(CONNECT) Unternehmen lancieren zahlreiche Projekte zur Integration von Machine Learning (ML) beziehungsweise Künstlicher Intelligent, doch deren Erfolg hängt laut Fachleuten von Helbling von der Lebenszyklus-Perspektive ab. In einem Fachbeitrag erläutern sie, wie KI-Anwendungen etwa Insellösungen bleiben, nicht skaliert werden und eine Adaption ausbleibt. Gemäss Erfahrungen der Zürcher Engineering- und Consulting-Firma finden derlei Projekte oft ein vorzeitiges Ende, ohne ihr Potenzial zu entfalten. Auf diesen Umstand antwortet Helbling mit einem spezifisch auf diese Anwendungen zugeschnittenen Modell, das der Helbling-Experte André Wangler vom Standort Aarau in einem Fachbeitrag vorstellt.
Dabei stehen bereits in der Entwicklungsphase sowie im kompletten Prozess der Lebenszyklus von Anwendungen oder Produkten im Fokus. Ziel ist, einen nachhaltigen sowie skalierbaren Betrieb aufzugleisen. Im Blick haben die Fachleute einerseits interne Prozesse eines Unternehmens. Andererseits ist es auch hilfreich für den KI-Einsatz in Produkten aus ganz unterschiedlichen Bereichen wie Medizintechnik oder Gebäudeautomation.
Den Planungsprozess von ML- oder KI-Projekten teilen sie in sechs Phasen auf und empfehlen Aktivitäten in fünf Bereichen. Die Fachleute erläutern dies anhand eines Praxisbeispiels aus der industriellen Qualitätsvorhersage. Zu Beginn stehen die Definition eines Anwendungsfalls und Erarbeitung eines Prototyps. Bereits hier wird darauf geachtet, dass beispielsweise eine Infrastruktur für Machine-Learning-Experimente auch später als Grundlage für eine Automatisierung der Datenaufbereitung und des Modelltrainings dienen kann. Zudem prägt der Blick auf eine Industrialisierung die Gestaltung von Prototypen.
Im Beispiel zeigte sich ein ursprünglicher Anwendungsfall als ungeeignet. Doch es waren bereits soviele Erkenntnisse gesammelt worden, dass dennoch ein erfolgreiches Projekt angestossen wurde. Graduell verschob sich dann der Fokus von der Entwicklung auf den Betrieb: Trainingsdaten und Tools wurden erweitert, zunächst das Training samt Datenaufbereitung, dann auch die Modellvalidierung automatisiert. Automatisierung ermöglichte auch unkomplizierte künftige Modell-Updates.
Die Fachleute betonen, dass dieses Modell das Investitionsrisiko von Unternehmen stark reduzieren kann, indem das Versprechen von KI tatsächlich eingelöst werde. Letztlich könnten auch nur durch ein umsichtiges Vorgehen Grundlagen für sich bereits anbahnende, weitere Entwicklungen gelegt werden. ce/yvh
