ML-Projekte sollten daher immer zunächst als Proof of Concept angegangen werden, um die Vor- und Nachteile zu erkennen. Welche Daten repräsentieren oder beeinträchtigen die Zusammenhänge am besten? Welche Trefferquote ist mit dem Modell erreichbar und wie kann sie verbessert werden? Nach welchen Kriterien lässt sich der Erfolg eines Projekts sinnvoll bewerten?
Zudem kommt ein Prototyp mit anonymisierten Datenquellen aus – sprich ohne die Weitergabe sensibler Daten an den Technologiepartner. Solche Pilotprojekte werden von Partner-Unternehmen eventuell auch kostenlos durchgeführt.
Realistische Erwartungen an Fehlertoleranz und Erfolg
Die Erwartungen an Zeitersparnis, Trefferquote, Ergebnisqualität und Amortisationszeit von ML-Projekten sind meist jedoch unrealistisch hoch, während gleichzeitig Problembeschreibung und Daten viel zu ungenau sind. Erfahrene Partner und Prototyping können helfen, die Erwartungen realistisch zu halten.
Zudem ist eine bessere Kalkulation der Fehlertoleranz des Modells möglich, wenn der ROI im Vorfeld geschätzt wird. Mehr Genauigkeit kann ein Vielfaches mehr an Kosten verursachen. Daher ist es oft klüger, ein falsch negativ eingestuftes Ergebnis zu verpassen, als viele falsch positiv gemeldete Ergebnisse teuer bewerten zu müssen. Auch das Nichteintreffen eines erwarteten Ereignisses kann wertvolle Hinweise auf das Modell geben.
Zudem braucht jedes Projekt den passenden Algorithmus. Oftmals ist jedoch die Erstellung teurer, rechenintensiver, neuronaler Netze oder der Zukauf von Marktforschungsdaten unnötig. Hier sollten Unternehmen deshalb auf die Erfahrungswerte des Technologiepartners vertrauen.
Die Fertigung und Unternehmen können bei der Umsetzung von ML-Projekten also leicht scheitern, wenn sie vom raschen Erfolg getrieben sind, den falschen Partner wählen oder ihm den nötigen Einblick in Geschäftsprozesse oder Daten verweigern. Gute Voraussetzungen für den Erfolg von ML-Projekten sind dagegen saubere Daten, Prototyping, realistische Erwartungen und Vertrauen.