Getting Started: KI zum Nutzen der Industrie vorantreiben

Wichtig ist das Verständnis der verschiedenen Rollen und Fähigkeiten, die für ein Künstliche-Intelligenz (KI)-Projekt in der Industrie erforderlich sind [1]. Die Spezialisten aus dem Institut für Produktionsmanagement, Technologie und Werkzeugmaschinen (PTW) der Technischen Universität Darmstadt beschreiben im Beitrag sowohl die Vorgehensweise als auch die Zusammenarbeit der Rollen in den einzelnen Projektphasen. Das Vorgehen basiert auf der konsolidierten Methodik des „Cross Industry Standard Process for Data Mining“ (CRISP-DM) und seiner Erweiterung, der „Data Mining Methodology for Engineering Applications“ (DMME).

Wichtige Voraussetzung: das KI-Team passend zusammenstellen

Insbesondere das Aufstellen des geeigneten Projektteams und die Zusammenarbeit in dieser Arbeitsgruppe sind anspruchsvoll. Vorgestellt werden die wesentlichen Rollen und Fähigkeiten, die für den Aufbau eines solchen KI-Teams erforderlich sind, und ihre Aufgaben in jeder Projektphase. Um geeignete Mitarbeiter für ein KI-Projekt zu identifizieren und die Verantwortlichkeiten hervorzuheben, die jeder Mitarbeiter im Laufe des Projekts innehat, sollten die notwendigen Rollen und Fähigkeiten vorab beschrieben werden [2].

Folgende Rollen werden unterschieden: Der Projekt-Sponsor, der Domänenexperte, der Data Scientist und der Software-Ingenieur. Es ist möglich, dass ein Mitarbeiter mehr als eine Rolle übernehmen kann. Der Projekt-Sponsor sorgt dafür, dass das Projekt über genügend Ressourcen und Sichtbarkeit innerhalb des Unternehmens verfügt, und stellt sicher, dass es mit der Strategie des Unternehmens konform geht. Aufgrund der hierfür benötigten Expertise und Entscheidungsgewalt sollte er Teil des Top-Managements sein [3]. Der Domänenexperte ist ein Mitarbeiter, der produktionsnah arbeitet und mit dem Betrieb, den Prozessen und dem Anwendungsfall vertraut ist. Er ist verantwortlich für die Erläuterung des Anwendungsfalls und die Identifizierung relevanter Datenquellen. Letztendlich bringt der Domänenexperte die Hypothesen über Zusammenhänge in das Projekt ein. Dadurch kann der Data Scientist deutlich zielgerichteter vorgehen.

Der Data Scientist schließlich kann Daten für Geschäftsentscheidungen untersuchen. Er kennt die relevanten Datenanalysemethoden und deren Einsatzmöglichkeiten. Er verfügt über Kenntnisse zur Implementierung von Algorithmen, ist auf dem neuesten Stand der Forschung und kann Ideen aus akademischen Veröffentlichungen umsetzen. Der Software-Ingenieur ist für die Operationalisierung des KI-Modells verantwortlich. Er kennt die IT-Infrastruktur des Unternehmens und verfügt über Kenntnisse in den Bereichen API-Entwicklung, Webentwicklung und Cloud-Computing.

Zusammenarbeit im Projekt, Phasen und Rollenverteilung

Das CRISP-DM ist ein Prozessmodell zur Durchführung von Data-Mining-Projekten, das sowohl von der Branche als auch von der verwendeten Technologie unabhängig ist [4]. Die Methodik umfasst sechs Phasen, die iterativ durchgeführt werden. Die Rollen und Phasen sind in Bild 1 dargestellt. Ausgefüllte Pfeile in der Rollendarstellung repräsentieren eine aktive Beteiligung der Rollen in der jeweiligen Phase, während die Rollen in den gestrichelten Abschnitten lediglich beratend zur Seite stehen. Im Folgenden werden die Vorgehensweise und die Zusammenarbeit der Rollen in den einzelnen Projektphasen erläutert.

Geschäftsverständnis: Hier werden Fragen bezüglich der Durchführbarkeit des Projekts beantwortet. Zuerst wird kritisch analysiert, ob der zu optimierende Prozess Verbesserungspotenzial birgt. Ein Risiko bei der Einführung von KI besteht darin, schlecht konzipierte oder veraltete Prozesse zu überladen [5]. Bei manchen Geschäftsmodellen ist es auch von Bedeutung zu prüfen, ob die Nutzer oder Kunden bereit sind, ihre Daten zu teilen oder letztlich die entwickelte Lösung zu verwenden oder, ob benötigte Daten zugänglich sind. Rechtliche und IT-Sicherheitsaspekte dürfen bei der Lösungsentwicklung nicht vernachlässigt werden [6]. Die Geschäftsverständnisphase erfordert die Beteiligung aller Stakeholder, um die Projektziele zu definieren und eine gemeinsame Projektsicht zu schaffen.

Technisches Verständnis: In dieser Phase erläutern die Domänenexperten dem Data Scientist die Systemstruktur, den Prozess und die damit verbundenen Parameter. Diese Zusammenarbeit führt zu den technischen Zielen und Erfolgskriterien sowie zu einem gemeinsamen Verständnis des technischen Systems und der Aussagekraft der Datenquellen. Falls zusätzliche Daten benötigt werden, werden entsprechende Messkonzepte und Versuchspläne erstellt [4].

Technische Realisierung: Der Domänenexperte, der Data Scientist und der Softwareingenieur sind an der technischen Realisierung beteiligt, um durch die Auswahl der Datenerfassungsmethoden einen technischen Versuchsaufbau zu entwickeln und den Versuchsplan durchzuführen. Der Domänenexperte trägt mit Prozess- und Anwendungsfallkenntnissen, der Softwareingenieur mit Kenntnissen der IT-Infrastruktur des Unternehmens und der Data Scientist mit dem Know-how über Datenerfassungsmethoden bei.

Datenverständnis: Die Datenverständnisphase wird vom Data Scientist geleitet, der eine erste Analyse der verfügbaren Daten durchführt und zusammen mit dem Domänenexperten die ersten Hypothesen formuliert. Zunächst werden die Daten konsolidiert, beschrieben, durch eine so genannte explorative Datenanalyse bewertet und visualisiert.

Datenvorbereitung und Modellierung: Die Datenvorbereitung ist eine zeitaufwendige Phase, in der Daten ausgewählt, bereinigt und für die Modellierung vorbereitet werden. Der Data Scientist führt die Datenvorbereitungs- und Modellierungsphasen durch und stimmt sich mit den anderen Beteiligten ab, wenn Fragen geklärt und Ergebnisse validiert werden müssen. Die Modellierung beginnt mit der Analyse und Auswahl geeigneter Methoden und einer Überprüfung ihrer Anforderungen. Je nach gewählter Modellierungstechnik kann es notwendig sein, die vorliegende Datenbasis anzupassen oder zu erweitern. Die Modellierungsphase setzt sich in einem iterativen Zyklus aus dem Training des Algorithmus, der Bewertung der Ergebnisse und der Anpassung der Parameter. Bei der Modellbewertung wird die Qualität des Modells bezüglich statistischer Metriken und technischer Größen wie Rechenzeit und Latenz bewertet.

Evaluierung: In der Evaluierungsphase wird bewertet, inwieweit das Modell die Geschäftsziele erfüllt. Hier wird die Entscheidung getroffen, ob die Entwicklungsphase abgeschlossen ist und in die Umsetzung übergeht oder weitere Iterationen initiiert werden. An dieser Phase sind hauptsächlich der Data Scientist, der Domänenexperte und der Projektsponsor beteiligt.

Technische Implementierung: Diese Phase umfasst die Einrichtung der notwendigen Infrastruktur zur Integration der Lösung in das IT-System des Unternehmens und Schulungen der Mitarbeiter [6]. Die technische Implementierung und die Umsetzung werden durch den Software-Ingenieur, den Domänenexperten und den Data Scientist realisiert.

Umsetzung: Ziel der Umsetzung ist es, das funktionale und evaluierte KI-Konzept in der Produktion zu implementieren. Hierbei müssen neben technischen auch unternehmensorganisatorischen Aspekten, sowie Anforderungen der IT-Sicherheit und Datenschutzaspekte berücksichtigt werden. Der Domänenexperte, der Data Scientist und der Software-Ingenieur sind in dieser Phase beteiligt.

Fazit: Interdisziplinäres Vorgehen ist für KI-Projekte elementar

In diesem Beitrag wurden die für die Durchführung eines KI-Projekts erforderlichen Rollen und Fähigkeiten beschrieben und mit den einzelnen Projektphasen verknüpft. Die Methodik in sechs iterativen Phasen führt dabei zum Ziel, das KI-Konzept in der Produktion erfolgreich zu verankern. Die zentralen Aufgaben der Phasen des CRISP-DM-Prozessmodells und seiner Erweiterung DMME wurden erläutert, um die Interdisziplinarität von KI-Projekten deutlich zu machen.

Literatur

1. Stanula, P.; Ziegenbein, A.; Metternich, J.: Machine learning algorithms in production: A guideline for efficient data source selection. Procedia CIRP (2018) 78, S. 261–266.
2. Saltz, J. S.; ,Grady N. W.: The ambiguity of data science team roles and the need for a data science workforce framework. IEEE International Conference on Big Data (2017), S. 2355–2361.
3. Ransbotham, S.; Khodabandeh, S.; Fehling, R.; LaFountain, B.; Kiron, D.: Winning With AI. MIT Sloan Management Review and Boston Consulting Group, 2019.
4. Huber, S.; Wiemer, H.; Schneider, D.; Ihlenfeldt, S.: DMME: Data mining methodology for engineering applications – a holistic extension to the CRISP-DM model. Procedia CIRP 79 (2019), S.403–408.
5. Ransbotham, S.: Don’t Let Artificial Intelligence Supercharge Bad Processes. MIT Sloan Management Review, 2018.
6. Hildesheim, W.; Michelsen, D.: Künstliche Intelligenz im Jahr 2018 – Aktueller Stand von branchenübergreifenden KI-Lösungen. Berlin: Springer-Verlag, 2019, S. 119–142.

Das könnte Sie auch interessieren:

Wie Künstliche Intelligenz Einzug in den Fertigungsprozess hält

Maschinelles Lernen unterstützt die Qualitätskontrolle