Machine-Learning-Projekt
GeplantExplainable Risk Intelligence
Ein nachvollziehbares Machine-Learning-System für Risiko- und Anomalieentscheidungen. Neben der Vorhersagequalität stehen Erklärbarkeit, Fehlerkosten und auditierbare Entscheidungen im Mittelpunkt.
Status
Geplant
Modellbereich
Machine Learning
Schwerpunkt
Explainable AI
Projektziel
Entscheidungen sollen nicht nur genau, sondern auch überprüfbar sein.
Das Projekt untersucht einen Anwendungsfall, bei dem Fehlentscheidungen unterschiedliche wirtschaftliche oder fachliche Folgen haben.
Modellmetriken werden deshalb nicht isoliert bewertet. Entscheidungsschwellen, Fehlerarten und betroffene Fälle werden gemeinsam betrachtet.
Fairness-Prüfungen werden nur eingesetzt, wenn Datensatz, Merkmale und Anwendungsfall eine sachlich belastbare Untersuchung ermöglichen.
Geplanter Projektaufbau
Von der Risikoentscheidung bis zur verständlichen Erklärung.
-
01
Problemdefinition und Risikokontext
Zielentscheidung, Fehlerrisiken, fachliche Grenzen und zulässige Einsatzbereiche werden vor der Modellierung festgelegt.
Geplant -
02
Datenprüfung und Leakage-Kontrolle
Datenqualität, Zielverteilung, fehlende Werte, zeitliche Abhängigkeiten und mögliche Informationslecks werden untersucht.
Geplant -
03
Baseline und Modellvergleich
Einfache nachvollziehbare Baselines werden mit mehreren geeigneten Machine-Learning-Modellen verglichen.
Geplant -
04
Evaluation und Schwellenwerte
Metriken und Entscheidungsschwellen werden anhand der realen Kosten verschiedener Fehlentscheidungen ausgewählt.
Geplant -
05
Erklärbarkeit und Fehleranalyse
Globale Einflussfaktoren, einzelne Vorhersagen und wiederkehrende Fehlerfälle werden verständlich analysiert.
Geplant -
06
Bereitstellung und Auditierbarkeit
Vorhersagen, Eingabedaten, Modellversion und Erklärungen werden technisch nachvollziehbar bereitgestellt und dokumentiert.
Geplant
Technischer Stack
Werkzeuge für Modellierung, Erklärung und Bereitstellung.
- Python
- Pandas
- NumPy
- scikit-learn
- SHAP
- Matplotlib
- FastAPI
- Docker
- Git
Qualitätskriterien
Woran das System später gemessen wird.
- Strikte Kontrolle möglicher Datenlecks
- Vergleich mit einfachen und verständlichen Baselines
- Passende Metriken für ungleich verteilte Zielklassen
- Dokumentierte Auswahl der Entscheidungsschwelle
- Nachvollziehbare globale und lokale Erklärungen
- Auditierbare Modellversionen und Vorhersagen
Projektstatus
Datensatz, Risikokontext und Zielentscheidung werden vor Projektbeginn festgelegt.
Bis zur Umsetzung werden keine Modellleistungen, Erklärungen oder Fairness-Ergebnisse behauptet.