Künstliche Intelligenz (KI) und Machine Learning (ML) haben längst die Phase des Hypes überstanden und finden verstärkt Anwendung in diversen Bereichen. Andererseits finden laut einer Studie vom IDC rund 50 Prozent der KI-Projekte noch nicht ihren Weg in die produktive Nutzung und die Schaffung von echten Mehrwerten. Dieser Artikel fasst die Erfahrungen von AIM Agile IT Management aus Kundenprojekten zusammen und stellt die Kernaspekte heraus, wie man mit der Etablierung einer Plattform KI-Projekte flexibel, produktiv und zielgerichtet umsetzen kann. Dabei gilt es zunächst, einige Herausforderungen zu betrachten:
- Die Datengrundlage muss zunächst in eine nutzbare Form skalierbar zur Verfügung gestellt werden.
- Es müssen neben den Software-Lebenszyklen auch die Daten- sowie Modelllebenszyklen genutzt werden.
- Wachsende Vielzahl und Komplexität von Technologien
- Fehlendes Wissen und KI-Spezialisten
- Der Weg von lokalen Notebooks zu produktiven Anwendungen
- Monitoring von KI-Anwendungen im produktiven Betrieb
Was ist eine KI-Plattform
Eine Plattform muss Entwicklungsteams bei der Umsetzung individueller Projekte maximal unterstützen und das über den gesamten Lebenszyklus. Eine Plattform beinhaltet dabei gut dokumentierte, zentral zur Verfügung stehende Applikationen – in Form von Oberflächen oder APIs, Konzepte und Standards, Vorgehen sowie Bausteine und Werkzeuge. Diese sind erstmal unabhängig von der konkreten fachlichen Ausprägung und lassen sich von den Projektteams flexibel erweitern. Eine Plattform darf nur unterstützen, aber die Projektteams nicht in ihrer Flexibilität einschränken. Außerdem muss sie einfach und verständlich einsetzbar sein, da sonst die Akzeptanz der Nutzung sinkt. Die Vorteile: So wird kontinuierlich auf Standardisierung und Konsolidierung aus den Projekten gedrängt und langfristig eine enorme Produktivitätssteigerung erzielt. Gleichzeitig wird die Flexibilität der Projektteams gewahrt und die Abhängigkeit zum internen Plattform-Team minimiert.
Benötigte Rollen
Neben den Rollen Product Owner, Software-Entwickler und DevOps Engineer werden auch die Rollen Data Engineer, Machine Learning Engineer und Data Scientist in einem KI-Projekt benötigt. Das Spielfeld des Data Engineers liegt in der robusten Verarbeitung und Bereitstellung von Datenbeständen, der Data Scientist ist primär für die KI-spezifischen Teile zuständig und der Machine Learning Engineer schlägt die Brücke zwischen Data Science und der klassischen Entwicklung. Beachtet werden muss, dass eine Person im Entwicklungsteam mehrere Rollen übernehmen kann, sogenannte t-Shaped-Skills. Eine KI-Plattform muss nun die Arbeitsweise der einzelnen Rollen unterstützen und die Zusammenarbeit im Team fördern.
Aufgaben und die richtigen Werkzeuge
Neben den Phasen gilt es außerdem verschiedene Aufgaben zu erledigen. Eine Plattform muss diese Aufgaben unterstützen, sodass sich das Entwicklungsteam auf die Kernherausforderungen konzentrieren kann. Hier empfiehlt sich ein agiles Vorgehen, zudem dürfen die einzelnen Umsetzungsschritte nicht alleine stehen, sondern müssen immer in einem Gesamtzusammenhang gesehen werden. Hat man die produktive Verwendungssituation bei der Implementierung der Modelle im Hinterkopf, lässt sich später einfach das entstandene Modell im Minimum Viable Product (MVP) integrieren und verwenden. Dieser Transfer ist einer der Hauptgründe, warum KI-Projekte scheitern. Eine Plattform muss diese Vorgehensweise unterstützen und Werkzeuge anbieten, um diese Hürden aufzulösen. Wichtiger Aspekt ist, dass man in der produktiven Laufzeitumgebung Feedback-Schleifen etabliert, durch Monitoring einen reibungslosen Betrieb sicherstellt und die Automatisierung aller Lebenszyklen einführt. Das gilt sowohl für Projekte, als auch für die KI-Plattform. So lässt sich eine kontinuierliche Verbesserung, Stabilisierung und Absicherung der Anwendung sicherstellen.