7 Tipps für erfolgreichere Machine Learning Projekte

Tipp 1: Die Technologie an der richtigen Stelle einsetzen

Es ist unumstritten, dass die Weiterentwicklungen der letzten Jahre im Bereich Machine Learning (ML) verschiedene Branchen beeinflusst und die Arbeitswelt verändert. Demgegenüber steht die Gefahr den Hype zu überschätzen. ML bringt ein neues Werkzeug in die Systemlandschaft. Dieses Werkzeug und die neuen Möglichkeiten gezielt und an der richtigen Stelle einzusetzen ist die Kunst. Gehen Sie von den Herausforderungen im Business, von realen Problemstellungen aus und setzen Sie die Technologie nicht zum Selbstzweck ein.

Tipp 2: ML-spezifische Projekt-Kompetenz entwickeln

Auch wenn Ihre Firma eine eigene IT-Abteilung besitzt und eigene Software entwickelt bedeutet dies nicht, dass Sie für ML-Projekte gewappnet sind. Ein ML-Projekt unterscheidet sich von einem klassischen IT-Projekt in vielerlei Hinsicht. Es geht hauptsächlich um Daten, Modelle und Evaluationen:

Dafür werden unterschiedliches Know-How, andere Rollen im Team, andere Tools und Vorgehensweisen verwendet. Beide Welten können und sollten voneinander profitieren, aber schauen Sie, dass Sie zwischen den beiden Welten einen guten Austausch schaffen.
Während das Operationalisieren im IT-Bereich mittels Source Code Verwaltung, CI / CD Pipelines, Monitoring sehr ausgereift ist, etablieren sich die Best Practices im ML-Bereich erst langsam.
Erschwert wird dies durch den Fakt, dass nebst Source Code auch die Daten, Modelle, Parameter und Resultate versioniert sein sollten.

Tipp 3: Eine übergreifende AI & Daten-Strategie ist ein Muss

Sobald Sie die Möglichkeiten von AI / ML abteilungsübergreifend einsetzen wollen, brauchen Sie mehr als ein paar ML-Spezialisten. Häufig besteht zwischen den technischen Entwicklern von ML-Lösungen und den eigentlichen Nutzern der Anwendung eine grosse Lücke. Mittels einer AI & Data Strategie können Sie alle Mitarbeitenden und das Management ins Boot holen und als ganze Firma mehr Vertrauen in Daten aufbauen. Die neuen Möglichkeiten datengetriebener Ansätze erfordern ein komplettes Umdenken, neue Prozesse, Kreativität und Offenheit.

Tipp 4: Erwartungen realistisch einschätzen und managen

Die Erwartungen an AI / ML-Projekte sind häufig unrealistisch hoch. Dies führt zu voreiligen Schlüssen, enttäuschten Blicken und nicht selten werden daher Proof of Concept (PoCs) gar nicht erst weitergeführt. Das eigentliche Potenzial der Technologie bleibt somit ungenutzt. Bei ML-Projekten lohnt sich das Erwartungsmangement von Beginn an. Holen Sie sich von Experten eine realistische Einschätzung ab und machen Sie die zu erwartenden Resultate Ihren Stakeholdern gegenüber transparent.

Tipp 5: Den Weg vom Proof of Concept in die Produktion nicht unterschätzen

Viele ML-Projekte starten mit einem PoC in einem stark reduzierten, abgekapselten Setting. Da spricht im Grunde nichts dagegen. Seien Sie sich jedoch bewusst, dass vom erfolgreichen PoC zum erfolgreichen Einsatz im produktiven System ein weiter Weg besteht. Hauptgrund dafür ist, dass im PoC häufig nur das Trainieren und Evaluieren eines Modells im Vordergrund steht. Alle anderen erforderlichen Schritte der Operationalisierung werden vernachlässigt. In der Abbildung 1 wird anschaulich visualisiert, dass sich der PoC häufig auf den kleinen schwarzen Block in der Mitte beschränkt.

Abbildung 1: Das PoC im Vergleich zum umgesetzten ML-Projekt im produktiven System Quelle: Hidden Technical Debt in Machine Learning Systems (2), D. Sculley et al.

Tipp 6: Auf der Prozessebene verallgemeinern

Die meisten Algorithmen und Modelle in ML haben eines gemeinsam: Sie dienen dazu ein spezifisches, genau definiertes Problem zu lösen. Die Daten, die Algorithmen und verwendeten Modelle werden so ausgesucht, dass das Problem bestmöglich gelöst wird. Versucht man das Modell in einer anderen Domäne einzusetzen, scheitert dies häufig. Das Modell für Problem A überträgt sich also schlecht auf Problem B. Was bedeutet dies im Umkehrschluss für Sie und Ihr Unternehmen? Verallgemeinern Sie nicht die Modelle oder die Aufgabenstellung, sondern die Prozesse. Im Gegensatz zu den ML-Modellen, lässt sich der Prozess, wie Sie ML-Projekte angehen, gut verallgemeinern. Ebenso die Kompetenzen und die Tools, die Sie zum erfolgreichen Umsetzen der Projekte benötigen.

Tipp 7: Mit Daten bewusst und vorausschauend umgehen

Zum Abschluss ein Wort zum umfangreichen Thema der Daten. Die Datenmenge und Qualität der Daten ist von unumstrittener Bedeutung - das wissen die meisten. Wie man zu vollständigen, qualitativ guten Daten kommt wissen die wenigsten. In der Praxis erlebe ich häufig die Ursache davon: Sie müssen heute bereits die Daten sammeln, welche Sie in den nächsten Jahren auswerten wollen. Das stellt Sie vor ein Henne - Ei Problem. Heute wissen Sie noch nicht, welche Probleme Sie in Zukunft mit ML lösen wollen. Jedoch müssen Sie heute schon die notwendigen Daten sammeln. Ein blindes Sammeln aller möglichen Daten hat sich dabei also genau so schlechte Strategie herausgestellt wie den Verzicht auf das Sammeln der Daten. Eine langfristige AI & Daten-Strategie, welche mit der Firmen-Strategie abgestimmt ist, hilft Ihnen das Henne - Ei Problem zu durchbrechen.