Lifecycle Management van AI-modellen


Dit artikel gaat in op Lifecycle Management van AI-modellen, op de betrokken stakeholders, de activiteiten en uitdagingen die daarbij komen kijken en gaat dieper in op configuratiebeheer van AI-modellen, monitoring, responsible AI en governance.

Lifecycle Management van AI-modellen

Inhoudsopgave

Lifecycle Management & AI
Stakeholders AI
De AI lifecycle.

Uitdagingen bij AI Lifecycle Management

AI Lifecycle Management in de zorg
Eisen bij zelf ontwikkelen van een AI-oplossing
AI impact assessment

Configuratiebeheer van AI-modellen
Configuratie managementgegevens
Configuratie managementtooling: DSML-platformen

Monitoring and feedback
Modeldrift
Identificeren van modeldrift
Best practices voor monitoren van modellen

Responsible AI en kwaliteitseisen
Responsible AI
Kwaliteitseisen

Governance en verantwoordelijkheden
Governance stappen 



Terug naar het overzicht

Wilt u aan de slag met succesvolle AI-implementatie binnen uw organisatie?

Ga naar de AI-Routekaart

Gerelateerde publicaties

De uitbraak van Covid-19 stelt de capaciteit van ons zorgstelsel op de proef. Ook zorgt deze situatie dat AI-initiatieven in een stroomversnelling raken. Wat betekent dit voor de rol van radiologen en hoe worden AI-initiatieven naar de klinische praktijk gebracht? Erik Ranschaert, MD, PhD van het Elisabeth-TweeSteden Ziekenhuis en Chris Peters van het Jeroen Bosch Ziekenhuis deelden hun ervaringen tijdens het webinar 'AI in de radiologie'. Laat uw gegevens achter en krijg toegang tot het webinar 'AI in de radiologie'.

Lees verder

Artificial Intelligence is een enorme hype. Het lijkt dat er elke dag weer nieuwe termen en woorden bijkomen. Wat is nou zin en wat is onzin? Welke AI-termen zou je nou wél moeten onthouden? M&I/Partners gaf tijdens de AI Bullshit Bingo antwoord op deze vragen.

Lees verder