Suchen

Manifold hilft bei der Modellierung von Prozessen Visuelles ML-Debugging-Tool von Uber

Autor / Redakteur: Thomas Joos / Stephan Augsten

Uber setzt auf seiner Plattform auch auf Machine Learning, kurz ML, um beispielsweise Entscheidungsfindung und Betrugsversuche effektiver berechnen zu können. Ein Tool soll Entwicklern bei der Arbeit helfen.

Firma zum Thema

Das Uber-Tool Manifold unterstützt bei der Entwicklung vorausschauender ML-Modelle, indem es beispielsweise Ungenauigkeiten aufzeigt.
Das Uber-Tool Manifold unterstützt bei der Entwicklung vorausschauender ML-Modelle, indem es beispielsweise Ungenauigkeiten aufzeigt.
(Bild: Uber)

Um Datenwissenschaftler bei der Entwicklung von Modellen zu unterstützen und vor allem den Modellierungs-Prozess effektiver zu gestalten, haben die Uber-Entwickler das Tool Manifold entwickelt. Manifold soll dabei helfen, visuelle Analysetechniken zu verbessern.

Das Tool soll ML-Entwicklern vorab eine Ahnung davon verschaffen, welche Teilmenge von Daten ein Modell nicht genau vorhersagt. Dabei kann das Tool auch die potenzielle Ursache für eine schlechte Leistung aufzeigen. Hierzu deckt Manifold Differenzen zwischen Untergruppen von Daten auf.

Darüber hinaus kann Manifold bei mehreren Modellkandidaten unterschiedliche Vorhersagegenauigkeiten für jede Untergruppe von Daten erkennen. Das hilft beim Zusammensetzen von Modellen. Manifold soll also Benutzern, die mit ML arbeiten dabei helfen, ihre Modelle transparenter und leichter verständlich zu machen. Im klaren Fokus des Tools steht dementsprechend die ML-Visualisierung.

Manifold wurde von den Uber-Entwickler so aufgebaut, dass es die Mehrheit der ML-Modelle unterstützt, zum Beispiel auch Klassifizierungs- und Regressionsmodelle. Unterschiede in der Merkmalsverteilung zwischen Teilmengen von Daten können durch Manifold aufgedeckt werden. Manifold untersucht nicht nur Modelle, sondern die einzelnen Datenpunkte.

Bei diesen Analysen hilft die Identifizierung der Datensegmente, die ein Modell gut oder schlecht funktionieren lassen. Dazu wird untersucht, wie diese Daten die Leistung zwischen den Modellen beeinflussen. Auf dieser Basis werden aggregierte Merkmale der Datensegmente bewertet. Die Vorgehensweise und Vorteile des Tools werden im Blog-Beitrag Manifold: A Model-Agnostic Visual Debugging Tool for Machine Learning at Uber umfassend behandelt.

(ID:46309914)

Über den Autor

 Thomas Joos

Thomas Joos

Freiberuflicher Autor und Journalist