Testing The Untestable - Risikobasierte Qualitätssicherung für Machine-Learning Systeme

dc.contributor.author	Felderer, Michael
dc.date.accessioned	2023-01-25T14:36:11Z
dc.date.available	2023-01-25T14:36:11Z
dc.date.issued	2022
dc.description.abstract	Machine-Learning Systeme durchdringen zunehmend alle Lebensbereiche. Dadurch gewinnt auch die Qualität und in weiterer Folge das Testen dieser Systeme an Bedeutung. Die inhärente Unsicherheit von Machine-Learning Systemen macht risikobasierte Testansätze besonders geeignet, welche in diesem Beitrag vorgestellt werden.	de
dc.identifier.pissn	0720-8928
dc.identifier.uri	https://dl.gi.de/handle/20.500.12116/40158
dc.language.iso	de
dc.publisher	Gesellschaft für Informatik e.V.
dc.relation.ispartof	Softwaretechnik-Trends Band 42, Heft 4
dc.relation.ispartofseries	Softwaretechnik-Trends
dc.title	Testing The Untestable - Risikobasierte Qualitätssicherung für Machine-Learning Systeme	de
dc.type	Text/Conference Paper
gi.citation.endPage	17
gi.citation.publisherPlace	Bonn
gi.citation.startPage	16
gi.conference.sessiontitle	FG TAV: Bericht und Beiträge vom Treffen der GI-Fachgruppe Test, Analyse und Verifikation von Software (TAV 47), 3. - 4. November 2022, München

Dateien

1 - 1 von 1