Der globale Kompetenz- und Kompetenzrahmen für eine digitale Welt

Maschinelles Lernen MLNG Beta

(modified)

Entwicklung von Systemen, die aus Daten und Erfahrungen lernen, Verbesserung von Leistung, Genauigkeit und Anpassungsfähigkeit in dynamischen Umgebungen.

Deutsche Übersetzung von SFIA 9: Beta-Version

SFIA 9 ist auf Englisch bereits verfügbar.

  • Dies ist eine Beta-Version von SFIA 9 auf Deutsch.
  • Wir haben sie mit hilfe der Phrase Localization Platform erstellt, indem wir Folgendes kombinierten:
    • Übersetzten Inhalt aus SFIA 8
    • Beiträge von 7 führenden maschinellen Übersetzungsanbietern
  • Wir werden diese Übersetzung nach Überprüfung und Qualitätskontrollen aktualisieren.
  • Bitte kontaktieren Sie uns, wenn Sie Fehler bemerken oder Fragen haben.

Hinweis: Während maschinelle Übersetzung bei der Erstellung erster Versionen hilft, gewährleistet die professionelle Überprüfung Genauigkeit und kontextgerechte Sprache.

Leitfaden

(modified)

Zu den Aktivitäten gehören unter anderem:

  • Beurteilung der Eignung von Machine Learning für geschäftliche Probleme
  • Auswahl und Anwendung geeigneter Techniken, Algorithmen und Werkzeuge für maschinelles Lernen zur Lösung von Geschäftsproblemen
  • Aufbereiten von Daten für maschinelles Lernen, einschließlich Bereinigung, Transformation und Feature Engineering
  • Entwicklung, Schulung, Optimierung und Umschulung von Modellen durch betreutes, unbeaufsichtigtes oder verstärkendes Lernen
  • Verwaltung von MLOps für Modellbereitstellung, Überwachung und Lifecycle Management
  • Bewertung von Modellen für Leistung, Robustheit, Fairness und Bias und Auswahl von Metriken zur Bewertung der Ergebnisse
  • Das Diagnostizieren und Lösen von Problemen vor und nach der Bereitstellung
  • Antizipierung organisatorischer Auswirkungen, einschließlich Ethik, Voreingenommenheit, Privatsphäre, Nachhaltigkeit und Datenschutz
  • Das Etablieren einer Nachverfolgbarkeit für die Ergebnisse der Systeme für das maschinelle Lernen
  • Einführung von Mechanismen für kontinuierliches Lernen, um sicherzustellen, dass sich Modelle an neue Daten und veränderte Umgebungen anpassen, einschließlich Echtzeitanpassung an neue Eingaben und sich ändernde Bedingungen.

Verständnis der Verantwortungsebenen dieser Fähigkeit

Wo niedrigere Ebenen nicht definiert sind...
  • Spezifische Aufgaben und Verantwortlichkeiten sind nicht definiert, da die Fähigkeit ein höheres Maß an Autonomie, Einfluss und Komplexität bei der Entscheidungsfindung erfordert, als auf diesen Ebenen typischerweise erwartet wird. Sie können die Essenzaussagen verwenden, um die generischen Verantwortlichkeiten zu verstehen, die mit diesen Ebenen verbunden sind.
Wo höhere Ebenen nicht definiert sind...
  • Verantwortlichkeiten und Verantwortlichkeiten sind nicht definiert, da diese höheren Ebenen strategische Führung und einen breiteren organisatorischen Einfluss beinhalten, der über den Rahmen dieser spezifischen Fähigkeit hinausgeht. Siehe die Essenzaussagen.

Entwicklung von Fähigkeiten und Nachweis von Verantwortlichkeiten im Zusammenhang mit dieser Fähigkeit

Die definierten Stufen zeigen die schrittweise Entwicklung von Fähigkeiten und Verantwortung.

Wo niedrigere Ebenen nicht definiert sind...

Sie können Ihr Wissen erweitern und andere unterstützen, die in diesem Bereich Verantwortung tragen, indem Sie:

  • Erlernen der wichtigsten Konzepte und Prinzipien im Zusammenhang mit dieser Fähigkeit und ihren Auswirkungen auf Ihre Rolle
  • Ausführen verwandter Fähigkeiten (siehe verwandte SFIA-Fähigkeiten)
  • Unterstützung anderer, die Aufgaben und Aktivitäten auf höherer Ebene ausführen
Wo höhere Ebenen nicht definiert sind...
  • Sie können Fortschritte machen, indem Sie verwandte Fähigkeiten entwickeln, die besser für höhere Ebenen der Unternehmensführung geeignet sind.

Ein-/Ausblenden zusätzlicher Beschreibungen und Levels.

Ebenen der Verantwortung für diese Fähigkeit

2 3 4 5 6

Maschinelles Lernen: Ebene 2

Ebene 2 – Mitwirken: Wesentliche Merkmale dieser Ebene: Bietet anderen Hilfe, arbeitet unter regelmäßiger Aufsicht und nutzt sein Ermessen zur Lösung routinemäßiger Probleme. Lernt aktiv durch Schulungen und praktische Erfahrungen.

(modified)

Hilft bei der Datenaufbereitung, Modellschulung und Auswertung von Aufgaben unter routinemäßiger Aufsicht. Verwendet Standard-Frameworks und -Tools für maschinelles Lernen, um Basismodelle für wohldefinierte Probleme zu entwickeln. Dokumentiert Ergebnisse und trägt zur Wartung von Lösungen für maschinelles Lernen bei.

Maschinelles Lernen: Ebene 3

Ebene 3 – Anwenden: Wesentliche Merkmale der Ebene: Führt abwechslungsreiche Aufgaben aus, die manchmal komplex und nicht routinemäßig sind, und verwendet dabei standardmäßige Methoden und Verfahren. Arbeitet unter allgemeiner Anleitung, übt Diskretion aus und erledigt seine eigene Arbeit innerhalb von Fristen. Verbessert proaktiv Fähigkeiten und Wirkung am Arbeitsplatz.

(modified)

Setzt etablierte Machine Learning-Techniken und -Algorithmen ein, um Geschäftsprobleme zu lösen. Wählt Daten für Modellschulungen und -bewertungen aus und bereitet sie auf. Trainiert, optimiert und validiert Machine Learning-Modelle mithilfe von Standardwerkzeugen und Frameworks. Stellt Modelle in die Produktion bereit und überwacht deren Leistung. Kommuniziert Ergebnisse und Einschränkungen an Stakeholder.

Maschinelles Lernen: Ebene 4

Ebene 4 – Möglich machen: Wesentliche Merkmale der Ebene: Führt verschiedene komplexe Tätigkeiten aus, unterstützt und leitet andere an, delegiert Aufgaben bei Bedarf, arbeitet selbstständig unter allgemeiner Anleitung und trägt mit seinem Fachwissen zum Erreichen der Teamziele bei.

(modified)

Beurteilt die Eignung von maschinellem Lernen und entwirft und entwickelt Lösungen für eine Reihe von Geschäftsproblemen. Wählt geeignete Techniken und Algorithmen auf der Grundlage von Datenmerkmalen und Geschäftsanforderungen aus und wendet sie an. Bietet anderen Anleitungen. Ingenieure bieten Funktionen und optimieren die Modellleistung. Implementiert Algorithmen und trägt zur Entwicklung, Bewertung, Überwachung und Bereitstellung bei. Wendet branchenspezifische Regeln und Richtlinien an, antizipiert Risiken und Auswirkungen. Arbeitet mit funktionsübergreifenden Teams zusammen, um maschinelle Lernmodelle in Produktionssysteme zu integrieren. Führt eingehende Leistungsanalysen durch und behebt Probleme.

Maschinelles Lernen: Ebene 5

Ebene 5 – Sicherstellen, beraten: Wesentliche Merkmale der Ebene: Bietet kompetente Anleitung in seinem Bereich und arbeitet unter umfassender Anleitung. Verantwortlich für die Erzielung bedeutender Arbeitsergebnisse, von der Analyse über die Ausführung bis hin zur Auswertung.

(modified)

Leitet die Entwicklung und Implementierung von Lösungen für maschinelles Lernen für komplexe, wirkungsstarke Geschäftsprobleme. Architekt von durchgängigen Pipelines und Systemen für maschinelles Lernen unter Einbeziehung von MLOps-Praktiken. Evaluiert und wählt Werkzeuge, Frameworks und Infrastruktur für Projekte für maschinelles Lernen aus. Etabliert Praktiken und Standards für die Entwicklung und den Betrieb maschinellen Lernens. Bietet kompetente Beratung und Anleitung zu Techniken und Anwendungen für maschinelles Lernen.

Maschinelles Lernen: Ebene 6

Ebene 6 – Anregungen geben, Einfluss nehmen: Wesentliche Merkmale der Ebene: Verfügt über erheblichen Einfluss auf die Organisation, trifft Entscheidungen auf hoher Ebene, gestaltet Richtlinien, zeigt Führungsqualitäten, fördert die Zusammenarbeit in der Organisation und übernimmt in Schlüsselbereichen Verantwortung.

(modified)

Legt die strategische Ausrichtung und Roadmap für die Einführung und Innovation von maschinellem Lernen innerhalb des Unternehmens fest. Legt Governance-Rahmen und empfohlene Protokolle für eine verantwortungsvolle, ethische und nachhaltige Entwicklung und Nutzung von maschinellem Lernen fest. Leitet die Entwicklung von Organisationsfähigkeiten, Richtlinien, Standards und Richtlinien im Bereich maschinelles Lernen. Arbeitet mit leitenden Stakeholdern zusammen, um wirkungsstarke Chancen für maschinelles Lernen zu identifizieren und treibt deren Umsetzung voran. Befolgt Trends aus Forschung und Industrie und integriert sie in organisatorische Praktiken.