I praksis følger et machine learning-projekt en fast proces: Først defineres problemet og succes-kriterierne. Dernæst indsamles og forberedes data, hvilket ofte er den mest tidskrævende del – rensning, transformation og feature engineering er afgørende for modellens kvalitet. Derefter vælges en passende algoritme, og modellen trænes på datasættet. Valget af algoritme afhænger af opgaven: decision trees og random forests er populære til klassisk tabeldata, convolutional neural networks til billeder, og transformers til tekst. Efter træning evalueres modellen på nye data, der ikke er set under træningen, for at vurdere, hvor godt den generaliserer. Metrikker som accuracy, precision, recall og F1-score bruges til klassifikation, mens mean squared error og R² bruges til regression. Hvis ydelsen er tilstrækkelig, deployes modellen i produktion, hvor den bruges til at træffe beslutninger i realtid eller i batch. Machine learning-modeller skal også vedligeholdes. Data og forretningskontekst ændrer sig over tid, og modeller kan miste præcision – et fænomen kaldet model drift. Derfor kræver moderne AI-løsninger overvågning, re-træning og løbende forbedring for at sikre, at de fortsat leverer værdi til virksomheden.
