Von der Idee zur Umsetzung: Eine KI-Fabrik werden

Künstliche Intelligenz (KI) wird als der wichtigste Hebel für Wettbewerbsvorteile angesehen. Das data lügt nicht: Es hat sich ein fast 25% Anstieg bei der Nutzung von KI in Unternehmen im Vergleich zum Vorjahr, wobei 63% der Führungskräfte zustimmen, dass dies zu Umsatzsteigerungen geführt hat. Die globale Pandemie hat dies nur noch stärker in den Fokus gerückt. Die Unternehmen, die florieren und überleben werden, sind diejenigen, die in der Lage sind, die richtigen KI-Lösungen zu übernehmen und sie schnell und effizient einzusetzen und zu skalieren.

Doch wie alle Neuerungen bringen auch KI-Initiativen neue Herausforderungen mit sich. Die Umsetzung ist mit vielen Fragen verbunden - vor allem mit der Frage, wie Sie den richtigen data-Ansatz wählen können, um KI-Initiativen schnell und effizient, ohne Misserfolge und auf lange Sicht umzusetzen. Der Ansatz der ‘AI Factory’ wurde genau aus diesem Grund entwickelt.

Die KI-Fabrik ist ein organisatorisches Betriebsmodell, das verschiedene Talente, Fähigkeiten und Prozesse auf systematische Weise kombiniert, um den Erfolg beim Einsatz und der Skalierbarkeit von KI zu gewährleisten. Dieses Modell wird von Branchenführern wie Carrefour und ENGIE um transformative KI-Projekte in ihren Unternehmen durchzuführen. Doch der Aufbau einer effektiven KI-Fabrik von Grund auf kann entmutigend sein. Sie brauchen Expertenteams und eine klare Vision, damit der Prozess funktioniert.

Der erste wichtige Schritt besteht darin, eine Vision und Anwendungsfälle für Ihre KI-Fabrik zu definieren. Dies wird Ihre data-Strategie sein. Es müssen die Anwendungsfälle identifiziert werden, die das größte Geschäftspotenzial für die Umgestaltung des Unternehmens bieten. Ob es um die Optimierung der Lieferkette oder das Compliance-Management geht, Möglichkeiten gibt es auf allen Ebenen.

Auch die KI-Vision des Unternehmens sollte berücksichtigt werden. Es ist wichtig, sich vorstellen zu können, wie sie sich entwickeln könnte, sie zu planen und eine klarsichtige Vorstellung von der Zukunft zu haben. Zeichnen Sie aus einem vorläufigen Gesamtüberblick eine verfeinerte Version, die auf data und KI anwendbar ist.

Als nächstes müssen die konkreten Geschäftsmöglichkeiten durch die Identifizierung und Sortierung von Anwendungsfällen bewertet werden. Dazu werden die Auswirkungen auf das Geschäft und die Komplexität der Implementierung bewertet. Dabei ist es wichtig, sich auf die Denkweise zu konzentrieren, um den Wandel in großem Maßstab zu bewältigen und alle einzubeziehen, von der Unternehmensführung bis zu den Mitarbeitern an der Front.

Sobald die data-Strategie und die KI-Vision des Unternehmens definiert sind, sollten Sie eine Liste mit Prioritäten für die zu implementierenden Anwendungsfälle haben. Aber wie können Sie mit der Arbeit daran beginnen? Eine effektive AI Factory-Implementierung basiert auf vier verschiedenen Säulen:

Eine einzige Verwaltung

Um effizient zu sein, muss die Governance auf höchster Ebene angesiedelt, engagiert und maßgeschneidert sein. Ein AI Factory Board auf höchster Ebene - bestehend aus den wichtigsten data-Führungskräften der C-Suite - ist äußerst wichtig für die allgemeine Unterstützung und Ausrichtung, da es die KI-Vision teilt und die Teams und die Roadmap darauf ausrichtet. Auf der Ebene des Programmmanagements sollte ein AI Factory Director eingesetzt werden, der Experten aus den Bereichen Business, Operations, Recht, Sicherheit und IT data einbezieht. Ihre Aufgabe sollte es sein, den Fortschritt zu überprüfen, zu vermitteln und zu validieren.

Auf der operativen Ebene schließlich müssen agile Teams gebildet werden. Feature Teams sind für die Bereitstellung von Anwendungsfällen mit KI-Produkten verantwortlich. Sie sind eng zusammengeschlossene Einheiten, die gemeinsam arbeiten, um einen ständigen Informationsfluss und Transparenz zu gewährleisten. Am wichtigsten ist, dass sie multidisziplinär sind und Fähigkeiten und Fachwissen aus dem gesamten Unternehmen vereinen. Sie sind leistungsorientiert und haben jeweils ein einziges Ziel: einen Anwendungsfall zu liefern, der an einem einzigen Ziel gemessen wird.

Organisierte, vielfältige und kompetente Teams

Um die Effizienz zu steigern, sollten strukturierte Organisationen Geschäfts-, data-, Software- und Digitaltechnik-Fähigkeiten in hybriden, auf agilen Methoden basierenden Teams zusammenführen. Agilität gewährleistet eine flexible und anpassungsfähige Arbeitsweise und vermeidet Probleme, die mit einem Silo-Ansatz verbunden sind, wie z.B. isolierte Abteilungen innerhalb derselben Struktur oder allzu starre Verfahren. Dies erfordert eine gute Mischung aus geschäftlichen und technischen Profilen, um sicherzustellen, dass das, was auf der technischen Seite entwickelt wird, immer einen nützlichen Zweck erfüllt und den geschäftlichen Anforderungen entspricht.

Skalierbarkeit ist eine wichtige allgemeine Eigenschaft der Zusammensetzung eines Teams. Die Idee ist, dass seine Struktur leicht dupliziert werden kann, wie Lego-Steine. Bei einem vollständig skalierbaren Modell können weitere Teams hinzugefügt werden, um zusätzliche Anwendungsfälle zu bearbeiten.

Fortgeschrittene KI-Technologien

Natürlich benötigt eine effektive KI-Implementierung eine Grundlage aus KI-fähigen Technologien. Eine KI-Fabrik verwendet eine Kombination aus Open-Source-, proprietären und cloud-Lösungen. Sie sollten über die gesamte data-Pipeline - von der Aufnahme bis zur Visualisierung - von Anfang bis Ende nach bewährten Verfahren standardisiert werden.

Systematische und bewährte Methoden

Systematisierung ist notwendig, um sicherzustellen, dass eine Reihe von Schritten immer in einer bestimmten Reihenfolge durchgeführt wird, wobei jeder Schritt ein bestimmtes Ziel hat. Die Vorteile sind zweifach. Erstens ergibt sich dadurch eine Gesamtstruktur mit gemeinsamen Referenzen, die ein Rückgrat bildet, das Konsistenz garantiert. Zweitens werden die Methoden dadurch replizierbar und skalierbar, was die Einführung der Industrialisierungsphase erheblich beschleunigt.

MLOps: Die Fabrik am Laufen halten

Neben einer festgelegten Anwendungsfall-Methodik müssen MLOps (Machine Learning Operations) Praktiken eingesetzt werden, um die Lücke zwischen der Konzeptphase und der Produktion zu schließen. In Anlehnung an den DevOps-Prozess sollten dabei Softwareentwicklung und IT-Betrieb kombiniert werden, um den Entwicklungslebenszyklus zu verkürzen.

Der Zweck von MLOps ist die Bewältigung von Herausforderungen, die traditionelle kodierte Systeme nicht haben. Die erste Herausforderung ist die Zusammenarbeit zwischen den Teams: Die verschiedenen Abteilungen sind oft isoliert und besitzen unterschiedliche Teile des Prozesses. Dies verhindert die Einigkeit, die für die Produktion erforderlich ist.

Der zweite Punkt ist das Pipeline-Management, denn ML-Pipelines sind komplexer als herkömmliche Pipelines. Sie haben spezifische Eigenschaften, darunter Bausteine, die während der Produktion getestet und überwacht werden müssen.

Das letzte Hindernis ist, dass ML-Modelle in der Regel mehrere Iterationen benötigen. Wenn sie manuell und ad hoc in die Produktion gehen, werden sie starr und lassen sich nur schwer aktualisieren.

Stattdessen sollte ein MLOps-Ansatz alle ML-Assets in eine Continuous Integration and Continuous Delivery Pipeline (CICD) einbetten, um schnelle und nahtlose Rollouts sicherzustellen. Alle data, Funktionen und Modelle sollten vor jeder neuen Version getestet werden, um Qualitäts- oder Leistungsabweichungen zu vermeiden. Alle Beteiligten sollten an einem Strang ziehen und bei wissenschaftlichen data-Projekten bewährte Software-Engineering-Verfahren anwenden - Versionierung, Bereitstellungsumgebungen, Tests.

Letzten Endes ist MLOps die Disziplin, ML-Projekte auf eine Art und Weise zu verwalten, die mit allen anderen Produktionselementen in Einklang steht. Sie sichert eine effiziente technische Umsetzung vom frühen Stadium des Anwendungsfalls (erste Modelle) bis zur Industrialisierung des Anwendungsfalls.

Ein Rahmen für den Erfolg

KI birgt ein enormes Versprechen, aber auch ein großes Risiko für Unternehmen, die sie nicht richtig einsetzen können. Der eigentliche Vorteil des KI-Fabrikmodells besteht darin, dass es ein Kerngerüst für eine schnelle und erfolgreiche Implementierung schafft. Prozesse, Teams und Tools sind von Natur aus übertragbar und wiederholbar, was bedeutet, dass ein Unternehmen bei der Verfolgung seiner KI-Vision agil bleiben kann. Sobald der Prozess etabliert ist und von MLOps unterstützt wird, hat ein Unternehmen alles, was es braucht, um ein KI-Powerhouse zu werden.