Wenn das ML-Projekt nicht gelingt: Was tun?

Manchmal geht einfach alles schief, was schief gehen kann. Auch Projekte auf dem Gebiet des Machine Learnings sind davor nicht sicher, Wie man mit solchen Projekten umgeht, erklärt Vladimir Rybakov in dieser Session von der ML Conference.
Die Herausforderungen mancher Projekte sind einfach nicht lösbar – einfach weil alles, was schief gehen kann, auch schief geht. Missverständnisse, Probleme mit dem Datensatz, unangemessen hohe Erwartungen, um nur einiges zu nennen. Alles passier auf einmal, und man sieht es nicht mal kommen, bis es zu spät ist. Die Frage ist, was man in einer solchen Situation tun soll, besonders wenn man eine Reihe von Konkurrenten hat. Vladimir Rybakov beantwortet diese Frage in dieser Session von der ML Conference.

Hinterlasse einen Kommentar