![](\"https:\/\/www.artefact.com\/wp-content\/uploads\/2019\/12\/margaret-weir-524923-unsplash-scaled-1.jpg\" "\\"data-driven\\"")
<\/span><\/div><\/div><\/div>NACHRICHTEN \/ KI-TECHNOLOGIE<\/p>\n<\/div>
Artefact hat die Methoden der schlanken Produktion angepasst, um die sieben Quellen der Verschwendung zu beseitigen, die traditionell in artificial intelligence-Projekten auftreten.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
Artefact hat die Methoden der schlanken Produktion angepasst, um die sieben Quellen der Verschwendung zu beseitigen, die traditionell in artificial intelligence-Projekten auftreten.<\/span><\/p>\n Diese Richtlinien wurden entwickelt, um Fallstricke zu vermeiden und die Verarbeitung zu optimieren, aber sie k\u00f6nnen angepasst werden.<\/span><\/p>\n Sie sorgen f\u00fcr eine optimierte Markteinf\u00fchrungszeit, kontinuierliche Lieferung, reibungslose Zusammenarbeit und schnelle Entscheidungsfindung, um den Gewinn zu maximieren.<\/span><\/p>\n In seinem Buch Das Design der allt\u00e4glichen Dinge<\/em>, Don Norman stellt fest, dass der technologische Fortschritt entweder von den Technologien selbst oder von der Standardisierung herr\u00fchrt. Er veranschaulicht dies anhand der Geschichte des Automobils. Die ersten Autos waren alle unterschiedlich, was ihre Bedienung schwierig machte und Kraft und besondere F\u00e4higkeiten erforderte. Im Laufe der Zeit wurden sie jedoch immer mehr standardisiert. Alle Autos haben jetzt Lenkr\u00e4der, Blinker und Schalthebel an denselben Stellen und erf\u00fcllen dieselbe Funktion. Durch die Standardisierung dieser Schl\u00fcsselelemente kann ein Fahrer jedes Auto \u00fcberall auf der Welt fahren. Diese Art der Standardisierung hat die meisten gro\u00dfen technologischen und funktionalen Fortschritte erm\u00f6glicht.<\/span><\/p>\n Lean AI hat sich zum Ziel gesetzt, \u00f6kosystembasierte technologische Bausteine oder data-Produkte zu entwickeln, auf denen das Unternehmen eine nachhaltige KI-Strategie aufbauen kann.<\/strong> <\/span><\/p>\n Ziel ist es, den data-Teams eine Bibliothek mit technologischen Standardkomponenten zur Verf\u00fcgung zu stellen, damit Projekte mit denselben technischen Merkmalen nach demselben Ansatz bearbeitet und in das \u00fcbrige \u00d6kosystem integriert werden k\u00f6nnen.<\/span><\/p>\n Um wiederverwendbar zu sein, muss KI wie eine Lego-Struktur \u201cverpackt\u201d werden, die aus mehreren Bausteinen besteht, die zusammengesetzt ein komplexeres Modell ergeben. Das artificial intelligence-Modell st\u00fctzt sich auf eine Basis gemeinsamer Nenner - generische data-Produkte -, die f\u00fcr das ordnungsgem\u00e4\u00dfe Funktionieren der KI unerl\u00e4sslich, aber nicht spezifisch f\u00fcr das zu l\u00f6sende Problem sind. Spezialisierte data-Produkte k\u00f6nnen dann bei Bedarf erstellt werden, um die spezifischen KI-Produktanforderungen zu erf\u00fcllen.<\/span><\/p>\n Uber baut seine gemeinsamen Nenner aus, indem es eine data-Wissenschaftsplattform namens Michelangelo schafft. Die Plattform zielt darauf ab, Produktionsprobleme zu l\u00f6sen, indem Arbeitsabl\u00e4ufe standardisiert und data Codeschnipsel geb\u00fcndelt werden, um data-Zentren dabei zu helfen, Wissen zu teilen und zu verbreiten.<\/span><\/p>\n Im Einzelhandel sind der Kunde und das Gesch\u00e4ft bei den meisten Projekten gemeinsame data-Quellen. Sie sind generische data-Quellen, die von spezialisierten data-Produkten wie Empfehlungsalgorithmen oder Algorithmen zur Sicherstellung der Lagerverf\u00fcgbarkeit verwendet werden k\u00f6nnen.<\/span><\/p>\n Dieser Ansatz hat mehrere Vorteile:<\/span><\/p>\n Vor allem erm\u00f6glicht es den Teams, sich auf die wesentlichen 20% der Facharbeit zu konzentrieren, die den Wert des Endprodukts steigern werden.<\/b><\/p>\n 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.<\/span><\/p>\n Die Arbeit der data-Teams h\u00f6rt nicht auf, wenn das Modell erstellt ist, sondern wenn die gesch\u00e4ftlichen KPIs erf\u00fcllt sind. Dazu geh\u00f6rt, dass der Algorithmus allen Endbenutzern zur Verf\u00fcgung gestellt wird.<\/span><\/p>\n 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 k\u00f6nnen. Google entwickelt APIs f\u00fcr maschinelles Lernen, die geschaffen werden, um die Nutzung der KI-Produkte von Google zu erweitern und eine breite Akzeptanz zu f\u00f6rdern. Das Ziel von data-Produkten ist es, einer viel gr\u00f6\u00dferen audience als der, f\u00fcr die die Komponente urspr\u00fcnglich entwickelt wurde, zu nutzen.<\/span><\/p>\n Ein maschinelles Lernmodell zur Vorhersage der Lagerverf\u00fcgbarkeit f\u00fcr eine bestimmte EAN (European Article Number) kann f\u00fcr einen Einzelh\u00e4ndler \u00e4u\u00dferst n\u00fctzlich sein. Wenn der Einzelh\u00e4ndler es jedoch \u00fcber eine standardisierte API in ein Dashboard einspeist, das dem gesamten Unternehmen zur Verf\u00fcgung steht, ist es noch viel leistungsf\u00e4higer. 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.<\/span><\/p>\n Sobald das data-Produkt an die verschiedenen Bereiche des Unternehmens verteilt wurde, m\u00fcssen wir die Akzeptanz messen und die Leistung steigern.<\/span><\/p>\n Artefact empfiehlt die Implementierung eines KI-Analyse-Tools, das von den Produktverantwortlichen kontrolliert wird, um Verbesserungen zu f\u00f6rdern.<\/b><\/p>\n Einige der KPIs von AI Analytics:<\/span><\/p>\n Um die Produktnutzung durch echte Menschen zu verstehen, muss der Produktverantwortliche Zeit mit den Menschen verbringen. Daher sind Immersionssitzungen mit Gesch\u00e4ftsteams besser als das Versenden von Benutzerumfragen. Der KI-Produktverantwortliche sollte als Ethnograph fungieren und beobachten, wie das entwickelte Tool in seinem Arbeitsumfeld genutzt wird.<\/span><\/p>\n Diese Methodik ist eine bew\u00e4hrte Best Practice f\u00fcr die Entwicklung digitaler Produkte. Pierre Fournier, Head of Product bei ManoMano, empfiehlt Produktverantwortlichen, \u201cPopcorn-Freitage\u201d 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 k\u00f6nnen sich die Produktverantwortlichen mit den Nutzern identifizieren, was die Entscheidung \u00fcber Anpassungen erheblich erleichtert.<\/span><\/p>\n \n<\/div><\/div><\/div><\/div><\/div><\/p>","protected":false},"excerpt":{"rendered":" Artefact hat die Methoden der schlanken Produktion angepasst, um die sieben Quellen der Verschwendung zu beseitigen, die traditionell in artificial intelligence-Projekten auftreten.<\/p>","protected":false},"featured_media":5560,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995],"blog-language":[2991],"class_list":["post-5559","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-ai-technology","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog\/5559","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media\/5560"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media?parent=5559"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-category?post=5559"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-language?post=5559"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Lean AI bietet einen zweiteiligen Rahmen, um dieses Problem anzugehen:<\/span><\/strong><\/h3>\n
\n
Optimierung der Produktionskette durch die Entwicklung von Standard-data-Produkten<\/span><\/h3>\n
Standardisierung: Der wichtigste Weg zur Umsetzung des technologischen Fortschritts<\/span><\/strong><\/h3>\n
Data-Produkte als standardisiertes intelligentes Lego<\/span><\/strong><\/h3>\n
\n
Ein klarer Schwerpunkt auf dem Einsatz von data-Produkten auf der letzten Meile<\/span><\/h3>\n
Der Vertrieb von data-Produkten<\/span><\/strong><\/h3>\n
KI-Analytik<\/span><\/strong><\/h3>\n
\n
Der KI-Produktverantwortliche muss ein Experte f\u00fcr menschliches Verhalten werden<\/span><\/strong><\/h3>\n