Dr. Michael Kläs

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).

DIN SPEC 92005 – Standardizing uncertainty in machine learning?

DIN SPEC 92005 has been publicly available since January 2024. It deals with the quantification of uncertainties in Machine Learning (ML) and was developed in collaboration with Fraunhofer IESE, which also provided the deputy chairman. Dieser Artikel ist auch in…

DIN SPEC 92005 – Unsicherheit im Maschinellen Lernen standardisieren?

Die DIN SPEC 92005 ist seit Januar 2024 öffentlich verfügbar. Sie beschäftigt sich mit der Quantifizierung von Unsicherheiten im Maschinellen Lernen (ML) und entstand unter Mitwirkung des Fraunhofer IESE, das auch den stellvertretenden Obmann stellte. This article is also available…

Scope Compliance

Scope Compliance – Die Rolle des Anwendungskontexts im Machine Learning

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…

Künstliche Intelligenz – Unsicherheiten quantifizieren und managen

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…

Maschinelles Lernen und KI – warum tun wir uns im Engineering schwer damit?

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…

Big Data und Predictive Analytics – Alles nur ein Hype?

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.

Data Quality – A BIG Challenge for BIG Data

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.