Vier Schritte zum KI-Erfolg Worauf zu achten ist, wenn KI in ein Projekt implementiert werden soll

Redakteur: Hendrik Härter

Wollen Firmen künstliche Intelligenz für ihre Produkte und Dienstleistungen nutzen, sollten sich Entwickler nicht allein auf KI-Modelle konzentrieren. Eher sei es wichtig, den gesamten KI-Workflow im Blick zu haben. Das sagt Johanna Pingel von Mathworks und erläutert vier wichtige Schritte.

Firma zum Thema

Workflows: Vier Punkte, um KI erfolgreich in ein Projekt zu impementieren.
Workflows: Vier Punkte, um KI erfolgreich in ein Projekt zu impementieren.
(Bild: Gerd Altmann / Pixabay )

Setzen Ingenieure und Entwickler Machine Learning und Deep Learning ein, dann fließt viel Zeit ihrer Arbeit in Entwicklung und Feinabstimmung von KI-Modellen. Die Modellierung ist zwar ein wichtiger Schritt im Workflow, aber das Modell ist nicht das wesentliche Ziel.

Das Schlüsselelement für den Erfolg bei der praktischen KI-Implementierung ist es, frühzeitig Probleme aufzudecken. Außerdem ist es wichtig zu wissen, auf welche Aspekte des Workflows man Zeit und Ressourcen konzentrieren sollte, um die besten Ergebnisse zu erzielen. Das sind nicht immer die offensichtlichsten Schritte.

Vier Schritte eines KI-gesteuerten Workflows

Viele KI-Projekte werden bereits nach wenig vielversprechenden Ergebnissen wieder verworfen. Doch woran liegt das? Johanna Pingel, Product Marketing Manager bei MathWorks, erläutert, warum es für Ingenieure wichtig ist, sich auf den gesamten KI-Workflow zu konzentrieren und nicht nur auf die Modellentwicklung.

Schritt 1: Datenaufbereitung: Die Datenaufbereitung ist wohl der wichtigste Schritt im KI-Workflow: Ohne robuste und genaue Daten zum Trainieren eines Modells sind Projekte rasch zum Scheitern verurteilt. Wenn Ingenieure das Modell mit schlechten Daten füttern, werden sie keine aufschlussreichen Ergebnisse erhalten – und wahrscheinlich viele Stunden damit verbringen, herauszufinden, warum das Modell nicht funktioniert.

Um ein Modell zu trainieren, sollten Ingenieure mit sauberen, gelabelten Daten beginnen, und zwar mit so vielen wie möglich. Das kann einer der zeitaufwendigsten Schritte des Workflows sein. Wenn Deep Learning-Modelle nicht wie erwartet funktionieren, konzentrieren sich viele darauf, wie man das Modell verbessern kann – durch das Optimieren von Parametern, die Feinabstimmung des Modells und mehrere Trainingsiterationen.

Doch noch viel wichtiger ist die Aufbereitung und das korrekte Labeln der Eingabedaten. Das darf nicht vernachlässigt werden, um sicherzustellen, dass Daten korrekt vom Modell verstanden werden können.

Schritt 2: KI-Modellierung: Sobald die Daten sauber und richtig gelabelt sind, kann zur Modellierungsphase des Workflows übergegangen werden. Die Daten werden als Input verwendet und das Modell lernt aus diesen Daten. Das Ziel einer erfolgreichen Modellierungsphase ist es, ein robustes, genaues Modell zu erstellen, das intelligente Entscheidungen auf Basis der Daten treffen kann. Hier fließt Deep Learning, Machine Learning oder eine Kombination davon in den Arbeitsablauf ein. Die Ingenieure entscheiden, welche Methoden das präziseste und robusteste Ergebnis hervorbringt.

Die KI-Modellierung ist ein iterativer Schritt innerhalb des gesamten Workflows, und Ingenieure müssen die Änderungen, die sie während dieses Schrittes am Modell vornehmen, nachverfolgen können. Die Nachverfolgung von Änderungen und die Aufzeichnung von Trainingsiterationen mit Tools wie dem Experiment Manager von MathWorks sind entscheidend, da sie helfen die Parameter zu erklären, die zum genauesten Modell führen und reproduzierbare Ergebnisse liefern.

Schritt 3: Simulation und Tests: Ingenieure müssen beachten, dass KI-Elemente meistens nur ein kleiner Teil eines größeren Systems sind. Sie müssen in allen Szenarien im Zusammenspiel mit anderen Teilen des Endprodukts korrekt funktionieren, einschließlich anderer Sensoren und Algorithmen wie Steuerung, Signalverarbeitung und Sensorfusion.

Ein Beispiel ist hier ein Szenario für automatisiertes Fahren: Dabei handelt es sich nicht nur um ein System zur Erkennung von Objekten (Fußgänger, Autos oder Stoppschilder), sondern das System muss mit anderen Systemen zur Lokalisierung, Wegplanung, Steuerung und weiteren integriert werden. Simulationen und Genauigkeitstests sind der Schlüssel, um sicherzustellen, dass das KI-Modell richtig funktioniert und alles gut mit anderen Systemen harmoniert, bevor ein Modell in der realen Welt eingesetzt wird.

Um diesen Grad an Genauigkeit und Robustheit vor dem Einsatz zu erreichen, müssen Ingenieure validieren, dass das Modell in jeder Situation so reagiert, wie es soll. Sie sollten sich auch mit den Fragen befassen, wie exakt das Modell insgesamt ist und ob alle Randfälle abgedeckt sind. Durch den Einsatz von Werkzeugen wie Simulink können Ingenieure überprüfen, ob das Modell für alle erwarteten Anwendungsfälle wie gewünscht funktioniert, und so kosten- und zeitintensive Überarbeitungen vermeiden.

Schritt 4: Einsatz: Ist das Modell reif für die Bereitstellung, folgt als nächster Schritt der Einsatz auf der Zielhardware – mit anderen Worten, die Bereitstellung des Modells in der endgültigen Sprache, in der es implementiert werden soll. Das erfordert in der Regel, dass die Entwicklungsingenieure ein implementierungsbereites Modell nutzen, um es in die vorgesehene Hardwareumgebung einzupassen.

Die vorgesehene Hardwareumgebung kann vom Desktop über die Cloud bis hin zu FPGAs reichen. Mithilfe von flexiblen Werkzeugen wie MATLAB kann der endgültige Code für alle Szenarien generiert werden. Das bietet Ingenieur*innen den Spielraum, ihr Modell in einer Vielzahl von Umgebungen einzusetzen, ohne den ursprünglichen Code neu schreiben zu müssen. Das Deployment eines Modells direkt auf einer GPU kann hier als Beispiel dienen: Die automatische Codegenerierung eliminiert Codierungsfehler, die durch eine manuelle Übersetzung entstehen könnten, und liefert hochoptimierten CUDA-Code, der effizient auf der GPU läuft.

Gewinnen Sie eines von fünf Tickets für THE FUTURE CODE 2021

Sie möchten THE FUTURE CODE 2021 nicht verpassen? Sie möchten sich mit Entscheidern aus Industrie und Wirtschaft zur digitalen Transformation in der Industrie austauschen? Dann nehmen Sie jetzt an unserem Gewinnspiel teil. Mit etwas Glück gewinnen Sie eines von fünf Freitickets für THE FUTURE CODE 2021.

Zum Gewinnspiel

(ID:47758079)