Testing The Untestable - Risikobasierte Qualitätssicherung für Machine-Learning Systeme

Zusammenfassung
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.
  • Vollständige Referenz
  • BibTeX
Felderer, M., (2022). Testing The Untestable - Risikobasierte Qualitätssicherung für Machine-Learning Systeme.   Softwaretechnik-Trends Band 42, Heft 4. Bonn: Gesellschaft für Informatik e.V.. (S. 16-17).
@inproceedings{mci/Felderer2022,
author = {Felderer, Michael},
title = {Testing The Untestable - Risikobasierte Qualitätssicherung für Machine-Learning Systeme},
booktitle = {Softwaretechnik-Trends Band 42, Heft 4},
year = {2022},
editor = {} ,
pages = { 16-17 },
publisher = {Gesellschaft für Informatik e.V.},
address = {Bonn}
}
DateienGroesseFormatAnzeige
2_TAV_STT_Felderer_TestingTheUntestable.pdf207.0Kb PDF Öffnen

Haben Sie fehlerhafte Angaben entdeckt? Sagen Sie uns Bescheid: Feedback abschicken

Mehr Information

ISSN: 0720-8928
Datum: 2022
Sprache: de (de)
Typ: Text/Conference Paper
Sammlungen

Zur Langanzeige