Wie läuft eigentlich ein KI-Projekt ab? Viele sagen jetzt sicher, dass man das schlecht pauschalisieren kann und das auf den Use-Case ankommt, aber eigentlich nicht wirklich. Einige Schritte kann man nämlich sehr wohl als grobe Grundrichtung verallgemeinern:
Aufbau von KI-Kompetenzen
Zunächst müssen innerhalb des Unternehmens KI-Kompetenzen aufgebaut werden. Dafür gibt es verschiedene Möglichkeiten und Ausgangsszenarien, vom Best-Case mit internem Data-Scientisten/ML-Engineer etc. bis hin zum nicht vorhanden sein von KI-Wissen. Dabei sind Schulungen, Kurse aber auch Medien wie Videos, Paper und Bücher sehr hilfreich. Falls Sie hier Probleme haben, kommen Sie gerne auf uns zurück!
Use-Case Identifizierung
Nachdem eine unternehmensinterne Wissensbasis aufgebaut wurde, so muss der KI-Anwendungsfall (englisch: Use-Case) identifiziert werden. Dazu kann ich Ihnen meinen Blogartikel empfehlen: KI-Use-Cases in nur 5 Schritten! Dabei beginnt die Use-Case Identifizierung bei Schritt zwei, Schritt eins ist Deckungsgleich mit Schritt eins in diesem Beitrag.
Klärung des Datenbedarfs
Kein KI-Projekt ohne Daten – deshalb müssen für eine erfolgreich Implementierung die benötigten Daten beschafft werden. Damit befasst sich dieser Schritt: Welche Daten benötige ich? Wie bekomme ich diese Daten? Wie muss ich diese aufbereiten? Welche Features sind besonders wichtig?
Diese Fragen werden nun geklärt und entsprechend realisiert. Dabei wird vor allem darauf geachtet, dass nicht nur vorhandene Daten in die Überlegungen hineinfließen, sondern auch potenziell gewinnbare Daten.
Coding, Hardwareimplementierung
Werden neue Daten benötigt, so müssen nun die erforderlichen Sensoren installiert werden um weitere Daten zu gewinnen. Dabei gilt stets, dass der Datensatz so sein soll, dass er so gut wie möglich den späteren Anwendungsfall wiedergibt.
Daneben muss nun auch die gesamte Hardware implementiert werden, die für den Prozess benötigt wird (z.B. Aktoren zur Bauteilverschiebung auf Grund von einer Entscheidungs-KI).
Damit auch softwareseitig alles glatt läuft, werden nun auch mit den gewonnenen Daten die Modelle trainiert und implementiert. Für etwaige Datenaufnahmen müssen die Verbindungen zum Rechner hergestellt werden. Dabei macht es zunächst keinen Unterschied, ob das Modell auf einer Edge oder Cloud läuft.
Fehleranalyse, Debugging
Sobald der Prozess auf Hardware- und Softwareseite aufgestellt wurde, geht es ans Testen. Dabei muss der Datensatz solange angepasst und das Modell solange trainiert werden, bis die gewünschte Prozessstabilität erreicht ist.
Im Test sollten die möglichen Situationen, die das Modell erkennen soll, möglichst gut getestet werden, um später in der Serie keine überraschenden Fehler zu bekommen.
Überwachen & Warten
Glückwunsch! Die KI scheint nun implementiert worden zu sein. Jetzt ist es wichtig nicht die Füße hochzulegen, sondern am Ball zu bleiben. Der Datensatz muss auf Veränderungen im Prozess stetig angepasst und das Modell stetig neu trainiert werden. Darüber hinaus muss die Wirksamkeit der KI kontinuierlich getestet werden. Die Faktoren zur Erfolgsmessung sind dabei Use-Case spezifisch. Beispielsweise könnte bei einem Einsatz der KI im QM die DPMO sowie die Ausschussrate entscheidend sein, beim Einsatz im Kundenkontakt die Kundenzufriedenheit etc. Auch Mitarbeiterfeedback ist ein entscheidendes Kriterium, da die Belegschaft zunächst häufig skeptisch gegenüber KI-Anwendungen ist.
Sobald der Überwachungsprozess stabil läuft kann das Implementierungsprojekt als „Abgeschlossen“ angesehen werden und spätestens nun weitere unternehmensinterne KI-Projekte angegangen werden. Dabei ist es superwichtig während des gesamten Projektverlaufs die Lessons Learned festzuhalten.
Nun wünschen wir Ihnen viel Erfolg bei der Durchführung Ihrer KI-Projekte!
Quellen und weiterführende Links:
https://www.alexandria.unisg.ch/260085/1/HMD%20331_2%C2%A0Mgt%20von%20KI%20in%20Unternehmen%20v1%20%28Full%20article_preprint%29.pdf (Sehr empfehlenswertes deutschsprachiges Paper von den Eidgenossen zum Thema „Management von KI im Unternehmen“)
https://medium.com/swlh/12-steps-to-applied-ai-2fdad7fdcdf3 (Informatik lastige Anleitung für die Anwendung von AI)
https://www.bigdata-insider.de/ki-vom-ersten-projekt-zum-datengetriebenen-unternehmen-a-869586/ (Gute deutsche Beschreibung)