Startseite > Halbleiter > ML-Leitfaden für Praxisanwendung

appliedAI

ML-Leitfaden für Praxisanwendung

27. Januar 2022, 10:46 Uhr | Iris Stroh

appliedAI, Europas größte Initiative für die Anwendung vertrauenswürdiger KI-Technologie, hat einen Praxisleitfaden für Machine Learning-Anwenderinnen und -Anwender (ML) in Form eines Wikis entwickelt.

▶ Diesen Artikel anhören

appliedAI ist eine Initiative der UnternehmerTUM. Sie dient Unternehmen jeder Größenordnung, Start-ups, öffentlichen Einrichtungen und Wissenschaftlern als gemeinnützige, neutrale Plattform, um die Anwendung neuester Methoden und Technologien im Bereich Künstlicher Intelligenz (KI) zu beschleunigen. Gemeinsam mit führenden Technologie- und Industriekonzernen sowie Partnern aus Politik und Wissenschaft will UnternehmerTUM in den nächsten Jahren die Qualifizierung von Mitarbeitern, Management und der Öffentlichkeit sowie den Austausch im Bereich KI vorantreiben und damit den Wissenstransfer aller Beteiligten fördern. Gleichzeitig diskutiert UnternehmerTUM mit der appliedAI Initiative die Auswirkungen von KI auf uns als Menschen und auf die Wirtschaft und trägt damit der enormen Bedeutung von KI Rechnung. appliedAI ist mit über 50 Partnern aus der Wissenschaft und Industrie, dem öffentlichen Sektor und ausgewählten Start-ups die größte Initiative ihrer Art in Europa.

Ziel des jetzt vorgestellten Praxisleitfadens in Form eines Wikis ist es, Wissen von Unternehmen zu teilen, die ML (Maschinenlernen) bereits in Business-Anwendungen einsetzen, und die Kollaboration in diesem Feld zu fördern. Das neue Wiki soll eine zentrale Plattform sein, um Erfahrungen und Best Practices zu teilen und voneinander zu lernen. Wie für Wikis üblich, wird der Leitfaden nie vollständig abgeschlossen sein und in Zukunft permanent erweitert.

Der Leitfaden befasst sich explizit mit Fällen aus der Praxis, weniger mit akademischen Diskursen. Entsprechend geht es bei dem Projekt nicht darum, eine bestimmte Modellarchitektur oder akademische Forschungsrichtung zu fokussieren: Der Leitfaden beantwortet Fragen bezüglich des Aufbaus wahrscheinlichkeitsbasierter Systeme, ihrer Architektur und der Skalierung und der Verwaltung von Aufgaben in großen Teams mit Hunderten von Entwicklern.

Der Guide ist hierarchisch aufgebaut und gliedert sich in folgende Kapitel:

ML-Lebenszyklus: In diesem Kapitel geht es um den Aufbau und die Prozesse in einem ML-Lebenszyklus. Dabei handelt es sich sowohl um operative Einblicke als auch um die Frage wie bestimmte Tätigkeiten, z.B. Managementprozesse, Teil eines ML Lebenszyklus sein können.
ML-Architekturen: Hier werden die Voraussetzungen und abstrakten Lösungsansätze für die Lebenszyklen beschrieben. Ein Großteil dreht sich darum, wie alltägliche Probleme während eines ML-Lebenszyklus gelöst werden. Es soll aber auch eine generelle Hilfestellung geben, unter welchen Voraussetzungen bestimmte Ansätze wie eine monolithische Architektur oder eine serverlose Architektur funktionieren.
ML-Plattformen: Dieses Kapitel beantwortet die Frage, welche Tools sich am besten für bestimmte Architekturen eignen. Dabei kann es sich um Tools handeln, die bestimmte Lösungen aus dem Kapitel zu ML-Architekturen implementieren, oder ganze Plattformen, die Teilabschnitte eines Lebenszyklus unterstützen.
Herausforderungen und Best Practices: Abschließend werden sowohl technische als auch nicht-technische Einblicke in den Umgang mit ML von unseren Partnern gewährt. Ergänzt mit den Erfahrungswerten von appliedAI wird so der praktische Umgang entlang des ML-Lebenszyklus veranschaulicht.

Die Themen des Leitfadens werden konsekutiv behandelt. Von allgemeinen Fragestellungen zu Beginn, über Anwendungsbeispiele bis zur Auswahl konkreter Tools.

Der ML-Leitfaden ist kostenlos in englischer Sprache verfügbar und wird unter einer nichtkommerziellen Lizenz veröffentlicht. Der Leitfaden enthält Beiträge von unseren Partnern European Central Bank, Infineon, IBM, Google, Giesecke+Devrient GmbH, Baywa AG, EnBW, NetApp, Brainlab und viele mehr. Die Autoren des Guides sind Alexander Waldmann und Alexander Machado.