Grundlagen des Testens von Machine Learning- und KI-Modellen

Da künstliche Intelligenz und große Sprachmodelle immer stärker in die Software des Alltags integriert werden, ist es wichtiger denn je, ihre Zuverlässigkeit, Sicherheit und Genauigkeit sicherzustellen.Herkömmliche Softwaretestmethoden reichen nicht aus, wenn sie auf die probabilistische Natur der modernen KI angewendet werden. Dieser Kurs bietet eine klare, schrittweise Einführung in die Bewertung von Machine-Learning-Modellen, grundlegenden LLMs und Konversations-Agenten und vermittelt Ihnen die Fähigkeiten, um robuste Teststrategien zu entwerfen. Was Sie lernen werden: - Verstehen Sie die grundlegenden Unterschiede zwischen dem Testen herkömmlicher Software und der Bewertung probabilistischer KI-Systeme. - Wenden Sie Datensplit-Techniken wie K-Fold-Kreuzvalidierung an, um Überanpassung zu verhindern und eine zuverlässige Modellgeneralisierung sicherzustellen. - Bewerten Sie große Sprachmodelle (LLMs) mit branchenüblichen Benchmarks wie MMLU, HumanEval und BLEU. - Bewerten Sie die Leistung von Chatbots und Konversations-KI auf Genauigkeit, Sicherheit und Kohärenz. - Implementieren Sie moderne Testmuster für Retrieval-Augmented Generation (RAG) -Systeme, um sowohl die Abrufgenauigkeit als auch die Antwortgenerierung zu überprüfen. - Identifizieren und testen Sie ethische Risiken, Verzerrungen, Toxizität und Sicherheitslücken wie Sofortinjektion. Sie lernen die Kernterminologie des Testens und grundlegende Konzepte des maschinellen Lernens kennen, bevor Sie fortgeschrittene Evaluierungsmetriken für generative KI erlernen.Durch klare schriftliche Erklärungen und praktische konzeptionelle Übungen lernen Sie, wie Sie End-to-End-Testpipelines entwerfen. Dieser Kurs richtet sich an Anfänger, die sich mit der Sicherheit und Bewertung von KI beschäftigen möchten, ohne dass ein fortgeschrittener mathematischer Hintergrund oder Programmierkenntnisse erforderlich sind. Bauen Sie noch heute sicherere und zuverlässigere KI-Systeme.