Der volle Nutzen von Machine Learning (ML) und Künstlicher Intelligenz (KI) erschliesst sich erst über den kompletten Lebenszyklus einer Anwendung. Doch es stellt für viele Unternehmen eine Hürde dar, bereits während der Entwicklung den nachhaltigen und skalierbaren Betrieb aufzugleisen. Ein Lifecycle Model von Helbling bietet Orientierungshilfe, um Prozesse dank ML und KI nachhaltig effizienter zu gestalten und neue Produkte zukunftstauglich auf den Weg zu bringen.
Das Potenzial von Machine Learning (ML) und darauf basierender Künstlicher Intelligenz (KI) ist unbestreitbar – und doch entfalten ML-Anwendungen in Unternehmen langfristig oft weniger Nutzen als möglich wäre. Deutlich wird dies anhand eines Beispiels aus der Praxis: Ein produzierendes Unternehmen startet zwei Projekte für KI in der Fertigung, einerseits zur automatischen optischen Qualitätskontrolle und andererseits zur Unterstützung bei der Anlagenbedienung. Prototypen werden entwickelt und an einer Linie eingesetzt. Sie zeigen überzeugende Leistungen – ein voller Erfolg! Dennoch bleiben die beiden Anwendungen Insellösungen. Sie werden nicht auf weitere Linien oder Anwendungsfälle übertragen, denn dafür fehlen im eng getakteten Tagesgeschäft die Ressourcen. Mit der Zeit häufen sich Fehler der Anwendungen; sie erfordern immer wieder mühsame Wartung, bis der Aufwand dafür zu gross wird und ihr Einsatz endet. Der anfängliche Erfolg wird zur Erinnerung ohne bleibende Substanz.
Was ist schiefgelaufen? Die Entwicklung der Anwendungen war erfolgreich, doch wurde ihrem Betrieb zu wenig Beachtung geschenkt. Wie andere Software-Anwendungen haben diejenigen im Kontext von ML einen Lebenszyklus, der nicht mit dem ersten Einsatz endet, und der Elemente umfasst, die andere SW-Anwendungen nicht betreffen. Ein nachhaltiger und skalierbarer Nutzen von ML und KI basiert darauf, dass der ganze Lebenszyklus berücksichtigt und aktiv gestaltet wird.
Das ML Lifecycle Model von Helbling
In der jüngeren Vergangenheit sind den Fachleuten von Helbling bei verschiedenen Firmen häufig Situationen begegnet, die derjenigen im Beispiel ähneln. Das Problem stellt sich sowohl für Prozesse innerhalb eines Unternehmens als auch für den KI-Einsatz in Produkten, handle es sich nun um Medizintechnik, Gebäudeautomatisierung oder Embodied AI. Zu seiner Lösung hat Helbling ein eigenes Machine Learning Lifecycle Model entwickelt, erwachsen aus der Projekt-Erfahrung in ganz unterschiedlichen Bereichen. Dabei ist das interdisziplinäre Wissen von Software-, Automatisierungs- oder auch Robotik-Fachleuten eingeflossen.
Das Lifecycle Model umfasst sechs Phasen – von der initialen Use-Case-Definition bis zu Monitoring & Maintenance während des Betriebs – und empfiehlt Aktivitäten in fünf Bereichen:
Generell wurde das ML Lifecycle Model als Orientierungshilfe bei der Planung von ML-Projekten konzipiert. Hiermit soll gewährleistet werden, dass der Betrieb über die Entwicklung hinaus rechtzeitig berücksichtigt wird. Ein ML-Projekt umfasst nicht von Beginn an alle sechs Phasen, sondern zuerst die beiden Initialphasen der Use-Case-Definition und des Prototyping. Diese sind eher explorativ und erfordern Agilität. Das Lifecycle Model schärft den Blick dafür, was bereits in diesen Phasen für die späteren wichtig wird: Zum einen soll die im Tooling geschaffene Infrastruktur für Machine-Learning-Experimente die Grundlage für eine spätere Automatisierung der Datenaufbereitung und des Modelltrainings bieten. Zum anderen erlaubt eine konsequente Versionierung von Code, Daten, Modellen und auch Hardware später Reproduzierbarkeit und Nachverfolgbarkeit, also Traceability. Schliesslich verdient auch bei ML-Projekten die Industrialisierung ihren angemessenen Raum; wie in jedem Bereich der Entwicklung sollte nicht einfach der erste Prototyp im Feld eingesetzt werden.
Ein erfolgreiches Projekt soll die Anwendung des Lifecycle Models illustrieren, wobei jeweils auf die relevanten Phasen verwiesen wird.
Beispiel: Machine Learning in der Produktion
A) Von der Definition des Anwendungsfalls über Prototyping bis hin zur Industrialisierung
Am Anfang stand ein komplexer Produktionsprozess der Idee gegenüber, die Qualität eines Produktes nicht erst am Ende zu messen, sondern bereits während des Prozesses vorherzusagen (Predictive Quality). Dieser Use Case wurde zusammen mit den benötigten Daten und möglichen ML-Modellen umrissen (1). Die zweite Phase, Prototyping (2), drehte sich vor allem um die Evidenz, ob und wie der Use Case umgesetzt werden kann. Dafür wurden die Anforderungen geschärft, Daten gesammelt und analysiert sowie Experimente mit ML-Modellen durchgeführt. Dazu waren massgeschneiderte Software-Tools notwendig, die mitentwickelt und fortlaufend verfeinert wurden. Der Aufbau dieser Tools lieferte wertvolle Erkenntnisse für die spätere Automatisierung von Datenaufbereitung und Modelltraining.
Der ursprüngliche Use Case erwies sich schnell als nicht machbar – die verfügbaren Daten lieferten nicht genügend Informationen für eine absolute Qualitätsvorhersage. Doch die gesammelte Evidenz zeigte, dass Änderungen in der Qualität vorhergesagt werden können. Mit dieser Erkenntnis wurde ein neuer Use Case definiert und dessen Nutzen geprüft (1). Der Prototyp dafür war mit den bereits vorhandenen Daten und Tools schnell entwickelt (2).
Im Schritt der Industrialisierung (3) wurde aus dem Labor-Prototyp eine robuste Anwendung. Das Entwicklungsteam legte die endgültige Architektur fest und erweiterte die Trainingsdaten. Zudem wurden die bestehenden Tools ausgebaut, um das Training samt Datenaufbereitung zu automatisieren. Damit hat sich der Fokus von der Entwicklung auf den Betrieb verschoben – nicht in einem klaren Bruch, sondern graduell.
B) Kontinuierliches Training, Validieren, Monitoring für die und in der Anwendung
Neben dem Training eines Modells wurde auch dessen Validierung automatisiert (4): Der erste Schritt dazu war eine Formalisierung der Evaluation in Bezug auf Datengrundlage, Metriken und Erwartungen. Die Daten der jeweils letzten drei Monate dienten als Testset, alle vorherigen zum Training. So war und ist sichergestellt, dass die Validierung eines Modells immer möglichst nahe an der Gegenwart liegt und dass Vorhersagen verschiedener Modelle auf der gleichen Grundlage verglichen wurden.
Das trainierte Modell wurde in eine eigene Anwendung ausgerollt und in die Software der Produktionslinie integriert (5). Auch dabei ermöglichte eine Automatisierung zukünftige Updates des Modells ohne Aufwand.
Die ML-Anwendung befindet sich damit im Einsatz. Zur Überwachung findet im Betrieb ein automatischer Vergleich zwischen den Vorhersagen und der gemessenen Qualität statt, Inputdaten müssen einer Prüfung auf Konsistenz standhalten (6). Regelmässig wird das Modell zudem neu trainiert und validiert (4). So ist die Zuverlässigkeit des Modells mit seinem Einsatz gewachsen, während seine Validierung immer aktuell bleibt.
Neben den auf Daten und Machine Learning fokussierten Tätigkeiten hat im Verlauf des Lebenszyklus auch das typische DevOps zunehmend an Gewicht gewonnen. Dabei ging es darum, die Software-Entwicklung und deren Betrieb zu vereinigen – mit Blick auf die gesamte Applikation, in welche das ML-Modell eingebettet ist. Die Versionskontrolle setzte bei den ersten ML-Experimenten an und wurde nach der Industrialisierung ausgebaut: Dabei ist ein umfassendes Konfigurationsmanagement für alle ausgerollten Modelle entstanden, denn es blieb nicht bei einem Modell. Verschiedene Produkte an unterschiedlichen Fertigungsstandorten machten jeweils ein eigenes Modell erforderlich. Dank der stringenten Versionskontrolle waren frühere Entwicklungsschritte auf neue Modelle übertragbar. Konsequente Automatisierung ermöglichte es, diese effizient zu erstellen, zu betreiben und zu verwalten.
Zusammenfassung: Der ML-Lebenszyklus verlangt aktive Gestaltung
Bei diesem Beispiel stellte es sich als entscheidender Erfolgsfaktor heraus, den Lebenszyklus einer KI-Anwendung zu berücksichtigen: So konnten Prozesse im Unternehmen effizienter gestaltet werden. Der Ansatz, den das ML Lifecycle Model von Helbling verfolgt, greift jedoch auch bei der Entwicklung von Produkten mit KI. Es bietet Orientierung bei der Planung und Durchführung von Projekten bis zum Markteintritt und darüber hinaus. Dabei unterstützt es die spätere Skalierbarkeit sowie den anhaltenden Mehrwert. Letztlich können Unternehmen damit auch das Risiko der Investition reduzieren. Helbling unterstützt Unternehmen dabei, das Versprechen von KI einzulösen. Wenn die effiziente Anwendung der zugrundeliegenden ML-Modelle etabliert ist, zeigen sich Erfolge. Und die Erfahrung im Laufe des Lebenszyklus schafft die nötige Reife für weitere Entwicklungen.
Autor: Simon Kurmann
Hauptbild: Helbling
