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 ca. 50% 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.
Herausforderungen
- 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
Der Begriff: 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.
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.
