Industrielle KI: Lebenszyklen und Feedback-Schleifen

KI und Machine Learning haben in vielen Anwendungsbereichen die Phasen übertriebener und enttäuschter Erwartungen hinter sich gelassen. Veränderte Leitthemen – z.B. Data-centric AI und ML Ops - zeugen davon, dass nun die handwerkliche Realisierung und der Betrieb produktiver KI/ML-Anwendungen mit echten Mehrwerten in den Vordergrund treten.

Hierfür gilt es, spezielle Lebenszyklen auf mindestens drei Ebenen zu beherrschen: die langfristige Steuerung der KI/ML Roadmap inklusive Daten-Management, die kontinuierliche Exploration und Produktivsetzung sowie die produktiven Trainings-, Inferenz- und Feedback-Zyklen („Human in the Loop“) von von KI-Daten bzw. -Bausteinen.

In diesem Beitrag teilt AIM seine Erfahrungen zu Vorgehensweisen, Werkzeugen sowie Open-Source- und Cloud-Technologien aus der Realisierung verschiedener KI/ML-Anwendungsfälle in den letzten vier Jahren (Predictive Supply Chain, Predictive Maintenance, Digital Asset Processing).

Lernziele

• Vollständiges Bild der Realisierung Industrie- und produktivtauglicher KI-Anwendungen und Plattformen
  
• Bewährte Ansätze für das Zusammenspiel der wesentlichen Feedback Schleifen (Roadmaps, Daten, Pipeline Engineering, ML Ops, Training & Inferenz)
  
• Konkrete Vorgehensweisen, Methoden und Werkzeuge in diesen Feedback Schleifen