Sie bewerten die Qualität der Modellausgaben anhand automatisierter Metriken und strukturierter menschlicher Überprüfungen. Sie vergleichen quantitative Bewertungen mit qualitativem Feedback, um Leistungslücken zu identifizieren und die Ergebnisse zu verfeinern.

Sie werden Tokenisierungs-, Embedding- und Kodierungstechniken anwenden, um Transformer-basierte Pipelines für die Verarbeitung natürlicher Sprache aufzubauen. Sie werden Rohtext in kodierte Darstellungen umwandeln, die für nachgelagerte Aufgaben wie Klassifizierung oder Zusammenfassung geeignet sind.

Sie bewerten die Qualität der Modellausgaben anhand automatisierter Metriken wie ROUGE und strukturierter Rahmenwerke für die menschliche Bewertung. Sie werten die Ergebnisse aus, um die Zuverlässigkeit, Sicherheit und Übereinstimmung mit den Aufgabenzielen zu beurteilen.

Sie werden TensorFlow 2.x-Tools einsetzen, um mithilfe von tf.data-Pipelines und Keras-Modellen einen durchgängigen Machine-Learning-Workflow aufzubauen. Dabei werden Sie die Datenerfassung, die Modelldefinition, das Training und die Erstellung von Checkpoints zu einem reproduzierbaren System strukturieren.

Sie werden mithilfe von TensorFlow Lite optimierte Machine-Learning-Modelle bereitstellen. Sie werden die Latenz bei der Inferenz bewerten, Quantisierungstechniken anwenden und die Leistung für mobile und Edge-Umgebungen verbessern.

In diesem Projekt entwerfen und bewerten Sie zwei produktionsreife Machine-Learning-Pipelines für ein Risikoanalyse-Szenario im Finanzdienstleistungsbereich: Eine Computer-Vision-Pipeline, die einen Bilddatensatz mit mehreren Klassen in eine binäre Risikoklassifizierungsaufgabe umwandelt. Eine Transformer-basierte NLP-Pipeline, die Texte aus Kundenbeschwerden in Kategorien mit geringem oder hohem Risiko einordnet. Sie werden beide Workflows mithilfe von TensorFlow und Transformer-Bibliotheken implementieren, die Leistung anhand geeigneter Klassifizierungsmetriken bewerten, eine strukturierte Fehleranalyse durchführen und mindestens eine Optimierung vornehmen, um die Leistung der Workflows zu verbessern. Das Endergebnis ist ein für Ihr Portfolio geeignetes Python-Skript sowie eine strukturierte Analyse, die Ihre Fähigkeit unter Beweis stellt, KI-Workflows in einem professionellen Umfeld zu entwerfen, zu bewerten und zu verfeinern.