KI-Projekte müssen nicht scheitern – die Klippen umschiffen

Viele KI-Projekte scheitern – sogar nach einem erfolgreichen Proof of Concept – bei der produktiven Umsetzung. Wir zeigen einige der häufigsten Gründe aus der Praxis für das Scheitern. Dies kann die eigentlichen (ML-)Problemstellung, die Infrastruktur, die Kommunikation ebenso wie die technologische Umsetzung betreffen.

Wir wollen Lösungswege aufzeigen und Werkzeuge vorstellen, z.B. zum Datenmanagement und zur Qualitätssicherung (Data Sheets for Datasets) oder zur MLOps-Strategie (MLOps-Canvas). Außerdem gehen wir auf Workshops sowie auf bewusste Konzeption ein, mit denen früh der Grundstein für eine erfolgreiches KI-Projekt gelegt werden kann.

Vorkenntnisse

Grundlegendes Verständnis von Software Engineering und Machine Learning.

Lernziele

• Häufige Gründe, warum ML-Probleme nach ihrem PoC nicht produktiv gehen, und was man dagegen tun kann.
  
• Datenqualität mithilfe von Datasheet for Datasets sichern
  
• Einblick und Einstieg in MLOps
  
• Mittels des MLOps-Canvas erfolgreiche Umsetzung des ML-Projektes