Wie die Erstellung eines KI-Proof-of-Concept Ihnen helfen kann, KI-Entwicklungs- und Einführungsrisiken zu minimieren

Unser Kunde verlor nur ein Viertel des Budgets, das er für ein Projekt mit künstlicher Intelligenz (KI) aufgewendet hatte, weil er sich entschied, mit einem Proof-of-Concept (PoC) zu beginnen. Der PoC ermöglichte es ihnen, ihre Idee zu testen und mit begrenzten Ausgaben schnell zu scheitern. Um Zeit und Mühe zu vermeiden, fragen Sie Ihren Berater für KI-Lösungen immer nach einem Machbarkeitsnachweis – insbesondere, wenn Ihr Unternehmen nur die KI-Gewässer testet.

Dieser Artikel erklärt, was ein KI-PoC ist, und erläutert die fünf Schritte, die Sie durch Ihren ersten PoC führen, sowie die Herausforderungen, denen Sie dabei begegnen könnten. Außerdem werden KI-PoC-Beispiele aus unserem Portfolio vorgestellt. Und Sie werden ein Happy End des im einleitenden Absatz dargestellten Beispiels finden.

Was ist ein KI-PoC und wann ist es für den Erfolg Ihres Projekts unerlässlich?

Ein KI-PoC ist ein Prototyp oder eine Demonstration einer vorgeschlagenen KI-Lösung, mit der getestet werden soll, ob die Lösung machbar und wahrscheinlich erfolgreich ist. Der Zweck der Erstellung eines KI-PoC besteht darin, das Konzept zu validieren, die potenziellen Vorteile der vorgeschlagenen Lösung zu bewerten und potenzielle Herausforderungen oder Einschränkungen zu identifizieren.

Bei einem KI-PoC wird in der Regel eine kleine Version der vorgeschlagenen KI-Lösung erstellt und in einer kontrollierten Umgebung getestet, um zu sehen, wie sie funktioniert und ob sie die gewünschten Ziele erreicht. Die Ergebnisse eines KI-PoC können dann verwendet werden, um die Entwicklung und Implementierung der Lösung weiterzuentwickeln.

Im Vergleich zu gewöhnlichen Software-PoCs kann ein KI-PoC komplexere Überlegungen beinhalten, wie z. B. die Fähigkeit der KI-Lösung, im Laufe der Zeit zu lernen und sich anzupassen, und die potenziellen ethischen Implikationen der Lösung, wie z. B. eine KI-Voreingenommenheit. Auch der Technologie-Stack für KI-PoC-Projekte ist anders.

Algorithmen für maschinelles Lernen

Diese Algorithmen ermöglichen es einem KI-System, aus strukturierten Daten zu lernen und auf der Grundlage dieses Lernens Vorhersagen oder Entscheidungen zu treffen. Es gibt viele verschiedene Arten von maschinellen Lernalgorithmen, darunter überwachte Lernalgorithmen, unüberwachte Lernalgorithmen und Verstärkungslernalgorithmen.

Neuronale Netze

Diese Rechenmodelle sind von der Struktur und Funktion des menschlichen Gehirns inspiriert. Neuronale Netze können große Mengen unstrukturierter Daten verarbeiten und analysieren. Sie können für verschiedene Aufgaben trainiert werden, z. B. Bilderkennung, Verarbeitung natürlicher Sprache, Szenariomodellierung und Vorhersage.

Robotik

Diese Technologie kann verwendet werden, um physische Systeme zu bauen, die autonom arbeiten und Entscheidungen treffen können. Robotiklösungen umfassen Sensoren, Aktuatoren und andere Hardwarekomponenten, die es Ingenieuren ermöglichen, einen Roboter zu bauen, der mit seiner Umgebung interagieren und Aufgaben ausführen kann.

Cloud Computing

Cloud-Computing-Plattformen wie Microsoft Azure, Google Cloud und AWS bieten die Rechenleistung, Speicherressourcen und vorkonfigurierten Dienste, die zur Unterstützung der Entwicklung und des Testens von KI-PoCs erforderlich sind. Diese Plattformen können auch KI-Lösungen hosten und bereitstellen, sobald sie entwickelt und getestet wurden.

Das Erstellen eines KI-PoC umfasst das Sammeln und Vorbereiten von Daten, das Erstellen und Trainieren von Modellen für maschinelles Lernen sowie das Testen und Bewerten der Leistung des KI-Systems. Die Zeit, die zum Erstellen eines KI-PoC benötigt wird, kann in Abhängigkeit von mehreren Faktoren stark variieren, darunter die Komplexität der vorgeschlagenen KI-Lösung, die für das PoC verfügbaren Ressourcen und Fachkenntnisse und die spezifischen Ziele des PoC. Einige KI-PoCs können in nur wenigen Tagen oder Wochen entwickelt werden, während andere mehrere Monate oder sogar länger dauern können.

Wann führt absolut kein Weg an einem KI-PoC vorbei?

In den folgenden Szenarien ist es wichtig, Ihr Projekt mit einem KI-PoC zu starten.

• Ihr Projekt stützt sich auf eine innovative Idee, die noch nicht getestet wurde – etwas, das auf Geschäftsebene untersucht, aber technisch nicht versucht wurde. Weder Sie noch Ihr Technologieanbieter sind sich sicher, ob es implementiert werden kann.
• Wenn Sie Stakeholdern, Investoren und anderen die Machbarkeit Ihrer Idee innerhalb eines begrenzten Zeitrahmens demonstrieren müssen. Ein KI-PoC wird die Arbeit besser erledigen als ein interaktiver Prototyp oder ähnliches.

Gibt es Situationen, in denen ein KI-PoC Zeitverschwendung ist?

Auch wenn ein AI PoC in den meisten Fällen von Vorteil ist, gibt es einige Ausnahmen. Wenn Ihr Projekt in eine der folgenden Kategorien fällt, kann ein KI-PoC übertrieben sein.

• Wenn Ihre Idee und Vorgehensweise fachlich und technisch hervorragend dokumentiert sind. Das ist selten.
• Wenn die Lösung, die Sie entwickeln möchten, Standard ist und gängigen Praktiken in der Branche ähnelt. Wir wissen bereits, dass dies technisch machbar und möglich ist.
• Wenn Sie Software erstellen möchten, die Ihre Front-End- und Back-End-Entwickler verstehen, oft weil sie bereits an etwas Identischem gearbeitet haben.

Welche Vorteile können Sie aus einem KI-PoC ziehen?

Die Verwendung eines AI PoC bringt die folgenden Vorteile.

• Identifizieren Sie potenzielle Herausforderungen, bevor Sie mehr Ressourcen für ein Unterfangen einsetzen. Ein KI-PoC ermöglicht es Ihnen, „schnell zu scheitern, besser zu scheitern“. Wenn ein Team auf Herausforderungen stößt, die es nicht bewältigen kann, haben alle Beteiligten Zeit, sich neu zu gruppieren oder vielleicht die Hypothese zu ändern, um die gleichen Ziele mit anderen Methoden zu erreichen.
• Minimierung von Geschäftsrisiken, da Sie innovative Ideen in kleinen Schritten testen, anstatt sich in ein langfristiges Projekt zu stürzen.
• Verbesserung der Datenerfassungspraktiken.
• Investoren und andere Stakeholder an Bord holen.
• Zeit und Ressourcen sparen. Ein KI-PoC kann geschäftliche oder prozessbezogene Probleme aufdecken und Ihnen Zeit geben, alles zu beheben, bevor Sie ein umfassendes Projekt starten.
• Aufbau von Fachwissen und Schaffung von Wissensbesitzern, die in Zukunft ein anderes Teammitglied bei ähnlichen Projekten betreuen werden.
• Testen des Tech-Stacks in kleinerem Maßstab, um seine Eignung für den ausgewählten Geschäftsfall zu verstehen.

Beispiele aus unserem Portfolio, bei denen ein KI-PoC den Tag gerettet hat

Hier sind einige KI-PoC-Beispiele aus dem ITrex-Portfolio, die Ihnen helfen werden, den PoC-Ansatz noch mehr zu schätzen.

Erkennen, dass ML allein nicht die Antwort ist

Ein großes Frachtlogistikunternehmen führte 10.000 bis 15.000 Sendungen pro Tag durch, und jede Sendung wurde von Frachtbriefen und Rechnungen begleitet, um den Betrieb abzudecken. Die Mitarbeiter waren erschöpft von der manuellen Handhabung der gesamten Dokumentation. Das Unternehmen wollte eine ML-basierte Lösung entwickeln, die die optische Zeichenerkennung (OCR) verwendet, um gescannte Dokumente zu verarbeiten und verschiedene Felder zu identifizieren.

Der Kunde war der Meinung, dass maschinelles Lernen die beste Lösung sei, also haben wir mit einem KI-PoC fortgefahren, um diese Annahme zu testen. Bald stellten wir fest, dass die Dokumente unterschiedlich formatiert waren und die für die Felder verwendeten Bezeichnungen sehr unterschiedlich waren – zum Beispiel hatte das Feld „Laden-ID“ allein 8 Aliase. Infolgedessen wuchs das ML-Modell weiter. Es wurde langsam und ineffizient. Unser Team entschied sich, dieses Modell mit einem dynamischen Algorithmus zu begleiten (z. B. ein Wörterbuch, in dem verschiedene Feldbezeichnungen fest codiert waren). Diese Modifikation verbesserte die Leistung der Lösung erheblich und sparte dem Kunden Zeit und Geld.

Wenn der Kunde sich entschieden hätte, den KI-PoC zu überspringen, hätte er sieben Monate verschwendet, nur um zu erkennen, dass seine ursprüngliche Idee eines rein ML-basierten Modells nicht die optimale Lösung war. Mit einem KI-PoC kamen sie zu diesem Ergebnis in nur zwei Monaten. Nach dem erfolgreichen Abschluss dieses KI-PoC haben wir ein MVP erstellt, das vier Arten von Dokumenten verarbeiten kann und rund 25 % der manuellen Verarbeitungslast übernimmt.

Überrascht von Metas Einschränkungen der Datennutzung

Ein Kunde aus der Unterhaltungsbranche wollte eine KI-gesteuerte Analyseplattform für unabhängige Musikdarsteller aufbauen. Die Lösung sollte soziale Medien, einschließlich Facebook und Instagram, crawlen, um Daten zu sammeln. Es würde all diese Informationen verarbeiten, um die Gefühle der Menschen gegenüber den Künstlern einzuschätzen. Musiker konnten sich bei der Plattform anmelden und Feedback dazu erhalten, welches Verhalten in den sozialen Medien für ihren Erfolg am vorteilhaftesten wäre.

Wir fuhren mit einem KI-PoC fort, um die Idee zu testen. Bereits nach zwei Wochen stellten wir fest, dass es einfach unmöglich war, Daten von Facebook und Instagram zu sammeln, um sie für den oben beschriebenen Zweck zu verwenden. In der Regel waren einige der Daten über die Graph-API abrufbar. Aus diesem Grund sowie einem verifizierten Geschäftskonto in Meta gingen wir davon aus, dass wir Zugang zu den erforderlichen Informationen erhalten würden. Der Kunde konnte uns jedoch kein verifiziertes Geschäftskonto zur Verfügung stellen, und die Daten aus der Graph-API allein reichten nicht aus, damit diese Lösung funktionierte.

Hätte der Kunde beschlossen, den PoC zu überspringen, hätte er rund 20.000 US-Dollar für das Entdeckungsprojekt verschwendet. Dazu gehörten eine detaillierte Beschreibung der Lösung und die Abschätzung der Entwicklungskosten. Aber als sie sich entschieden, mit einem KI-PoC zu beginnen, gaben sie nur etwa 5.000 US-Dollar aus, bevor sie herausfanden, dass die vorgeschlagene Lösung aufgrund von Datenzugriffsbeschränkungen, die von Meta erzwungen wurden, nicht ausgeführt werden konnte.

Eine Anleitung in fünf Schritten für Ihren ersten KI-PoC

Hier sind fünf Schritte, die Sie befolgen können, um Ihren KI-PoC erfolgreich zu durchlaufen. Wir listen auch die Herausforderungen auf, die mit jedem Schritt verbunden sind.

Schritt 1: Identifizieren Sie, welche Probleme Sie mit KI angehen möchten

Es ist wichtig, genau anzugeben, was Sie mit der Implementierung eines KI-PoC erreichen möchten. Der ausgewählte Anwendungsfall muss von hohem Wert sein und etwas darstellen, das Sie mit dieser Technologie am besten ansprechen können. Wenn Sie Zweifel haben, ist es ein guter Anfang, sich anzusehen, wofür andere in Ihrem Bereich KI-Lösungen verwenden. Eine andere Möglichkeit besteht darin, die Probleme Ihres Unternehmens zu untersuchen und sie mit dem Potenzial von KI zu vergleichen.

Nachdem Sie eine Liste mit Möglichkeiten zusammengestellt haben, können Sie die folgenden Fragen stellen, um festzustellen, welche derzeit am besten zu Ihrem Projekt passen.

• Ist das Problem, das Sie lösen wollen, spezifisch genug? Können Sie die Ergebnisse auswerten, um den Erfolg festzustellen?
• Haben Sie bereits versucht, dieses Problem mit anderen Technologien zu lösen?
• Haben Sie das Talent und die Mittel, um dieses Projekt bis zu seinem Ende zu unterstützen? Wenn es kein geeignetes internes Talent gibt, können Sie ein externes engagiertes Team einstellen?
• Wie wirkt sich das Problem auf Ihr Geschäft aus? Ist dieser Effekt signifikant genug, um Ihre Bemühungen zu rechtfertigen?
• Werden Sie dieses Projekt Ihren Führungskräften verkaufen können? Ist Ihre Organisation bereit, ein solches Projekt anzugehen?
• Hat Ihr Unternehmen bereits eine Datenstrategie? Wenn ja, wie passt es zu diesem Projekt?
• Was sind die potenziellen Risiken und Grenzen des Einsatzes von KI zur Bewältigung dieses Problems?

Verbundene Herausforderung

• Auswahl eines Anwendungsfalls, der keinen großen Mehrwert bringt oder nicht das volle Potenzial von KI nutzt. Künstliche Intelligenz ist eine teure Technologie, und wenn Sie sich für einen unbedeutenden Fall entscheiden, werden Sie mehr ausgeben, als Sie erhalten. Lesen Sie unseren Artikel darüber, wie viel es kostet, KI zu implementieren, um die Kosten besser zu verstehen.

Schritt 2: Bereiten Sie die Daten vor

Nachdem Sie Ihr Problem nun klar definiert haben, ist es an der Zeit, die Trainingsdaten für die KI-Algorithmen zu aggregieren und vorzubereiten. Sie können das tun, indem Sie:

• prüfen, welche Daten in Ihrem Unternehmen zur Nutzung zur Verfügung stehen
• Generierung halbsynthetischer Daten mit spezifischen vorgefertigten Anwendungen oder Ihrer eigenen Lösung
• Kauf von Datensätzen von zuverlässigen Anbietern
• Nutzung von Open-Source-Daten
• Stellen Sie Leute ein, um die Daten zu kratzen, die zu Ihrem Zweck passen.

Sie müssen sich nicht auf eine Quelle beschränken. Sie können eine Kombination aus mehreren oben aufgeführten Optionen verwenden.

Wenden Sie sich an Data Scientists, um das anfängliche Datenscreening durchzuführen. Sie werden die folgenden Aufgaben ausführen.

• Strukturieren Sie die Daten
• Reinigen Sie es, indem Sie Rauschen beseitigen
• Fügen Sie fehlende Datenpunkte hinzu, falls es sich um tabellarische Daten handelt
• Feature-Engineering durchführen (d. h. Datenfelder hinzufügen und löschen)
• Wenden Sie Manipulationen an, z. B. das Kombinieren oder Filtern von Daten

Datenwissenschaftler können Sie beraten, wie Sie zusätzliche Daten sammeln oder den Umfang des KI-PoC einschränken können, damit Sie mit den vorhandenen Datensätzen die gewünschten Ergebnisse erzielen können.

Wenn die Daten einsatzbereit sind, teilen Sie sie in drei Sätze auf:

• Ein Trainingssatz, den das Modell zum Lernen verwendet.
• Ein Validierungssatz, um das Modell zu validieren und beim Training zu iterieren.
• Ein Testsatz, der die Leistung des Algorithmus bewertet.

Verbundene Herausforderungen

• Die Trainingsdaten sind nicht repräsentativ für die Gesamtbevölkerung. In diesem Fall können Algorithmen in häufigen Fällen gut funktionieren, liefern aber in seltenen Fällen schlechte Ergebnisse. Beispielsweise könnte ein ML-Modell für das Gesundheitswesen, das Röntgenstrahlen analysiert, hervorragend darin sein, häufige Erkrankungen wie Ergüsse zu erkennen, hat aber Schwierigkeiten, seltene Erkrankungen wie einen Leistenbruch zu erkennen.
• Klassenungleichgewicht, wenn die Anzahl der Fälle, die eine Klasse repräsentieren, deutlich größer ist als die einer anderen, mit einem Verhältnis von 99,9 % zu 0,1 %.
• Falsche Kennzeichnung, z. B. Mischklassen (z. B. Kennzeichnung eines Fahrrads als Auto).
• Starkes Rauschen im Trainingsdatensatz.
• Schwierigkeit, reine Klassentrennbarkeit zu erreichen. Dies geschieht, wenn einige Daten im Trainingssatz nicht korrekt einer bestimmten Klasse zugeordnet werden können.

Schritt 3: Entwerfen und erstellen oder kaufen Sie die Lösung

Sie fragen sich wahrscheinlich, ob Sie das Modell selbst bauen sollen oder ob Sie eine vorhandene Lösung beschaffen können. Hier ist es sinnvoll, ein KI-Modell von Grund auf neu zu erstellen.

• Ihre Lösung ist innovativ und entspricht keinem bestehenden Standard.
• Vorgefertigte Lösungen sind kostspielig in der Anpassung.
• Das nächste Modell von der Stange ist übertrieben und leistet viel mehr, als Sie eigentlich brauchen.

Erwägen Sie die Anschaffung eines fertigen Modells, wenn die Kosten für den Kauf und die Anpassung des Modells geringer sind als für den Bau von Grund auf.

Wenn Sie sich entscheiden, den KI-Algorithmus von Grund auf neu zu erstellen, haben Sie mehr Kontrolle über seine Genauigkeit. Die Erledigung der Aufgabe dauert länger, wird aber auf Ihr Geschäftsproblem und Ihre internen Prozesse zugeschnitten. Sie müssen keine Änderungen an Ihrem System vornehmen, um externe Software aufzunehmen.

Bezüglich der Infrastruktur für das Algorithmentraining und die Implementierung können Sie auf die Cloud setzen, anstatt auf lokale Ressourcen zurückzugreifen. Es gibt vier Parameter, die Sie berücksichtigen können, wenn Sie entscheiden, was am besten zu Ihnen passt.

1. Sicherheit. Wenn Ihre Daten in Bezug auf die Sicherheit sehr sensibel sind, behalten Sie besser alles vor Ort.
2. Arbeitsbelastung. Wenn die Verarbeitungslast ziemlich hoch ist, entscheiden Sie sich für die Cloud.
3. Kosten. Bewerten Sie, was Sie mehr kosten wird: Erwerb der Ressourcen vor Ort oder Bezahlung der Cloud-Nutzung im Laufe der Zeit.
4. Barrierefreiheit. Wenn Sie die Lösung nur lokal nutzen, können Sie sich auf Ihre Inhouse-Server verlassen. Wenn es von verschiedenen geografischen Standorten aus zugänglich sein muss, lohnt es sich, die Cloud in Betracht zu ziehen.

Jeder Ansatz hat seine Vor- und Nachteile. Wenn Sie im Gesundheitswesen tätig sind, haben wir diese im Beitrag Cloud Computing im Gesundheitswesen in unserem Blog klar erläutert. Andernfalls können Sie sich gerne an unsere KI-Experten wenden, um den besten Technologie-Stack für das Algorithmus-Training auszuwählen.

Verbundene Herausforderungen

• Fehlendes richtiges Training. Dies führt zu Problemen wie einer schlechten Generalisierbarkeit des Modells, was bedeutet, dass das Modell keine genauen Vorhersagen für Daten trifft, die es im Training nicht gesehen hat. Um auf die Röntgenbildanalyse im medizinischen Bereich zurückzukommen: Ein Algorithmus könnte erfolgreich qualitativ hochwertige Bilder analysieren, die mit modernsten Scans erfasst wurden, aber immer noch schlecht abschneiden, wenn er auf Scans angewendet wird, die von älteren Geräten erstellt wurden.
• Integration in bestehende Systeme, von denen einige möglicherweise veraltet sind oder auf proprietären Technologien basieren.
• Das Versäumnis, eine geeignete Modellarchitektur zu finden (z. B. Unfähigkeit, das richtige ML-Modell für das vorliegende Problem auszuwählen).
• Die Leistungsfähigkeit der ausgewählten Architektur kann nicht mit den Anforderungen des Modells übereinstimmen.
• Die Eingabedaten sind volatil, was bedeutet, dass das Modell häufig neu trainiert werden muss.
• Verwenden Sie mehr Ressourcen, als Ihr Modell benötigt, um seine Aufgaben auszuführen. Es ist nicht erforderlich, in einen leistungsstarken Server zu investieren, um ein einfaches Modell auszuführen.

Schritt 4: Bewerten Sie das Wertschöpfungspotenzial des KI-PoC

In diesem Schritt geht es darum, zu bewerten, ob das KI-PoC die Erwartungen erfüllen kann. Es gibt mehrere Möglichkeiten, die Bewertung durchzuführen.

• Gehen Sie zurück zu Ihren Key Performance Indicators (KPIs) und testen Sie die Lösung anhand dieser. Diese Faktoren können Genauigkeit, Kundenzufriedenheit, Schnelligkeit, Flexibilität, Fairness und Sicherheit umfassen.
• Sammeln Sie Daten darüber, wie Ihr System vor der KI-PoC-Bereitstellung funktionierte. Dies kann die für eine bestimmte manuelle Aufgabe aufgewendete Zeit und die Anzahl der Fehler umfassen. Als Nächstes sollten Sie die Informationen verwenden, um die Auswirkungen des PoC zu bewerten.
• Vergleichen Sie die Leistung der Lösung mit anderen Produkten, die entweder als Benchmark für diese Art von Problem oder in der gesamten Branche gelten. Ein Benchmark für Probleme im Zusammenhang mit der Bildklassifizierung wäre beispielsweise ein Modell, das genaue Ergebnisse für beliebte Datensätze wie ImageNet liefert.
• Sammeln Sie Benutzerfeedback entweder durch Fokusgruppen oder Online-Umfragen, um den Grad der Zufriedenheit zu messen und festzustellen, was fehlt.
• Führen Sie eine Kosten-Nutzen-Analyse durch, um die finanziellen Auswirkungen dieser Lösung auf das Unternehmen zu verstehen.

Verbundene Herausforderungen

• Machen Sie einen Fehler in Ihrer Einschätzung. Das kann ein einfacher Rechenfehler bei Berechnungen oder ein Fehler bei der Schätzung des Geschäftspotenzials sein.

Schritt 5: Wiederholen Sie den KI-PoC, um bessere Ergebnisse zu erzielen, oder skalieren Sie ihn

Wenn die Ergebnisse, die Sie im vorherigen Schritt erhalten haben, nicht den Anforderungen entsprechen, können Sie die Lösung ändern und den gesamten Prozess wiederholen. Sie können Änderungen am ML-Algorithmus vornehmen und die Leistung bei jeder Anpassung messen. Sie können auch mit verschiedenen Hardwarekomponenten oder alternativen Cloud-Service-Modellen experimentieren.

Wenn Sie mit der Leistung des AI PoC zufrieden sind, können Sie daran arbeiten, es in verschiedene Richtungen zu skalieren. Hier sind ein paar Beispiele.

• Wenden Sie den PoC auf andere Geschäftsfälle an. Suchen Sie nach anderen Anwendungen dieser neuen Lösung in Ihrem Unternehmen. Wenn Sie beispielsweise KI als eine Anwendung der vorausschauenden Wartung testen, können Sie versuchen, sie auf andere verwandte Szenarien anzuwenden.
• Skalieren Sie die Infrastruktur. Sehen Sie sich die Technologie an, die zum Ausführen dieser Software verwendet wird. Können Sie mehr Rechenleistung oder mehr Datenspeicherkapazität bereitstellen? Solche Änderungen ermöglichen es Ihnen, mehr Daten zu verwenden, die Latenz zu verringern und möglicherweise Ergebnisse in Echtzeit zu liefern. Es wird auch die Möglichkeit von Engpässen in der Zukunft minimieren.
• Optimieren Sie die PoC-Lösung. Auch wenn Sie im vorherigen Schritt möglicherweise angemessene Ergebnisse erzielt haben, kann es sich lohnen, nach Möglichkeiten zur Verbesserung der Genauigkeit zu suchen. Sie können Ihre Algorithmen mit neuen Daten oder genauer gekennzeichneten Daten weiter trainieren. Oder Sie können sogar mit der Implementierung von Optimierungen und Änderungen experimentieren, um bessere Ergebnisse zu erzielen.

Wenn Sie sich nach der PoC-Phase für eine unternehmensweite Einführung von KI entscheiden, finden Sie in unserem Leitfaden hilfreiche Tipps zur Implementierung von KI in Ihrer Organisation.

Verbundene Herausforderungen

• Die Architektur wurde nicht sorgfältig durchdacht. Die Lösung funktioniert möglicherweise gut mit 10.000 Benutzern, stürzt jedoch ab, wenn das Publikum 100.000 erreicht.
• Das Modell enthält Fehler, die sich zeigen, wenn Sie versuchen, die KI-Lösung zu skalieren
• Anwendung des Modells auf andere Geschäftsfälle als die, für die es vorgesehen war. Beispielsweise kann eine Lösung, die zum Zusammenbauen einer Gartenschubkarre gedacht ist, nicht zum Zusammenbauen von Lastwagen angewendet werden, da damit eine große Gartenschubkarre mit einem Motor gebaut werden könnte.

Schlussfolgern

Fangen Sie bei der Implementierung von KI klein an und bleiben Sie überschaubar. Stellen Sie sicher, dass Sie einen klaren Business Case mit definierten Zielen und Metriken haben, um den Erfolg zu messen. Und denken Sie immer daran, einen KI-PoC zu erstellen, mit Ausnahme der Fälle, die am Anfang dieses Artikels vorgestellt werden. Dies hilft Ihnen, potenzielle Hindernisse zu erkennen, bevor Sie sich voll und ganz darauf einlassen und eine große finanzielle Investition in eine Lösung tätigen, die möglicherweise nicht den Erwartungen entspricht.

Sie möchten KI in Ihrem Unternehmen implementieren, sind sich aber nicht sicher, ob Ihre Geschäftsidee umsetzbar ist? In Kontakt kommen! Unser Team hilft Ihnen bei der Durchführung eines PoC, um Ihre Idee in der Praxis zu testen.

Ursprünglich am 9. Januar 2023 unter https://itrexgroup.com veröffentlicht.