4 months ago
Responsible AI Workshop durchgeführt. Die wichtigste Übung: Wir haben unser Recruiting-Modell auf Gender-Bias getestet. Ergebnis - männliche Kandidaten wurden systematisch 12% höher bewertet. Ursache: Historische Trainingsdaten spiegelten bestehende Ungleichgewichte wider.
Lösung: Debiasing der Trainingsdaten, Fairness-Metriken in der Evaluation-Pipeline, und ein Audit-Prozess für alle produktiven Modelle. Ethik ist kein Add-on, sondern Grundvoraussetzung für verantwortungsvolle KI-Entwicklung. #responsibleai #ethik #fairness
Lösung: Debiasing der Trainingsdaten, Fairness-Metriken in der Evaluation-Pipeline, und ein Audit-Prozess für alle produktiven Modelle. Ethik ist kein Add-on, sondern Grundvoraussetzung für verantwortungsvolle KI-Entwicklung. #responsibleai #ethik #fairness
4 months ago
VR-Training für Feuerwehrleute abgeschlossen: 120 Einsatzkräfte haben in realistischen Brandsimulationen trainiert. Rauchentwicklung, Wärme-Feedback, Kommunikation im Team - alles virtuell. Das Feedback war überwältigend: 94% bewerten das Training als 'sehr realistisch'. Der größte Vorteil: Szenarien trainieren die in der Realität zu gefährlich wären - Backdraft, Flashover, einstürzende Strukturen. #vr #training #feuerwehr
4 months ago
MLOps Pipeline mit MLflow + Kubeflow komplett aufgebaut. Vom Jupyter-Notebook-Chaos zu reproduzierbaren, versionierten ML-Experimenten. Jedes Training wird getrackt: Hyperparameter, Metriken, Artefakte, sogar die Git-Revision des Trainingscodes.
Model Registry mit Staging/Production-Stages, automatische A/B-Tests bei neuem Modell, und ein Rollback-Mechanismus der in unter 2 Minuten zum vorherigen Modell zurückwechselt. Endlich Ordnung im ML-Chaos. #mlops #mlflow #kubeflow
Model Registry mit Staging/Production-Stages, automatische A/B-Tests bei neuem Modell, und ein Rollback-Mechanismus der in unter 2 Minuten zum vorherigen Modell zurückwechselt. Endlich Ordnung im ML-Chaos. #mlops #mlflow #kubeflow
4 months ago
Transfer Learning in der Praxis: Vortrainiertes ResNet50 auf unsere Spezial-Röntgenbilder angepasst. 2 Stunden Fine-Tuning statt 2 Wochen Training from Scratch. Accuracy: 97.8% vs. 94.2% (from Scratch mit gleichen Daten). Der Trick: Nur die letzten 3 Layer trainieren, Rest einfrieren. Spart GPU-Kosten und liefert bessere Ergebnisse. #transferlearning #deeplearning #medizin
5 months ago
Feature Store mit Feast aufgebaut: 200+ wiederverwendbare Features für alle ML-Projekte im Unternehmen. Einmal berechnet, überall genutzt. Ein Feature wie 'Customer Lifetime Value (30 Tage)' wird jetzt von 4 verschiedenen Modellen verwendet - konsistent und ohne Duplikation.
Online-Store für Real-Time-Inference (Redis), Offline-Store für Training (BigQuery). Feature-Freshness wird automatisch überwacht. #featurestore #mlops #mlengineering
Online-Store für Real-Time-Inference (Redis), Offline-Store für Training (BigQuery). Feature-Freshness wird automatisch überwacht. #featurestore #mlops #mlengineering
5 months ago
Responsible AI Workshop durchgeführt. Die wichtigste Übung: Wir haben unser Recruiting-Modell auf Gender-Bias getestet. Ergebnis - männliche Kandidaten wurden systematisch 12% höher bewertet. Ursache: Historische Trainingsdaten spiegelten bestehende Ungleichgewichte wider.
Lösung: Debiasing der Trainingsdaten, Fairness-Metriken in der Evaluation-Pipeline, und ein Audit-Prozess für alle produktiven Modelle. Ethik ist kein Add-on, sondern Grundvoraussetzung für verantwortungsvolle KI-Entwicklung. #responsibleai #ethik #fairness
Lösung: Debiasing der Trainingsdaten, Fairness-Metriken in der Evaluation-Pipeline, und ein Audit-Prozess für alle produktiven Modelle. Ethik ist kein Add-on, sondern Grundvoraussetzung für verantwortungsvolle KI-Entwicklung. #responsibleai #ethik #fairness
5 months ago
VR-Training für Feuerwehrleute abgeschlossen: 120 Einsatzkräfte haben in realistischen Brandsimulationen trainiert. Rauchentwicklung, Wärme-Feedback, Kommunikation im Team - alles virtuell. Das Feedback war überwältigend: 94% bewerten das Training als 'sehr realistisch'. Der größte Vorteil: Szenarien trainieren die in der Realität zu gefährlich wären - Backdraft, Flashover, einstürzende Strukturen. #vr #training #feuerwehr
5 months ago
MLOps Pipeline mit MLflow + Kubeflow komplett aufgebaut. Vom Jupyter-Notebook-Chaos zu reproduzierbaren, versionierten ML-Experimenten. Jedes Training wird getrackt: Hyperparameter, Metriken, Artefakte, sogar die Git-Revision des Trainingscodes.
Model Registry mit Staging/Production-Stages, automatische A/B-Tests bei neuem Modell, und ein Rollback-Mechanismus der in unter 2 Minuten zum vorherigen Modell zurückwechselt. Endlich Ordnung im ML-Chaos. #mlops #mlflow #kubeflow
Model Registry mit Staging/Production-Stages, automatische A/B-Tests bei neuem Modell, und ein Rollback-Mechanismus der in unter 2 Minuten zum vorherigen Modell zurückwechselt. Endlich Ordnung im ML-Chaos. #mlops #mlflow #kubeflow
5 months ago
VR-Training für Feuerwehrleute abgeschlossen: 120 Einsatzkräfte haben in realistischen Brandsimulationen trainiert. Rauchentwicklung, Wärme-Feedback, Kommunikation im Team - alles virtuell. Das Feedback war überwältigend: 94% bewerten das Training als 'sehr realistisch'. Der größte Vorteil: Szenarien trainieren die in der Realität zu gefährlich wären - Backdraft, Flashover, einstürzende Strukturen. #vr #training #feuerwehr
5 months ago
Feature Store mit Feast aufgebaut: 200+ wiederverwendbare Features für alle ML-Projekte im Unternehmen. Einmal berechnet, überall genutzt. Ein Feature wie 'Customer Lifetime Value (30 Tage)' wird jetzt von 4 verschiedenen Modellen verwendet - konsistent und ohne Duplikation.
Online-Store für Real-Time-Inference (Redis), Offline-Store für Training (BigQuery). Feature-Freshness wird automatisch überwacht. #featurestore #mlops #mlengineering
Online-Store für Real-Time-Inference (Redis), Offline-Store für Training (BigQuery). Feature-Freshness wird automatisch überwacht. #featurestore #mlops #mlengineering
5 months ago
MLOps Pipeline mit MLflow + Kubeflow komplett aufgebaut. Vom Jupyter-Notebook-Chaos zu reproduzierbaren, versionierten ML-Experimenten. Jedes Training wird getrackt: Hyperparameter, Metriken, Artefakte, sogar die Git-Revision des Trainingscodes.
Model Registry mit Staging/Production-Stages, automatische A/B-Tests bei neuem Modell, und ein Rollback-Mechanismus der in unter 2 Minuten zum vorherigen Modell zurückwechselt. Endlich Ordnung im ML-Chaos. #mlops #mlflow #kubeflow
Model Registry mit Staging/Production-Stages, automatische A/B-Tests bei neuem Modell, und ein Rollback-Mechanismus der in unter 2 Minuten zum vorherigen Modell zurückwechselt. Endlich Ordnung im ML-Chaos. #mlops #mlflow #kubeflow
5 months ago
Feature Store mit Feast aufgebaut: 200+ wiederverwendbare Features für alle ML-Projekte im Unternehmen. Einmal berechnet, überall genutzt. Ein Feature wie 'Customer Lifetime Value (30 Tage)' wird jetzt von 4 verschiedenen Modellen verwendet - konsistent und ohne Duplikation.
Online-Store für Real-Time-Inference (Redis), Offline-Store für Training (BigQuery). Feature-Freshness wird automatisch überwacht. #featurestore #mlops #mlengineering
Online-Store für Real-Time-Inference (Redis), Offline-Store für Training (BigQuery). Feature-Freshness wird automatisch überwacht. #featurestore #mlops #mlengineering
6 months ago
Computer Vision Modell für Qualitätskontrolle in der Leiterplattenproduktion: Fehlererkennungsrate bei 99.2%, False-Positive-Rate unter 0.5%. Die Fabrik spart 12 Arbeitsstunden pro Tag an manueller Inspektion. YOLOv8 mit Custom-Training auf 15.000 annotierten Bildern. Inferenz-Zeit: 23ms pro Bild auf einer T4-GPU. #computervision #industrie40 #deeplearning
6 months ago
Feature Store mit Feast aufgebaut: 200+ wiederverwendbare Features für alle ML-Projekte im Unternehmen. Einmal berechnet, überall genutzt. Ein Feature wie 'Customer Lifetime Value (30 Tage)' wird jetzt von 4 verschiedenen Modellen verwendet - konsistent und ohne Duplikation.
Online-Store für Real-Time-Inference (Redis), Offline-Store für Training (BigQuery). Feature-Freshness wird automatisch überwacht. #featurestore #mlops #mlengineering
Online-Store für Real-Time-Inference (Redis), Offline-Store für Training (BigQuery). Feature-Freshness wird automatisch überwacht. #featurestore #mlops #mlengineering
6 months ago
Haptic-Feedback Handschuhe (SenseGlove Nova) für VR-Training getestet: Man spürt den Widerstand virtueller Objekte, die Oberfläche, das Gewicht. Bei der chirurgischen Simulation konnte der Arzt Gewebeunterschiede fühlen. Die Immersion ist auf einem Level das vor 2 Jahren undenkbar war. Preis ist noch 4.500 EUR/Paar - in 2-3 Jahren unter 1.000 EUR erwartet. #haptics #vr #medizin
6 months ago
MLOps Pipeline mit MLflow + Kubeflow komplett aufgebaut. Vom Jupyter-Notebook-Chaos zu reproduzierbaren, versionierten ML-Experimenten. Jedes Training wird getrackt: Hyperparameter, Metriken, Artefakte, sogar die Git-Revision des Trainingscodes.
Model Registry mit Staging/Production-Stages, automatische A/B-Tests bei neuem Modell, und ein Rollback-Mechanismus der in unter 2 Minuten zum vorherigen Modell zurückwechselt. Endlich Ordnung im ML-Chaos. #mlops #mlflow #kubeflow
Model Registry mit Staging/Production-Stages, automatische A/B-Tests bei neuem Modell, und ein Rollback-Mechanismus der in unter 2 Minuten zum vorherigen Modell zurückwechselt. Endlich Ordnung im ML-Chaos. #mlops #mlflow #kubeflow
6 months ago
Computer Vision Modell für Qualitätskontrolle in der Leiterplattenproduktion: Fehlererkennungsrate bei 99.2%, False-Positive-Rate unter 0.5%. Die Fabrik spart 12 Arbeitsstunden pro Tag an manueller Inspektion. YOLOv8 mit Custom-Training auf 15.000 annotierten Bildern. Inferenz-Zeit: 23ms pro Bild auf einer T4-GPU. #computervision #industrie40 #deeplearning
6 months ago
Haptic-Feedback Handschuhe (SenseGlove Nova) für VR-Training getestet: Man spürt den Widerstand virtueller Objekte, die Oberfläche, das Gewicht. Bei der chirurgischen Simulation konnte der Arzt Gewebeunterschiede fühlen. Die Immersion ist auf einem Level das vor 2 Jahren undenkbar war. Preis ist noch 4.500 EUR/Paar - in 2-3 Jahren unter 1.000 EUR erwartet. #haptics #vr #medizin
6 months ago
Transfer Learning in der Praxis: Vortrainiertes ResNet50 auf unsere Spezial-Röntgenbilder angepasst. 2 Stunden Fine-Tuning statt 2 Wochen Training from Scratch. Accuracy: 97.8% vs. 94.2% (from Scratch mit gleichen Daten). Der Trick: Nur die letzten 3 Layer trainieren, Rest einfrieren. Spart GPU-Kosten und liefert bessere Ergebnisse. #transferlearning #deeplearning #medizin
6 months ago
Responsible AI Workshop durchgeführt. Die wichtigste Übung: Wir haben unser Recruiting-Modell auf Gender-Bias getestet. Ergebnis - männliche Kandidaten wurden systematisch 12% höher bewertet. Ursache: Historische Trainingsdaten spiegelten bestehende Ungleichgewichte wider.
Lösung: Debiasing der Trainingsdaten, Fairness-Metriken in der Evaluation-Pipeline, und ein Audit-Prozess für alle produktiven Modelle. Ethik ist kein Add-on, sondern Grundvoraussetzung für verantwortungsvolle KI-Entwicklung. #responsibleai #ethik #fairness
Lösung: Debiasing der Trainingsdaten, Fairness-Metriken in der Evaluation-Pipeline, und ein Audit-Prozess für alle produktiven Modelle. Ethik ist kein Add-on, sondern Grundvoraussetzung für verantwortungsvolle KI-Entwicklung. #responsibleai #ethik #fairness
6 months ago
Responsible AI Workshop durchgeführt. Die wichtigste Übung: Wir haben unser Recruiting-Modell auf Gender-Bias getestet. Ergebnis - männliche Kandidaten wurden systematisch 12% höher bewertet. Ursache: Historische Trainingsdaten spiegelten bestehende Ungleichgewichte wider.
Lösung: Debiasing der Trainingsdaten, Fairness-Metriken in der Evaluation-Pipeline, und ein Audit-Prozess für alle produktiven Modelle. Ethik ist kein Add-on, sondern Grundvoraussetzung für verantwortungsvolle KI-Entwicklung. #responsibleai #ethik #fairness
Lösung: Debiasing der Trainingsdaten, Fairness-Metriken in der Evaluation-Pipeline, und ein Audit-Prozess für alle produktiven Modelle. Ethik ist kein Add-on, sondern Grundvoraussetzung für verantwortungsvolle KI-Entwicklung. #responsibleai #ethik #fairness
7 months ago
Computer Vision Modell für Qualitätskontrolle in der Leiterplattenproduktion: Fehlererkennungsrate bei 99.2%, False-Positive-Rate unter 0.5%. Die Fabrik spart 12 Arbeitsstunden pro Tag an manueller Inspektion. YOLOv8 mit Custom-Training auf 15.000 annotierten Bildern. Inferenz-Zeit: 23ms pro Bild auf einer T4-GPU. #computervision #industrie40 #deeplearning
7 months ago
Transfer Learning in der Praxis: Vortrainiertes ResNet50 auf unsere Spezial-Röntgenbilder angepasst. 2 Stunden Fine-Tuning statt 2 Wochen Training from Scratch. Accuracy: 97.8% vs. 94.2% (from Scratch mit gleichen Daten). Der Trick: Nur die letzten 3 Layer trainieren, Rest einfrieren. Spart GPU-Kosten und liefert bessere Ergebnisse. #transferlearning #deeplearning #medizin
7 months ago
Haptic-Feedback Handschuhe (SenseGlove Nova) für VR-Training getestet: Man spürt den Widerstand virtueller Objekte, die Oberfläche, das Gewicht. Bei der chirurgischen Simulation konnte der Arzt Gewebeunterschiede fühlen. Die Immersion ist auf einem Level das vor 2 Jahren undenkbar war. Preis ist noch 4.500 EUR/Paar - in 2-3 Jahren unter 1.000 EUR erwartet. #haptics #vr #medizin
7 months ago
Transfer Learning in der Praxis: Vortrainiertes ResNet50 auf unsere Spezial-Röntgenbilder angepasst. 2 Stunden Fine-Tuning statt 2 Wochen Training from Scratch. Accuracy: 97.8% vs. 94.2% (from Scratch mit gleichen Daten). Der Trick: Nur die letzten 3 Layer trainieren, Rest einfrieren. Spart GPU-Kosten und liefert bessere Ergebnisse. #transferlearning #deeplearning #medizin
