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
4 months ago
In response Katharina Richter to her Publication
In welchem Zeitrahmen habt ihr das umgesetzt? Und wie habt ihr den laufenden Betrieb während der Umstellung sichergestellt?
4 months ago
In response Katharina Richter to her Publication
Spannend! Hast du die Metriken vorher/nachher systematisch erfasst? Wir versuchen gerade ähnliche Verbesserungen zu quantifizieren, um das Budget fürs nächste Quartal zu rechtfertigen.
4 months ago
In response Katharina Richter to her Publication
Wir standen vor der gleichen Wahl und haben uns für die dritte Option entschieden, die du nicht erwähnt hast: ein Hybrid-Ansatz. Funktioniert für uns besser als entweder-oder.
4 months ago
In response Katharina Richter to her Publication
Hast du dabei auch die Total Cost of Ownership betrachtet? Oft sieht es auf den ersten Blick günstig aus, aber die versteckten Kosten kommen später.
4 months ago
In response Katharina Richter to her Publication
Interessanter Ansatz! Wir haben das Gleiche versucht, sind aber an der Integration mit unserem Legacy-System gescheitert. Welche Schnittstellen nutzt ihr?
4 months ago
In response Katharina Richter to her Publication
Der Punkt mit den WIP-Limits hat bei uns den größten Effekt gehabt. Vorher haben alle 5 Dinge gleichzeitig angefangen und nichts fertig bekommen.
