AI-LIFECYCLE
Beschreibung der einzelnen Schritte:
Aus der Software-Entwicklung ist das Prinzip DevOps bekannt, dass alle wichtigen Phasen der Entwicklung unterstützt. Im Gegensatz zu klassischen Software-Projekten haben KI-Projekte eine Vielzahl von zusätzlichen Anforderungen bezüglich der eingesetzten Technologien, der organisatorischen Abläufe und der Kommunikation zwischen Kunden und dem KI-Anbieter. Die Erweiterung der DevOps Prinzipien auf KI-Projekte wird unter dem Stichwort MLOps zusammengefasst. Bei KENBUN setzten wir zur Entwicklung von erfolgreichen KI-Lösungen auf eine Kombination von strukturierten MLOps Prozessen und einem flexiblen KI-Lifecycle, der gerade am Anfang von KI-Projekten eine erfolgreiche Kommunikation durch Ideenfindung und Explorative Prozesse unterstützt.
1. Problemunderstanding – AI Ideenfindung / Use Case Mining / Exploration
Gemeinsam identifizieren wir mit Ihnen Ihre AI/KI-Potentiale und Ihre Möglichkeiten mit Künstliche Intelligent (KI, AI) durchzustarten (Use Cases). Die Phase der Exploration deckt die Business Analyse ab und folgt direkt auf den ersten Kontakt zwischen Kunde und KENBUN. Darin enthalten ist ein erstes Gespräch, in dem die KI-Potentiale ausgelotet werden und Use Cases identifiziert werden. Besonders wichtig ist hier die Erfahrung der KENBUN die prinzipielle Machbarkeit der Use Cases schnell zu bewerten. Oftmals hilft auch eine kreative Betrachtungsweise der einzelnen Bestandteile, da eine Umformulierung der Anforderungen ein unlösbares KI-Problem in eine handhabbare Aufgabe verwandeln kann. Beispiele hier können das Sammeln von zusätzlichen Trainingsdaten, die Installation von zusätzlichen Sensoren oder die Einschränkung des Use Cases sein.
2. Data Understanding – gemeinsamer Workshop
Nach der Exploration folgt ein Workshop, in dem die Problemstellung konkretisiert und in funktionale KI-Anforderungen übertragen wird. Das Potential des Use Cases wird von beiden Seiten gemeinsam bewertet. Teil des Workshops ist auch die Lieferung eines initialen Datensatzes durch den Kunden. Wir führen daraufhin eine detaillierte Datenanalyse aus und zeigen mögliche Gesetz- und KI-Anwendungsmöglichkeiten auf. Ziel des Workshops ist es dem Kunden die prinzipiellen Möglichkeiten von KI-Lösungen für seine konkreten Anwendungsfälle näher zu bringen. Zusätzlich lernen wir den Anwendungsfall besser kennen und können dadurch die entstehenden Daten besser verstehen und den Kunden bei der Datensammlung beraten. Im Workshop wird mit dem Data Engineering begonnen.
Der gemeinsame Workshop bietet die Grundlage für die Daten-fokussierten Phasen im MLOps Prozess:
• Hinzufügen und Regularisierung von Datenbeständen
• Labeln von Daten
• Versionierung von Daten
3. Proof-of-Concept
Nach dem Workshop entwickeln wir Ihren Proof-of-Concept (POC), ein erster funktionierender Prototyp zur Lösung Ihres Anwendungsfalles, den Sie anschließend testen.
Die Umsetzung des POC ist individuell auf den Kunden abgestimmt und während der Entwicklung ist eine intensive Interaktion zwischen dem Kunden und KENBUN sinnvoll. Hier empfiehlt sich ein agiler Entwicklungsprozess, den KENBUN bei der KI-Entwicklung befolgt. Ein zentraler Teil des POC ist das Data Engineering und die Modellentwicklung, ein funktionsfähiger Prototyp. Neben den Data Science-Aufgaben ist aber auch eine klassische Software-Entwicklung und Systemarchitektur ein zentraler Bestandteil des POC. So sind zum Beispiel die Integration von Client- und Server-Anwendungen relevant, ebenso das Zusammenspiel von bereits existierenden KI-Komponenten mit neu zu entwickelnden Lösungen in einem stimmigen Gesamtkonzept. Dabei kommen in der Regel auf den Servern containerisierte KI-Lösungen zum Einsatz. Für die Endgeräte werden oft kundenspezifische Apps entwickelt oder angepasst.
Im POC werden erstmals die Modellierungsschritte des MLOps-Prozesses durchlaufen. Die im Workshop identifizierten Datenbestände werden mittels verschiedener ML-methoden modelliert, Modelle werden trainiert und evaluiert. Je nach Anwendungsfall werden die KI-Modelle in Container auf Servern betrieben oder in kundenspezifische Apps integriert.
Erst wenn Sie zufrieden mit Ihrer Lösung sind, gehen wir über zur Entwicklungs- und Integrationsphase!
4. Entwicklung und Integration
Eine Stärke des KENBUN KI-Lifecycles ist die Möglichkeit die Lösung eng und unmittelbar mit Kundensystemen zu integrieren, wobei diese sowohl als Datenquelle als auch als Datensenke agieren können. Bei der Entwicklung einer skalierbaren KI-Komponente stehen daher die Anpassungen bestehender KI-Komponenten an die Kundensysteme als auch die Integration neu entwickelter Bestandteile in die Systeme im Vordergrund. In der Entwicklungs- und Integrationsphase verschiebt sich der Arbeitsaufwand zunehmend von Data Science hin zu Softwareentwicklung und zu Big Data Prozessen. Das bewiesene Modell wird von uns iterativ und agil entwickelt.
Insbesondere folgen wir den Ansatz, so schnell wie möglich ein minimal sinnvolles, lauffähiges Produkt (MVP, Minimal Viable Product) zu entwickeln, um so schnell wie möglich echtes Feedback zu erhalten.
Das im MVP umgesetzte KI-Modell und alle weiteren in Iterationen entwickelten Produktstufen (Entwicklungsiterationen) werden nun in Ihre bestehende Systemlandschaft integriert.
Bei der Entwicklung kommen Werkzeuge aus unseren Toolboxen KIDOU und KIDAN zum Einsatz – dies beschleunigt die Entwicklung extrem….
Hier geht es zum Sprachbaukasten KIDOU
Hier geht es zur KI Big Data Plattform KIDAN
5. Betrieb
Für den erfolgreichen Betrieb von KI-Modellen sind oft Big Data-Lösungen notwendig, um hochfrequente Daten oder Daten mit großem Volumen verarbeiten und speichern zu können, damit die KI-Anwendung skalierbar ist. Dafür haben wir eigens eine KI- und Big Data Plattform namens KIDAN entwickelt. KIDAN baut auf Open Source Lösungen auf und unterstützt MLOps Prozesse. Dazu stellt Ihnen KIDAN Tools zur Wartung, Modell-Versionierung, Prediction Monitoring, Data Monitoring, Model Versionierung, Model Deployment, Accounting sowie Zugriffskontrollen zur Verfügung. Durch den modularen Aufbau ist es möglich einzelne Teile während des Betriebs auszutauschen und Komponenten für verschiedene Anwendungsfälle wiederzuverwenden.
