Dr. Michael Kläs ist seit Abschluss seines Informatikstudiums in der angewandten Forschung tätig und berät Unternehmen in den Bereichen Softwarequalität und Datenanalyse. Im Laufe der letzten Dekade verantwortete er in zahlreichen Industrie- und Forschungsprojekten insbesondere den Aufbau von KPI-Systemen, die Evaluation neuer Technologien und die Entwicklung prädiktiver Analysen. In seiner Dissertation beschäftigte er sich mit der Vorhersage von Softwarefehlern unter Einbeziehung von Expertenwissen. Aktuell liegt sein Schwerpunkt im Bereich der Potenzialanalyse für datengetriebene Innovation und der Datenqualitäts- und Unsicherheitsanalyse bei Big-Data- und KI-Systemen. Als Autor zahlreicher Fachpublikationen engagiert er sich zudem als Hochschuldozent und als Experte bei der Normierung (DIN/VDE).
Im Rahmen unserer Blogreihe »Scope Compliance« beschäftigen wir uns mit der Bedeutung des Anwendungskontexts im Machine Learning. Im ersten Beitrag klären wir ein häufig anzutreffendes Missverständnis auf und arbeiten seine Implikationen für die Praxis heraus. Sie erfahren, warum es entscheidend…
Immer mehr softwareintensive Systeme beinhalten datengetriebene Komponenten. Sie nutzen Modelle, die beispielsweise auf künstlicher Intelligenz (KI) oder maschinellem Lernen beruhen. Es stellt sich daher die Frage, inwieweit man den Ergebnissen solcher Komponenten vertrauen kann? Wie kann man ihre Zuverlässigkeit bestimmen…
Der wesentliche Unterschied zwischen ingenieurmäßigen und datengetriebenen Lösungen ist, aus eigener Erfahrung, Betroffenen häufig nicht explizit im Bewusstsein. Vielleicht, weil Ingenieure eher selten maschinelle Lernverfahren einsetzen und die Spezialisten für maschinelles Lernen häufig keine Ingenieure sind. Intelligente Produkte – aber…
„Wie lange bist du noch unterwegs?“ – „Kann ich nicht genau sagen, bin gerade auf der A6, Höhe Mannheim. Ich schätze aber, dass ich in einer Stunde, gegebenenfalls auch 45 Minuten, da bin.“ Eine eigentlich triviale Frage, mit einer meist…
Erfahren Sie, warum es nicht nur Ihnen schwerfällt, vermeintliche Schätze in vorhandenen Daten zu heben, was Ihr tatsächlicher Aktivposten bei der Umsetzung daten-getriebener Lösungen ist und wie Sie mittels aktiver Datengenerierung Wirkzusammenhäng effektiv aufdecken.
Wenn über Big Data gesprochen wird hört man häufig vom Prinzip „Quantity over Quality“. Um dieses verbreitete Missverständnis aufzuklären, skizziert der Beitrag warum auch bei steigenden Datenmengen die Qualität wichtig bleibt und erklärt was mit „Quantity over Quality“ eigentlich gemeint ist.
