Die 4 Erfolgsfaktoren für jedes KI-Projekt

Wie Sie sicherstellen, dass Sie mit Ihrem Projekt auf Kurs bleiben

image

Planning

Wenn Sie ein Produktmanager sind und etwas mit maschinellem Lernen bauen wollen, dann finden Sie hier eine Liste der 4 wichtigsten Dinge, die Sie beachten sollten:

1. Programmieren kommt vor Data Science

Ein maschinelles Lernprojekt ist in erster Linie ein Softwareprojekt. Viele Data Scientists haben wenig Erfahrung mit der Erstellung von gut durchdachter, zuverlässiger und einfach zu implementierender Software. Wenn Sie ein Produktionssystem bauen, kann dies zu einem Problem werden.

Als Faustregel gilt: Programmierer können Data Science schneller erlernen als Data Scientists Programmiererfahrung sammeln können. Im Zweifelsfall arbeiten Sie lieber mit dem Programmierer mit mehr als 5 Jahren Erfahrung und einer Liebe für KI zusammen, als mit dem Doktor in Data Science, der zum ersten Mal Geschäftsanwendungen entwickelt.

2. Agil agieren

Es ist wichtig, Risiken frühzeitig zu reduzieren. Strukturieren Sie Ihr Projekt mit konkret formulierten Zwischenzielen:

  1. Fertiger Prototyp: Finden Sie heraus, ob Ihre Idee vielversprechend ist 3 Tage-2 Wochen.
  2. Offline getestetes System: Abstimmung des Modells und rigoroser Test auf vorhandene Daten 2-4 Wochen.
  3. Online getestetes System: Fertigstellung und Test des Modells 2-4 Wochen
  4. Online gehen: Automatisieren Sie Datenaktualisierungen, Modelltraining und Code-Deployment 2-4 Wochen
  5. Kontinuierliche Verbesserung: (optional) 12 Monate

Gesamtlaufzeit: 1-3 Monate

Ein erfahrenes Team sollte in der Lage sein, diese Zeitpläne für fast jedes Projekt einzuhalten. Fokussieren Sie das Team auf den Aufbau eines Live-Systems in 1-3 Monaten. Entscheiden Sie nach der Inbetriebnahme, ob sich weitere Verbesserungen lohnen.

Brauchen Sie Hilfe bei einem Projekt? - Machen Sie einen Termin

Diese Versuchungen können Ihr Projekt unnötig hinauszögern:

  • Warten auf die perfekten Daten
  • Verwendung der falschen Instrumente (zu komplex oder zu langsam)
  • Überprogrammierung für Skalierbarkeit
  • Endloses Spielen mit den Algorithmen (siehe nächsten Punkt)

3. Der Algorithmus spielt keine Rolle

Maschinelle Lernsysteme haben viele faszinierende Knöpfe, mit denen man spielen kann. Tun Sie es nicht!

Für die folgenden Verbesserungen sollten Sie Zeit investieren (absteigend sortiert nach Wichtigkeit):

  1. Erhalten Sie mehr (relevante) Eingabedaten;
  2. Bereiten Sie die Daten besser vor;
  3. Wählen Sie den richtigen Algorithmus und stimmen Sie ihn richtig ab.

Der Algorithmus ist der unwichtigste Faktor. Wählen Sie einfach einen Algorithmus, der funktioniert. Ein endloses Upgrade des Algorithmus ist verlockend, aber es wird Ihnen wahrscheinlich nicht die Ergebnisse liefern, die Sie erwarten.

4. Kommunizieren, kommunizieren, kommunizieren

Machen Sie den Geschäftskontext so transparent wie möglich:

Wenn das Progranmmierteam mit der Arbeit beginnt, muss es eine Menge Entscheidungen treffen. Je besser das Team Ihre Prioritäten kennt, desto einfacher können die richtigen Entscheidungen getroffen werden. Auf jeden Fall sollten Sie die folgenden Dinge mitteilen:

  • Strategische Prioritäten

    Hilft dies einem entscheidenden Problem ab? Wird es für Millionen von Anfragen pro Tag funktionieren müssen? Oder ist es Forschung für ein zukünftiges Produkt?

  • Probleme mit dem aktuellen Prozess

    Dauert der aktuelle Prozess zu lange? Ist er zu ungenau? Oder gibt es viele Daten, die ohne maschinelles Lernen einfach nicht berücksichtigt werden können?

  • Inputs und Outputs

    Inputs: Welche Daten würden Sie (als Mensch) verwenden, um die richtigen Entscheidungen zu treffen? Outputs: Wer verwendet den Output? Wie oft? Muss es in Echtzeit sein?

  • Performance-Metriken

    Was sind die wichtigsten Kennzahlen: Klickrate? Vertrieb? ROI? False Postive Rate?

  • Erwartete Genauigkeit

    Wenn Sie die Konversionsraten optimieren wollen, dann lohnt es sich vielleicht nicht, noch einmal 2 Wochen zu tunen, um 2% mehr Genauigkeit zu erhalten. Wenn Sie medizinische Diagnosesysteme bauen, können False Nagatives von sogar 1% inakzeptabel sein.

TL;DR

  • Programmieren kommt vor Data Science.
  • Reduzieren Sie das Risiko durch agiles arbeiten.
  • Lassen Sie sich nicht vom Algorithmus ablenken.
  • Teilen Sie Ihre Geschäftsanforderungen mit Ihren Entwicklern.

Brauchen Sie Hilfe bei der Umsetzung einer KI-Idee? Wir haben mit mehr als 20 Unternehmen an ihren KI-Lösungen gearbeitet, und dabei haben wir gelernt, was funktioniert.

Planen Sie ein Gespräch mit uns und erzählen Sie uns von Ihren Ideen


Mehr zum Thema

Brauchen Sie Hilfe bei einem Machine Learning Projekt?

Telefontermin buchen

ODER sende mir eine Beschreibung an: m.schmitt@datarevenue.de