KI-Empfehlungssysteme Grundkurs: Logik, die verkauft

Von Daten und Signalen zu messbaren Empfehlungen: Ranking, Retrieval, Evaluation und Betrieb in der Praxis. Zu den Schwerpunkten gehören Use Cases, Ziele und Erfolgsmessung, Datenbasis und Feature-Design, Baselines, die wirklich tragen, Collaborative Filtering und Matrixfaktorisierung, Content-based und hybride Systeme und Two-Tower, Retrieval und Ranking.

Die Schulung richtet sich an Data Scientists und Machine-Learning Engineers, Data Engineers und Analytics Engineers mit Produktbezug, Product Managerinnen und Product Manager für Search, Feed oder Commerce und Software Engineers, die Recommender integrieren sowie alle, die Empfehlungen messbar verbessern und stabil betreiben wollen.

Grundkenntnisse in Machine Learning (Train/Test, Overfitting, Metriken). Basisverständnis für Datenanalyse und SQL oder Python ist hilfreich.

Zu den Schwerpunkten gehören Use Cases, Ziele und Erfolgsmessung, Datenbasis und Feature-Design, Baselines, die wirklich tragen, Collaborative Filtering und Matrixfaktorisierung, Content-based und hybride Systeme und Two-Tower, Retrieval und Ranking.

Die Inhalte werden bis zu konkreten Arbeitsschritten zu Content-based und hybride Systeme, Two-Tower, Retrieval und Ranking und Evaluation, Monitoring und Betrieb geführt. Dadurch lässt sich das Gelernte gezielt auf eigene Aufgaben übertragen.

Zu den angestrebten Ergebnissen gehören: Dieses Seminar führt dich von der ersten Zieldefinition bis zum Betrieb eines Empfehlungssystems, das du im Produkt verantworten kannst; Du beginnst damit, Business-Ziele in technische Messgrößen zu übersetzen: CTR, Conversion, Warenkorbwert, Retention, aber auch Guardrails wie Stornoquote oder Beschwerderaten; Du lernst, warum Offline-Metriken allein nicht reichen und wie du Online-Tests so planst, dass du Effekte sauber interpretieren kannst; Im nächsten Schritt geht es um die Daten, die Empfehlungen überhaupt möglich machen; Du modellierst Interaktionen als Events, behandelst Zeitbezug korrekt, vermeidest Leakage und baust Features so, dass sie im Training und im Live-Betrieb konsistent sind.

Ja. „Collaborative Filtering und Matrixfaktorisierung“ ist ein eigener Bestandteil der Schulung. Dazu gehören Implicit Feedback, Weighting und Confidence, Embeddings für Nutzer und Items und Nearest Neighbors und Approximate Search.