ML-Fähigkeitsprofile: Ein organisatorisches Konzept für die Skalierung von ML in Unternehmen

Eine zentrale Herausforderung, mit der Unternehmen konfrontiert sind, wenn sie neue Anwendungsfälle des maschinellen Lernens einführen, ist die Tatsache, dass sie aufgrund der hohen Misserfolgsquote bei Projekten Schwierigkeiten haben, die Menge der selbst entwickelten ML-Modelle in der Produktion zu skalieren. Dies ist nicht nur auf technische, sondern auch auf organisatorische Herausforderungen zurückzuführen, wie z. B.:

  • Fehlen detaillierter Richtlinien und Zuständigkeiten, um die richtige Teamzusammensetzung zu definieren
  • Projekte zum maschinellen Lernen sind von Natur aus interdisziplinär
  • Die sich im Laufe des Lebenszyklus eines Machine-Learning-Projekts verändernden Qualifikationsanforderungen

In diesem Whitepaper stellen wir das Machine Learning Skill Profiles Framework als umfassende organisatorische Blaupause für die Skalierung von Machine Learning in Unternehmen vor.

Wir haben zehn verschiedene Rollen identifiziert, die während des gesamten Lebenszyklus eines maschinellen Lernprojekts zum Erfolg beitragen. Wir benennen diese Kompetenzprofile und erörtern ihre organisatorische Einbettung, Verantwortlichkeiten, Fähigkeiten und Ausbildungsanforderungen. Daraus ergeben sich Vorteile wie die Trennung von Verantwortlichkeiten, eine effektive Projektbesetzung und langfristige Weiterbildungs- und Einstellungspläne.

Abschließend stellen wir Überlegungen an, wie das Framework auf Ihr Unternehmen angewendet werden kann, je nach Unternehmensgröße, Reifegrad der KI und gewünschtem Zentralisierungsgrad. Mit diesen Erkenntnissen schlagen wir ein Rahmenwerk vor, das Managern und Praktikern, die ML-Teams in ihren Unternehmen aufbauen, dabei hilft, dies effektiver zu tun.

Der Bericht ist das Ergebnis der appliedAI MLOps Arbeitsgruppen. Er basiert auf den Erfahrungen führender Experten aus appliedIA Partnerunternehmen.



Autoren des Whitepapers:

  • Alexander Machado, Head of Trustworthy AI at appliedAI Initiative
  • Max Mynter, MLOps Engineer at appliedAI Institute for Europe

Wir danken Ihnen für Ihre Beiträge:

  • Elena Zennaro (Infineon)
  • Dr. Hendrik Brakemeier (European Central Bank)
  • Salma Charfi and Eduard Götmann (Miele)
  • Benjamin Pohl (EnBW)
  • Mark Mauerwerk and Natalia Fitis (Deutsche Telekom)
  • Matthias Berger (MTU Aero Engines)
  • Jonas Goltz (Giesecke+Devrient GmbH)
  • Tobias Emrich (Snke OS)

und viele mehr.