Ein Modell, das nicht in eine Entscheidung eingebunden ist, ist ein Forschungsprojekt. Bevor wir irgendetwas bauen, klären wir, welche Handlung das Ergebnis auslöst, wer sie ausführt und welche Genauigkeit diese Handlung tatsächlich erfordert – oft weniger als angenommen, gelegentlich weit mehr.
Vieles, was als Machine Learning geplant wird, ist mit einer gut gestalteten Abfrage, einem Schwellenwert oder einem klar aufbereiteten Dashboard besser bedient. Diese Lösungen sind günstiger zu bauen, leichter zu erklären und verschlechtern sich nicht unbemerkt, wenn sich die Welt verändert. Ein Modell setzen wir ein, wenn das Problem wirklich eines braucht.
Dann behandeln wir es wie Production-Software, nicht wie ein Notebook: versionierte Daten und Modelle, Evaluation an einem zurückgehaltenen Testset, Monitoring auf Drift und ein definierter Retraining-Weg. Sonst ist die beim Launch gemessene Genauigkeit die letzte ehrliche Zahl, die Sie bekommen.
.avif)
