Machine Learning & KI | Wissen

Themenbereich

Modellvalidität, Trainingsdaten, Reproduzierbarkeit, Robustheit, Erklärbarkeit und Grenzen von Modellen. Die Übersicht bündelt die bereits veröffentlichten Fachbeiträge und ordnet sie als Einstieg in weiterführende technische Fragestellungen.

Fachliche Abgrenzung: Die Beiträge behandeln technische und methodische Fragestellungen. Rechtliche Würdigung und Rechtsberatung bleiben davon getrennt.

Fachbeiträge

6 veröffentlicht

ML-Modell untersuchen

Machine-Learning-Modell als Untersuchungsgegenstand: Wie Modellartefakt, Modellversion, gelernte Parameter, Datenbasis, Vorverarbeitung und Laufzeitumgebung technisch bestimmt und dokumentiert werden.

Fachbeitrag öffnen

Modell validieren

Machine-Learning-Modell technisch validieren: Wie Testdaten, Metriken, Cross-Validation, Overfitting und Datenleckage für eine nachvollziehbare technische Modellbewertung untersucht werden.

Fachbeitrag öffnen

Trainings- und Testdaten

Trainings- und Testdaten auf Repräsentativität prüfen: Wie Zielpopulation, Stichprobe, Klassen- und Merkmalsverteilungen sowie Data Skew und Data Drift technisch untersucht werden.

Fachbeitrag öffnen

Bias und Fairness

Bias und Fairness bei Machine-Learning-Modellen technisch untersuchen: Gruppen, Selection Rates, Fehlerraten, Demographic Parity, Equalized Odds und Aussagegrenzen.

Fachbeitrag öffnen

Robustheit prüfen

Robustheit von Machine-Learning-Modellen technisch prüfen: Wie Randfälle, Störungen, Stressbedingungen, Leistungsabfall und adversariale Eingaben reproduzierbar untersucht werden.

Fachbeitrag öffnen

LLM, RAG & Tools untersuchen

LLM-Anwendungen als Gesamtsystem untersuchen: Modell, System Prompt, Retrieval-Augmented Generation, Wissensbasis, Tools, Agentenrechte, Versionen und Laufzeitkontext.

Fachbeitrag öffnen

← Zur Übersicht aller Themenbereiche

Eigene Fachliteratur und Veröffentlichungen

Die folgenden eigenen Arbeiten dienen der fachlichen Vertiefung und methodischen Einordnung. Sie ersetzen keine erforderlichen Primär-, Norm-, Hersteller- oder sonstigen unabhängigen Fachquellen. Unveröffentlichte Manuskripte, Entwürfe und Lehrunterlagen werden hier bewusst nicht als öffentliche Quellen ausgewiesen.

Eigenes Fachbuch Von Daten zu Lösungen in Data Science mit Python – Vom Problem zur verantwortbaren Lösung
Eigenes Fachbuch Kritisches Denken in Data Science mit Python – Vom Beobachten zur verantwortbaren Entscheidung
Eigener veröffentlichter Fachbeitrag Verantwortungsvoller KI-Einsatz in der Praxis: Frameworks, Tools und regulatorische Einbettung in 15 Anwendungsfeldern

Technische Fragestellung zu diesem Themenbereich?

Für eine erste fachliche Prüfung können technische Fragestellung, Unterlagenübersicht und gewünschter Zeitrahmen übermittelt werden.

Informationen für Gerichte und Rechtsanwälte