KI für echte Geschäftserfolge skalieren: Bewährte Strategien für operativen Erfolg

Künstliche Intelligenz (KI) treibt eine neue Normalität für Unternehmen branchenübergreifend voran. Einzelhändler können beispielsweise KI nutzen, um Bestellungen auf Basis historischer Lagerdaten vorherzusagen, um intelligente Nachschubentscheidungen zu treffen. Kundensupport-Teams können KI nutzen, um hochpriorisierte Support-Tickets automatisch zu beantworten und an die richtigen Teams weiterzuleiten. Es gibt eine Welt von Möglichkeiten, wo Sie KI und speziell ML nutzen können, um praktische Geschäftsergebnisse zu erzielen.

Laut Deloitte Insights sahen 83 % der Enterprise-KI-Frühadopter einen positiven Return on Investment (ROI) von Projekten in Produktion. Dazu gehörten Beispiele wie die Implementierung von Third-Party-Enterprise-Software mit KI, Nutzung von Chatbots und virtuellen Assistenten sowie Empfehlungsmaschinen für E-Commerce-Plattformen. 83 % der befragten Unternehmen planten, die Ausgaben für KI 2019 zu erhöhen. Von den Unternehmen, die in KI investierten, hatten 63 % ML eingeführt.

Eine Strategie für den pragmatischen Einsatz von KI und ML zur Erreichung von Geschäftszielen aufzubauen, ist für viele Unternehmen oberste Priorität. Für viele ist die Hauptforderung, ML erfolgreich zu operationalisieren, das Verständnis, die Planung und die Ausführung des Managements einer ganzheitlichen ML-Bereitstellung im gesamten Unternehmen.

Top-Überlegungen zur Operationalisierung von ML

Der „richtige“ Weg, den Data-Science-Lebenszyklus anzugehen, unterscheidet sich von Organisation zu Organisation. Viele Versuche wurden unternommen, Data-Science-Lebenszyklus-Verfahren zu kodifizieren und zu standardisieren. Doch kein einzelner Ansatz berücksichtigt die Bedürfnisse jedes Unternehmens.

Eine nachhaltige und wartbare Strategie für Daten und Data Science anzunehmen, ist eine sich ständig weiterentwickelnde Übung, die für jedes Unternehmen einzigartig ist. Da die Bedürfnisse, Strukturen und Fähigkeiten jedes Unternehmens einzigartig sind, müssen Stakeholder aus dem gesamten Unternehmen konsultiert werden, um ein flexibles und skalierbares ML-Modell zu bauen und eine ganzheitliche Data-Science-Strategie auszuführen.

Die operativen Herausforderungen und Änderungen an Infrastruktur und Entwicklungspraktiken, die jedes Unternehmen adressieren muss, werden unterschiedlich sein.

Es ist kritisch, dass Ihre Organisation Ihre Kultur, Systeme und Bedürfnisse berücksichtigt, während sie den Data-Science-Lebenszyklus definiert und weiterentwickelt. Ein Basis-Framework, das teamsübergreifend präsentiert wird, hilft, eine gemeinsame Kommunikationsbasis zu entwickeln, während Sie Ihre Operationalisierung von ML weiterentwickeln und weiterentwickeln.

Lassen Sie uns einen Standard-Framework durchgehen, der Ihrem Unternehmen helfen kann, seine ML-Reise zu beginnen.

Phase eins: Ihr Problem definieren

Im Kern jeder ML-Initiative stehen zwei Fragen:

1. Welches Problem versuchen Sie zu lösen?

2. Warum glauben Sie, dass ML und ein besseres Verständnis Ihrer Daten Ihnen helfen können, das Problem zu lösen?

Die Antworten auf diese Fragen hängen davon ab, wie Ihr Unternehmen über Strategie denkt und Geschäftsprobleme bewertet.

In Phase eins sollten wichtige Stakeholder zusammenkommen, um den initialen Umfang des Problems und seine Anforderungen zu definieren.

Phase zwei: Ihre Daten verstehen

Was ist die Geschichte Ihrer Daten? Woher kommen Ihre Daten, und wie viele Datenquellen sind relevant, um Ihr spezifisches Geschäftsproblem zu lösen?

In dieser Phase konzentrieren sich Unternehmen auf:

• Relevante Datenquellen und die Umgebungen, in denen sie leben, abbilden (solche Umgebungen können on-premises oder in der Cloud sein, als Data Warehouse, Data Lake oder Streaming-Datenplattformen eingerichtet)

• Definieren, welche Datenpipelines derzeit existieren und welche gebaut werden müssen für Datenvalidierung, Bereinigung und Exploration

• Verstehen, wie häufig Daten aktualisiert werden

• Die Vertrauenswürdigkeit der Daten verstehen

• Datenschutzüberlegungen und -anforderungen bewerten

• Datenerkundung durch Visualisierungen, statistische Eigenschaften von Roh- und transformierten Daten etc. ermöglichen

Ihre Daten zu verstehen, ist keine kleine Aufgabe. Es ist wichtig, diese Phase iterativ anzugehen. Je mehr Sie über Ihre Daten entdecken, desto mehr können Sie Probleme entdecken, die Ihre Fähigkeit beeinträchtigen, das Problem zu lösen, was möglicherweise erfordert, dass Sie das Problem aus Phase neu definieren oder neu abstecken.

Phase drei: Das ML-Modell bauen

Sobald die Daten bereit sind, ist es Zeit für Ihre Data Scientists, ein ML-Modell zu bauen. Gängige Schritte zum Aufbau eines robusten ML-Modells umfassen:

• Feature-Extraktion und -Engineering (einschließlich Binning, Data Whitening und Anwenden statistischer Transformationen)

• Feature-Selektion

• Modell trainieren (einschließlich Aufteilung der Daten in beliebig viele Trainings-, Cross-Validations- und Validierungsdatensätze)

• Hyperparameter-Tuning

• Modell evaluieren

• Statistische Signifikanz validieren

Die Entwicklung eines Modells erfordert fortlaufendes Feedback von Geschäftsbeteiligten. Beispielsweise kann das Geschäftsproblem eine Affinität zu Sensitivität versus Spezifität erfordern. Sie können ähnlich leichte Vorhersageleistung (z. B. F1-Score) gegen operative Modellleistung (z. B. schnellere Vorhersagen) oder Modell-Erklärbarkeit eintauschen.

Das Ziel des Data Scientists ist es, ein Modell zu bauen, das Daten nutzt, um eine klare Geschichte im Zusammenhang mit dem Geschäftsproblem zu erzählen. Während sich das Problem entwickelt und Anforderungen sich ändern, muss sich der Modellierungsansatz ebenfalls weiterentwickeln, um dem aktuellen Kontext zu dienen.

Phase vier: Ein sich entwickelndes Modell bereitstellen

Das initiale Modell zu bauen, ist erst der Anfang der ML-Reise. Ein sich entwickelndes Modell bereitzustellen, ist ein entscheidender Schritt für langfristige Wertschöpfung für die Organisation.

Die Bereitstellung eines sich entwickelnden Modells erfordert:

• Modell bereitstellen (das Modell hochverfügbar und horizontal skalierbar machen)

• Modellversionen verwalten (einschließlich Rollbacks und Canary/Challenger-Deployments)

• Modell neu trainieren (Modell modifizieren oder neu bauen, wenn neue Daten in das System kommen)

• Modell überwachen (sowohl operative als auch User-Experience-Metriken bei Serving- und Trainingszeiten tracken)

Daten- und Modell-Drift überwachen, die Spezialisierung eines Modells für gezielte intra-organisatorische Anwendungsfälle erfordern und Datenpipelines warten (unter anderen Wartungsaufgaben) sind kritisch für den anhaltenden Erfolg eines Modells.

Unternehmensweite und branchenweite Anforderungen können sich schnell entwickeln und Datenquellen und -eingaben beeinflussen. Beispielsweise sind Governance und Compliance im großen Maßstab Überlegungen, die den gesamten Data-Science-Lebenszyklus umfassen.

Compliance mit Regulierungen – wie der EU-Datenschutzgrundverordnung (DSGVO) – erfordert eine tiefere Ebene der Rückverfolgbarkeit auf der Datenversionierung, Modellversionierung und Modelleingabe-Ebene. Eine Strategie zu entwickeln, um auf diese Branchenveränderungen und -anforderungen durch Daten zu reagieren, kann Unternehmen helfen, ML weiterhin zu nutzen, um bessere Geschäftsergebnisse wie Umsatzwachstum, Kostensenkung und Risikominimierung zu erzielen.

Was kommt als Nächstes?

ML auf flexible, wartbare und skalierbare Weise zu operationalisieren, erfordert viele Schritte und Überlegungen über den hochgradigen Umfang hinaus, den wir in diesem Blog skizziert haben. Der Teufel steckt im Detail.

In unserem nächsten Blog tauchen wir tiefer in technische Überlegungen ein, Herausforderungen, die aus einer ad-hoc-Implementierung eines großen ML-Systems entstehen können, und wie UiPath gängige Herausforderungen für Enterprise-Kunden angeht.