Von der Idee zur intelligenten Lösung mit Tallence

Mit unserer Unterstützung bleiben KI-Lösungen in eurem Unternehmen nicht länger nur eine Vision, sie werden zum Leben erweckt und helfen euch, den Geschäftsalltag effizienter und innovativer zu gestalten. Als Experten für Individual- und Enterprise Software entwickeln wir für euch maßgeschneiderte Machine Learning-Lösungen und integrieren diese in eure bestehende Systemlandschaft. Bei Projekten in diesem Kontext ist es unverzichtbar, dass Entwicklung und Beratung Hand in Hand gehen, um langfristigen Wert zu schaffen. Wir können hier auf unsere über 20 Jahre aufgebaute Expertise in der Softwareentwicklung und digitalen Transformationsberatung vertrauen und euch als Full-Service-Partner über den gesamten Prozess hinweg begleiten. Der Wandel hin zum nutzenmaximierenden Einsatz von Künstlicher Intelligenz erfordert darüber hinaus häufig einen Umbau bestehender Datenstrukturen. Diese müssen möglicherweise auch neu aufgebaut werden. Dabei unterstützen wir euch genauso professionell wie beim Aufbau von Cloud-Systemen und IT-Systemarchitekturen, die euch das Sammeln, Verwalten und Analysieren der ggf. für eure Machine Learning-Lösung notwendigen großen Datenmengen ermöglichen.

Eine transparente Kommunikation mit euch und kontinuierliches Feedback sind uns im Rahmen des gesamten Prozesses sehr wichtig und ermöglichen es uns, euch eine maßgeschneiderte, nachhaltige Lösung zu liefern. Der Prozess wird individuell an den Kunden angepasst. Hierbei wird zwischen einer agilen, klassischen oder hybriden Vorgehensweise gewählt, um die Entwicklung so effizient und zielführend wie möglich zu gestalten. Im Folgenden wollen wir euch unseren Prozess Schritt für Schritt erläutern:

Im ersten Schritt analysieren wir den Status Quo. Wir schauen uns eure Prozesse im Detail an und identifizieren im Dialog mit euren Fachkräften Digitalisierungs- und Optimierungspotenziale. Die ermittelten Potenziale skizzieren wir in ersten Use Cases. Zudem prüfen wir eure Daten. Diese sind die Grundlage für Künstliche Intelligenz und entscheiden maßgeblich, wie gut der spätere Algorithmus seine Aufgaben erledigt. Daher ist es essenziell, eine eingehende Analyse aller Daten durchzuführen, die im Rahmen des Geschäftsalltags in eurem Unternehmen generiert werden. So können wir evaluieren, wie wir eure Daten in Zukunft noch effektiver zur intelligenten Automatisierung eurer Prozesse nutzen können. Neben den Daten analysieren wir ebenfalls die bestehende IT-Infrastruktur eures Unternehmens. Dies ist unabdingbar, da die zu entwickelnden Lösungen in die aktuellen Strukturen nahtlos integriert werden müssen, um den gewünschten Mehrwert zu generieren.

Die aus der Analysephase gewonnenen Erkenntnisse bilden die Grundlage für die Bewertung und Priorisierung der skizzierten Use Cases. In diesem Schritt evaluieren wir gemeinsam mit euch, an welchen Stellen eures Unternehmens Künstliche Intelligenz einen erheblichen Mehrwert leisten kann und quantifizieren den Impact möglicher Lösungen auf das laufende Geschäft. Hiermit wollen wir sicherstellen, dass Aufwand und Ertrag für die Umsetzung der KI-Lösung in einem gesunden Verhältnis stehen und der Business Value maximiert wird. Anschließend priorisieren wir die Use Cases im Hinblick auf ihr Potenzial und ihre Umsetzbarkeit. Am Ende dieser Phase steht eine Auswahl von priorisierten Use Cases fest, die für eine Umsetzung avisiert werden.

Wurden im vorigen Schritt noch Use Cases skizziert, geht es nun darum, ein detailliertes Konzept für die Umsetzung der ausgewählten Lösungen auszuarbeiten. Am Anfang dieser Phase steht die Anforderungsaufnahme. Im Rahmen von Anforderungsworkshops mit den relevanten Stakeholdern ermitteln wir, welche Funktionen die neue Software bieten soll und welche Qualitätsmaßstäbe zugrunde gelegt werden. Die Anforderungen werden über die Workshops hinweg verfeinert, abgestimmt und münden in einer Spezifikation. Die Anforderungen geben ebenfalls Aufschluss darüber, welche Daten für das neue System von Relevanz sind und in welcher Form diese für eine optimale Nutzung vorliegen müssen. Ein erster Proof of Concept, den wir mit eurer Unterstützung erstellen, gibt hier bereits einen Ausblick auf die spätere Lösung. Wir testen hiermit im Allgemeinen die Umsetzbarkeit der avisierten Lösung, indem wir ausgewählte Anforderungen umsetzen und validieren. Die daraus gewonnenen Erkenntnisse dienen als Input für das Lösungskonzept, welches die Ausgangsbasis für die darauffolgende Aufbereitung der Datengrundlage und Umsetzung der Lösung bildet.

Auch wenn bereits viele Datentöpfe in eurem Unternehmen vorhanden sind, kann es sein, dass diese noch nicht die Form und Qualität haben, um die Use Cases optimal umzusetzen. So werden in dieser Phase u.a. verschiedene Quellen in ein einheitliches Format gebracht und fehlerhafte sowie inkonsistente Daten korrigiert. Hierbei werden ebenfalls notwendige Schnittstellen zu Bestandssystemen identifiziert. Natürlich unterstützen wir euch auch gerne dabei, eure Datenspeicher auf einen moderneren Stand zu bringen und diese zu optimieren bspw. durch die Anlage eines Data Lakes. Ein Konzept zur Auswahl und Generierung passender aktueller Trainings- und Testdaten gehört ebenfalls zu den Endprodukten dieser Phase. Dabei haben wir stets ein besonderes Augenmerk auf die Einhaltung der höchsten Datenschutzstandards.

Dieser Schritt besteht aus zwei eng miteinander verknüpften Phasen, die sich in einer Art Kreislauf bis zum fertigen Modell hin abwechseln. In der ersten Phase (5a) wird ein grundsätzliches Modell entwickelt oder ein bestehendes Modell verbessert. Im Anschluss wird in der nächsten Phase (5b) das Modell evaluiert und dessen Schwachstellen untersucht. Die gewonnenen Erkenntnisse führen dann zu einer Weiterführung der Phase 5a. Diese Feedbackschleife zwischen beiden Phasen läuft so lange, bis das Modell den Anforderungen genügende Ergebnisse liefert. Parallel wird auch die Trainingsdatengrundlage kontinuierlich optimiert, um den Prozess in der Feedbackschleife zu unterstützen.

a) Entwicklung und Optimierung der Modelle sowie Training

In diesem Schritt greifen wir in großem Maße auf unsere Vorarbeiten zurück und setzen auf unserem erstellten Proof of Concept sowie den aufbereiteten Daten auf. Ausgehend von den Konzepten werden die Machine Learning-Modelle passgenau und bereit für den Produktivbetrieb entwickelt. Im Gegensatz zu dem Proof of Concept stehen nun viel mehr die Performance und Qualität der Lösung im Vordergrund. Das initiale Training mit bereits vorhandenen Trainingsdaten ermöglicht die ersten Schritte auf dem Weg zur Lösung und eine Evaluierung der Modelle im Hinblick auf die Anforderungen des Use Cases (siehe Schritt 5b). Je nach Anwendungsfall gilt es, im Blick zu behalten, dass die Modelle auch mit tagesaktuellen Daten nachtrainiert oder sogar kontinuierlich verbessert werden können.

b) Evaluierung der Modelle

Zu der Evaluierung der Modelle gehört neben der Auswertung von verschiedenen Standardqualitätsmerkmalen (u.a. F1-Score, Accuracy, Datendurchsatz) auch die Prüfung auf typische Probleme aus dem Machine Learning-Kontext wie z.B. Overfitting (das trainierte Modell erklärt nur die Trainingsdaten aber keinen allgemeinen Fall) oder Bias (es gibt einen systematischen Fehler, der zu großen Abweichungen führt). Zusätzlich zu den Standardverfahren der Qualitätssicherung arbeiten wir Hand in Hand mit euren Experten, um die Plausibilität der Ergebnisse zu prüfen. Wir stellen euch die notwendigen Werkzeuge zur Verfügung, um auch Blackbox-Algorithmen besser zu durchleuchten. Auf diese Weise können wir die Interpretier- und Erklärbarkeit der Modelle steigern.