<img height="1" width="1" style="display:none" src="https://www.facebook.com/tr?id=2728387060522524&amp;ev=PageView&amp;noscript=1">

Wie Sie Ihr AI-Projekt systematisch strukturieren können

Mattia Rüfenacht | 14. Jan 2020
Mattia's world revolves around encounters with people, innovative ideas, tech, food & drinks, music, nature, and consciousness. At Parashift, he is doing business development.

Die Strukturierung und Planung von AI-Projekten verlangt in der Regel immer wieder nach der Beantwortung der gleichen fundamentalen Fragen: Was ist genau der Wert, den wir mit dem neuen Projekt generieren können? Was sind die Daten, die wir im Rahmen dieses Projektes benötigen? Welche Anforderungen an Qualifikationen entstehen? Wer sind unsere Kunden? Und welche Kosten und Erträge erwarten wir?

Wenn Sie sich mit dem Thema Geschäftsmodell beschäftigen, dürften Ihnen diese Fragen bekannt vorkommen. Das liegt daran, dass diese stark auf denjenigen des Business Model Canvas aufbauen. Dieser wurde im Jahr 2008 von Alexander Osterwalter entwickelt und hilft seither Millionen von Menschen, wenns darum geht, mehr Klarheit in Diskussionen rund um geschäftsrelevante Themen und Entscheidungen zu schaffen. Der Business Model Canvas ist eine gelungene Minimalsynthese der relevantesten Eckpunkte eines Businessplans und passt gut in die Philosophie der Lean Startup-Methodik, wodurch ein klarer Fokus auf die wertschöpfenden Aktivitäten gerichtet werden kann. Was also damit begünstigt wird, ist die Möglichkeit zur schnelleren, MPV-getriebenen Produkt- und Geschäftsentwicklung.

 

business_model_canvas

 

Wie auch der Lean Startup-Cycle verkörpert die Arbeit eines Data Science Teams einen "Build, Measure, Learn" Feedback Loop als Herzstück. Das heisst, das Team entwickelt einen funktionsfähigen Prototypen, testet diesen in verschiedenen Anwendungsszenarien, evaluiert die Performance und nimmt notwendige Produktiterationen vor, bis die gewünschte Key-Metrik erreicht wird. Aufgrund dieser Ähnlichkeit in der Herangehensweise kann also das Grundgerüst des Business Model Canvas bei AI-Projekten gute Dienste in der Guidance leisten. Wir nehmen lediglich wenige Anpassungen vor. Den modifizierten Canvas können Sie gerne downloaden (entweder als Word-Datei oder als PNG-File).

Damit Sie diesen auch optimal ausnutzen und anwenden können, hier eine kurze Erläuterung.

 

Der AI-Projekt Canvas

Wie bei nahe zu allen Projekten verlangen auch AI-Initiativen nach einer Ausarbeitung eines Konzeptes und Pitches für das Management, um so dessen Unterstützung zur Umsetzung zu erhalten. Auch weitere Stakeholder könnten übrigens dabei in den Genuss eines Projekt-Pitches kommen. Im Vorbereitungsprozess dazu sollten Sie sich nun also auf einen strukturierten Approach zur Ideation stützen, der Ihnen hilft, eine möglichst ganzheitliche Perspektive auf Ihr Projekt einzunehmen, damit Sie dessen Einzelheiten klar und verständlich kommunizieren können.

Übrigens... Wenn Sie ein AI/Machine Learning-Projekt haben, wo Sie sich nicht spezifisch auf die Business Relevanz fokussieren, dann sollten Sie sich einmal den Canvas von Louis Dorard anschauen.

AI_Projekt_Canvas 12.25.44

Im Zentrum des AI-Projekt Canvas steht wie beim Business Model Canvas die Value Proposition. Auf der rechten Seite gehen Sie auf die Integration für Kunden und Key-Stakeholder ein, links sollen die Projekt-spezifischen Essentials thematisiert werden und im unteren Teil die finanziellen Aspekte. Nachstehend gehe ich vereinzelt durch die Bestandteile durch.

 

Value Proposition

AI_Projekt_Canvas_value_prop-1

Im Teil Value Proposition wollen Sie für sich aber auch für Ihre Kolleginnen und Kollegen sowie Stakeholder klar aufzeigen, wie Ihr AI-Projekt einen Mehrwert für Ihre Organisation schaffen kann. Dieser Mehrwert kann in seiner Natur natürlich variieren. Hier zwei Beispiele: Ihr Projekt kann beispielsweise ein neues Produkt sein, womit Sie Geschäftsfelder ausbauen oder erschliessen und mehr Umsatz generieren können. Es kann sich aber auch um ein Projekt handeln, das Struktur- und Prozessverbesserungen verspricht, wodurch Effizienz gewonnen oder die Mitarbeiterzufrieden gesteigert werden kann.

Sie fokussieren sich also hier darauf, wie Sie Pain von Kunden, seien diese intern oder extern, lindern können und welche signifikanten Verbesserungen Sie herbeiführen wollen. Je prägnanter und aufschlussreicher Sie hier in der Formulierung sind, desto besser. Achten Sie also stets auf die Wesentlichkeit der aufgeführten Punkte.

 

Projekt-spezifische Essentials

AI_Projekt_Canvas_essentials 12.25.44

In diesem Teil des Canvas soll geklärt werden, was die internen, fundamentalen Requirements für das Projekt sind. Absolut zentral sind dabei die Daten. Aufgrund der Art und Weise wie AI-Technologien funktionieren, lohnt es sich, hier speziell viel Gehirnschmal aufzubringen. Klären Sie ab, welche Daten Sie in welcher Form benötigen. Natürlich auch wie Sie an diese kommen. Zudem sollten Sie sich Gedanken dazu machen, ob der beziehungsweise die Datensätze für Ihren Use Case weitere Anforderungen voraussetzen. Zum Beispiel, ob die Daten komplett gelabelt sein müssen.

Im Anschluss sollten Sie die notwendigen Skills definieren. Da dürfen Sie ruhig modular vorgehen. Listen Sie einfach einzeln Skills auf, die zur Erledigung der verschiedenen Tasks benötigt werden. Diese können Sie dann später zu Stellen synthetisieren und so konkrete Anforderungsprofile erstellen. Wenn Sie diese Anforderungen zum Zeitpunkt der Projektplanung nicht decken können, sollten Sie auch vertiefter darauf eingehen, wie Sie entweder intern Mitarbeiter weiterentwickeln oder neue einstellen wollen.

Der Teil des Outputs kann je nach dem etwas schwierig sein. Denn es ist nicht immer gleich einfach, vor dem Projekt die Key-Metrik zu definieren, die dann auch wirklich relevant ist. So kann es vorkommen, dass Sie zu einem späteren Zeitpunkt Anpassungen vornehmen müssen. Das ist aber nicht weiters tragisch und sollte Sie nicht davon abhalten, sich im Vorfeld bereits intensiv Gedanken dazu zu machen. Auch Andrew Ng empfiehlt diese Upfront-Definition einer zu messenden Metrik in seinem Buch Machine Learning Yearning (Kapital 8). Ein einfaches Beispiel kann hier die Genauigkeit eines Klassifikation-Modelles sein. Von der Verwendung von zwei Metriken für die Bewertung vonModellen rät er ab, da es die Vergleichbarkeit erschwert. Wenn Sie also beispielsweise Wert auf Precision und Recall legen, sollten Sie sich Gedanken dazu machen, wie Sie diese zu einer einzigen Metrik umformen wollen. Eine Möglichkeit ist hier die Verwendung des Durchschnittes oder des alternativen f1-Scores, der etwas aussagekräftiger ist als der Durchschnitt.

Nachdem Sie diese essenziellen Punkte nun behandelt haben, gehts im nächsten Schritt darum, wie Sie das Projekt integrieren wollen und wer Ihre Key-Stakeholder und Kunden sind.

 

Integration

AI_Projekt_Canvas_integration-1

In den allermeisten Fällen werden Sie eine bereits bestehende Infrastruktur in Ihrer Unternehmung haben. Das bedeutet, dass Sie dadurch mit Anforderungen und Limitationen konfrontiert werden. Denn es ist halt eben leider nicht so, dass Sie Ihre vielversprechende Idee in einer isolierten Juypter-Notebook Umgebung umsetzen und den Kunden zugänglich machen können. Folge dessen müssen Sie zwangsläufig herausfinden, wo und wie Sie Ihr Projekt in das bestehende Backend-System integrieren können. Im Weiteren ist es wichtig zu wissen, wer Ihre Kunden sind, welche Anforderungen Sie an das Produkt haben, wie sie dieses verwenden werden und auf welcher Architektur Sie Ihre Modelle laufen?

Fahren Sie besser mit einer Monolithic Architecture?

monolithic_architectureOder mit einer Microservice Architecture?

microservice_architecture (1)

Oder wollen Sie "on the fly" Predictions während dem Streaming der Daten rechnen? Die Antworten auf diese Fragen werden eine Richtung vorgeben, wenns dann um die eigentliche Produktion Ihres Projektes geht.

Zu guter Letzt sollten Sie nun noch die finanziellen Aspekte Ihres Projekts aufgreifen und klären.

 

Financials

AI_Projekt_Canvas_financials

 

Wie in jedem anderen Projekt muss auch hier eine solide und wirtschaftliche finanzielle Basis gegeben sein, damit die Chance für eine Realisation gegeben ist. Versuchen Sie deshalb vorab so viel Informationen wie möglich über allfällige Kosten sowie Erträge zu sammeln. Welche Weiterentwicklungskosten fallen für Ihr Personal an? Wie viel müssen Sie budgetieren, um neue Hires zu machen? Kann ein allfälliges Labeling der Daten ausgelagert werden? Wenn ja, was kostet das? Welche anderen Aufwände fallen während dem Projekt an? Mit welchen Kosten rechnen Sie während der Betriebsphase? Gibt es weitere kategorische Kosten? Und welche antizipierten Einnahmen stehen der Kostenstruktur gegenüber? Wird das Produkt als ergänzende Dienstleistung oder als neue Funktionskategorie angeboten? Welche Kostenreduktionen sind zu erwarten, wenn es sich beim Projekt um ein Automatisierungs-Projekt handelt? Gibt es eine unterstützende Wirkung auf Innovationsprozesse? Versuchen Sie hier wie auch bei den Kosten kategorisch vorzugehen. Sollte eine Quantifizierung von möglichen Umsätzen schwer fallen, haben Sie so zumindest einen klaren Kontext fürs Management, in welchen Bereichen mit Transaktionen gerechnet werden kann.

 

Takeaways

Genau wie der Business Model Canvas kann der AI-Projekt Canvas ein praktisches Werkzeug sein, um den Mehrwert Ihres Projekts umfassend aber prägnant zu erklären. Er ist dafür gedacht, dem Management, den Stakeholdern und den Teammitgliedern den Umfang, den Zweck und den detaillierten Inhalt Ihres Projekts näher zu bringen. Durch den Aufbau können Sie ihn aber auch verwenden, wenn Sie AI-Startups, und -Produkte systematisch und kundenorientiert strukturieren wollen. 

 

Nun wünsche ich Ihnen viel Erfolg bei der Planung und Umsetzung Ihrer Idee!