0511 874 590 50 info@agile-im.de

Künstliche Intelligenz (KI) und sein Teilgebiet Machine Learning (ML) durchdringen weiter vehement alle Lebens- und Arbeitsbereiche. Nach den Themen des ersten Teils (1. bis 3.) spüren wir nun in diesem zweiten Teil weiter den aus unserer Sicht wesentlichen Trends (4. bis 6.) nach:

  1. KI Forschung & Innovation…
  2. …versa Praxistauglichkeit
  3. Budgets im Aufwind
  4. KI / ML Spezialisten
  5. Daten sind das neue Öl
  6. Industrialisierung – Machine Learning DevOps
  7. Architekturen, Open Source und Ökosystem
  8. KI / ML Infrastruktur
  9. Ergonomie, Transparenz, Erklärbarkeit

Wir freuen uns über einen persönlichen Austausch hierzu.

 

Faktor 4: KI / ML Spezialisten

Die massiv wachsenden Aktivitäten rund um Künstliche Intelligenz steigern zwangsläufig den Bedarf an qualifizierten KI / ML Spezialisten. – Die Rollen befinden sich noch in einem Findungsprozess, vorherrschend ist häufig der Data Scientist, wobei der Data Engineer stark an Bedeutung gewinnt. – Wir haben uns vorläufig für folgende Rollen entschieden (- siehe auch: KI / ML Vorgehen & Methoden):

Die universitären und berufsbegleitenden Aus- und Weiterbildungsmöglichkeiten wachsen zwar stetig, aber das Angebot wird dem Bedarf auf Sicht, kurzfristig sogar zunehmend hinterherhinken. Unternehmen sollten daher auch die berufsbegleitende Weiterbildung und das „Training on the job“ in Projekten für Quereinsteiger focieren.

Verbindung zu aktuellen ForschungsthemenAuto ML (- oder auch „Meta Learning“, „Lernen zu Lernen“ -) wird häufig als ein Lösungsansatz für diesen Engpass genannt. Tatsächlich hat sich die Automatisierung von reiner Hyperparameter Suche, über die Optimierung ganzer ML Pipelines bis hin zum Modell Design ausgeweitet (- diverse Quellen: 123456).

Unserer Meinung nach ist Auto ML in der Anwendungspraxis vorläufig erst einmal für Einsteiger(probleme) geeignet und um spezielle, einzelne Schritte im Modell Design zu beschleunigen. Bei langen Trainingszeiten oder komplexen Aufgaben und Daten wird auf Sicht noch eine Menge Wissen, Erfahrung und manuelles Feature Design notwendig sein. Generell wird aber eine zügige Evolution im Werkzeugbereich auf lange Sicht einen leichteren Quereinstieg erlauben.

 

Faktor 5: Daten – das neue Öl

Erst mit ausreichend viel und gutem „Treibstoff“ können Daten-hungrige Modelle – insbesondere im Deep Learning – so richtig zur Entfaltung kommen. Viele Unternehmen stellen in ihren KI Initiativen allerdings derzeit fest, dass zwischen den realen Datensituationen und sogenannten Features für KI / ML Modelle eine gewisse Wegstrecke liegt:

1. Klassische Datenstrukturen und Unternehmenssysteme sind für die Unterstützung von transaktionalen Prozessen gemacht. Für KI / ML Anwendungen müssen die Informationen häufig erst aus verschiedenen Subsystemen, Kontexten, Granularitäten sowie über Strukturänderungen („Concept Drift“) hinweg zusammengeführt werden.

2. Für gestütztes Training werden hinreichend viele, mit der sogenannten „Ground Truth“ („Wahrheit“) ausgezeichnete Trainingsdaten benötigt. Hier spielen effiziente Werkzeuge und Strategien zur initialen und kontinuierlichen Auszeichnung eine wesentliche Rolle.

3. Über interne Daten hinaus können externe Zusatzdaten beziehungsweise vortrainierte Modelle hilfreich (z.B. für Machine Vision) oder sogar notwendig (z.B. für Predictive Analytics) sein, um gute Modell-Leistungen zu erreichen.

Ein durchgängiger und effizienter Prozess des Sammelns, der Transformation, Bereinigung, Konsolidierung, Anreicherung und Bereitstellung von Daten für spezifische Modelle und ihre Aufgaben ist daher zunehmend missionskritisch für erfolgreiche KI Anwendungen (- siehe auch: Data Engineering).

Verbindung zu aktuellen Forschungsthemen: In der Daten Effizienz – d.h. aus wenigen Beispielen bereits gut generalisieren zu können – erreichen KI / ML Modelle derzeit in der Regel noch nicht menschliches Niveau. Ebenso wichtig ist, sich an veränderte Muster schnell anzupassen, ohne bereits Gelerntes zu vergessen. Wir gehen davon aus, dass in diesem Thema Fortschritte zu erwarten sind (Stichworte: One Shot / Few Shot / Transfer / Online / Incremental Learning).

 

Faktor 6: Industrialisierung – Machine Learning DevOps

KI / ML ist aus den Laboren entkommen und muss sich nun für Unternehmens-Anwendungen unter echten Rahmenbedingungen bewähren. Dabei stoßen zwei durchaus verschiedene Welten aufeinander (- Achtung, pointiert):

Data Scientist stellen für spezifische Aufgabenstellungen Hypothesen auf und gestalten manuell, hoch iterativ und experimentell (- mit statistischen Mitteln -) Feature Generierung und Modelle – häufig in Einzelarbeit, lokal zum Beispiel in iPython Notebooks. Eine Aufgabe ist häufig dann abgeschlossen, wenn anhand statischer Daten ein bestimmtes Ergebnis erreicht wurde.

Moderne Software Entwickler sind bestrebt, agile Teamarbeit auf hochqualitative, stabile (- deterministische -), skalierbare Software Produkte mit hohem Mehrwert hin durch hohe Automatisierung und Reproduzierbarkeit bei Integration, Testing und skalierbaren Deployments zu unterstützen. Dabei hat die DevOps Philosophie Entwicklung und Betrieb / Wartung der Systeme in einer quasi unendlichen Lebenszyklusschleife wieder zusammengebracht, d.h. umfasst auch Überwachung und Anpassung.

Es ist für das Gelingen von Unternehmens-KI unabdingbar, aus diesen beiden Welten evolutionär eine neue Generation von Methoden, Werkzeugen und Kultur abzuleiten: Machine Learning DevOps. – Zweites Achtung: hiermit ist NICHT AI Ops gemeint, sondern gewissermaßen die umgekehrte Richtung!