Kursbeschreibung
In diesem Seminar lernst du, Empfehlungssysteme so zu entwickeln, dass sie messbar wirken und sich im Betrieb nicht „wegdriften“. Du arbeitest entlang einer klaren Pipeline: Ziele festlegen, Daten und Features sauber modellieren, Baselines etablieren, Modelle auswählen, Retrieval und Ranking aufsetzen, evaluieren und schließlich stabil ausrollen. Zu Beginn definierst du, welche Kennzahlen für deinen Kontext wirklich zählen und wie du Online- und Offline-Evaluation kombinierst. Du lernst, wie A/B-Tests mit Guardrails aufgebaut werden und wie du typische Fallen wie Saisonalität oder verzerrtes Exposure berücksichtigst. Danach gehst du in die Datenbasis: Event-Tracking für Views, Clicks, Carts und Purchases, Umgang mit negativen Signalen, Sessionisierung sowie das Vermeiden von Leakage durch korrektes Zeit- und Feature-Design. Du setzt robuste Baselines wie Popularity, Trending und Co-Occurrence auf und planst Fallbacks für Cold Start. Im Modellteil entwickelst du Collaborative Filtering für implicit feedback, verstehst Weighting/Confidence und nutzt Embeddings, um Nutzer- und Item-Nähe zu modellieren. Du ergänzt content-basierte Verfahren mit Text- und Bild-Embeddings und baust hybride Strategien, die sich an Datenlage und Kontext anpassen. Ein zentraler Block ist Two-Tower, Retrieval und Ranking: Kandidaten effizient finden, dann mit Learning-to-Rank ordnen und per Re-Ranking Regeln, Diversität und Fairness berücksichtigen. Abschließend erarbeitest du ein Betriebsmodell mit Monitoring, Drift-Checks, Feedback-Loop-Kontrollen, Latenzbudgets und Caching, damit deine Empfehlungen dauerhaft zuverlässig bleiben.
Die wichtigsten Themen im Überblick
- Business-Ziele in CTR, CVR und Retention übersetzen
- Event-Tracking für KI-Empfehlungssysteme sauber planen
- Baselines mit Popularity, Trending und Co-Occurrence nutzen
- Collaborative Filtering mit implizitem Feedback verstehen
- Content-based und hybride Empfehlungen sinnvoll kombinieren
- Retrieval und Ranking für Recommender-Architekturen trennen
- Empfehlungen mit NDCG, MAP und A/B-Tests bewerten
- Recommender mit Monitoring, Caching und Guardrails betreiben
Zielgruppe
- Data Scientists und Machine-Learning Engineers
- Data Engineers und Analytics Engineers mit Produktbezug
- Product Managerinnen und Product Manager für Search, Feed oder Commerce
- Software Engineers, die Recommender integrieren
- Für alle, die Empfehlungen messbar verbessern und stabil betreiben wollen
Voraussetzung für die Schulung
- Grundkenntnisse in Machine Learning (Train/Test, Overfitting, Metriken).
- Basisverständnis für Datenanalyse und SQL oder Python ist hilfreich.
Kursinhalte
- Use Cases, Ziele und Erfolgsmessung
- Business-Ziele in Metriken übersetzen (CTR, CVR, AOV, Retention)
- Online vs. Offline Evaluation, A/B-Tests und Guardrails
- Cold Start, Long Tail und Katalogdynamik
- Datenbasis und Feature-Design
- Event-Tracking: Views, Clicks, Carts, Purchases, Dwell Time
- Negative Signale, Deduplizierung, Sessionisierung
- Feature Stores, Leakage vermeiden, Zeitbezug korrekt modellieren
- Baselines, die wirklich tragen
- Popularity, Trending, Co-Occurrence und heuristische Regeln
- Segmentierung und Kontext (Device, Zeit, Kampagnen)
- Fallback-Strategien für leere Profile
- Collaborative Filtering und Matrixfaktorisierung
- Implicit Feedback, Weighting und Confidence
- Embeddings für Nutzer und Items
- Nearest Neighbors und Approximate Search
- Content-based und hybride Systeme
- Text- und Bild-Embeddings für Item-Repräsentationen
- Hybride Strategien: Blending, Switching, Feature Augmentation
- Ähnlichkeit, Diversität und Serendipity ausbalancieren
- Two-Tower, Retrieval und Ranking
- Kandidaten-Generierung vs. Ranking: Architektur und Trade-offs
- Learning-to-Rank Grundlagen, Pairwise/Pointwise Objectives
- Re-Ranking mit Constraints (Diversität, Fairness, Regeln)
- Evaluation, Monitoring und Betrieb
- Offline-Metriken: Precision@K, Recall@K, NDCG, MAP
- Drift, Feedback-Loops und Bias erkennen
- Deployment-Patterns, Latenzbudgets und Caching
