Als AI-/ML-modellen in de loop van de tijd aan kwaliteit verliezen, zonder dat organisaties dit direct door hebben spreken we van ‘Model collapse'. Model collapse kan grote gevolgen hebben voor betrouwbaarheid, bedrijfsvoering en besluitvorming voor jou als data-minded professional en organisatie.

Om dit onderwerp, de impact en oplossingen te verkennen gaan we in deze sessie in gesprek met enkele experts.

Tijdens deze paneldiscussie gaat dagvoorzitter en expert Maartje Vennema in gesprek met enkele panelleden om de volgende vragen te beantwoorden.

• Wat is het risico als modellen verslechteren?
• Hoe merk je dat dit gebeurt, zit het in de data, het model of de omgeving?
• Hoe monitor je model prestaties? Welke metrics/KPI’s gebruik je (bijv. AUC, latency, drift-metrics)?
• Welke tooling gebruik je (bijv. Evidently, Prometheus, Seldon, MLflow)?
• Wat is de business impact als modellen minder goed presteren?
• Hoe communiceer je dit binnen de organisatie, ook naar niet-tech collega’s?
• Wat zijn verdedigingsstrategieën? Hertrainen, alerting, fallback-opties?
• Wanneer besluit je een model te stoppen of te vervangen?

Panelleden:

• Sako Arts (CTO bij Brightcape)
• Simon Koolstra (Principal bij Rewire)
• Esli Esen (Digital & Artificial Intelligence Adoption Specialist bij Van Lanschot Kempen)

Ben je:
-benieuwd naar dit onderbelichte onderwerp in de data wereld?
-vanuit jouw rol bezig met het monitoren, onderhouden of auditen van AI/ML-modellen, en werk je aan thema’s als governance, risk & compliance binnen AI? 
-in jouw organisatie bezig met thema's als concept drift en model degradatie?

Dan is deze paneldiscussie voor jou een must see.