentieren der Oberflächeneigenschaften, Datenformat, Anzahl der Datensätze
3. Daten erkunden
   • Visualisierungen erstellen
4. Datenqualität Überprüfen

Datenaufbereitung

Wie organisieren wir Daten für die Modellierung

1. Daten auswählen
   • bestimmen welche Datensätze verwendet werden
2. Datenbereinigung
   • Ist aufwändig und wichtig, genug Zeit investieren!
3. Daten erstellen
   • Neue attribute ableiten
4. Daten integrieren
   • Neue Datensätze erstellen durch eventuelles Kombinieren
5. Daten formatieren
   • Bei bedarf umformatieren um bspw. mathematische Operationen durchzuführen

Modellentwicklung

Welche Modellierungstechniken sollten wir anwenden?

1. Modellierungstechniken auswählen
   • Algorithmus ausprobieren
2. Testdesign erstellen
   • Trainings, Test und Validierungsdatensätze auswählen
3. Modell erstellen
   • Ist je nach Modell ziemlich automatisiert
   • Infrastruktur kann hier zum Problem werden
4. Bewerten des Modells
   • Oft konkurieren mehrere Modelle miteinander
   • Testdesign interpretieren, das ist nicht trivial

Modellbewertung

Welches Modell erfüllt die Geschäftsziele am besten?

1. Ergebnisse auswerten
   • Erfüllen die Modelle die Kriterien für den Geschäftserfolg?
   • Darf das Modell für das Unternehmen freigegeben werden?
2. Überprüfungsprozess
   • Ergebnisse genau anschauen!
   • Gegebenenfalls Fehler korrigiern
3. Nächste Schritte Festlegen
   • weitere Iterationen anfangen
   • Folgeprojekte lancieren

Einsatz

Wie erhalten die Interessengruppen Zugriff auf die Ergebnisse?

1. Bereitstellungsplan
   • Plan für die Bereitstellung des Modells
2. Überwachung und Wartung
   • Plan ertellen um Probleme während der Betriebsphase zu vermeiden
3. Abschlussbericht erstellen
4. Projektrückblick

Techstack für Unternehmen

• Daten
  • Quellsystem -> Landeplatz -> Funktionen für ML
  • Landeplatz für Daten
• ML-Infrastruktur
  • Python
  • Git
• Kundenanwendgunen
  • Datenvisualisierung
• Infrastruktur
  • Entwicklung
  • Test
  • Integration
  • Betrieb (Prod)
• Trennung zwischen Datenhaltung und ML-Infra wichtig!

MLOps

• Maschinelles Lernen (ML) und Operations (Ops)
• Automatisierung, Agilität und Zusammenarbeit

DevOps

• Build, Plan, Code, Deploy -> Loop
• Automatisieren, Monitoren, IaC, Microsservices
• Anti-Pattern im Bereich des ML:
  • Nur ein Produktionsmodell bauen welches ein Problem "perfekt" Lösen soll
  • Skalierbarer und umsichtiger Ansatz wählen

MLOps vs DevOps

Todo: Refactor

Ein ML-System ist ein Softwaresystem, und Softwaresysteme funktionieren effizient und zuverlässig, wenn DevOps- und Data-Engineering-Best- Practices angewendet werden.

Eines der Hauptprobleme, die Projekte im Bereich des maschinellen Lernens behindern, ist die fehlende Notwendigkeit einer soliden Grundlage aus DevOps, Datenautomatisierung, Plattformautomatisierung und schließlich echter ML- Automatisierung.

Aspekt	MLOps	DevOps
Foku	ML-Operationen und Modelle	Softwareentwicklung und IT-Betrieb
Zweck	Optimieren ML-Workflows, Bereitsstellung un Betrieb	Optimierung von Softwareentwicklung, Bereitstellung un Betrieb
Hauptkomponenten	Datenpipelines, Modellregister, Überwachung	Code-Repos, CI/CD-Pipelines, Infrastruktur
Datenverarbeitung	Behandelt ML-Spezifische Daten	Verwaltet Code und anwendungsbezogene Daten
Hauptherausvorderung	Modelldrift, Datenverzerrung, Modellerklärbarkeit	Kontinuierliche Integration, Infrastrukturmanagement
Kernziel	Verbesserung der Bereitstellung und Verwaltung von ML-Modellen	Beschleunigen Sie die Softwarebereitstellung und -zuverlässigkeit
Kernaktivität	Modelltraining, Validierung, Überwachung
Zusammmenarbeit
Hauptvorteil

Gestaltungsprinzipien

• Verantwortung übernehmen
  • Ressourcen gut verteilen um Produktivität zu steigern
• Schutz gewährleisten
  • Sicherheitskontrollen für Algorithmen und Endpunkte
• Ermöglichen von Ausfallsicherheit
  • Fehlertoleranz und Wiederherstellbarkeit
• Ermöglichen von Wiederverwendbarkeit
  • Modelle wiederverwenden

Rollenverteilung

• Fachexperten
• Datenwissenschaftler
• Dateningenieure
• Softwareingenieure
• DevOps
• Modellrisikomanager / Auditoren
• Architekten für ML

Anwendungsfall für KI finden

• Ziele der Projekte

  • darf nicht abstrakt bleiben
  • kontreter Anwendungsfall
  • Schlechtes Beispiel: Steigerung des Gesamtumsatzes
  • Gutes Beispiel: Kaufempfehlung auf Basis von Produkten die zusammen gekauft wurden
    • Ziel: Bestellmenge pro Kunde um X% erhöhen
    • Mittel: Empfehlungssystem (Recommendation System)

• Kategorien von KI-Anwendungen

  1. Intelligent Prognosen und Datenanlysen zur Unterstützung verschiedener Entscheidungen
  2. Innovative Prozess- oder Serviceautomatisierung zur Kostensenkung und Produktivitätssteigerung
  3. Neue Produkte und Dienstleistungen, die einen zusätzlichen Wert generieren
  4. Einfachere oder bessere Benutzererfahrung und autonome Systeme

Beispiele

• Verbesserung der Genauigkeit der Treibstoffberechnung bei Airlines um das Mitführen von zusätzlichem Treibstoff zu vermeiden
• Bis zu ~35% des Umsatzes von Amazon stammt aus KI-gestützten Empfehlungen
• Netflix schätzt den Umsatz seiner personalisierten Empfehlung auf ~1 Milliarde Dollar

12 häufigste Anwendungsfälle für KI

1. Produkteempfehlungen
2. Chatbots
3. Marketing und Inhalte
4. Kundenstimmungsanalyse
5. Absatzprognose
6. Preisoptimierung
7. Cybersicherheit
8. Betrugsvorhersage
9. Ressourcenoptimierung
10. Bedarfsprognose
11. Gesundheitspflege
12. Vorausschauende Wartung