3.2 Qualitätsmanagement-Konzept 
Zi Fraunhofer ZZ Fraunhofer 
CML 160 
3.2.2 Entwicklung 
Mr LEN 
mE Mr 
Eignung von Datensätzen 
Eignung von Modellen 
Erfassung der Anwendungsgrenzen und Unsicherheiten 
Beschreibung des Modellverhaltens 
Beschreibung der verwendeten Datensätze 
Abbildung 4: Maßnahmen in der Phase Entwicklung. 
E.EL1 Eignung von Datensätzen 
Aufgrund des entscheidenen Einflusses des verwendeten Datensatzes spielt die Einhaltung von ausreichender 
Datenqualität eine entscheidende Rolle [ZP3]. In der Konzeptionierungsphase werden basierend auf der formalisier- 
ten Anwendungsdomäne (s. Maßnahme KEN) relevante Datensätze charakterisiert und Anforderungen formuliert 
(s. Maßnahme KA). Datensätze können grundlegendend auf folgenden Wegen beschaffen werden [PA]: 
e Es wird ein bestehender öffentlicher oder privater Datensatz erworben. 
® Es wird ein bestehender öffentlicher oder privater Datensatz augmentiert. 
» Es wird ein synthetischer Datensatz erzeugt (und augmentiert). 
Die Augmentierung von Datensätzen ist bereits eine gängige und effektive Methode zur Erweiterung von Daten- 
sätzen. Insbesondere die Synthetisierung von Bilddaten, und die Verwendung dieser zum Training von ML-basierten 
Modellen wird wegen des vielversprechenden Potenzials aktuell in der Forschung untersucht. Verfügbare öffentliche 
ader private Datensätze werden in der Entwicklungsphase auf ihre Qualität geprüft. Die problematischen Manifes- 
tationen mangelnder Datenqualität werden in [ZI] angesprochen. Dabei gilt es zu beachten, dass der Datensatz 
relevant, vollständig, ausgeglichen und präzise ist. Entsprechende Methoden werden in [BI] vorgestellt. Methoden 
zur Untersuchung von Datensätzen auf Bias sind in [F2] beschrieben. Wenn zur Verbesserung der Datenqualität 
notwendig, können verfügbare Datensätze augmentiert oder auch mit synthetischen Datensätzen kombiniert wer 
den. 
E..2 Eignung von Modellen 
Die Untersuchung der Eignung von Modellen verläuft über mehrere Schritte. Für das Lernen des Modells sind 
mindestens drei Schritte erforderlich [BI]: 
1. Modellauswahl 
2. Modelltraining 
3. Wahl der Hyperparameter 
4. ggf. Transferlernen 
Zunächst werden für die angestrebte Anwendung geeignete Modelle ausgewählt. Im Falle dieser Studie ist die 
Hauptunterscheidung, ob es sich um Objekterkennung oder -segmentation handelt. Nachfolgend wird das Modell 
hinsichtlich einer Zielfunktion trainiert, wobei dies iterativ mit der Wahl der Hyperparameter geschieht. Die Hyper- 
parameter wiederum parametrisierung das Training an sich. Sofern notwendig, wird ein Modell nachtrainiert. Dies 
ist z.B. dann der Fall, wenn ein aufwendig vortrainiertes, allgemeines Modell für spezifische Anwendungsdomänen 
nachtrainiert wird. 
Die Performanz des Modells wird anhand der in der Konzeptionierungsphase definierten Testszenarien (s. Maß- 
nahme K:E2) und Performanz-Metriken (s. Maßnahme K.E3) gemessen und gewertet.