Das heutige Thema ist direkt durch Diskussionen mit unseren Kunden entstanden, in denen wir ihre Bedenken herausgefunden haben. Ich werde nicht um den heißen Brei herum reden – Machine-Learning-Projekte zeichnen sich durch ein hohes Risiko aus. Nicht so wie bei Softwareentwicklung, die zwar schwierig aber viel einfacher zu planen ist, denn es gibt viele Ungewissheiten. Bei ML-Projekten weiß man ziemlich oft nicht, ob das Problem überhaupt durch Technologie gelöst werden kann, denn es wurde noch nie zuvor so gelöst. Deswegen ist es Teil der Forschung und fängt immer mit einer Durchführbarkeitsstudie an. Ganz nebenbei, falls Ihnen eine AI-Firma vorab verspricht ein untypisches Nischenproblem lösen zu können, würde ich empfehlen besonders vorsichtig zu sein. Denn es hört sich so an als ob es zu gut wäre um wahr zu sein. Es gibt einfach zu viele Fragen, Prognosen und Hypothesen die durch Beweise untermauert werden müssen.
Trotzdem lohnt sich ein Versuch zweifellos. Wenn ein Machine-Learning-Projekt gelingt können Sie Ihr Geschäft stark ankurbeln, einen Wettbewerbsvorteil gewinnen und ein neues, einzigartiges Produkt herstellen. In diesem Artikel will ich Ihnen zeigen wie man Machine-Learning-Projekte startet und verwaltet, um Risiken und Kosten zu reduzieren, aber dennoch erwartete Resultate geplant liefern kann.
Was ist Machine Learning
Machine Learning ist ein Teilbereich von Artificial Intelligence. Das Ziel ist es Algorithmen zu entwickeln, sodass Computer lernen und sich automatisch, über Zeit verbessern können. Sie sind so programmiert um Muster zu finden und im Endeffekt datenbasierte Prognosen und Entscheidungen zu treffen. Das Stichwort hierbei ist ‘automatisch’, was bedeutet dass es kein weiteres menschliches Eingreifen verlangt. Verschiedene Arten von Machine-Learning-Algorithmen werden in einer Vielzahl von Industrien und Apps angewendet, so wie medizinische Diagnosen, Versicherung, Finanzwesen, Telekommunikation und Produktion.
Die Besonderheit von Machine-Learning-Projekten
Machine-Learning-Projekte sind auf große Veränderung in der Organisation ausgerichtet – Verbesserung der Produktionsprozesse, Optimierung der Lieferkette und das Treffen besserer Geschäftsentscheidungen. Diese Projekte können auch der Grundstein für neue, bahnbrechende Produkte oder einzigartige, neue Features sein. Egal was Sie für ein Ziel haben, ob es nun die Verbesserung der Produktionseffizienz um 10% ist oder eine Prognose wie viele Weihnachtskugeln Sie dieses Jahr bestellen müssen, um den Marktanforderungen gerecht zu werden, es gibt kein Patentrezept dafür.
Unvorhersehbarkeit umfassen
Folglich zeichnen sich Machine-Learning-Projekte, sowie andere AI-Projekte, durch ein relativ hohes Risiko aus. So wie bei jeder anderen Innovation muss man bei Forschungsprojekten auch erst die Hypothesen bestätigen. Wir müssen beweisen, dass das was wir erreichen wollen überhaupt erreichbar ist. Aus diesem Grund ist es praktisch unmöglich ganz am Anfang die Zeitrahmen und Kosten der meisten Machine-Learning-Projekte einzuschätzen. Das bringt offensichtliche Probleme mit sich, wie zum Beispiel wie man den Firmenvorstand davon überzeugt den Kosten und der Unvorhersehbarkeit des Ergebnisses zuzustimmen. Dies bezieht sich nicht auf typische Projekte welche die Vorteile von Machine Learning nutzen, sowie Empfehlungssysteme, welche fertige Tools und Bibliotheken anwenden. Aber solche Projekte würde ich sowieso eher als IT-Projekte einstufen.
Das Risiko minimieren
Der Schlüssel hierbei ist es das Risiko und die Kosten zu minimieren und den Prozess so sicher wie möglich zu machen. Besonders da es außer dem Projekt selbst noch die Frage gibt welche Anbieter man wählt, was das Risiko nur noch steigert, wenn man das erste Mal zusammenarbeitet. Wir haben darüber schon in unserem früheren Blogpost Die 5 häufigsten Bedenken bei der Zusammenarbeit mit einem externen Anbieter geschrieben, wo wir generell über Themen verbunden mit der Zusammenarbeit mit Outsourcing-Firmen reflektieren. Da wir jetzt geklärt haben wie riskant der Prozess ist, reden wir darüber wie man Machine-Learning-Projekte weniger unsicher macht.
Die Stufen unseres Machine-Learning-Entwicklungsprozesses
Firmen wollen keine langfristigen Bindungen mit Anbietern eingehen, bevor sie diese nicht gut kennen – und das ist vollkommen verständlich. Wir vereinfachen dies, indem wir die Grundlage dafür geschaffen haben die Zusammenarbeit schnell abzubrechen falls etwas schief geht und der Kunde unzufrieden ist. Sie müssen keinen mehrjährigen Vertrag am Anfang der Zusammenarbeit unterschreiben und Sie können unsere Dienstleistungen vorerst austesten. Auf diesem Wege können Sie schnell überprüfen, selbst nach einem oder zwei Sprints, ob das Projekt die Chance hat ein Erfolg zu werden.
Hier erklären wir unseren Prozess, der über die Jahre entwickelt wurde, nicht nur während Projekten für Kunden sondern auch für interne Konzepte. Ich glaube dieser Weg R&D-Projekte zu verwalten hilft das Risiko für beide Seiten zu minimieren.
Phase 1: das Problem analysieren
Sie kommen mit einem Problem zu uns. Ihnen erscheint, dass Sie das Problem lösen können oder Dinge besser machen können – schneller, effektiver – z.B. mit neuronalen Netzwerken oder Deep Learning.
Da jeder Fall bei Machine Learning anders ist müssen wir so viel wie möglich über Ihre Organisation und Ihre Herausforderungen lernen. Um dies zu erreichen unterzeichnen wir eine GHV, wir führen Interviews durch und organisieren einen Workshop (der weiter im Artikel beschrieben wird). Dadurch dass wir das Problem, existierende Lösungen und das Equipment, den Bereich der automatisiert werden soll, kennen und Probendaten haben können wir eine anfängliche Idee für eine Lösung oder einen Lösungsansatz vorstellen. Diese Phase des Projektes ist völlig kostenlos und verlangt einige Informationen von Ihnen (vielleicht einige Probendaten) und 2-3 Stunden Ihrer Zeit.
Phase 2: die Durchführbarkeitsstudie
Da wir das Problem schon kennen können wir auf eigene Faust weiter forschen. In Phase zwei verbringen wir unsere Zeit damit unsere anfänglichen Annahmen und Theorien, die in Phase eins entwickelt wurden, zu prüfen. Wir führen eine Durchführbarkeitsstudie durch um einzuschätzen ob bestimmte Algorithmen und Lösungen funktionieren werden. Zum Schluss versuchen wir eine komplette, langfristige Lösung vorzuschlagen. Diese Phase dauert bis zu einer Woche.
Phase 3: in Subprojekte einteilen und mit dem ersten anfangen
Machine-Learning-Projekte können von einigen Wochen bis hin zu mehreren Monaten dauern und es ist schwierig ohne minimale Information dies richtig einzuschätzen. Um so ein Projekt effektiv zu managen versuchen wir es in Subprojekte einzuteilen die ein klares Timing, Deliverables und Einschätzungen haben. Es ist wichtig die 1-2 ersten Sprints zu definieren, denn sie erlauben es die Kernhypothese zu überprüfen. Auf diesem Weg können Sie klar erkennen ob unser gewählter Weg der richtige ist und ob er Ihr Problem lösen kann.
Ohne ein langfristiges Commitment Ihrerseits können Sie die Grundannahmen Ihres ML-Projektes prüfen, zum Beispiel wir viele Trainingsmuster gebraucht werden, wie effektiv das System/die Funktionen sein werden und ob die Resultate die Sie erwarten möglich zu erreichen sind. Zusätzlich erlaubt es Ihnen diese Methode uns schnell kennenzulernen – ob wir uns an unsere Versprechen halten, wie reaktionsfähig wir sind und ob Sie gerne mit uns zusammenarbeiten.
Aus unserer Erfahrung sind der Schlüssel zu jedem ML-Projekt Daten – nicht nur die Quantität, sondern auch die Qualität. Die ersten Sprints erlauben es uns die Herausforderungen, denen wir uns in der Arbeit mit den Daten des Kunden stellen müssen, realistisch einzuschätzen – und das ist besonders wichtig bei der Einschätzung des Projektes. Das können simple Sachen sein wie Fehler und fehlende Standardisierung der Daten bis hin zu Problemen mit der Sammlung von real-live Datensätzen die für das Projekt gebraucht werden könnten.
Auf diese Weise reduzieren wir das Risiko ‘bis aufs Minimum’ – für beide Seiten. Sie müssen keine mehrjährigen Verträge mit externen Anbietern unterschreiben und wir müssen keine Projekte einschätzen die höchst unberechenbar, also auch riskant, sind. Natürlich werden wir die komplette Produktionslösung nicht im ersten Sprint liefern, aber es ist wesentlich günstiger zu prüfen ob die Idee überhaupt machbar ist – und wie lange es dauern könnte ein komplettes System zu bauen.
Machine-Learning-Entwicklungsprozesses > das Problem analysieren (1-2 Tage) > die Durchführbarkeitsstudie (1 Woche) > in Subprojekte einteilen > Sprint → Feature (bis zu einem Monat)
Beispiele von Machine-Learning-Projekten
Machine Learning kann vielen Firmen aus verschiedenen Industrien zum Vorteil kommen. Ein paar größere Beispiele sind Mikrobiologie, Nanoelektronik, Transport (selbstfahrende Autos), Bergbau, Gesundheitswesen, Finanzdienstleistungen und Produktion.
Zum Beispiel haben wir einen Deep-Learning-Algorithmus entwickelt, der Mikroorganismen die auf Zellkulturschalen wachsen zählt und klassifiziert. Um höchste Präzision zu erreichen haben wir solche Methoden wie Deep Neural Networks, Bildverarbeitung und Objekterkennung angewendet. Sie können hier mehr über dieses Objektzählungsprojekt lesen.
Ein anderes Beispiel aus einer anderen Industrie ist unsere AI- und AR-Plattform für industrielle Prozessbegleitung. Es erlaubt Managern die Vorteile von Augmented-Reality-Training zu nutzen indem sie es direkt anwenden. Die komplette Case Study über nsFlow finden Sie hier.
Zusammenfassung
Es ist möglich Machine-Learning-Lösungen ohne hohe Risiken und große Kosten zu entwickeln. Sie brauchen kein Multi-Millionen-Budget um zu entwickelt und das zu erreichen was Sie wollen – indem Sie es Schritt für Schritt machen. Der oben beschriebene Machine-Learning-Entwicklungsprozesses wird Ihnen helfen Ihre Ziele mit einem sichereren Gefühl zu erreichen.
