KI-Projekte

In unseren KI-Projekten entwickeln und implementieren wir KI-Lösungen mit Machine-Learning- und Deep-Learning-Modellen sowie Machine-Learning-Trainingsmethoden. Die Wahl der Modelle orientiert sich an den jeweiligen Use Cases bzw. Aufgaben.

Zwei wichtige Ziele unserer Projekte sind möglichst hohe ROIs und kurze Amortisierungszeiten. Dies erreichen wir durch vergleichsweise kurze Projekte und wenigen Ressourcen, die unter anderem durch den „Projektprozess“ und die Software-Tools, die wir verwenden, ermöglicht werden.

KI-Projektprozess

Der unicoKI-Projektprozess (oben dargestellt) ist eine Kombination aus einem Innovationsprozess, Projektportfolioprozess und CRISP-DM. Der Prozess wird durch eine gute Portion Agilität ergänzt.

Der Innovationsprozess und Projektportfolioprozess gewährleisten, dass Use Cases und Projekte „richtig“ priorisiert werden:

  • „Bessere“ Projekte bzw. Use Cases (hohes ROI, kurze Amortisierung, qualitatives Nutzen) indem ihnen Ressourcen zugeordnet werden. „Schlechte“ Use Cases und Projekte werden so früh wie möglich im Prozess erkannt und gestoppt.
  • Projekte werden entlang des Prozesses regelmäßig bezüglich Realisierbarkeit, ROI, Amortisierung, qualitatives Nutzen sowie Chancen und Risiken bewertet.

CRISP-DM (Cross Industry Standard Process for Data Mining) ist ein Prozess, der oft im Data Science-Umfeld verwendet wird und eine effektive Vorgehensweise aus der Data-Science-Perspektive gewährleistet.

Die Agilität im Projekt umfasst Zielstellungen und Projektreviews – projektintern und mit dem Auftraggeber.

Das Data-Science-Prozessmodell CRISP-DM ist im folgenden Diagramm dargestellt. Die Phase „PoC“ ist nicht Bestandteil von CRISP-DM. Die Agilität wird angedeutet.

Der KI-Projektprozess und die KI-Projekte bestehen aus den folgenden Phasen:

  • Machbarkeit,
  • Lösungsentwicklung und
  • Implementierung

Machbarkeitsphase

Die erste Phase eines Projektes, die Machbarkeitsphase,

  • beginnt mit einem Workshop, bei dem sich Mitarbeiter des Unternehmens und das unicoKI-Team sich über Machine Learning und die relevanten Maschinen und Anlagen, Prozesse, Produkte und Dienstleistungen des Unternehmens austauschen,
  • anschließend wird die erste, einfache Datensammlung im Projekt durchgeführt,
  • gefolgt von der Erstellung eines Proof-of-Concept (PoC). Die Aufgabe des PoC ist, die grundsätzliche Machbarkeit der Lösungen bzw. die Erfüllbarkeit der Aufgabe(n) nachzuweisen.
  • Schließlich wird ein Business Case erstellt, das dem Unternehmen als Entscheidungsbasis für die Auswahl von Use Cases und die Fortführung des Projektes dient. Als Illustration für die Erwartungen an und Ergebnisse eines Predictive-Maintenance-Business-Case dient das untere Diagramm. Der Kapitalaufwand (Projekt) beträgt knapp 500T€ (negatives CCF im zweiten Quartal) und die Amortisation (Payback) erfolgt im 3. Quartal. Der kumulierte Gewinn (CCF) nach 4 und 12 Quartalen beträgt 637T€ und 5,1M€. Die zugehörigen Kapitalrenditen (ROI) (Kumulierte Gewinne (CCF)/Projektkosten) nach einem Jahr und drei Jahren betragen 132% und 1.059%.

Wir verwenden:

  • Deep-Learning- und Machine-Learning-Modelle
  • Machine-Learning-Trainingsverfahren
  • Die Entwicklungsplattform MATLAB® für die Erstellung von PoC
  • Deep-Learning-Laptops und, bei Bedarf an hoher Rechenleistung, Container mit GPUs in Datencentern.

Lösungsentwicklung

In der Lösungsentwicklungsphase werden, ausgehend von dem/den PoC, Software-Lösungen erstellt, die den Ansprüchen der realen Use Cases bzw. Aufgaben genügen und auf die Zielhardware lauffähig sind.

Die Lösungsentwicklung läuft folgendermaßen ab (Die Schrittangaben beziehen sich auf das Diagramm „CRISP-DM“):

  • Die zweite Datensammlung im Projekt, einer umfangreichen Sammlung geeigneter Daten für das Training der Modelle wird durchgeführt (Schritt 3). Diese Daten sind, je nach Aufgabe im Unternehmen oder bei dessen Kunden vorhanden.
  • Danach werden Modelle ausgewählt oder entwickelt (Schritt 4) und anschließend
  • trainiert (Schritt 5), validiert und getestet (Schritt 6).
  • Nach erfolgreichen Tests werden die Modelle auf die Zielhardware implementiert (Schritt 7) und schließlich an die Produktion übergeben.

Wir verwenden, wie in der Machbarkeitsphase, Deep-Learning-Laptops und, bei Bedarf an hoher Rechenleistung, Container mit GPUs in Datencentern.

Die Erstellung der trainierten Modelle (Lösungen) kann mit der Entwicklungsplattform MATLAB®, mit der Programmiersprache Python oder einer Mischung aus beiden erfolgen. Wichtige Charakteristiken von Python und MATLAB® sind:

Programmiersprache Python

  • Python ist eine Open-Source-Software mit den bekannten Vorteilen, wie einer sehr großen Entwickler-Community und keine Lizenzgebühren
  • Python greift auf eine Reihe von Data-Science- bzw. Machine-Learning-Programmbibliotheken – ebenfalls Open-Source-Software.

MATLAB®

  • Sehr gute ROI und Amortisierungsdauer von KI-Entwicklungsprojekten. Dies folgt daraus, dass hochwertige Lösungen in relativ kürzer Zeit entwickelt werden. Der Grund: MATLAB® enthält „Toolboxen“ (Bibliotheken), die die Lösungsentwicklung in vielen Fachgebieten, z.B. Predictive Maintenance, erleichtern. Der Programmieraufwand ist relativ gering
  • MATLAB® ist eine Entwicklungsplattform, die vor über 30 Jahren entwickelt wurde und seitdem professionell erweitert und weiterentwickelt wird.
  • Es spricht sehr für die MATLAB®-Plattform, dass sie als „Leader“ in der Gartner-Studie „Magic Quadrant for Data Science and Machine Learning Platforms 2020“ ausgewählt wurde.
  • MATLAB® kann wichtige „Python-Bibliotheken“, wie PyTorch und Tensorflow verwenden.

Implementierung

serverDas Ergebnis der Lösungsentwicklung, die KI-Software, wird auf die Zielhardware implementiert und in die Produktion (Betrieb) übergeben.

  • Hardware: Edge Server im Unternehmen oder Datencenter. In beiden Fällen werden bei Bedarf an hoher Rechenleistung oder bei sehr großen Datenmengen (Big Data) GPUs (Graphics Processing Units, Grafikprozessoren) eingesetzt.
  • Betrieb: Im Fall der Datencenter kann die Software durch das Unternehmen (IaaS, PaaS) oder einen Dienstleister (SaaS) bereitgestellt und betrieben werden. Edge Server werden i.d.R. vom Unternehmen betrieben.
  • Gesamtarchitektur:

• Sensoren, Aktoren und Steuersysteme bilden die Schnittstelle zu Maschinen und Anlagen
• Das Industrial Internet of Things (IIoT) vernetzt Sensoren, Aktoren, Steuersysteme, Gateways, Edge Server und/oder Datencenter. IIoT verwendet vorwiegend drahtlose Technologien wie WLAN-, Bluetooth- und Mobilfunk.

Workshops & Seminare

ki-workshop

​Workshops

Wir führen interaktive Workshops mit Mitarbeitern unserer Projektkunden zu Beginn der KI-Projekte durch. In den Workshops stellt das unicoKI-Team, je nach Kenntnisstand und Bedarf der Mitarbeiter des Kunden, verschiedene Themen zu Machine Learning und Deep Learning vor. Die Mitarbeiter des Unternehmens stellen die Aspekte des Unternehmens vor, die für das KI-Projekt relevant sind. Hierzu gehören Maschinen und Anlagen, Prozesse sowie Produkte und Dienstleistungen.

​Seminare

Wir führen Seminare durch, die sich an Bedarf und Interesse unserer Kunden orientieren. Themen für Seminare können z.B. sein: Einführung in die Grundlagen und Anwendungen von Machine Learning und Deep Learning, tiefere Einblicke in diese Grundlagen und Anwendungen, Entwicklungs- und Implementierungsaspekte und Management von Technologieinnovationen, einschließlich des KI-Projektprozesses, den wir in Projekten verwenden.

Beratung

ki-beratung

​Wir bieten Unternehmensberatung in zwei Feldern an:

​Strategische KI-Beratung

Hier geht es um grundsätzliche Fragen zum Einsatz von KI-Technologien in Unternehmen. Hierzu werden die in einem Unternehmen verwendeten Technologien mit einer geringen Tiefe untersucht, das qualitative Potenzial des KI-Einsatzes ermittelt und eine grobe Schätzung des erwarteten quantitativen Nutzens (ROI, Amortisierung) gemacht. Darauf aufbauend könnten dann KI-Projekte initiiert werden.

​KI-Fachberatung

Wir beraten zu spezifischen Fragen von Unternehmen, z.B. über bestimmte Technologien und Anwendungen.