Bei der jüngsten Veranstaltung Tesla AI Day, sagte Elon Musk, er rate von „maschinellem Lernen ab, weil es wirklich schwierig ist. Wenn man maschinelles Lernen nicht einsetzen muss, sollte man es lassen.“
Nun, Musk könnte mit seiner Einschätzung recht haben, denn maschinelles Lernen ist durchaus schwierig zu implementieren. Die meisten Unternehmen wünschen sich die Vorteile dessen, was künstliche Intelligenz für ihr Geschäft erreichen kann, aber den meisten fehlt, was nötig ist, um sie zum Laufen zu bringen. Daher scheitern derzeit bis zu 85 % der ML-Projekte.
Die zentrale Erkenntnis aus Musks verblüffender Aussage lautet, dass Unternehmen KI, zu der maschinelles Lernen gehört, nicht wie ein Teilzeitprojekt behandeln dürfen. Viele Unternehmen machen beim Versuch, KI einzusetzen, einige entscheidende Fehler. Das muss jedoch nicht so sein. Im Folgenden nennt Bin Zhao, Ph.D., Lead Data Scientist bei Datatron, fünf Anhaltspunkte für häufige Fehler bei der Implementierung von KI.
- 1. Vorsicht: Das ist keine herkömmliche Softwareentwicklung
- 2. Die Verwendung oder Standardisierung der falschen Tools kann die Produktivität von Data Scientists beeinträchtigen
- 3. IT-/DevOps-Mitarbeitern kann ML-Expertise fehlen
- 4. Vorsicht vor einer Diskrepanz zwischen den Kompetenzprofilen von Data Scientists
- 5. Verlieren Sie sich nicht zu sehr in der Faszination akademischer KI-Forschung im Gegensatz zur geschäftlichen Realität
- Ein solider Plan für den Erfolg mit ML
1. Vorsicht: Das ist keine herkömmliche Softwareentwicklung
Behandeln Sie die Entwicklung von KI/ML nicht wie herkömmliche Softwareentwicklung. Die Entwicklung von KI/ML-Modellen ist ein ganz anderer Prozess als die Softwareentwicklung, doch viele Unternehmen versuchen, den traditionellen Lebenszyklus der Softwareentwicklung zur Verwaltung von KI/ML-Modellen anzuwenden.
Der Entwicklungslebenszyklus für maschinelles Lernen (MLLC) nimmt aufgrund zusätzlicher Faktoren deutlich mehr Zeit in Anspruch, darunter die Übersetzung von KI-Algorithmen in kompatiblen Softwarecode, besondere Anforderungen an die Infrastruktur, die Notwendigkeit häufiger Modelliterationen und mehr. Im Vergleich zu herkömmlichen Programmiersprachen kann dies mehr als fünfmal so lange dauern. Das bedeutet, dass die heutigen üblichen Prozesse für die Veröffentlichung von Anwendungen schlicht nicht anwendbar sind.
2. Die Verwendung oder Standardisierung der falschen Tools kann die Produktivität von Data Scientists beeinträchtigen
Diese Art von Tool-Fehler führt zu unnötigen Verzögerungen und Ineffizienzen. In den meisten IT-Situationen können Unternehmen kontrollieren, welche Server sie kaufen, welche Softwaretools sie einsetzen, mit welchen Komponenten sie Abhängigkeiten aufbauen und so weiter.
Bei KI/ML ist das nicht so: Unternehmen müssen ihren Data Scientists erlauben, die von ihnen bevorzugten Tools zu verwenden, je nachdem, womit sie die Aufgabe ihrer Einschätzung nach am besten erledigen können. Andernfalls ist es wahrscheinlich, dass sie alle ihre Data Scientists verlieren.
3. IT-/DevOps-Mitarbeitern kann ML-Expertise fehlen
DevOps verbindet Softwareentwicklung und Betrieb mit dem Ziel, durch Automatisierung (z. B. CI/CD und Monitoring) die Zeit bis zur Bereitstellung von Lösungen zu verkürzen und eine gute Nutzererfahrung aufrechtzuerhalten. DevOps-Experten kennen jedoch nicht die Feinheiten der Arbeit mit ML-Modellen.
MLOps ist ein neuer Begriff, der beschreibt, wie sich DevOps-Regeln anwenden lassen, um die Erstellung, das Testen und die Bereitstellung von ML-Systemen zu automatisieren. Ziel von MLOps ist es, die Entwicklung von ML-Anwendungen mit dem Betrieb von ML-Anwendungen zu verbinden, damit Teams bessere Modelle häufiger bereitstellen können.
4. Vorsicht vor einer Diskrepanz zwischen den Kompetenzprofilen von Data Scientists
Data Scientists benötigen die richtigen Rohdaten für die Modellierung und sind hervorragend darin, Daten aufzuspüren, um die besten Modelle zur Lösung geschäftlicher Herausforderungen zu erstellen. Das bedeutet jedoch nicht, dass sie Experten für alle Feinheiten der Bereitstellung von Modellen zur Zusammenarbeit mit bestehenden Anwendungen und Infrastrukturen sind. Dies führt zu Reibungen zwischen ihnen, dem Engineering-Team und den Führungskräften des Unternehmens und damit zu einer geringen Arbeitszufriedenheit der Data Scientists.
Obwohl sie hochqualifiziert und bestens ausgebildet sind, müssen sie sich bei Bereitstellung und Produktivbetrieb auf andere verlassen, was auch bedeutet, dass sie nicht schnell iterieren können. Und da die Projekte an das Engineering-Team übergehen, dem die ML-Kompetenzen fehlen, übersehen dessen Mitglieder leicht Details – insbesondere wenn das Modell keine genauen Vorhersagen liefert.
5. Verlieren Sie sich nicht zu sehr in der Faszination akademischer KI-Forschung im Gegensatz zur geschäftlichen Realität
Die akademische KI-Forschung konzentrierte sich historisch auf die Entwicklung von Modellen und Algorithmen. Nur begrenzte Anstrengungen flossen in die iterative Verbesserung von Datensätzen für ein bestimmtes Geschäftsproblem, die Operationalisierung eines Modells für maschinelles Lernen oder die Überwachung von Modellen im Produktivbetrieb.
Der Aufbau und die Bereitstellung eines Modells für maschinelles Lernen zur Lösung eines Problems aus der realen Welt umfasst weit mehr als die Entwicklung des Algorithmus selbst.
Ein solider Plan für den Erfolg mit ML
Die Operationalisierung von ML-Modellen ist schwierig, aber nicht unmöglich. Ein neuer Entwicklungslebenszyklus für Modelle wird den Prozess der Modellentwicklung und des Modellbetriebs optimieren. Er unterstützt Data Scientists, Engineering-Teams und andere beteiligte Gruppen dabei, rechtzeitig wirksame Entscheidungen zu treffen. Außerdem hilft er Teams, die Risiken im Produktivbetrieb zu reduzieren. Ein leistungsfähiges Tool für die Modell-Governance kann ebenfalls helfen, indem es Prozesse standardisiert, die Governance vereinfacht und Risiken deutlich reduziert.
Über den Autor:
Bin Zhao, Ph.D., Lead Data Scientist bei Datatron