Agile Machine Learning-Prozesse für KMU

Agile Machine Learning-Prozesse können für kleine und mittelständische Unternehmen (KMU) ein wahrer Erfolgsfaktor sein: Agile Praktiken haben sich als großer Vorteil bei der Entwicklung von Software-Systemen bewährt. Mit dem Wandel zu datengetriebenen Produkten und Dienstleistungen müssen nun jedoch diese Software-Entwicklungsprozesse und Methoden des Maschinellen Lernens (ML) enger miteinander verbunden und integriert werden. Dabei ist es wichtig, höchst agil zu bleiben, um schnell auf sich ändernde Umgebungen und Anforderungen zu reagieren. Unsere Expert*innen vom Fraunhofer IESE unterstützen Unternehmen an der Schnittstelle zwischen Agilität und Data Science, insbesondere kleine und mittelständische Unternehmen (KMU), von der Konzeption innovativer datenbasierter Dienste bis hin zu deren Umsetzung. Sie sorgen für Prozesse, die die Qualität und Agilität langfristig aufrechterhalten. Wie genau sie dabei vorgehen, beschreiben sie im folgenden Blog-Beitrag.

Die Herausforderung: Neue Methoden erfordern neue Kompetenzen

Der erfolgreiche Übergang in das »digitale Zeitalter« und die Nutzung des Potenzials der Künstlichen Intelligenz (KI) und verwandter datengesteuerter Methoden, wie Data-Mining oder Maschinelles Lernen (ML, engl. Machine Learning), sind nicht trivial. Technisch gesehen erfordert der Umgang mit solchen Methoden den Erwerb neuer Kompetenzen, denn die Anwendung von KI-Verfahren bringt eine Reihe von Komplexitäten mit sich (Abbildung 1). Dazu zählen mitunter die Sammlung, Speicherung und Verarbeitung von Daten sowie das Training und die Validierung von Modellen – sowohl auf der Ebene individueller Methoden als auch bezüglich des gesamten Prozesses. Der Lebenszyklus datengetriebener Produkte, inklusive Spezifikation, Entwicklung, Deployment und kontinuierlicher Anpassung, ist komplexer als bei klassischen Produkten und birgt neuartige Challenges [1]. Hinzu kommt, dass in den letzten Jahren viele KI-, Data- und MLOps-Plattformdienste entstanden sind, was zu einer zunehmenden Komplexität bei der Auswahl von Partnern oder Tools führt.

Die Erfahrungen von Unternehmen, welche KI-Methoden implementieren, zeigen, dass ein Erfolgsfaktor für ML-Projekte ein tiefes Verständnis für die sich ändernden Anforderungen an den Entwicklungsprozess und den Lebenszyklus ist [2]. Ein weiterer Erfolgsfaktor ist das Wissen darüber, wie mit sich ändernden Anforderungen sowohl bei Datenanalysen als auch bei den damit verbundenen datenbasierten Produkten umgegangen werden kann.

Genau das ist die Herausforderung, der sich KMU im Zusammenhang mit KI stellen müssen. Die Anwendung dieser neuen Technologien bringt zum einen Veränderungen sowohl auf Management- als auch auf technischer Ebene mit sich, und zum anderen das Auftreten neuer Wettbewerber, die den Markt stören können.

KMU haben jedoch in der Regel nicht die Zeit und die Ressourcen, um sich mit der Erforschung und Bewertung neuer Ansätze zu befassen, insbesondere wenn das damit verbundene Risiko des Scheiterns bedacht wird. Dies gilt insbesondere für den intensiven, umfangreichen und komplexen Bereich der KI. Ebenso haben KMU oft nicht die Ressourcen, um über die für ihr Unternehmen geeigneten ML-Best Practices und agile Machine Learning-Prozesse im Zusammenspiel mit flexibler Softwareentwicklung nachzudenken. Dabei ist es in einer Zeit, in der sich die Märkte schnell verändern und die Konkurrenz durch Global Player und IT-Startups groß ist, äußerst wichtig, über Alleinstellungsmerkmale bei internen Prozessen zu verfügen, um beispielsweise die Markteinführungszeit oder Innovationen zu beschleunigen.

Aus diesem Grund stellt ein agiler Machine Learning-Prozess, der an den spezifischen Kontext eines Unternehmens angepasst werden kann, einen großen Mehrwert dar. Mit unserer Erfahrung und unseren Methoden, die wir im Kontext des agilen Engineerings datenbasierter Software entwickelt haben, versetzen wir KMU in die Lage, ihre datengesteuerten Produkte in kurzen Iterationszyklen zu entwickeln und schnell auf Veränderungen des Umfelds zu reagieren.

Unser Ziel und Ansatz: Agile Machine Learning-Prozesse in Unternehmen etablieren

Unser Ziel ist es, KMU zu helfen, mithilfe eines geeigneten Ansatzes und Tools einen unternehmensspezifischen agilen ML-Prozess zusammenzustellen. Dies ermöglicht ihnen, unabhängig von ihrer Erfahrung mit ML, einen effektiven ML-Prozess einzuführen oder ihren bestehenden ML-Prozess zu verbessern. KMU ohne Erfahrung mit ML werden bei den verschiedenen Schritten und Entscheidungen begleitet – von der Ausrichtung der ML-Analysen auf die spezifischen Bedürfnisse des Unternehmens bis hin zu ihrer Umsetzung. KMU mit ML-Erfahrung erhalten das nötige Rüstzeug, um ihre ML-Prozesse zu standardisieren und flexibel an die jeweilige Situation anzupassen. Dadurch werden die Implementierungskosten und das Risiko eines möglichen Scheiterns verringert.

Unser Ansatz besteht in einer generisch anwendbaren, anpassbaren, werkzeuggestützten Methodik, die KMU eine für ihren Kontext maßgeschneiderte Zusammenstellung von ML-Best Practices und agilen Praktiken zur Erstellung eines agilen ML-Prozesses ermöglicht. Hierzu werden ML-Best Practices und agile Praktiken in einem Katalog von Bausteinen strukturiert und miteinander verknüpft (Abbildung 2, linke Seite). Die Anwendung des Bausteinkatalogs (Abbildung 2, rechte Seite) ermöglicht es den KMU, kontextspezifische agile Machine Learning-Prozesse zusammenzustellen bzw. die Verbesserungspotenziale in gegenwärtigen ML-Vorgehen zu identifizieren und zu realisieren.

Referenzen

[1]      Silverio Martínez-Fernández, Justus Bogner, Xavier Franch, Marc Oriol, Julien Siebert, Adam Trendowicz, Anna M. Vollmer, and Stefan Wagner. 2021. Software Engineering for AI-Based Systems: A Survey. DOI: https://doi.org/10.1145/3487043.
[2]      Gianna Reggio and Egidio Astesiano. Big-Data/Analytics Projects Failure: A Literature Review. In 46th Euromicro Conference on Software Engineering and Advanced Applications (SEAA), 246–255. DOI: https://doi.org/10.1109/SEAA51224.2020.00050.
[3]      Monica Rogati. 2017. The AI Hierarchy of Needs – Hacker Noon (2017). zuletzt aufgerufen am 27.07.2022 von https://​hackernoon.com​/​the-ai-hierarchy-of-needs-18f111fcc007.