Leitfaden zur KI-gestützten Anwendungsentwicklung für Geschäftsinhaber

Der erste Schritt bei der Entwicklung von KI-gestützten Anwendungen ist eine Marketinganalyse von Konkurrenzprodukten und die Untersuchung der besonderen Merkmale einer solchen Software. KI-Projekte sind anders und erfordern eine einzigartige, durchgängige Lösung, selbst wenn das Entwicklerunternehmen bereits Erfahrung mit einer scheinbar ähnlichen Anwendung hat. Obwohl die Entwickler in der Praxis eine große Anzahl bewährter Modelle und Ansätze für die Arbeit mit KI verwenden, ist es aufgrund der großen Menge an Ausgangsdaten nicht möglich, sie in ihrer reinen Form anzuwenden. Daher hat die Entwicklung von KI-Projekten mehr mit wissenschaftlicher Forschung als mit traditioneller Schreibsoftware gemein. Im Folgenden werden wir auf die Besonderheiten dieser Richtung eingehen.

Klassifizierung von KI-Projekten nach Komplexitätsgrad

KI-gestützte Anwendungen lassen sich in der Regel einer der folgenden vier Gruppen zuordnen:

Einfach. Solche Projekte werden auf der Grundlage eines vorgefertigten Modells erstellt, und ihre Umsetzung ermöglicht die Verwendung öffentlich verfügbarer Datensätze und relevanter und gängiger Technologien:

• Anwendungen zur Erkennung von Handschrift oder Bildern.
• Erkennung des Tonfalls von Texten oder Stimmungsanalyse.
• Film-, Musik- oder Buchempfehlungen auf der Grundlage von Benutzerpräferenzen.
• Autovervollständigung von Formularen oder Vorschläge in Texteditoren.
• Erkennung der Sprache des Textes.

Von mittlerer Komplexität. Auch wenn die Entwickler die für ein Programm benötigte Technologie kennen, müssen sie sich dennoch bemühen, Daten zu sammeln und vorzubereiten, um das Programm zu schreiben:

• Persönliche Assistenten mit der Fähigkeit, natürliche Sprache zu verarbeiten und zu verstehen (Natural Language Understanding, NLU).
• Spracherkennung und -interpretation.
• Empfehlungssysteme für Online-Shops oder Video-Streaming.
• Automatische Übersetzungssysteme mit neuronalen Netzen.
• Automatische Kennzeichnung und Klassifizierung großer Datenmengen.

Komplexe KI-gestützte Anwendungen sind Projekte, die umfangreiche Forschung erfordern. Der Entwickler weiß, wie das Modell funktioniert und wie die aktuellen Daten zu verwenden sind. Es ist leicht, die Schritte vorherzusagen, die erforderlich sind, um das Modell für die gegebenen Aufgaben zu trainieren. Es ist jedoch unmöglich, auf der Grundlage von Erfahrungswerten das Funktionieren der Anwendung vorherzusagen, da wir das Verhalten des Modells nicht genau kennen. Daher ist ein Langzeittest und eine Fallstudie ein obligatorischer Schritt.

• Systeme zur automatischen Analyse und Verarbeitung von Bildern oder Videos.
• Autonome Fahrzeuge und Verkehrskontrollsysteme.
• Vorhersage und Analyse von Märkten und Finanzdaten.
• Medizinische Diagnosesysteme zur Verarbeitung von Patientendaten.
• Entwicklung von neuen Medikamenten und Medikamenten auf der Grundlage von Datenanalysen.

Sehr komplexe Projekte mit industrieller Ausrichtung, die zusätzliche Anstrengungen erfordern, um das Ziel zu erreichen.

• Schaffung einer künstlichen Intelligenz, die in der Lage ist, neue Aufgaben ohne menschliche Hilfe zu erlernen.
• Robotik und autonome Systeme.
• Vollwertige virtuelle Assistenten, die in der Lage sind, mit den Nutzern über eine breite Palette von Themen zu interagieren.
• Systeme, die in der Lage sind, komplexe wissenschaftliche Daten zu verarbeiten und zu analysieren, um neue Erkenntnisse und Muster zu entdecken.

Um mögliche Hindernisse bei der Anwendungsentwicklung zu minimieren, ist es wichtig, die Eigentumsverhältnisse im Voraus richtig einzuordnen. Auf diese Weise können bei Bedarf Voruntersuchungen durchgeführt werden.

Lesen Sie auch: KI für das Gesundheitswesen

Warum sind KI-Projekte so unberechenbar?

Während die Funktionsweise eines Produkts ohne KI-Technologie leicht vorhersehbar ist, gibt es im Falle von KI oft Schwierigkeiten: Die Funktionen entsprechen nicht den Erwartungen der Entwickler. Daher ist es wichtig, den Grund für die Unvorhersehbarkeit solcher Produkte zu verstehen.
Wenn Sie sich eine KI-gestützte Anwendungsentwicklungsumgebung vorstellen, ähnelt sie einer dreistufigen Pyramide. Diese Pyramide enthält komplexe Technologien und Lösungen, die sofort und ohne weitere Entwicklung und Anpassung eingesetzt werden können.

Die oberste Ebene stellt fertige Produkte dar, die im KI-Entwicklungsprozess verwendet werden können. Dabei handelt es sich um Bibliotheken oder APIs von Drittanbietern. Zu den erfolgreichen Beispielen gehören also Lösungen, mit denen Sie Scheckbetrug erkennen, Gesichter erkennen oder Objekte identifizieren können.
Auf der zweiten Ebene gibt es neue Nischen mit einer Beschreibung von Geschäftsaufgaben. Nehmen wir an, Sie haben ein optimales Modell, mit dem Sie Ihre Probleme lösen können, aber die Technologie muss angepasst oder verändert werden, um effektiver zu sein. Gleichzeitig wird ein solches Modell nur in einem bestimmten Fall verwendet, bzw. die "Verdrehung" der Technologie bringt die Schaffung einer neuen Nische mit sich.

Am unteren Ende der Pyramide steht die wissenschaftliche Forschung, z. B. in Form von Artikeln und neuen Modellen. Es ist nicht nötig, über die Einsatzbereitschaft dieser Ebene im Entwicklungsprozess zu sprechen, da es kein Verständnis für die Ergebnisse gibt, die das mit ihrer Hilfe erstellte Modell liefern wird. Die tiefe Ebene des KI-Systems erfordert eine tiefgehende Analyse und weitere Forschung,

Wie unterscheidet sich die KI-gestützte App-Entwicklung von herkömmlichen Apps?

Die Unterschiede zwischen der Entwicklung von KI-gestützten Anwendungen und Software ohne diese Technologie sind nicht so groß. Der Unterschied besteht darin, dass der Prozess im ersten Fall eine PoC-Komponente (Proof of Concept) mit einer Demonstration umfasst. Das heißt, die IA- und UI/UX-Phase beginnt erst, wenn es bereits eine Demo-Version und eine fertige KI-Komponente gibt.

Der Schlüssel zum Verständnis der Komplexität der künftigen Lösung liegt in der Beantwortung der Frage: Was sind die Bedürfnisse und Daten der Kunden, die dieses Produkt nutzen werden? Dies ist die erste Frage, die Entwickler dem Eigentümer stellen, um den Umfang der Arbeit zu umreißen - ob es sich um eine Anwendung mit KI als Kernstück des Produkts oder um eine zusätzliche Komponente handeln wird.

Für den Kunden ist es vielleicht gar nicht so wichtig, die genaueste und aktuellste Lösung zu verwenden, damit die Anwendung funktioniert. In der Analysephase stellt das Unternehmen daher fest, ob das Produkt ohne KI weniger effizient arbeiten wird und ob es sich überhaupt lohnt, eine Anwendung ohne KI zu entwickeln. Nachdem diese Frage geklärt ist, geht das Entwicklungsteam zur nächsten Phase über.

Jetzt wird die Entscheidung getroffen, ob eine KI-gestützte Anwendung von Grund auf neu erstellt oder diese Komponente in eine bereits entwickelte Lösung integriert werden soll. Welche Vorteile und Unterschiede zwischen den Anwendungen der beiden Gruppen bestehen, werden wir im Folgenden betrachten.

Lesen Sie auch:  Anwendungsentwicklung für Apotheken

KI-Entwicklung von Grund auf

Die Entscheidung, KI für eine Anwendung von Grund auf zu entwickeln oder eine fertige Lösung zu implementieren, hängt von einer Reihe von Faktoren ab, z. B. von der Einzigartigkeit der Aufgabe, von Zeit und Budget, von Fachwissen und Ressourcen sowie von der Verfügbarkeit fertiger Lösungen auf dem Markt. Die Entwicklung von KI von Grund auf kann sehr viel Zeit in Anspruch nehmen und eine erhebliche Investition erfordern. Wenn Sie über begrenzte Ressourcen oder enge Fristen verfügen, kann die Implementierung einer schlüsselfertigen Lösung eine kostengünstigere Option sein.
Bei der Entscheidung, KI von Grund auf für eine Anwendung zu entwickeln, sollten Sie die folgenden strategischen Fragen berücksichtigen und dementsprechend Entscheidungen treffen:

Projektziele und Anforderungen:

• Seien Sie sich über die Ziele im Klaren, die Sie mit KI in Ihrer App erreichen wollen.
• Identifizieren Sie die wichtigsten Anforderungen und Funktionen, die mit KI umgesetzt werden sollen.
• Entwickeln Sie eine Prioritätenliste und legen Sie die notwendigen Metriken zur Erfolgsmessung fest.

Wahl der Technologien und Werkzeuge:

• Bestimmen Sie, welche Algorithmen und Methoden des maschinellen Lernens sich am besten für die Lösung Ihrer Probleme eignen.
• Erkunden Sie die verfügbaren Frameworks und Bibliotheken für maschinelles Lernen und wählen Sie diejenige aus, die am besten zu Ihrem Projekt passt.
• Erwägen Sie den Einsatz von Cloud-Plattformen für das Training und die Bereitstellung von KI-Modellen.

Zugang zu den Daten:

• Bestimmen Sie, welche Daten Sie zum Trainieren und Bewerten von KI-Modellen benötigen.
• Prüfen Sie die Verfügbarkeit und Qualität der vorhandenen Daten, die verwendet werden können.
• Entwickeln Sie einen Plan für die Datenerfassung und -verarbeitung, wenn zusätzliche Informationen benötigt werden.

Ressourcen und Fachwissen:

• Schätzen Sie die benötigten Ressourcen, einschließlich Budget, Zeit und Humankapital.
• Entscheiden Sie, ob Sie ein Team von Spezialisten für maschinelles Lernen und KI benötigen oder ob Sie Ihre Mitarbeiter intern schulen können.

Risikobewertung und -management:

• Identifizierung der potenziellen Risiken, die mit der Entwicklung von KI von Grund auf verbunden sind, und Entwicklung von Strategien und Plänen zu deren Bewältigung.
• Führen Sie regelmäßige Risikoüberprüfungen durch und aktualisieren Sie die Risikomanagementpläne bei Bedarf.

Prüfung und Leistungsbewertung:

• Entwickeln Sie einen Plan zum Testen und Bewerten der Leistung Ihres KI-Modells.
• Legen Sie Metriken zur Bewertung der Qualität und Leistung des Modells fest.

Wenden Sie sich an KI-Experten oder an ein KI-Unternehmen, um sich beraten zu lassen und Ihre spezifische Situation zu beurteilen.

Hinzufügen einer KI-Komponente zu einer bestehenden Anwendung

Der Einsatz von KI-Technologie auf der Grundlage einer zuvor geschriebenen Anwendung hat seine eigenen Besonderheiten.
Aufgrund ihrer Erfahrung kann das SDH-Team sagen, dass es in den meisten Fällen notwendig ist, mit Hilfe von KI jene Projekte zu verfeinern, die ursprünglich ohne vorherige Berücksichtigung der möglichen Funktionen von KI erstellt wurden. Und da KI im Kern Teil der Datenpipeline ist, erfordert ihre Integration in das Programm einige Änderungen an der Produktarchitektur.
Bei der Bewertung von Anwendungen unter dem Gesichtspunkt der KI können Sie diese in mehrere Gruppen einteilen.
DB-basierte Projekte:

• für die Textverarbeitung;
• eine Reihe von Empfehlungen;
• Chat-Bots;
• Zeitreihenvorhersage.

Projekte, die nicht mit der Datenbank arbeiten:

• für die Bild- und Videoverarbeitung
  für die Verarbeitung von Sprache und Ton.

Um die Unterschiede zwischen solchen Anwendungen zu verstehen, werden wir im Folgenden den Prozess der Entwicklung von PoC mit anschließender Integration von KI in Projekte mit und ohne Datenbank betrachten.

Etappen der KI-gestützten Anwendungsentwicklung

Die Herstellung solcher Produkte umfasst 5 Stufen.

Betriebswirtschaftliche Analyse

Geschäftsanalyse. In dieser Phase ist es wichtig, vom Kunden Eingabedaten zu erhalten, auf deren Grundlage es möglich ist, Geschäftsaufgaben und Wege zu ihrer Lösung zu bestimmen. Wenn Sie z. B. die Lebensmittelverschwendung in einem Restaurant reduzieren und das Niveau von Einkauf und Verkauf ausgleichen möchten, schlagen wir vor, eine Anwendung auf der Grundlage von Zeitreihenprognosen mit maschineller Lerntechnologie zu entwickeln.

Definieren eines Problems des maschinellen Lernens

Die Bezeichnung eines Problems für die Technologie des maschinellen Lernens hängt mit Aspekten wie den technologischen Fähigkeiten der KI, des Computerbildes, der Verarbeitung natürlicher Sprache, der Spracherkennung usw. zusammen.

Datenerhebung

Datenerfassung. Die Daten können sowohl spezieller als auch allgemeiner Art sein. Allgemeine Daten sind auf Open-Source-Sites verfügbar, und die Aufgabe der Künstler besteht darin, die Zielgruppe einzugrenzen. Wenn die allgemeinen Daten nicht öffentlich zugänglich oder mit der Zielgruppe nicht vereinbar sind, werden sie aus anderen Quellen entnommen. Dabei handelt es sich um Open-Source-Daten, Parsing, Datenkommentierung, Beschaffung von Informationen durch ein einfacheres Produkt (Fragen an den Kunden in einem Chatbot), spezifische Daten und synthetische Informationen in Form von Diagrammen und Tabellen.

PoC-Entwicklung

Der nächste Schritt besteht darin, technische und geschäftliche Indikatoren zu ermitteln. Für den Projekteigner ist es wichtig zu wissen, wie genau sein Produkt sein wird, und der Entwickler ist nicht immer in der Lage, diese Frage zu beantworten. An dieser Stelle kommt der ROC-Indikator ins Spiel. Im Falle einer Anwendung zur Abfallreduzierung benötigen Sie also einen Indikator für die Vorhersage von Einkäufen MAPE (Mean Absolute Percentage Error), für ein sicheres Login - eine Fehlerrate EER, für die Klassifizierung - die Genauigkeit der korrekt erkannten Objekte und Lebewesen. Außerdem müssen vor Beginn des PoC die Einschränkungen festgelegt werden, deren Bedeutung sich oft erst während der Durchführung herausstellt. Nachdem die Daten aufbereitet sind, wird an der PoC, den Metriken, der Messung der Ergebnisse und der Demonstration gearbeitet, und die Studie schließt mit dem formalisierten Bericht ab.

In der PoC-Phase eines neuen KI-Projekts müssen die Besonderheiten der Technologie berücksichtigt werden, d. h. die Arbeit muss in den risikoreichsten Bereichen beginnen. In diesem Fall sind andere Arbeitsbereiche nicht betroffen. Bei der Entwicklung von PoC für bestehende Anwendungen erfolgt die Arbeit in drei Schritten: Sammeln von Daten aus Anwendungen, Aufbau einer isolierten Umgebung unter Verwendung zuvor gesammelter Daten und Einsatz der trainierten KI-Komponente.

PoC-Iteration

Die PoC-Iteration mit Verbesserungen und Einsatz umfasst Datenverarbeitung, Fallbearbeitung usw.

Die Kunden interessieren sich für Fragen im Zusammenhang mit dem Zeitplan und dem Budget für die Durchführung von PoC-Aufgaben. Die hohe Unvorhersehbarkeit von KI-Projekten macht es schwierig, hypothetisch abzuschätzen, wie lange die Arbeit dauern und wie viel sie kosten wird. Im Allgemeinen dauert eine einfache KI-Aufgabe 2 bis 3 Wochen, ein Projekt mit bekannten Technologien 3 bis 4, eine gründliche Recherche bis zu 3 Monaten. In letzterem Fall ist es wichtig, den Arbeitsumfang in kleinere Schritte zu unterteilen, um den Überblick zu behalten.

Start des Projekts

In der Startphase eines jeden Projekts können Risiken oder andere Hindernisse auftreten, deren Ursache in der Eignung der Daten, der Funktionsweise der Algorithmen und der Umsetzung liegt. Um die Risiken zu verringern, wird mit der Produktentwicklung begonnen, wenn die Genauigkeit der KI die Aufgaben und Prognosen erfüllt.
Software Development Hub gehört zu den Unternehmen, die künstliche Intelligenz im Bereich der Buchhaltung und Rechnungsprüfung sowie im Gesundheitswesen entwickeln. Das Team schätzt die Risiken der Arbeit mit KI für Unternehmen nüchtern ein und schafft Bedingungen, um die Bedenken der Kunden zu minimieren. Unser Ziel ist es, KI schnell für das korrekte Funktionieren der Anwendung und die Lösung von Geschäftsproblemen anzupassen. Die Experten von Besdes beraten Sie bei der Implementierung von KI-Technologie in Ihr Produkt und berücksichtigen dabei die Besonderheiten Ihrer Arbeit.

Categories