Die Antwort von Lean AI auf die “sieben Verschwendungen” in Projekten der Künstlichen Intelligenz

NACHRICHTEN / KI-TECHNOLOGIE

Artefact hat die Methoden der schlanken Produktion angepasst, um die sieben Quellen der Verschwendung zu beseitigen, die traditionell in artificial intelligence-Projekten auftreten.

Artefact hat die Methoden der schlanken Produktion angepasst, um die sieben Quellen der Verschwendung zu beseitigen, die traditionell in artificial intelligence-Projekten auftreten.

Lean AI bietet einen zweiteiligen Rahmen, um dieses Problem anzugehen:

• Optimierung der Produktionskette durch die Entwicklung von Standard-data-Produkten
• Ein klarer Schwerpunkt auf dem Einsatz von data-Produkten auf der letzten Meile

Diese Richtlinien wurden entwickelt, um Fallstricke zu vermeiden und die Verarbeitung zu optimieren, aber sie können angepasst werden.

Sie sorgen für eine optimierte Markteinführungszeit, kontinuierliche Lieferung, reibungslose Zusammenarbeit und schnelle Entscheidungsfindung, um den Gewinn zu maximieren.

Optimierung der Produktionskette durch die Entwicklung von Standard-data-Produkten

Standardisierung: Der wichtigste Weg zur Umsetzung des technologischen Fortschritts

In seinem Buch Das Design der alltäglichen Dinge, Don Norman stellt fest, dass der technologische Fortschritt entweder von den Technologien selbst oder von der Standardisierung herrührt. Er veranschaulicht dies anhand der Geschichte des Automobils. Die ersten Autos waren alle unterschiedlich, was ihre Bedienung schwierig machte und Kraft und besondere Fähigkeiten erforderte. Im Laufe der Zeit wurden sie jedoch immer mehr standardisiert. Alle Autos haben jetzt Lenkräder, Blinker und Schalthebel an denselben Stellen und erfüllen dieselbe Funktion. Durch die Standardisierung dieser Schlüsselelemente kann ein Fahrer jedes Auto überall auf der Welt fahren. Diese Art der Standardisierung hat die meisten großen technologischen und funktionalen Fortschritte ermöglicht.

Data-Produkte als standardisiertes intelligentes Lego

Lean AI hat sich zum Ziel gesetzt, ökosystembasierte technologische Bausteine oder data-Produkte zu entwickeln, auf denen das Unternehmen eine nachhaltige KI-Strategie aufbauen kann.

Ziel ist es, den data-Teams eine Bibliothek mit technologischen Standardkomponenten zur Verfügung zu stellen, damit Projekte mit denselben technischen Merkmalen nach demselben Ansatz bearbeitet und in das übrige Ökosystem integriert werden können.

Um wiederverwendbar zu sein, muss KI wie eine Lego-Struktur “verpackt” werden, die aus mehreren Bausteinen besteht, die zusammengesetzt ein komplexeres Modell ergeben. Das artificial intelligence-Modell stützt sich auf eine Basis gemeinsamer Nenner - generische data-Produkte -, die für das ordnungsgemäße Funktionieren der KI unerlässlich, aber nicht spezifisch für das zu lösende Problem sind. Spezialisierte data-Produkte können dann bei Bedarf erstellt werden, um die spezifischen KI-Produktanforderungen zu erfüllen.

Uber baut seine gemeinsamen Nenner aus, indem es eine data-Wissenschaftsplattform namens Michelangelo schafft. Die Plattform zielt darauf ab, Produktionsprobleme zu lösen, indem Arbeitsabläufe standardisiert und data Codeschnipsel gebündelt werden, um data-Zentren dabei zu helfen, Wissen zu teilen und zu verbreiten.

Im Einzelhandel sind der Kunde und das Geschäft bei den meisten Projekten gemeinsame data-Quellen. Sie sind generische data-Quellen, die von spezialisierten data-Produkten wie Empfehlungsalgorithmen oder Algorithmen zur Sicherstellung der Lagerverfügbarkeit verwendet werden können.

Dieser Ansatz hat mehrere Vorteile:

• Es baut die Fähigkeit auf von Teams durch Standardisierung von Ansätzen und Aufbau interner Fähigkeiten
• Es erhöht die Qualität des Endprodukts durch Festlegung von Entwicklungsstandards und Qualitätskontrollen
• Es verbessert die Zeit bis zur Markteinführung durch die Zentralisierung von Wissen und das Lernen aus vergangenen Erfahrungen

Vor allem ermöglicht es den Teams, sich auf die wesentlichen 20% der Facharbeit zu konzentrieren, die den Wert des Endprodukts steigern werden.

Ein klarer Schwerpunkt auf dem Einsatz von data-Produkten auf der letzten Meile

Die Lean AI-Methodik legt den Schwerpunkt auf die letzte Meile der Produktionskette. Ein data-Produkt ist nur dann erfolgreich, wenn es weit verbreitet ist und von den Endverbrauchern genutzt wird.

Der Vertrieb von data-Produkten

Die Arbeit der data-Teams hört nicht auf, wenn das Modell erstellt ist, sondern wenn die geschäftlichen KPIs erfüllt sind. Dazu gehört, dass der Algorithmus allen Endbenutzern zur Verfügung gestellt wird.

Sobald zum Beispiel eine neue Komponente der Google Cloud entwickelt wird, wird sie so verpackt, dass die Nutzer der Google Cloud Platform sie problemlos nutzen können. Google entwickelt APIs für maschinelles Lernen, die geschaffen werden, um die Nutzung der KI-Produkte von Google zu erweitern und eine breite Akzeptanz zu fördern. Das Ziel von data-Produkten ist es, einer viel größeren audience als der, für die die Komponente ursprünglich entwickelt wurde, zu nutzen.

Ein maschinelles Lernmodell zur Vorhersage der Lagerverfügbarkeit für eine bestimmte EAN (European Article Number) kann für einen Einzelhändler äußerst nützlich sein. Wenn der Einzelhändler es jedoch über eine standardisierte API in ein Dashboard einspeist, das dem gesamten Unternehmen zur Verfügung steht, ist es noch viel leistungsfähiger. Dieses Dashboard kann von den Filialleitern genutzt werden, um den Fluss ihres Inventars zu verfolgen, vom Marketingteam, um seine Kampagnen auf erfolgreiche Produkte auszurichten, vom Promotion-Team, um seine Werbestrategie festzulegen, und vom Lieferteam, um die Lieferkette zu optimieren.

KI-Analytik

Sobald das data-Produkt an die verschiedenen Bereiche des Unternehmens verteilt wurde, müssen wir die Akzeptanz messen und die Leistung steigern.

Artefact empfiehlt die Implementierung eines KI-Analyse-Tools, das von den Produktverantwortlichen kontrolliert wird, um Verbesserungen zu fördern.

Einige der KPIs von AI Analytics:

• KPIs zur Nutzung (z.B. Anzahl der Benutzer des Modells)
• Technische KPIs (z.B. Modellleistung (% Fehler), Anzahl der Ausfälle in der Produktionslinie)
• Business KPIs (z.B. erzielte Einsparungen, zusätzlicher Umsatz)

Der KI-Produktverantwortliche muss ein Experte für menschliches Verhalten werden

Um die Produktnutzung durch echte Menschen zu verstehen, muss der Produktverantwortliche Zeit mit den Menschen verbringen. Daher sind Immersionssitzungen mit Geschäftsteams besser als das Versenden von Benutzerumfragen. Der KI-Produktverantwortliche sollte als Ethnograph fungieren und beobachten, wie das entwickelte Tool in seinem Arbeitsumfeld genutzt wird.

Diese Methodik ist eine bewährte Best Practice für die Entwicklung digitaler Produkte. Pierre Fournier, Head of Product bei ManoMano, empfiehlt Produktverantwortlichen, “Popcorn-Freitage” zu veranstalten, an denen sie sich Videoaufzeichnungen der User Journeys auf der Website ansehen. Am ersten Freitag des Monats werden 20 Sitzungen auf dem Zahlungsweg angesehen und am letzten Freitag des Monats 20 Sitzungen von Benutzern, die auf der Website landen. Auf diese Weise können sich die Produktverantwortlichen mit den Nutzern identifizieren, was die Entscheidung über Anpassungen erheblich erleichtert.