So verwalten Sie KI-Projekte: Vom POV zur Ready-to-Execute-Lösung

Die Frage, ob KI es Unternehmen ermöglicht, ihre Prozesse zu rationalisieren und ihnen bei der Bereitstellung proaktiver Lösungen zu helfen, wurde von der digitalen Welt beantwortet und entstaubt.

Es gibt heute weltweit kaum einen Industriebetrieb, der sich des hohen Umsatz- und Wertschöpfungspotenzials bewusst ist, das künstliche Intelligenz mit sich bringt. Eine deklarative Tatsache, die sich aus den vielversprechenden KI-Technologietrends für 2020 und später ergibt.

Diese schnelle Einführung hat zwar einerseits viele Vorteile für Unternehmen und Endbenutzer mit sich gebracht, befindet sich andererseits aber noch in einem sehr ursprünglichen Stadium. Das heißt, Unternehmen müssen noch konkrete Anwendungsfälle und Renditeeffektivität finden. Diese Kombination aus Entstehung und Nutzen hat zu einer Reihe von Fragen zur Verwaltung Ihrer KI-Projekte geführt .

Angesichts der Tatsache, dass die Komplexität im Mittelpunkt der KI-Projektmanagementlösungen steht, ist es wichtig, die Feinheiten der Verwaltung von KI-Projekten zu verstehen .

In diesem Artikel beantworten wir alle Fragen und Elemente dazu, wie wir bei Appinventiv KI-Projektmanagement durchführen und welche Schritte wir befolgen, um einen Proof of Value (POV) erfolgreich in eine effiziente KI-Lösung und Dienstleistungen umzuwandeln .

Inhaltsverzeichnis

1. Wie unterscheidet sich ein KI-Projekt von traditionellen Projekten?
2. KI in zwei unterschiedliche Kategorien aufteilen
3. Ein kleiner Umweg: Die Säulen des Erfolgs von KI-Projekten verstehen
4. Die Herausforderungen der KI-Projektentwicklung: Warum KI-Projekte scheitern
5. Beantwortung der Frage der Stunde: So verwalten Sie Ihre KI-Projekte
6. FAQs zu den Schritten des KI-Projektmanagements

Wie unterscheidet sich ein KI-Projekt von traditionellen Projekten?

KI-Projektmanagement erfordert einen anderen Ansatz, wenn Parallelen zum traditionellen Projektmanagement für mobile Apps gezogen werden. Das heißt, die Unterschiede zwischen KI-Projekten und traditionellen IT-Projekten sind vielfältig.

Der herkömmliche Entwicklungsprozess für mobile Apps ist eine spezifizierte Lösung. Wenn es schwierig wird, eine Lösung zu spezifizieren, werden die Ergebnisse unsicher und riskant. Dieser Entwicklungstyp fällt unter die Top-Down-Programmierung.

Im Gegensatz dazu wird beim Proof of Value (POV) von KI-Projekten ein Bottom-up-Ansatz verfolgt. In diesem Fall zieht die KI Schlüsse aus ihren eigenen Regeln und Prozessen der Arbeit mit einem umfangreichen Datensatz.

Die KI-Entwicklungslandschaft eröffnet im Laufe des Zyklus tendenziell auch mehrere Möglichkeiten. Das heißt, damit ein Projekt als abgeschlossen gilt, muss es mehrere Phasen der Exploration sowie Treffer und Prüfungen durchlaufen. Während das Ergebnis des Ansatzes fast immer umsatzfreundlich ist, führt es oft zu hohen Entwicklungskosten und verlängerten Entwicklungszeitplänen.

Der letzte Teil der Frage, wie Sie Ihre KI-Projekte verwalten, besteht darin, das Änderungsmanagement zu einem integralen Bestandteil des agilen Prozesses zu machen. Das Prinzip, nach dem KI-Programmmanager im Allgemeinen arbeiten, ist Fail-Fast, wobei die Idee darin besteht, schnell zu erkunden und gleich zu Beginn eines falschen Ansatzes zu scheitern, anstatt in einem späteren Stadium des Entwicklungsprozesses.

KI in zwei unterschiedliche Kategorien aufteilen

Der erste Teil der Planung Ihres KI-Projekts beginnt damit, dass unser Team versteht, zu welcher Kategorie es gehört. Kategorie eins befasst sich mit Projekten, die in der Natur üblich sind, wie das Übersetzen einer Sprache in eine andere oder das Umwandeln von Bildern in Wörter. Kategorie zwei ist komplexer. Es übernimmt Aufgaben wie die Erkennung des Herzschlags oder die Überwachung des Schlafs.

Die beiden Kategorien erfordern zwei unterschiedliche Lösungen – die Einbindung einer vorhandenen KI oder die Erstellung benutzerdefinierter KI-Projektmanagementlösungen .

Bestehende Lösungen für künstliche Intelligenz

Es gibt eine Reihe von Veranstaltungen, bei denen die Einbeziehung von KI üblich und zum Mainstream geworden ist. Das heißt, es gibt vorgefertigte Tools, die unsere Ingenieure nur noch KI in die Anwendungen integrieren müssen . Einige der Plattformen, die unser Team im Allgemeinen verwendet, sind Microsoft Azure AI, Google AI Platform und Amazon Machine Learning usw.

Kundenspezifische Lösungen für künstliche Intelligenz

Falls es sich um ein komplexes Projekt handelt, wie wir kürzlich eine von einem neuronalen Netzwerk gesteuerte Gesundheits-App entwickelt haben, die den Benutzern auf der Grundlage ihrer Stimme Einblicke in ihre Gesundheit gibt, müssen wir auf die Entwicklung einer benutzerdefinierten KI-Lösung zurückgreifen. Um den Prozess zu vereinfachen, wird Android 11 seine neue Neural Networks API 1.3 verwenden, um sicherzustellen, dass Ihre Machine Learning-Apps reibungslos auf Geräten laufen.

Ein kleiner Umweg: Die Säulen des Erfolgs von KI-Projekten verstehen

Unsere Reise mit künstlicher Intelligenz begann bereits im Jahr 2019. Wir brauchten eine längere Lieferzeit, um zu verstehen, dass das Geheimnis des Erfolgs eines KI-Projekts in zwei Säulen liegt – Menschen und Daten. Nur in Anwesenheit der beiden Säulen kann KI das Kundenerlebnis in seiner Gesamtheit verbessern.

Wir begannen damit, Experten aus verschiedenen Bereichen, die der Antrag umfasste, hinzuzuziehen – unabhängig davon, ob sie über technisches Fachwissen verfügten oder nicht. Es war notwendig, domänenspezifische Daten in den Algorithmus einzuspeisen, um das KI-System effizient und unvoreingenommen zu machen.

Der nächste Teil – die zweite Säule – waren Daten. Daten, wenn sie nicht richtig gespeichert werden oder wenn sie nicht vollständig sind, sind absolut nutzlos. Nun gibt es zwei Arten von Daten, die ein Unternehmen ausgibt – strukturierte (z. B. Geburtsdatum, Adresse usw.) und unstrukturierte Daten (Rechnungen, Sprachaufzeichnungen, E-Mails usw.). Beim KI-Projektmanagement müssen Sie beide Datentypen berücksichtigen.

Es gibt bestimmte Schritte, die Daten durchlaufen müssen, um zu solchen zu werden, die für Deep Learning oder künstliche Intelligenz verwendet werden können. An denen unser Team von Dateningenieuren arbeitet, wenn wir Lösungen für künstliche Intelligenz (KI) für Scale-Ups und Unternehmenskunden entwickeln .

Je schneller Daten einen Platz in dieser Pyramide finden, die auf den Bedürfnissen der Maslow-Hierarchie basiert, desto schneller wird Ihr KI-Projekt anfangen zu laufen und desto größer wäre die Möglichkeit, dass Ingenieure an der Modellierung arbeiten, anstatt sich auf die Datenfilterung zu konzentrieren.

Das Ergebnis unserer Erkundungsreise war ein Verständnis der verschiedenen Probleme, die bei der Beantwortung der Frage, was eine wertvolle KI-Lösung ausmacht, auftreten . Lassen Sie uns diesen Problemen begegnen, bevor wir Sie durch die Phasen des Managements von KI-Projekten führen , so dass sich ihr Proof of Value (POV) im Endsystem widerspiegelt.

Die Herausforderungen der KI-Projektentwicklung: Warum KI-Projekte scheitern

Wenn wir uns hinsetzen, um eine Liste zu erstellen, mit welchen Herausforderungen Unternehmen bei der Implementierung von KI konfrontiert sind, wird die Liste sehr umfangreich sein. Aber im Kern, warum Proof of Values ​​scheitern , liegen zwei Hauptursachen – falsch ausgerichtete Erwartungen und unzureichende Datenverwaltungsfunktionen. Die Ursachen, die Unternehmen davon abhalten , mit KI Geld zu verdienen

Falsch ausgerichtete Erwartungen

Meistens erblicken die meisten KI-Projekte aufgrund der damit verbundenen Fehlausrichtung der Erwartungen nicht das Licht der Welt. Die Hauptursache für die Herausforderungen der künstlichen Intelligenz in der Wirtschaft ergibt sich oft aus erhöhten kurzfristigen Erwartungen an eine Technologie, die von Natur aus langfristig arbeitet.

Das nächste Beispiel falsch ausgerichteter Erwartungen ist in Unternehmen zu beobachten, die davon ausgehen, dass ihre KI-basierte Lösung genau genug ist, um den unterschiedlichen Wahrnehmungen der Benutzer gerecht zu werden. Im Fall einer Musik-Streaming-Anwendung beispielsweise ist die Annahme, dass der „nächste Song“, den Ihre KI vorschlägt, genau das ist, was der Benutzer für das Genre hält, ein Problembereich. Aus diesem Grund verwenden Unternehmen häufig das Wort „können“, wenn sie Produkte oder Dienstleistungen präsentieren, an denen ihre Benutzer als nächstes interessiert sein könnten.

Ineffizientes Datenmanagement

KI neigt dazu, auf Basis falscher Datensätze falsche Entscheidungen zu treffen. Das Problem bei KI-Projektmanagementlösungen entsteht, wenn die Daten falsch oder unvollständig sind – kurz gesagt, nicht darauf vorbereitet sind, in das KI-Modell zu passen.

Damit ein KI-System wie erwartet funktioniert, sind verfeinerte Daten erforderlich, mit denen das System Muster lernen und analysieren kann. Wenn wir einen KI-fähigen Datensatz erstellen, liegt unser Fokus in erster Linie auf der Aufteilung der strukturierten und unstrukturierten Informationen gemäß der modernen Datenerfassungsstrategie .

Beantwortung der Frage der Stunde: So verwalten Sie Ihre KI-Projekte

1. Problem identifizieren

Der erste Schritt für uns, wenn es um das Management von KI-Projekten geht, ist die Identifizierung des Problems. Wir beginnen damit, unseren Partnern zwei Fragen zu stellen: „Was sind Sie bereit zu lösen?“ und "Was ist das gewünschte Ergebnis für Sie?"

Wenn Sie sich auf eine Problemstellung festlegen, ist es wichtig zu verstehen, dass KI an sich keine Lösung, sondern ein Mittel/Werkzeug ist, um den Bedarf zu decken. In Anbetracht dessen wählen wir mehrere Lösungen, auf denen mit Hilfe von KI aufgebaut werden kann und die nicht von ihr abhängig sind.

2. Testen der Problemlösungspassung

Diese Phase beantwortet idealerweise, wie man ein KI-Projekt startet . Bevor wir den KI-Projektentwicklungsprozess einleiten, ist es zunächst wichtig zu testen und sicherzustellen, dass die Leute bereit sind, für das zu bezahlen, was Sie bauen.

Wir testen die Passung zwischen Problem und Lösung durch eine Reihe von Techniken wie dem traditionellen Lean-Ansatz und dem Product Design Sprint .

Eines der besten Dinge an der KI-Technologie ist, dass es sehr einfach ist, eine Basisversion einer Lösung mit echten Menschen oder MVP zu erstellen. Der Vorteil davon ist nicht nur die einfache Analyse einer Lösung, sondern auch die rechtzeitige Garantie, dass das Produkt tatsächlich eine KI-Lösung benötigt.

3. Daten vorbereiten und verwalten

Nachdem wir den Punkt erreicht haben, an dem wir wissen, dass es einen Kundenstamm für Ihre Lösung gibt und Sie das Vertrauen haben, dass die KI aufgebaut werden kann, leiten wir die Verwaltung von Machine-Learning-Projekten ein, indem wir Daten sammeln und deren Verwaltung übernehmen.

Wir beginnen damit, die verfügbaren Daten in strukturierte und unstrukturierte Formen zu unterteilen. Obwohl die Phase ziemlich einfach ist, wenn wir mit einem Startup oder einem Unternehmen zusammenarbeiten, das nicht über mehrere Daten verfügt, ist der Aufbau mehrerer angewandter KI-Lösungen für Unternehmen das, was schwierig ist. Im Allgemeinen haben große Unternehmen riesige proprietäre Datenbankdaten, die für KI bereit sein könnten, und was es noch schwieriger machen könnte, ist die Tatsache, dass die Daten möglicherweise in Silos gespeichert werden.

Unsere Data Engineers beginnen mit der Organisation und Bereinigung der Daten, wobei sie im Prinzip eine chronologische Reihenfolge definieren und bei Bedarf Labels hinzufügen.

4. Auswahl des richtigen Algorithmus

Obwohl wir, um das Wesentliche des Artikels beizubehalten, die technischen Aspekte von KI-Algorithmen hier nicht erwähnen, ist es wichtig zu wissen, dass es verschiedene Arten von Algorithmen gibt, die sich auf der Grundlage des von Ihnen durchgeführten Lernens unterscheiden.

• Überwachtes Lernen

Im Kern sagt die Klassifikation eine Bezeichnung voraus und die Regression die Menge. Wir wählen im Allgemeinen Klassifikationsalgorithmen, wenn wir die Wahrscheinlichkeit des Auftretens eines Ereignisses verstehen wollen, zB die Wahrscheinlichkeit von Regen morgen.

Andererseits verwenden wir Regressionsalgorithmen, wenn wir das Szenario quantifizieren müssen, z. B. wenn wir wissen wollen, wie wahrscheinlich es ist, dass ein Gebiet ertrinkt.

Es gibt mehrere andere Algorithmen, aus denen unsere Ingenieure je nach Projektanforderung auswählen – Naive-Bayes-Klassifizierung, Random Forest, Logistikregression und Support-Vektor-Maschine.

• Unbeaufsichtigtes Lernen

Die Wahl des Algorithmus wäre hier sehr unterschiedlich, da die Daten nicht organisiert sind oder einem bestimmten Typ folgen. Wir könnten Clustering-Algorithmen verwenden, um Objekte zu gruppieren, oder Assoziationsalgorithmen, wenn wir Verbindungen zwischen verschiedenen Objekten usw. finden.

5. Training der Algorithmen

Sobald wir den Algorithmus ausgewählt haben, fahren wir mit dem Trainieren des Modells fort, wobei wir Daten in das Modell eingeben, wobei wir die Bedeutung der Modellgenauigkeit berücksichtigen.

Unser Team von Ingenieuren versteht, dass die Festlegung des akzeptablen Mindestschwellenwerts und die Anwendung statistischer Disziplin die wichtigsten Schritte sind, um die Entwicklung von KI so zu beschleunigen , dass später nur eine minimale Feinabstimmung erforderlich ist.

Für das Training der Algorithmen und die nächsten Entwicklungsschritte beschäftigen wir Tech-Experten, die Experten in Python, R, Java und C++ sind. Je nach Projektbedarf binden wir auch Experten ein, die Julia verstehen – die Top-Sprache für die Entwicklung von Machine-Learning-Apps .

6. Bereitstellung des Projekts

Wir empfehlen unseren Partnern im Allgemeinen, sich für ihre Produkteinführungs- und Bereitstellungsanforderungen an vorgefertigte Plattformen wie Machine Learning as a Service zu wenden. Diese Plattformen werden entwickelt, um die künstliche Intelligenz zu vereinfachen und zu erleichtern und die Bereitstellungsphase eines KI-Projekts zu unterstützen . Sie bieten auch Cloud-basierte erweiterte Analysen, mit denen verschiedene Sprachen und Algorithmen hinzugefügt werden können.

[Lesen Sie auch: Erwägen Sie wichtige Schritte zum Schreiben eines meisterhaften Projektplans]

FAQs zu den Schritten des KI-Projektmanagements

F. Erste Schritte mit künstlicher Intelligenz und maschinellem Lernen

Der Prozess des KI-Projektmanagements umfasst sechs Schritte: Identifizierung des Problems, Testen der Passung der Problemlösung, Datenverwaltung, Auswahl des richtigen Algorithmus, Training des Algorithmus und Bereitstellung des Produkts auf der richtigen Plattform.

F. Was ist eine gute Idee für ein Projekt zur künstlichen Intelligenz?

KI hat in einer Reihe von Branchen Einzug gehalten. Es muss ein Anwendungsfall gefunden werden, der die Technologie so integriert, dass generierte Daten organisiert und in umsetzbare Analysen umgewandelt werden. Es ist wichtig, Ihre Erwartungen an die KI-Lösungen realistisch einzuschätzen, indem Sie sie als Werkzeug behandeln, das zur Weiterentwicklung Ihres Dienstes beiträgt, anstatt selbst zu einem Dienst zu werden.

F. Sind KI-Projekte besser als herkömmliche IT-Projekte?

Es hängt von Situation zu Situation ab. Es gibt tatsächlich einige Projekte, die mit der Einbeziehung von KI besser abschneiden, während es andere Anwendungen gibt, die durch die Integration der Technologie unnötig komplex werden. Letztendlich kommt es auf den Anwendungsfall an und wie wertgeschätzt er mit künstlicher Intelligenz werden würde.