| 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.identifier.issn | 0720-8928 | |
| dc.identifier.uri | http://dl.gi.de/handle/20.500.12116/40158 | |
| 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.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 | |
| dc.pubPlace | Bonn | |
| mci.reference.pages | 16-17 | |
| mci.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 | |
