Denne presentasjonen tar for seg hvorfor testing av maskinlæringsmodeller er fundamentalt annerledes og mer krevende enn tradisjonell programvaretesting. Den utforsker hvordan datakvalitet, modellvalg og kontinuerlig overvåkning direkte påvirker påliteligheten til systemer i produksjon. Du får innsikt i hvordan man kan validere data, evaluere modeller og oppdage degradering over tid før det får reelle konsekvenser. Presentasjonen gir også en praktisk introduksjon til MLOps og automatisering av maskinlæringspipelines med rammeverk som Tensorflow Extended. Målet er å vise hvordan man kan bygge maskinlæringssystemer som ikke bare fungerer i dag, men som tåler endring i både data og virkelighet.