Since this post accompanies a talk in German, it is written in German, too.
Machine Learning hat uns im privaten Bereich längst erreicht: Amazon schlägt mir Produkte vor, Netflix Filme. Oft treffen sie dabei sogar meinen Geschmack. Warum gibt es keine Software, die mir fundiert vorschlägt, was ich testen soll?
Es gibt mehrere Ansätze in der Forschung, die das versprechen. Defect Prediction setzt beispielsweise Machine Learning auf historischen Fehlerdaten ein, um vorherzusagen, wo in meinem System mit hoher Wahrscheinlichkeit noch Fehler enthalten sein könnten. Inverse Defect Prediction identifiziert Bereiche, die vermutlich viel weniger Fehler enthalten, und eher ignoriert werden können. Aber wie gut funktioniert das wirklich in der Praxis?
Wir haben verschiedene dieser Ansätze selbst implementiert und eingesetzt. In diesem Vortrag stelle ich die Ergebnisse und Erfahrungen aus Forschung und Praxis vor --- sowohl die nützlichen als auch die Fehlschläge.
Art der Vermittlung:
Interaktiver, lebhafter Vortrag mit Forschungs- und Praxisteilen.
Nutzen:
Machine Learning im speziellen, oder AI im Allgemeinen, sind ein Hype. In dessen Bugwelle wird viel behauptet, was bei näherem Hinsehen entweder nicht funktioniert, oder alter Wein (in Form von lange bekannten Analysen) in neuen Schläuchen (AI) ist, aber nichts mit Machine Learning zu tun hat.
In diesem Vortrag möchte helfen, die Spreu vom Weizen zu trennen. Dabei verfolge ich folgende Ziele:
- Nutzlose Ansätze enlarven
- Hilfestellung bei der Evaluierung von Ansätzen bezüglich der Nützlichkeit zu geben
- Konkrete, nützliche Ansätze vorstellen und erste Schritte zum eigenen Einsatz zeigen.
Der Vortrag basiert auf den Ergebnissen mehrerer Forschungsarbeiten und Promotionen, die in den letzten beiden Jahren in unserer Gruppe entstanden sind. Außerdem basiert er auf den konkreten Lessons Learned im Einsatz bei unserer eigenen Entwicklung und unseren Kunden. Ich bringe daher eigene Erfahrungen aus Forschung und Praxis ein.