Einleitung

Das Thema Künstliche Intelligenz (KI) gewinnt in unserer Arbeitswelt kontinuierlich an Bedeutung. Der wichtigste Treiber hinter dieser Entwicklung ist das sogenannte Machine Learning. Im Fachjargon bezeichnet man damit selbstlernende, intelligente Algorithmen, die eine Vielzahl praktischer KI-Anwendungen in Unternehmen überhaupt erst ermöglicht haben.

Seit einigen Jahren erhalten diese intelligente Algorithmen immer stärkeren Einzug in die verschiedensten Arbeitsabläufe in Unternehmen. Dabei assistieren sie Mitarbeitern bei Entscheidungen, sagen Trends und Entwicklungen voraus oder treffen autonom Entscheidungen auf Basis unterschiedlichster Geschäfts- und Produktionsdaten. KI entwickelt sich zunehmend zu einem geschäftlichen Erfolgsfaktor für Unternehmen aller Branchen und Größen. Laut einer aktuellen Bitkom-Studie bezeichnen 73% der befragten Unternehmen Künstliche Intelligenz als die wichtigste Zukunftstechnologie. Entscheider sind aktuell häufig in der Situation, dass sie die Vorteile dieses jungen Technologietrends zwar erkannt haben und gerne im eigenen Unternehmen nutzen möchten, sich letztlich aber noch schwer tun, die konkreten Möglichkeiten und Maßnahmen für eine Einführung zu beurteilen und deren Risiko abzuwägen.

Unsere Artikelserie "Machine Learning für Entscheider" versucht genau hier anzusetzen: wir möchten Ihnen wertvolles Wissen an die Hand geben, mit dem Sie Nutzen, Grenzen und Voraussetzungen für KI und insbesondere Machine Learning in Bezug auf Ihr Unternehmen einschätzen und bewerten können. Sie möchten wissen ob und wie Ihr Unternehmen von künstlicher Intelligenz profitieren kann und wie die ersten Schritte in diese Richtung aussehen können?

Mit den folgenden sieben Fragen finden Sie es heraus!

Inhalt

Die Autoren

Kevin Braun
Tech Lead AI & Computer Vision
Marco Bürckel
Geschäftsführer

Worum geht es beim Thema Künstliche Intelligenz?

Als Teilgebiet der Informatik existiert die Künstliche Intelligenz schon seit den Fünfzigern. Ihr erklärtes Ziel ist es, Computer mit Fähigkeiten auszustatten, die charakteristisch für menschliche Intelligenz sind. Dazu zählt man beispielsweise die Fähigkeit zum kreativen Denken und die Gabe, unbekannte Sachverhalte schnell durchdringen und einschätzen zu können. Das sind Dinge, die wir einem Computer im Allgemeinen nicht zutrauen würden. Computer denken nach Plan: Sie rechnen nach "Schema F" und "malen nach Zahlen". Sie tun alles, was sich algorithmisch, also auf Basis eines fixen Ablaufplans, ausdrücken lässt. Wenn sich ein solcher Algorithmus intelligent verhält, dann eben nur, weil ihn ein Mensch in all seinen Eventualitäten vorausgedacht hat.

Künstliche Intelligenz bedeutet also, dass der Computer außerhalb dieser fixen Ablaufpläne eigenständig sinnhafte Entscheidungen treffen kann. In den letzten Jahren ist die KI ihrem erklärten Ziel ein gutes Stück näher gekommen. Zwar sind auch heute diese Errungenschaften noch weit von der menschlichen Intelligenz entfernt. Tatsächlich haben wir es jedoch geschafft, Computerprogrammen Lösungskompetenzen beizubringen, die man ihnen vor einigen Jahren noch entschieden abgesprochen hätte. Die wichtigste Technologie hinter diesem Erfolg ist das sogenannte Machine Learning (ML), ein Teilgebiet der Künstlichen Intelligenz. Machine Learning hat jüngst für viel Aufsehen gesorgt, denn offenbar agieren diese intelligenten Algorithmen in vielerlei Hinsicht "menschlich intelligent".

  • Sie schätzen komplexe Sachverhalte ein: ML-Programme klassifizieren in Sekundenschnelle komplizierte Datenströme und sagen komplexe Phänomene wie das Wetter1 oder Staus2 voraus.
  • Sie decken bislang unbekannte Muster und Zusammenhänge in Daten auf und können auf Daten autonom Entscheidungen treffen, sie einer bestimmten Situation zuordnen oder Trends vorhersagen.
  • Sie sind kreativ: ML-Programme zeichnen beeindruckende Kunstwerke, komponieren Musik und erzeugen photorealistische Szenen ohne dabei echte Fotos zu verwenden. Eine beeindruckende Sammlung erzeugter Werke findet sich beispielsweise in diesem Artikel

Was ist Machine Learning?

Beim Machine Learning werden selbstlernende Algorithmen eingesetzt, um einen bestimmten Sachverhalt zu erkennen oder vorherzusagen. Wie würden wir Menschen einen bestimmten Sachverhalt erkennen? Ganz einfach: In dem wir verstehen, was ihn ausmacht. Bei einem Algorithmus ist das nicht anders. Der selbstlernende Aspekt des Machine Learnings besteht darin, dass sich ein Algorithmus eigenständig erschließt, welche Merkmale und Charakteristiken für einen bestimmten Sachverhalt sprechen. Damit das funktioniert, müssen dem Programm zunächst eine Vielzahl beispielhafter Daten präsentiert werden. Diese Daten können von unterschiedlicher Form sein, sagen aber im Grunde immer das gleiche aus: Sie beschreiben dem Algorithmus beispielhafte Situationen, in denen der zu lernende Sachverhalt eingetreten oder nicht eingetreten ist.

Einfacher lässt sich die Funktionsweise von Machine Learning aber an einem Beispiel erklären:

Nehmen wir an, ein produzierender Betrieb möchte die Qualität von Bauteilen mit Hilfe von Machine Learning prüfen lassen. Dabei soll der Algorithmus ein defektes Bauteil von einem nicht defekten Bauteil unterscheiden können. Damit das klappt, muss der Algorithmus zunächst einmal lernen, wie ein defektes bzw. nicht defektes Bauteil aussieht. In einer Trainingsphase werden dem Programm dazu viele Beispieldaten für defekte und nicht defekte Bauteile gezeigt. Diese Beispieldaten können Bilder der Bauteile sein, oder etwa sensorisch erfasste Messdaten. Der Algorithmus erkennt dabei Muster und Gemeinsamkeiten hinter den gezeigten Beispielen. Hat er genug Beispiele für defekte Bauteile analysiert, entwickelt er allmählich eine Vorstellung davon, was ein defektes Bauteil ausmacht. Waren die Beispieldaten Fotos der Bauteile, dann erhält das Programm eine Vorstellung davon, wie ein defektes Bauteil aussieht. Waren die Beispieldaten sensorische Messdaten, dann erschließt sich das Programm, welche Messdaten auf ein defektes Bauteil hindeuten könnten. Dieses Wissen kann ein Machine Learning-Algorithmus nun dazu verwenden auch neue Bauteile zu bewerten, welche im Training nicht als Beispiel vorkamen. Wichtig ist dabei, dass während des Trainings möglichst viele repräsentative Beispieldaten zur Verfügung stehen und für diese bekannt ist, wie sie einzuordnen sind. Bei der Auswahl von Beispieldaten gibt es einige Fallstricke zu beachten, auf die wir noch einmal zurückkommen werden. Im Allgemeinen gilt jedoch: Je mehr Beispieldaten, desto besser.

Falls für das Training keine Daten mit bekannten Eigenschaften (z.B. Bilder von Bauteilen ohne die Zuordnung "defekt" / "nicht defekt") zur Verfügung stehen, kann Machine Learning auch mit komplett unbekannten Daten arbeiten. Beispielsweise können Daten mit Machine Learning automatisch gruppiert werden (Clusterbildung). So könnte für einen Online-Shop zum Beispiel anhand der Aktionen, die Benutzer auf der Internetseite des Shops ausführen, eine Gruppierung von Kunden erstellt werden. Allerdings müsste die Bedeutung der Gruppen manuell analysiert werden. Das heißt, man wüsste dann zwar, dass Kunde Adam Amsel zu Gruppe 1 gehört und Kundin Brigitte Brett Gruppe 2 zugeordnet wurde. Dass die Kunden in Gruppe 1 Schnäppchenjäger und die in Gruppe 2 wiederkehrende Käufer sind, müsste in diesem Fall jedoch manuell analysiert werden. Durch eine geschickte Verknüpfung mit weiteren Daten, z.B. der Bestellhistorie der Kunden, wäre jedoch auch dieser Schritt automatisierbar.

Wo kann Machine Learning angewandt werden? Kann ich mein Problem mit Machine Learning lösen?

Generell kann Machine Learning überall dort angewendet werden, wo viele Daten vorliegen und aus diesen automatisiert Erkenntnisse gewonnen oder Entscheidungen getroffen werden sollen. Um das etwas greifbarer zu machen, werden im Folgenden ein paar Beispiele aufgezählt.

  • Für Windräder können anhand verschiedener Daten, die über Sensoren gemessen werden (z.B. Rotordrehzahl, Getriebetemperatur, Erschütterungen), durch Machine Learning Ausfälle vorhergesagt werden. Diese Vorhersage kann dazu genutzt werden, einen Ausfall durch Wartungsarbeiten zu vermeiden (Predictive Maintenance).
  • Im Handel kann Machine Learning verwendet werden, um aus historischen Daten über verkaufte Mengen die zukünftige Nachfrage nach Produkten vorherzusagen. Damit können immer die Mengen eingekauft werden, die tatsächlich benötigt werden, wodurch sich Lagerkosten und Lieferengpässe reduzieren lassen.
  • Im Marketing können Verhaltensdaten potentieller Kunden mit Machine Learning analysiert werden, um die relevanten Kunden zu identifizieren. Damit können Ressourcen zielgerichtet eingesetzt werden.
  • Banken und Versicherungen können Transaktionen mit Machine Learning analysieren, um Betrugsfälle zu identifizieren und Risikobewertungen (soweit rechtlich zulässig) zu automatisieren. Wenn ausreichend Daten zur Verfügung stehen, können auch versteckte Zusammenhänge in die Risikobewertung mit einbezogen werden.
  • In produzierenden Betrieben können defekte Teile mit Machine Learning automatisch erkannt und aussortiert werden. Durch eine Verknüpfung mit weiteren Daten (Digitaler Zwilling) sind auch Rückschlüsse auf die Qualität verschiedener Zulieferer möglich. Das spart Kosten und erlaub bessere Entscheidungen.

Die möglichen Anwendungen für Machine Learning sind also sehr verschieden. Wie erkennen Sie nun, ob eine bestimmte Aufgabe aus Ihrem Unternehmen mit Machine Learning lösbar ist? Leider ist dies nicht immer auf den ersten Blick ersichtlich. Im Folgenden möchten wir Ihnen einige Anhaltspunkte an die Hand geben, die auf eine Anwendbarkeit von Machine Learning hindeuten.

Checkliste: Ist Machine Learning auf meine Aufgabe anwendbar?

  • Die Aufgabe tritt regelmäßig auf

    Alle oben genannten Beispiele haben eine Gemeinsamkeit: Es handelt sich um wiederkehrende Aufgaben. Machine Learning lässt sich eher schlecht auf komplexe, einmalig auftretende Fragestellungen anwenden, da hier die Möglichkeit fehlt, ausreichend Daten für den Lernprozess bereitzustellen und es keinen Spielraum gibt, über die Zeit besser zu werden.

  • Die Aufgabe wird heute bereits durch einen Menschen bearbeitet und gelöst

    Beim Machine Learning ist die Erfahrung aus dem jeweiligen Fachbereich der Aufgabenstellung sehr wichtig. Gemeinsam mit den Experten in Ihrer Organisation können Machine Learning Entwickler die besten Voraussetzungen für den Lernprozess schaffen und die richtigen Methoden auswählen. Fehlt in Ihrem Unternehmen aber die Erfahrung, um eine Fragestellung fachlich zu beurteilen, dann eignet sich die Aufgabenstellung wahrscheinlich nicht für Machine Learning.

  • Die Aufgabe ist kein kreativer Schaffensprozess

    Machine Learning-Algorithmen demonstrieren heute ein verblüffendes Maß an Kreativität - sie malen Bilder, schreiben Gedichte und komponieren sogar Musik. Trotz dieser Fähigkeiten ist es zur Zeit noch sehr schwierig, kreative Prozesse im Geschäftsumfeld mit Machine Learning zu lösen. Der Grund dafür ist, dass sich die maschinelle Kreativität nur schwer mit den geeigneten Rahmenparametern einschränken lässt. Die Beantwortung von Reklamationsschreiben in einem Unternehmen ist beispielsweise ein recht kreativer Prozess. Dabei existieren viele Anforderungen an das Ergebnis. So sollte die Antwort etwa höflich sein und ein gewisses Maß an Fingerspitzengefühl beweisen. Das kann ein Machine Learning-Algorithmus heute noch nicht zuverlässig genug leisten.

  • Es existiert eine ausreichend große Datenbasis für den Lernprozess

    Die benötigte Anzahl an Beispieldaten hängt von dem konkret zu lösenden Problem ab. Einfachere Zuordnungsprobleme kommen vielleicht schon mit einigen hundert Datensätzen klar. Komplexe Vorhersageprobleme benötigen eventuell schon tausende oder zehntausend Datensätze. Es gibt keine verlässliche Regel oder Formel, mit der man die Anzahl der benötigten Datensätze abschätzen könnte. Hier kann es hilfreich sein, auf die Erfahrung anderer Machine Learning-Anwendungen aufzusetzen: Eventuell existiert eine wissenschaftliche Arbeit zu einem ähnlichen Problem. Diese können etwa mit Google Scholar recherchiert werden.

Falls Sie aktuell nicht über ausreichend Daten verfügen, können diese möglicherweise auf Umwegen beschafft werden. Zum Beispiel kann ein Machine Learning-Programm zur Unterscheidung von kaputten und "nicht kaputten" Bauteilen mit frei im Internet verfügbaren Bildern vortrainiert werden, weil es dann bereits lernt, abstrakte Merkmale zu erkennen. Ferner können Trainingsdaten unter bestimmten Voraussetzungen auch synthetisch erzeugt werden. Erfahrene Machine Learning-Experten können Sie auf solche Gegebenheiten hinweisen und Sie bei der Anreicherung Ihrer Datenbasis unterstützen.

Make or Buy - kann ich Machine Learning "von der Stange" kaufen?

Off-the-Shelf-Lösungen für Künstliche Intelligenz haben den Vorteil, dass sie keinen oder geringen Implementierungsaufwand mit sich bringen und schnell verfügbar sind. Dabei lassen sich zwei gängige Kategorien unterscheiden:

  • Software mit integrierten KI-Features:

    Unternehmenssoftware wie CRM- oder ERP-Systeme bieten immer häufiger intelligente Algorithmen an, die direkt als Funktion über die Benutzeroberfläche nutzbar sind. Dabei handelt es sich naturgemäß um KI-Anwendungen, die eng auf der Datenbasis des jeweiligen Produkts operieren. Die intelligenten Verfahren werden dann für Aufgabenstellungen angeboten, die für eine große Zahl der jeweiligen Unternehmenskunden relevant sind. Es existiert kaum eine Möglichkeit der Anpassung oder Konfiguration an eigene Prozesse oder an firmenspezifische Datenfelder.

  • Intelligente APIs als Software-Baustein

    APIs stellen über standardisierte Schnittstellen einzelne Datendienste bereit, die in die eigenen Systeme oder auch in Drittsysteme integriert werden können. Mittlerweile gibt es auch eine Vielzahl fertiger Bausteine im Bereich Machine Learning. Der Vorteil dabei ist, dass ein Softwareentwickler keine Machine Learning-Kenntnisse braucht, um intelligente Funktionen in eine Software zu integrieren. Dies funktioniert insbesondere für sehr allgemeine Aufgabenstellungen, die mit wenig fachspezifischen Daten auskommen und in einer Vielzahl von Unternehmen und Anwendungsfällen benötigt werden. Beispiele hierfür sind etwa Text- oder Spracherkennung, das Übersetzungen in eine andere Sprache oder die Erkennung von Emotionen in Texten. Derartige Dienste werden als sogenannte MLaaS (Machine Learning as a Service) in Form eines nutzungsbasierten Abrechnungsmodells angeboten. Abgerechnet werden dabei Anzahl und Umfang der durchgeführten Anfragen.

Die Entscheidung, ob man KI zukauft oder selbst entwickelt ist stets ein Kompromiss zwischen Flexibilität und Aufwand. Als Faustregel gilt: Wenn Sie unternehmensspezifische Probleme auf Basis firmeneigener Daten lösen möchten, führt eine Eigenentwicklung mit hoher Wahrscheinlichkeit eher zum Ziel. Dabei muss eine Eigenentwicklung jedoch keinesfalls bedeuten, dass man das Rad neu erfindet. Der Aufwand lässt sich beispielsweise durch folgende Hilfsmittel signifikant reduzieren:

  • Orientierung an ähnlichen Aufgabenstellungen

    Es gibt unzählige frei verfügbare wissenschaftliche Arbeiten über konkrete Problemstellungen und Lösungsansätze im Bereich KI. Häufig lassen sich dabei Verfahren adaptieren oder gar Datensätze für den Lernprozess übernehmen.

  • Transferlernen

    Im Machine Learning ist es möglich, dass ein bereits vortrainierter Algorithmus für eine spezifische Problemstellung nur noch geringfügig angepasst wird.

  • Automatische Optimierung des Machine Learning-Ansatzes

    Die Feinjustierung der einzelnen Parameter eines Machine Learning-Algorithmus lässt sich teilweise durch entsprechende Suchverfahren automatisieren (Grid-Search). Dadurch spart man unter Umständen wertvolle Zeit in der Entwicklungsphase.

Wie läuft ein Machine Learning-Projekt ab?

Im Folgenden möchten wir den Verlauf eines Machine Learning-Projekts grob in einzelne Phasen einteilen.

Zielsetzung

Die Arbeit an Machine Learning-Projekten gestaltet sich in manchen Phasen stark explorativ: die vorhandenen Daten werden immer wieder analysiert, angereichert und versuchsweise in verschiedene Darstellungsformen gebracht. Es werden verschiedene Methoden und Parameter ausprobiert und es werden viele experimentelle Messungen erhoben.

Es besteht die Gefahr, dass man sich in solchen Projekten verliert bzw. das eigentliche Ziel ein Stück weit aus dem Fokus gerät. Daher ist es wichtig, schon zu Beginn des Projekts eine genaue Zieldefinition und eine gewisse Zeitvorstellung zu haben. Sie sollten sich folgende Fragen überlegen:

Fragen für das Zielbild eines KI-Projekts

  • In welchem Prozess möchte ich Machine Learning einsetzen?

    Ein Prozess kann hier ein Arbeitsvorgang in Ihrem Unternehmen sein, oder ein Anwendungsvorgang in Ihrem Produkt. Überlegen Sie sich, wie der Prozess im Ist-Zustand aussieht und was die optimale Soll-Situation wäre. Soll Machine Learning den Prozess komplett übernehmen oder im bisherigen Prozess assistieren?

  • Welche Antwort soll mir die Machine Learning-Lösung liefern?

    Die Unschärfe in einem ML-Projekt wird drastisch reduziert, wenn der genaue Output klar ist, den ein ML-Programm geben soll. Typische Ziele sind etwa:

    • Klassifikation: Eine Sache X wird einer der Gruppen A, B, C, ... zugeordnet.
    • Regression: Es soll eine bestimmte Größe für die Zukunft vorhergesagt werden.
    • Clusterbildung: Es sollen Gemeinsamkeiten verschiedener Dinge gefunden werden.

  • Welche Daten stehen mir zur Verfügung?

    Ohne repräsentative Trainingsdaten kann ein ML-Programm nicht lernen. Überlegen Sie sich, wie im aktuellen Ist-Prozess Entscheidungen getroffen werden und welche Daten für diese Entscheidung herangezogen und betrachtet werden. Stehen die Daten in digitaler Form zur Verfügung?

PoC-Phase

Nachdem das Ziel klar ist, geht es zunächst einmal darum, einen prinzipiellen Lösungsansatz zu finden. Mit der Entwicklung eines Proof of Concepts (PoC) demonstriert man einen möglichen Lösungsweg und sammelt wertvolle Erfahrungen in Bezug auf die Herangehensweise. Beim PoC vereinfacht man normalerweise den Scope des Problems ein wenig, um sich in dieser frühen Phase nicht mit zu vielen Randbedingungen zu befassen. Auch Qualitäts- und Architekturfragen wie etwa Performance oder die optimale Einbettung in ein Gesamtsystem würde man hier noch außen vor lassen. Für die PoC-Phase stellen sich typischerweise folgende Fragen:

Fragestellungen für die PoC-Phase

  • Ist das Problem lösbar? Können die Zielerwartungen erreicht werden?
  • Wurde das Problem so oder in ähnlicher Weise bereits gelöst? Gibt es eventuell Forschungsarbeiten, von denen man profitieren kann?
  • Welche Trainingsdaten stehen zur Verfügung? Wie müssen sie aufbereitet werden?
  • Funktioniert der Wissensaustausch zwischen Fachabteilung und Entwicklung?
  • Welche Machine Learning-Verfahren sind vielversprechend und sollten konkret ausprobiert werden?

Typischerweise ist das Entwicklungsteam in der PoC-Phase eher klein. Es besteht beispielsweise aus einem Experten der Fachabteilung, der das fachspezifische Prozesswissen mit einbringt, und aus ein bis zwei praxiserprobten Machine Learning-Experten.

Schrittweise Entwicklung und Verfeinerung

Nach dem PoC würde man die Lösung schrittweise verbessern, in dem man den Algorithmus mit mehr Daten trainiert, diese Daten besser aufbereitet und die einzelnen Parameter für den Lernprozess verfeinert. Der Fortschritt in dieser Phase kann relativ gut gemessen werden, in dem man die Lösung einem Benchmark unterzieht: Dabei wendet man den Algorithmus auf einer Reihe ausgewählter Probleminstanzen an und prüft, wie gut er die Aufgabenstellung aktuell lösen würde. Kommen wir auf unser Beispiel mit der Erkennung defekter Bauteile zurück, so könnte sich bei einem Benchmark ergeben, dass der Algorithmus derzeit 85% der Bauteile korrekt als defekt oder nicht defekt klassifiziert. Auf Basis dieses Ergebnisses lässt sich iterativ entscheiden, ob und wie das Ergebnis noch weiter verbessert werden kann.

Integration in eine produktive Lösung

Mittlerweile gibt es etablierte Entwicklungswerkzeuge für Machine Learninig-Projekte, welche den Einstieg in die Entwicklung relativ komfortabel gestalten. In einer solchen Umgebung können Machine Learning-Experten ein Programm entwerfen, trainieren und testen. Häufig sind die dafür benötigten Tools sogar quelloffen und kostenfrei verfügbar.

Der tatsächliche Einsatz in einer produktiven Umgebung ist dann aber noch ein Stück weit komplizierter. Ein Machine Learning-Algorithmus existiert nicht im luftleeren Raum: er benötigt Hardware und Infrastruktur für den Betrieb, er muss wahrscheinlich mit anderen IT-Systemen kommunizieren und außerdem stellen wir an eine produktive Machine Learning-Lösung üblicherweise gewisse Qualitätsansprüche, etwa in Bezug auf die Performance. Das Überführen einer Machine Learning-Lösung in Produktionsreife ist mit Zeit- und Ressourcenaufwand verbunden. Dieser Aufwand entsteht zusätzlich zur eigentlichen Entwicklung des Machine Learning-Programms und kann im Optimalfall schon parallel dazu bearbeitet werden.

Welches Entwicklungsteam benötige ich für ein Machine Learning-Projekt?

Im Bereich Machine Learning benötigen Sie folgende Fähigkeiten und Kenntnisse:

  • Wissenschaftliche Grundkenntnisse, insbesondere aus dem Bereich Mathematik und Statistik

    Beim Machine Learning setzt man auf eine Reihe mathematisch anspruchsvoller Verfahren, etwa aus der Nichtlinearen Optimierung oder Statistik. Entsprechend ist es hilfreich und teils auch notwendig, dass ein Entwicklerteam das entsprechende formale Rüstzeug mitbringt. Dabei ist das Ziel weniger, selbst an mathematischen Algorithmen zu arbeiten. Viel mehr geht es darum, wissenschaftliche Arbeiten aus dem Bereich Machine Learning lesen und verstehen zu können. Es ist jedoch nicht ratsam, ein Machine Learning-Team zu überakademisieren. Ein Machine Learning-Projekt braucht Pragmatiker, die nicht nur die Theorie verstehen, sondern konkrete Verfahren mit einem gesunden Maß an Experimentierfreude schnell und zielgerichtet auf die Straße bringen.

  • Praktische Machine Learning-Erfahrung

    Im Machine Learning kommt es sehr auf die Erfahrung an. Viele Schritte sind explorativer Natur. Welche Verfahren und Techniken wo sinnvoll sind, lässt sich nur bedingt "nach Lehrbuch" entscheiden. Wichtig ist also praktisches Know-How im Umgang mit Werkzeugen und Testumgebungen, in der Programmierung und bei der Parametrierung von Verfahren.

  • Software Engineering

    Klassische Kenntnisse im Bereich der Softwareentwicklung, etwa zu den Themen Software-Architektur, Kommunikationsverfahren oder Datenbanken, sind für die meisten Machine Learning-Projekte unabdingbar. Insbesondere wenn es darum geht, die Machine Learning-Lösung in die IT des Unternehmens einzubetten.

  • Expertise aus dem Fachbereich

    Jedes Machine Learning-Projekt braucht einen Domänenexperten aus der Fachabteilung, welcher das firmenspezifische Wissen zum eigentlichen Geschäftsprozess einbringt. Wenden Sie beispielsweise Machine Learning auf Fragen der Kundenakquise an, benötigen Sie in Ihrem Team einen Sales-Spezialisten.

Auch anspruchsvolle Machine Learning-Projekte kommen im Regelfall mit einer kleinen Anzahl von Personen aus. Dies liegt vor allem daran, dass die Arbeitsschritte eher sequentiell und weniger parallelisierbar sind als in einem klassischen Software-Projekt. Ein schlagkräftiges Team könnte beispielsweise so aussehen:

Beispiel: Mögliche Zusammensetzung eines Machine Learning-Teams

Rolle Anzahl MA Aufgabe, Erläuterung
Projektleiter 1 Im Optimalfall hat der Projektleiter Erfahrung in der Steuerung agiler Softwareprojekte.
Domänenexperte 1 - 2 Die Domänenexperten müssen nicht durchgehend im Projekt involviert sein. Jedoch sollten sie regelmäßig und kurzfristig für Fragen und Diskussionsrunden zur Verfügung stehen.
Machine Learning-Experten 1 - 3 Selbst größere Projekten kommen im Regelfall mit einer geringen Anzahl von Machine Learning-Entwicklern aus. Wir empfehlen Ihnen, hier eher klein zu starten und bei Bedarf zu skalieren.
Software Engineer 1 - 2 Für viele Machine Learning-Projekte genügt bereits ein Softwareentwickler, der die integrativen Aufgaben hin zur Machine Learning-Lösung konzipiert und umsetzt. Schon während oder spätestens nach der PoC-Phase kann die Softwareentwicklung parallel zur eigentlichen Machine Learning-Entwicklung starten.

Brauche ich einen Machine Learning-Dienstleister oder sollte ich eine eigene Abteilung aufbauen?

Ein eigenes Machine Learning-Team rentiert sich insbesondere in den folgenden Fällen:

  • Sie entwickeln auf Basis von Machine Learning Lösungen, die Sie in Form eines Produkts anbieten und vertreiben möchten. Das Machine Learning ist dabei ein zentrales Element hinter einer Ihrer Dienstleistungen.
  • Machine Learning-Methoden sollen künftig maßgeblich zur Wertschöpfung in Ihrem Unternehmen beitragen und müssen unter diesem Gesichtspunkt stetig weiterentwickelt werden.

Bei der Optimierung einzelner Prozesse oder der Entwicklung einzelner Produktfunktionen rentiert sich der Aufbau einer eigenen Abteilung vermutlich nicht. Zum einen weil der Aufbau eines eingespielten Machine Learning-Teams unter Umständen Jahre dauern kann. Zum anderen würde ein internes Team bedeuten, dass mit einer gewissen Grundlast an Machine Learning-Aufgaben und Projekten zu rechnen ist. Dies lässt sich gerade bei den ersten Schritten im Bereich KI schwer abschätzen. In diesen Fällen sind Sie mit einem externen Dienstleister wahrscheinlich besser beraten.

Ein guter Machine Learning-Anbieter sollte dabei

  • sich die Zeit nehmen, Ihr Business und Ihre Prozesse zu verstehen und viele Fragen stellen.
  • nicht nur die Machine Learning-Entwicklung anbieten, sondern Sie ganzheitlich beraten können. Dazu gehört insbesondere eine Prüfung der Machbarkeit, aber auch das Aufzeigen alternativer Lösungen, Risiken und Fallstricke.
  • Ihnen ein erfahrenes Team zur Seite stellen, das den benötigten Kompetenzen und Rollen gerecht wird.
  • technologieunabhängig sein und sich nicht auf einzelne proprietäre Lösungen versteifen.
  • Know-How konsequent weitergeben und Ihr Team um neue Erkenntnisse und Wissensimpulse bereichern.

Ausblick

Wir hoffen, dass wir Ihnen mit diesem Artikel die ein oder andere Idee zur Umsetzung von KI in Ihrem Unternehmen mit auf den Weg geben konnten. In Teil 2 unserer Reihe beschäftigen wir uns mit zusätzlichen Aspekten der Zeit- und Kostenplanung in Machine Learning-Projekten und geben Ihnen eine Checkliste sowie konkrete Action-Items für den Kick-Off Ihres Machine Learning-Projekts an die Hand. Registrieren Sie sich unverbindlich über das nachfolgende Formular und erhalten Sie kostenlos den zweiten Teil unserer Reihe "Machine Learning für Entscheider" per E-Mail.

Wenn Sie weitere Fragen haben oder Unterstützung für Ihr Machine Learning-Projekt wünschen, freuen wir uns auf Ihre Kontaktaufnahme. Mehr zu unseren Dienstleistungen im Bereich Machine Learning finden Sie auch unter diesem Link.