Inhärent interpretierbares Modell für Versicherungs-Schadenmeldungen
Übersicht
Worum es bei diesem Projekt geht.
Trainiere zwei interpretierbare Modelle mit 80.000 Schadenfällen und vergleiche ihre Performance. Erhalte ein verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Liefere ein inhärent interpretierbares Modell für das Routing von Kfz-Schadenmeldungen, das die Performance des heutigen Black-Box-Modells weitgehend hält.
Earning criteria — what you'll demonstrate
- Inhärent interpretierbare Modelle (EBM, Rule Lists) praktisch trainieren
- Inhärente Interpretierbarkeit gegen Post-hoc-Erklärungen abwägen
- Modell-Performance über Standard-Metriken fair vergleichen
- Regelbasierte Modelle für nicht-technische Fachteams kommentieren
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Explainable and Interpretable AI
Master · Ai Ml
Fit score: 1
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenData Scientist
Inhärente Interpretierbarkeit gegen Black-Box-Modelle in einer regulierten Branche zu bewerten ist typisch für Data Scientists in Versicherungen.
Dieses Projekt schärft
- interpretable-models
- ebm
- model-evaluation
KI-Sicherheits-Forscher:in
Wer den Trade-off Modellqualität vs. Transparenz fundiert dokumentieren kann, ist anschlussfähig für KI-Sicherheits-Rollen in Compliance-Teams.
Dieses Projekt schärft
- explainable-ai
- interpretable-models
- rule-lists
ML-Ingenieur:in
Interpretierbare Modelle in eine produktive Routing-Pipeline zu integrieren ist die Engineering-Aufgabe, die ML-Ingenieurinnen in Versicherungs-IT übernehmen.
Dieses Projekt schärft
- python
- ebm
- model-evaluation
Noch eine Sache