Operationalisierung Künstlicher Intelligenz in Unternehmen
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Operationalisierung Künstlicher Intelligenz in Unternehmen Hamburg Airport | adesso | Taktile
Inhalt
Über����������������������������������������������������������������������������������������������������������� 4
Zusammenfassung����������������������������������������������������������������������������������� 5
Stand von KI in Unternehmen im Jahr 2020�������������������������������������������� 7
Operationalisierung von Modellen als
größte Hürde für den Mehrwert von KI.��������������������������������������������������� 8
Fähigkeiten, die für eine zuverlässige und transparente
Operationalisierung von Modellen in Unternehmen
erforderlich sind�������������������������������������������������������������������������������������� 11
adesso und Taktile ermöglichen es Unternehmen,
geschäftlichen Nutzen aus KI ziehen����������������������������������������������������� 12
Fallstudie: Prognose von Wartezeiten an
Sicherheitskontrollen am Hamburger Flughafen���������������������������������� 15
Kontakt��������������������������������������������������������������������������������������������������� 16
Quellen���������������������������������������������������������������������������������������������������� 16
2Vorwort
Liebe Leserinnen, liebe Leser,
die Pandemie bestimmte und bestimmt wie kein anderes Thema unser privates und wirtschaft-
liches Leben. Unternehmen quer durch alle Branchen waren dazu gezwungen, ihr Geschäft auf
neue Art zu denken. Ob Beschaffung, Produktion, Vertrieb, Marketing oder die Organisation der
Zusammenarbeit generell: Kaum ein Bereich in Ihrer Organisation, der sich in den letzten Monaten
nicht veränderte. Ein Werkzeug, das Ihnen beim Gestalten dieser Veränderungen hilft: Künstliche
Intelligenz (KI). Denn Lösungen auf KI-Basis ermöglichen exaktere Prognosen, bessere Prozesse,
effizientere Kommunikation.
Dieses Whitepaper befasst sich mit dem Stand der KI in Unternehmen. Gegenstand sind die
zentralen Herausforderungen, denen Unternehmen bei der Implementierung der Technologien
gegenüberstehen. Das Papier gibt einen Einblick auf die Anforderungen, die Unternehmen
erfüllen müssen, um KI erfolgreich einzusetzen.
Im Rahmen der Operationalisierung von KI-Systemen ist die Lösung des Start-ups Taktile
ein probates Mittel der Wahl, denn sie beschleunigt die letzte KI-Meile erheblich. Unter dem
Motto „Putting Machine Learning to work“ entwickelt Taktile eine Plattform für maschinelles
Lernen. Diese Plattform erleichtert den Weg vom KI-Prototypen zur produktionsreifen
Software. Wie das in der Praxis funktioniert, beschreibt die Fallstudie „Hamburger Flughafen“.
Ein KI-System zur Vorhersage des Verkehrsaufkommens am Sicherheitscheck sorgt inzwischen
für reibungslosere Abläufe in einem der kritischsten Prozesse innerhalb des Flughafens.
Entwickelt wurde die Lösung von den adesso-KI-Fachleuten auf Basis von Taktile.
Wir hoffen, diese Informationen helfen Ihnen dabei, das Potenzial
von KI besser auszuschöpfen und die Technologien tiefer in Ihrer
Organisation zu verankern. Unsere Expertinnen und Experten
stehen Ihnen dafür gerne als Sparringspartner zur Verfügung.
Kontaktieren Sie mich einfach: benedikt.bonnmann@adesso.de.
Ich freue mich auf den persönlichen Austausch mit Ihnen.
Viele Grüße
Benedikt Bonnmann
Leiter Line of Business Data & Analytics
adesso SE
3Über
Flughafen Hamburg GmbH adesso SE Taktile GmbH
Mit mehr als 17 Millionen Passa- Erfolgreiche Geschäfte basieren Taktile ist davon überzeugt,
gieren pro Jahr ist der Hamburg auf innovativen Ideen, ausge- dass Machine Learning (ML)
Airport der größte Flughafen reiften Technologien und einer und Künstliche Intelligenz (KI)
Norddeutschlands. Im letzten kostensparenden Imple- leistungsstarke Technologien
Jahr beförderten 71 Fluglinien mentierung des IT-Betriebs, sind, die die Welt zu einem
Passagiere vom Hamburger die Ihr Unternehmen bei der besseren und wohlhabenderen
Flughafen zu über 120 Zielen in Bewältigung individueller Her- Ort machen können. Das Ziel
40 Ländern. Hamburg Airport ausforderungen unterstützen. von Taktile besteht darin, die
erlaubt es seinen Fluggästen adesso verfügt über Mitarbeiter, Einführung solcher Technologien
nicht nur eine Vielzahl von Zielen die technisches Know-how zu beschleunigen und deren
weltweit zu erreichen, sondern ist und fundierte Kenntnisse positive Auswirkungen auf
auch für seine außergewöhnliche hinsichtlich der Geschäfte von Wirtschaft und Gesellschaft
Servicequalität bekannt. Der Kunden aufweisen, und kann zu maximieren. Um dies zu
Flughafen wurde zum „Best dadurch technische Kompetenz erreichen, entwickelt Taktile
Regional Airport of Europe 2020“ mit branchenspezifischem Software, die die Qualitätskon-
gekürt und belegte den 2. Platz Know-how kombinieren. Unsere trolle und Operationalisierung
des jährlichen Skytrax-Rankings Mission basiert auf einer von ML-Modellen erleichtert
„World’s Best Regional Airport“. starken Kundenorientierung sowie nicht-technischen Stake-
sowie auf hoher Flexibilität. holdern ermöglicht, besser mit
Auf bewährten Methoden ML-Systemen zu interagieren.
bei der Implementierung von Taktile ist eins von nur zehn
Softwareprojekten. Auf einer deutschen Unternehmen, die in
Verknüpfung von Forschung, das angesehene Y-Combinator-
Lehre und Praxis. Und auf einer Programm aufgenommen
offenen, personalorientierten wurden. Mit über 25 Jahren
Unternehmenskultur. Erfahrung in der Entwicklung
maßgeschneiderter ML-Lösun-
Mit einem Team von rund gen für Großkunden verfügt das
5.000 Mitarbeitenden an Taktile Team über umfangreiche
38 Standorten ist adesso einer Kenntnisse im Bereich Machine
der größten IT-Anbieter in der Learning.
deutschsprachigen Welt.
4Zusammen-
fassung
1 Führungskräfte wissen, dass sie Technologien 4 adesso und Taktile befähigen
der Künstlichen Intelligenz einsetzen müssen, Unternehmen, KI-Modelle zu erstellen, sie
um ihre Unternehmen zum Erfolg zu führen. in die Produktion zu überführen und so
Jedoch ist es bislang nur wenigen Unternehmen einen erheblichen Geschäftswert aus KI zu
gelungen, realen Nutzen aus ihren Investitionen in generieren. Während adesso einen ganzheit-
KI-Technologie zu generieren. lichen Ansatz entwickelt hat, um moderne
KI-Modelle für seine Kunden zu bauen,
2 Während viele Unternehmen erfolgreich
machen es die fortschrittlichen Funktionen
erste KI-Prototypen entwickelt haben, ist die
der Taktile-Plattform einfach, diese
robuste und transparente Überführung dieser in
KI-Modelle in produktionsreife Software
die Produktion derzeit die größte Herausforde-
umzuwandeln.
rung, die Unternehmen bewältigen müssen, um
aus KI geschäftlichen Mehrwert zu ziehen. 5 Die Fallstudie zu einem Projekt am
Hamburger Flughafen veranschaulicht das
3 Um Modelle in der Produktion nutzen zu
Potenzial, welches adesso und Taktile ihren
können, müssen Unternehmen fünf zentrale
Kunden bieten können.
Aufgaben meistern: Ausführliche Qualitäts
kontrolle von Modellen, Operationalisierung und
Skalierung von Modellen, Erklärbarkeit und
Überprüfung von Modellen, Produktions-
überwachung, Modellverwaltung
5KI hat die „Hype-Phase“ hinter sich gelassen –
Entscheidungsträger glauben, dass Investitionen
in KI signifikante Wettbewerbsvorteile bringen.
6Stand von KI in Unternehmen im Jahr 2020
Führungskräfte wissen, dass KI für ihre Unternehmen Dennoch ist es bisher nur wenigen Unternehmen
bereits heute von entscheidender Bedeutung ist. gelungen, einen realen Nutzen aus ihren
In den letzten Jahren haben KI-Anwendungen in zahl- Investitionen in die KI-Technologie zu gewinnen.
reichen Branchen eine rasante Verbreitung erlebt. Die Während erfahrene Anwender in der Lage sind, sig-
Projekterfahrung von adesso hat gezeigt, dass frühzei- nifikanten geschäftlichen Mehrwert aus KI zu ziehen,
tige Anwender bzw. Vorreiter in der Lage waren, durch befinden sich die meisten Unternehmen noch im
die Nutzung dieser neuen Technologien einen erheb Aufholprozess. In der KI-Studie von adesso aus dem
lichen Mehrwert für ihr Unternehmen zu generieren. Jahr 2020 gaben über 65 % der Befragten an, dass
die KI-Fähigkeiten ihres Unternehmens im Vergleich
Angesichts der Tatsache, dass immer mehr Unter- zu den führenden Unternehmen ihrer Branche eine
nehmen versuchen, die Erfolgsgeschichten früher erhebliche Diskrepanz aufweisen (adesso, 2020). Dies
KI-Anwender zu kopieren, nehmen die Investitionen schlägt sich auch in finanziellen Kennzahlen nieder.
und Ausgaben für entsprechendes Talent am Arbeits- Forbes berichtet, dass nur 30 % der Unternehmen in
markt kontinuierlich zu (IDC, 2019). Ein diesbezüglicher der Lage sind, eine Investitionsrendite (ROI) für ihre
Bericht von LinkedIn zeigt, dass die Jobausschreibun- Ausgaben für KI zu erzielen (Forbes, 2019). Das ist
gen für KI- und ML-Positionen in den letzten vier Jahren für Führungskräfte nicht akzeptabel – besonders in
jährlich um 74 % gestiegen sind (LinkedIn, 2019). Zeiten der COVID-19-Pandemie, in der die finanzielle
Rentabilität geschäftlicher Investitionen so wichtig
Dieser Trend gilt ebenfalls für den europäischen ist wie nie zuvor.
Markt, wie die KI-Studie von adesso aus dem
Jahr 2020 zeigt: KI hat die „Hype-Phase“ hinter So übernehmen immer mehr Führungskräfte auf
sich gelassen. 90 % der Entscheidungsträger in Vorstandsebene die Verantwortung für KI-Initia-
Unternehmen glauben, dass Investitionen in KI tiven in ihren Unternehmen, um sicherzustellen,
signifikante Wettbewerbsvorteile mit sich bringen dass diese Profite abwerfen (Fortune, 2020).
werden (adesso, 2020).
Notwendigkeit von KI Nutzen von KI
90 % 30 %
der Unternehmen glauben,
der Unternehmen glauben,
dass ihre Investitionen in
dass KI wichtig für ihr
KI einen bedeutenden
Tagesgeschäft ist.
Nutzen generieren.
7Operationalisierung von Modellen – die größte Hürde für KI.
Unabhängig davon, ob eine erhöhte Eigenverantwortung des Vorstands tatsächlich zu höheren
ROIs von KI-Projekten führen wird, sind die mit diesen Projekten verbundenen Herausforderungen
für Führungskräfte klar. Im Rahmen von umfangreichen KI-Projekterfahrung konnten Taktile
und adesso beobachten, dass viele Unternehmen bereits erfolgreich dezidierte Data-Science-
Abteilungen aufgebaut und erste ML/KI-Prototypen mit erheblichem Geschäftspotenzial entwickelt
haben. Die Schwierigkeit besteht nun darin, diese Prototypen in zuverlässige, produktionsreife
Anwendungen zu überführen, die kritische Geschäftsprozesse abdecken können.
Häufig haben Unternehmen keine Prozesse und syste- Große Anzahl kostspieliger Fehler in der Produktion
matische Infrastruktur, die die Operationalisierung von Rund 75 % aller ML-Modelle werden nicht richtig
KI in großem Maßstab ermöglichen. Das ist keine Über- getestet und können in der Produktion versagen.
raschung – diese Aufgabe ist deutlich komplexer als die Indem Unternehmen technisch fehlerhafte und
rein technische Herausforderung, die mit der Bereitstel- verzerrte Modelle in die Produktion übernehmen,
lung von Modellen verbunden ist. Da an KI-Projekten gehen sie erhebliche Reputations- und finanzielle
typischerweise technische und nicht-technische Team- Risiken ein – oftmals ohne es zu wissen. So gab es
mitglieder beteiligt sind, muss ein KI-Operationalisie- 2020 verschiedene prominente Fälle diskriminierender
rungsmodell auch Prozesse zum Schaffen von Trans- Modelle (von Kreditwürdigkeitsprüfungen bis hin zu
parenz und für die Governance von KI-Anwendungen Gesichtserkennungssystemen), die für die betroffenen
umfassen, auf die geschäftliche Stakeholder angewie- Unternehmen Gerichtsverfahren zur Folge hatten.
sen sind. Dies unterstreicht die folgende Analyse mit
den fünf häufigsten Gründen, weshalb die meisten KI- Geringe Resilienz gegenüber
Projekte aktuell wenig geschäftlichen Nutzen bringen. dynamischen Situationen (z. B. COVID-19)
Bei den meisten ML-Modellen in der Produktion
Hohe Misserfolgsquote bei KI-Projekten wird die Live-Performance nicht rigoros überwacht.
Rund 85 % aller KI-Projekte schlagen fehl (Gartner, Daher können z. B. systematische Änderungen in
2019) und gelangen nie in die Produktion. Die meis- den eingehenden Datenströmen unbemerkt bleiben,
ten Unternehmen beziehen geschäftliche Stakehol- was zu ungenauen Vorhersagen führt und die Unter-
der nicht effektiv in ML-Projekte ein und schaffen nehmen erhebliche Summen kosten kann. Studien
daher nicht die erforderliche Transparenz, die für das zeigen, dass dies 2020 besonders problematisch
Buy-In von diesen Stakeholdern erforderlich wäre. war, da die COVID-19-Pandemie das Geschäfts- und
Verbraucherverhalten auf viele unvorhergesehene
Hohe Projektkosten, lange Implementierungszeiten Arten verändert hat (Techcrunch, 2020).
Ein typisches KI-Projekt (das heißt ein Anwen-
dungsfall, der mit einer KI-Anwendung gelöst Geringe Skaleneffekte
wird) kostet in großen Unternehmen zwischen 0,5 Über 50 % der ML-Modelle lassen sich nicht über
und 1,0 Millionen Euro und dauert sechs bis zwölf eine Applikation hinweg wiederverwenden. Viele
Monate. Den meisten Unternehmen gelingt es Firmen operationalisieren ihre ML-Modelle durch
nicht, Modelle effizient im großem Maßstab in die Skripte, die tief in Endanwendungen integriert sind
Produktion zu überführen, da sie kein funktionie- und damit schlecht in anderen Teilen des Unterneh-
rendes ML-Operationalisierungssmodell haben. mens wiederverwendet werden können.
8Die Schwierigkeit besteht darin, Prototypen
in produktionsreife Anwendungen zu überführen,
die kritische Geschäftsprozesse abdecken können.
9Trainiertes
Modell
Planen Industrialisieren
Da
1
te
nb
esc
n
haff
Evaluiere
Qualitätskontrolle
en
von Modellen
Mod
ell e rs telle n
Fähigkeiten, die für eine zuverlässige und
transparente Operationalisierung von Modellen
in Unternehmen erforderlich sind
Wie oben beschrieben, haben viele Firmen bereits Blick auf die Werkzeuge für die Operationalisierung
erste Data-Science-Teams aufgebaut. Diese Teams und den Betrieb von ML-Modellen sieht die Situation
verfügen über die Fähigkeit, Modelle zu erstellen, jedoch ganz anders aus. Diese sind noch relativ neu
zu trainieren und KI-/ML-Prototypen zu entwickeln. und es haben sich für beide Prozesse bislang nur
Die damit verbundenen Kenntnisse sind schließlich wenige technische Standards etabliert. Darüber hin-
zentraler Teil des Curriculums der meisten Data-Sci- aus sind die Software-Engineering-Kompetenzen zur
ence-Kurse. Außerdem wurden die (oft Open-Source- Operationalisierung und zum Betrieb von Modellen
basierten) Tools für diese Aufgaben in den letzten typischerweise keine Kompetenzen, mit denen Data
fünf Jahren umfassend weiterentwickelt. Bei einem Scientists vertraut sind.
10Modell in Modell in Produktion
Produktion aktualisiert
Pflegen
2 3 4 5
Operationalisierung Erklärbarkeit und Produktions Modellverwaltung
und Skalierung von Überprüfung von überwachung
Modellen Modellen
Um Modelle auf zuverlässige, unternehmenstaug- 3 Erklärbarkeit und Überprüfung von Modellen
liche und transparente Weise operationalisieren zu Überprüfung und Erläuterung des Modellverhaltens
können, müssen Data Scientists in der Regel fünf für (nicht technische) Stakeholder durch gründliche
neue Fähigkeiten erlernen: Analyse der Modellpräzision, der Bedeutung von
einzelnen Inputvariablen und der Gründe bestimmter
1 Qualitätskontrolle von Modellen Vorhersagen.
Implementierung von CI/CD-Pipelines, sprich einem
standardisierten Gate-basierten Prozess für die 4 Produktionsüberwachung
kontinuierliche Operationalisierung von Modellen, Überwachung von Kennzahlen des Webservices auf
der für eine ausreichende Qualitätskontrolle sorgt. Systemebene. Zuordnung variabler, anwendungs-
Durchführung domänenspezifischer Präzisions- bezogener Kosten zu verschiedenen Geschäfts-
und Plausibilitätstests vor dem Bereitstellen eines einheiten. Kontinuierliche Evaluierung der Modell-
neuen Modells. Performance anhand von Live-Daten. Bei Problemen:
Versand von Warnungen, Rückkehr zu heuristischer
2 Operationalisierung und Entscheidungsfindung und Unterstützung bei der
Skalierung von Modellen Fehlerbehebung.
Umwandlung des Modells in einen anspielbaren
Webservice, wie z. B. Flask oder FastAPI. Verwen- 5 Modellverwaltung
dung einer Docker-basierten Infrastruktur zum Verwaltung der operationalisierten Modelle.
Containerisieren der Webanwendung. Bereitstel- Durchführung von Modell-Updates und Modell-
lung des Containers in einer Cloud-Umgebung Versionierung, die es ermöglicht, vorherige
und Sicherstellung, dass dieser bei eingehenden Versionen von Modellen erneut live zuschalten.
Anfragen automatisch mitskaliert. Reproduktion der Outputs einzelner Modelle für
Klienten und Aufsichtsbehörden. Automatische
Generierung umfassender Compliance-Berichte.
11adesso und Taktile ermöglichen es Unternehmen,
geschäftlichen Nutzen aus KI ziehen
Ansatz für „Building AI-based Systems“ >> Testen von Modellen: Nutzen Sie hochmoderne
Angesichts der zahlreichen oben beschriebenen Testverfahren, die verhindern, dass jemals
Herausforderungen, sind Taktile und adesso davon fehlerhafte Modelle live geschaltet werden.
überzeugt, dass Unternehmen produktionsfähige >> Operationalisierung von Modellen: Schreiben Sie
KI-Systeme nur durch sorgfältig geplante und aus eine einzelne Codezeile, um Ihr trainiertes Modell in
geführte Projekte realisieren können. Die Entwicklung eine automatisch skalierende API zu verwandeln.
solcher Anwendungen setzt eine Projektstruktur und >> Erklärbarkeit von Modellen: Erzeugen Sie
Kenntnisse voraus, die sich stark von traditionellen aussagekräftige Modellerklärungen und visuelle
IT-Lösungen unterscheiden. Das Beachten dieser Darstellungen, um Modelle zu inspizieren und
Unterschiede beim Einrichten und Implementieren Buy-In von Projekt-Stakeholdern zu sichern.
eines Projekts bestimmt dessen Erfolg. Als einer >> Monitoring von Modellen: Überwachen Sie den
der führenden europäischen IT-Dienstleister hat Zustand Ihrer ML-Anwendungen, evaluieren Sie
adesso gemeinsam mit dem Lehrstuhl für Software die Performance ihrer Systeme und richten Sie
Engineering an der Universität Duisburg-Essen einen individuelle Benachrichtigungen ein, die Sie über
neuen Ansatz zur Gestaltung datengesteuerter Probleme aufklären.
KI-Anwendungen entwickelt. Der Idee für „Building >> Verwaltung von Modellen: Nutzen Sie Taktiles
AI-based Systems“ liegt ein Prozessmodell mit Management-Funktionen, um Modelle in Produk-
Phasen, Rollen und Verantwortlichkeiten zugrunde, tion einfach zu verwalten, zu aktualisieren oder zu
das den besonderen Merkmalen von KI-Anwendun- replizieren.
gen gerecht wird. Denn es gibt nicht nur eine Art von >> Governance von Modellen: Erstellen Sie mit nur einem
KI. Banken und ihre Kunden haben andere Ziele als Mausklick Compliance-Berichte für Ihre ML-Systeme.
Einzelhändler. Versicherungsunternehmen weisen
andere Rahmenbedingungen auf als Fahrzeugher- Die Taktile-Plattform ist jedoch mehr als nur ein
steller. Daher geht es bei diesem Ansatz zunächst Entwickler-Tool. Mit einer Zeile Code können Data
darum, Anwendungsfälle mit dem größten Potenzial Scientists auf Taktile nicht nur ein Modell operatio-
für die Kunden zu ermitteln – und dann die passen- nalisieren, sondern ihrem ganzen Team ermöglichen
den Systeme dazu zu entwickeln. Der Ansatz zu wirklich funktionsübergreifend an ihrem ML-Projekt
„Building AI-based Systems“ ist die Antwort auf die zusammenzuarbeiten.
speziellen Anforderungen bei der Einrichtung solcher
Lösungen (Gruhn et al., 2019). Taktile-Plattform
Wie das Schaubild verdeutlicht, bietet die Taktile-
Taktile ermöglichtes Unternehmen, ML-Modelle Plattform spezifische Funktionen für jeden Beteilig-
einfach in produktionsreife Software zu übersetzen ten an einem ML-Projekt und wird so zum zentralen
Die Taktile-Plattform ist eine der bevorzugten Hub für effektive Zusammenarbeit. Darüber hinaus
Lösungen, die adesso zur Operationalisierung von können Ingenieure Modelle bequem in Endanwen-
ML-Modellen verwendet. Sie bietet Data Scientists dungen integrieren, indem sie auf die automatisch
die Möglichkeit, Modelle effizient zu operationali- generierte und skalierende REST-API zurückgreifen.
sieren, zu skalieren und im Betrieb zu verwalten. Zu Andere Projektteams können die gleiche API verwen-
den wichtigsten Merkmalen der Plattform zählen: den, um das Modell in anderen ML-Pipelines zu
integrieren, wodurch die Wiederverwendbarkeit von
Modellen gewährleistet wird.
12
Produkt- Interne/externe
manager Compliance Abteilung
Überwachung und Compliance-
Data Benachrichtigungen Berichte Back-End-
Scientist Ingenieur
Taktile REST-
Modell API
Modell-Erklärungen
Nachgeordnetes
Verwaltung
und visuelle Datenteam
mehrerer Modelle
Darstellungen
Leiter des Anwender aus
Data-Science-Teams Fachbereich
Die Taktile-Plattform bietet unterschiedliche Funktionen für jeden Projektbeteiligten und wird so zur
zentralen Drehscheibe für eine effektive Zusammenarbeit.
13Die Operationalisierung von ML-Modellen ist bei KI-Projekten
meist die größte Herausforderung. Sie dauert oft mehrere Monate.
Dieser Zeitaufwand kann auf wenige Stunden reduziert werden.
14Fallstudie: Prognose von Wartezeiten an
Sicherheitskontrollen am Hamburger Flughafen
Im Rahmen eines Projektes beauftragte der Hamburger Flughafen adesso mit der Entwicklung
eines KI-Systems zur Vorhersage des Personenaufkommens an Sicherheitskontrollen.
Die Vorhersagen sollten nicht nur dazu beitragen, die Kundenzufriedenheit zu erhöhen,
indem den Reisenden der schnellste Weg durch die Sicherheitskontrolle gezeigt wird, sondern
sie sollten auch dazu genutzt werden, das finanzielle Ergebnis des Flughafens zu verbessern,
indem die Sicherheitsmanager ihre Personalentscheidungen optimieren können.
Grundlage für das Training des ML-Modells waren In solchen Fällen nutzen die Data Scientists von
die Passagier- und Flugdaten der letzten drei adesso nach dem Training des finalen Modells
Jahre, die zusätzlich um die Feriendaten einzelner die Taktile-Plattform, um die Performance des
Bundesländer ergänzt wurden. Nach der Vorberei- Modells schnell zu überprüfen und in eine robuste
tungsphase wurden die Daten in der Feature-Engi- Webanwendung zu überführen. Die resultierende
neering-Phase weiter optimiert. adesso reduzierte REST-API umfasst eine detaillierte Dokumenta-
die Anzahl der Features von ursprünglich 1.500 auf tion/Nutzungsanweisung, die es Nutzerinnen und
eine sinnvolle Anzahl unter Verwendung verschie- Nutzern leicht macht, das Modell in Endanwendun-
dener Maße für die Wichtigkeit der Variablen. Der gen zu integrieren. Außerdem generiert die Taktile-
abschließende Datensatz bestand aus rund 30 Plattform automatische Modellerklärungen, die
Features, die für die nachfolgende Trainings- und tiefe Einblicke in die Gründe hinter den Vorhersagen
Validierungsphase genutzt wurden. des Modells liefern. Die erstellten Visualisierungen
lassen sich leicht mit allen wichtigen Entschei-
Das Modell, das letztendlich zum Einsatz kam, dungsträgern beim Kunden teilen.
machte von unterschiedliche Algorithmen Gebrauch
und griff auf einen Gradient-Boosting-Regressor, Die Operationalisierung von ML-Modellen ist bei
einen Decision-Tree-Regressor und ein mehrschich- KI-Projekten meist die größte Herausforderung.
tiges Perzeptronmodell zurück. Mithilfe eines Sie dauert oft mehrere Monate, ist mit einem
zusätzlichen Adaboost-Algorithmus konnten diese großen manuellen Software-Engineering- und
schwächeren Klassifizierer zu einem insgesamt Visualisierungsaufwand verbunden, was sich oft in
stärkeren Modell kombiniert werden. Zusätzlich hohen Kosten für den Kunden bemerkbar macht.
sorgte ein Voting-Regressor dafür, dass verschie- Durch die Kombination der Erfahrungen von adesso
dene Modellergebnisse zu einem aussagekräftigen bei der Entwicklung moderner KI-Anwendungen
Gesamtmodell zusammengefasst werden konnten. mit der Funktionalität der Taktile-Plattform zur
Operationalisierung von ML-Modellen, kann dieser
Zeitaufwand auf wenige Stunden reduziert werden.
Als Ergebnis können Projekte viel schneller und
kosteneffizienter durchgeführt werden als zuvor.
15Kontakt
www.hamburg-airport.de
adesso SE
Quellen
Adessoplatz 1
> International Data Corporation:
44269 Dortmund
https://www.idc.com/getdoc.jsp?containerId=prUS45481219
T +49 231 7000-7000
> LinkedIn: https://business.linkedin.com/content/dam/me/
F +49 231 7000-1000
business/en-us/talent-solutions/emerging-jobs-report/
www.adesso.de
Emerging_Jobs_Report_U.S._FINAL.pdf
> Forbes: https://www.forbes.com/sites/nicholasfearn/2019/09/13/
Kontakt:
how-businesses-can-get-the-most-value-from-artificial-
Benedikt Bonnmann
intelligence/#637e4b303655
Leiter Line of Business
> adesso: https://ki.adesso.de/ki-de/oeffentliche-downloads/
Data & Analytics
ki-eine-bestandsaufnahme-2020.pdf
benedikt.bonnmann@adesso.de
> Fortune: https://fortune.com/2020/06/23/why-the-c-suite-is-
now-overseeing-corporate-a-i-projects/
> Techcrunch 2020: https://techcrunch.com/2020/08/18/how-to-
diagnose-and-treat-machine-learning-models-afflicted-by-covid-19/
> V. Gruhn, M. Hesenius, W. Koop, O. Meyer, N. Schwenzfeier,
Kontakt: “Towards a Software Engineering Process for Developing Data-Driven
Maik Taro Wehmeyer Applications,” 2019 IEEE/ACM 7th International Workshop on Realizing
contact@taktile.com Artificial Intelligence Synergies in Software Engineering (RAISE),
www.taktile.com Montreal, QC, Canada, 2019, pp. 35-41, doi: 10.1109/RAISE.2019.00014.Sie können auch lesen
