Methodologien für Machine-Learning-Projekte

Abstract

Das maschinelle Lernen (ML) hat sich als zentrale Technologie etabliert, um große Mengen an Daten effektiv zu analysieren und damit innovative Lösungen zu entwickeln. Allerdings fehlt es bisher an standardisierten Methodologien, die den gesamten Entwicklungsprozess von ML-Projekten effizient strukturieren. Obwohl zahlreiche Vorgehensmodelle existieren, nutzen viele Praktiker sie nicht, da sie oft unzureichend auf die Komplexität und Anforderungen moderner ML-Projekte zugeschnitten sind. Diese Dissertation untersucht die bestehende Forschung zu ML-Methodologien und identifiziert Schwächen in der praktischen Anwendung. Ziel ist es, eine neue, ganzheitliche Methodologie mit einem Design-Science-Ansatz zu entwickeln, die sowohl die Anforderungen der Wissenschaft als auch der Praxis erfüllt. Dabei werden Aspekte wie die Datenmanagement, Team Management, Stakeholder Management, Projekt Management, Wissensmanagement, KI-Ethik, Govemance und der gesamte ML-Lebenszyklus berücksichtigt. Die neue Methodologie soll nicht nur die Effizienz steigern, sondern auch Risiken minimieren, die Projektlaufzeiten verkürzen und die Ergebnisse verbessern. Zur Evaluation wird die neue Methodologie einer comparative analysis mit bekannten Methodologien unterzogen und in einem controlled experiment with subjects gegenüber CRISP-DM getestet, wobei ein Health-Datensatz und ein Health-Use-Case verwendet werden.