14 02 | 2020 erhöhte Mobilität per App-Anbindung an das ERP-System wird ebenfalls häufig genannt, steht aber nicht direkt mit KI in Zusammenhang. Autoren Dr. Kilian Nickel ist wissenschaftlicher Mitarbeiter und Projektleiter am Fraunhofer IAIS. Dr. Felix Hasenbeck ist Geschäftsfeldleiter für Company Engineering am selben Institut. Ulrike Daniels arbeitet als KI-Managerin für die an dem Institut angesiedelte Kompetenzplattform Künstliche Intelligenz NRW (KI.NRW). Fazit KI-Funktionen werden in bestimmten Bereichen der ERP- Nutzung immer mehr zum Standard gehören. In unternehmensspezifischeren Use Cases werden sie dagegen mit höherem Aufwand verbunden sein. Sie bieten jedoch die Chance, die Alleinstellungsmerkmale eines Unternehmens gezielt zu stärken und weiterzuentwickeln. Insgesamt bietet der Einsatz von KI in Unternehmen große Optimierungschancen und wird weitgehend als wettbewerbsentscheidend angesehen. Diese Studie soll Anlass dazu geben, den Austausch zwischen Beratungseinrichtungen und Unternehmen zu vertiefen, um die individuellen Potenziale von KI in ERP-Systemen zu identifizieren und umzusetzen. Weitere Autoren: Dr. Michael Andrä, Dr. Barbara Gold und Hanna Kolkmann. Bei diesem Beitrag handelt es sich um den Auszug einer Studie des Fraunhofer-Instituts für Intelligente Analyse- und Informationssysteme IAIS, die in Zusammenarbeit mit und im Auftrag der Kompetenzplattform für Künstliche Intelligenz in Nordrhein-Westfalen KI.NRW (www.ki.nrw) entstanden ist. Die vollständige Studie kann unter www.iais.fraunhofer.de/ erp-studien heruntergeladen werden. 1 Landesportal NRW, 2019, Pressemitteilung. 2 Bostrom, N., 2014. 3 Chen, N. et al., 2016. 4 Purdy, M. et al., 2017. 5 Seifert, I. et al., 2018. 6 Arthur D. Little, eco e. V., 2019. 7 Bitkom, 2020, Digitalstrategie 2025. 8 Bitkom, 2019, Positionspapier KI und ERP. 9 Bataller, Harris, 2016. 10 Bitkom, 2019, Positionspapier KI und ERP. 11 Bitkom, 2019, Positionspapier KI und ERP. 12 PwC, 2019. 13 Schürmann Rosenthal Dreyer, Datenschutzkonforme KI. 14 Bitkom, 2019, Positionspapier KI und ERP. 15 Schürmann Rosenthal Dreyer, KI-Haftung, 2019. 16 Bitkom, 2017, Entscheidungsunterstützung mit KI. 17 PwC, 2019. 18 Bitkom, 2019, Positionspapier KI und ERP.
15 Tools und Standards Best Practices für den KI-Projektstart Ein erfolgsversprechendes KI-Projekt für das eigene Unternehmen zu identifizieren ist gar nicht so einfach. Ist diese Hürde erst einmal genommen, wartet eine Menge Komplexität während des Projektverlaufs. Dabei lässt sich das Projekt nicht stringent durchplanen. Um so wichtiger ist es daher, mit einer soliden Grundlage zu starten. Dieses Zeitinvestment zahlt sich im Lauf des Projekts oft aus: Die Komplexität wird reduziert, die Software läuft stabiler und die Zeit kann ebenfalls wieder reingeholt werden. Im Folgenden werden einige dieser Best Practices und Erfahrungs werte für Python beleuchtet. Beginnen wir mit dem Thema Versionierung. Code Versionierung mithilfe von Git hat sich bereits als Standard durchgesetzt. In KI-Projekten macht das Sinn, da hier Code bei der Untersuchung der Daten anfällt oder für das Softwareprodukt geschrieben wird. Für die Zusammenarbeit im Team hat sich die Vorgehensweise von Git-flow etabliert. Grundsätzlich befinden sich bei Git verschiedene Code-Stände in sogenannten Branches. Git-flow schreibt nun Regeln für den Umgang mit Branches vor, die die Zusammenarbeit erleichtern. Vorteil dieses Vorgehens ist, dass viele Erfahrungswerte inklusive guter Dokumentation bestehen, Git-Flow sich bereits bewährt hat und weitere Helfer-Tools für die vereinfachte Arbeit mit Git-flow existieren. Der Kern des Git-flow-Vorgehens ist das Entwickeln jedes Teammitglieds in separaten Branches; den sog. Feature Branches. Diese werden dann bei Abschluss des entsprechenden Features in den Developer Branch eingefügt. Durch das Vorgehen können Code-Konflikte reduziert oder gegebenenfalls einfach beseitigt werden. Abseits der Code-Versionierung ist bei KI-Projekten auf die Versionierung der Experimente zu achten. Folgendes Szenario haben die meisten KI-Entwickler schon erlebt: Man trainiert mal schnell ein Machine-Learning-Modell, erhält gute Ergebnisse und experimentiert ein wenig weiter. Nach einigen Iterationen, einem Meeting oder sogar dem Wochenende dazwischen geht man in die nächste Iteration und ist gar nicht mehr so sicher, was man eigentlich schon ausprobiert hat. Und stellt dann fest, dass man zuvor eigentlich ein gutes Modell hatte, weiß aber nicht mehr genau, wie das Modell parametrisiert war… Viele beginnen dann mit eigens kreierten Excel-Tabellen. Hier gibt es unter dem Stichwort Experiment Tracking mittlerweile sehr gute Abhilfe. Dabei können durch die Integration von wenigen Codezeilen die Parameter zusammen mit den Ergebnissen des Experiments automatisiert gespeichert werden. Dies kann auch noch eine wichtige Lücke schließen, die die Code-Versionierung mit Git noch offenlässt: das regelmäßige Abspeichern des Notebook-Stands. Notebooks eignen sich sehr gut, um Machine-Learning-Modelle auszuprobieren und die Daten kennenzulernen. Allerdings wird das Notebook typischerweise nicht bei jeder Änderung zwischendurch im Git gespeichert. Daher ist es sinnvoll, den kompletten Notebook-Stand mit jedem Experiment abzuspeichern. Zweckmäßig ist es dabei, sich auf ein Experiment Tracking Tool zu einigen und dessen Einrichtung vorzunehmen. Zuletzt kann man sich noch um die Daten-Versionierung kümmern. Dies ist nicht in allen Projekten notwendig, kann aber
Laden...
Laden...
Laden...