So optimieren Sie Ihr ML-Softwareentwicklungsprojekt

Maschinelles Lernen (ML) kann es Unternehmen ermöglichen, die Kraft der Daten zu nutzen, um Innovationen voranzutreiben. Eine erfolgreiche ML-Lösung kann das Umsatzwachstum steigern, einen Wettbewerbsvorteil bieten, die Automatisierung verbessern, Effizienzsteigerungen erzielen und handlungsrelevante Erkenntnisse liefern.

Statista prognostiziert Der ML-Markt wird zwischen 2023 und 2030 eine jährliche Wachstumsrate (CAGR) von 18,73 Prozent verzeichnen, was zu einem Marktwert von $528,10 Milliarden bis Ende dieses Zeitraums führt. Diese starke Wachstumsrate lässt den Eindruck entstehen, dass praktisch jedes Unternehmen ML implementieren muss – insbesondere angesichts der zahlreichen diskutierten Anwendungsfälle. Ist ML also das Zauberrezept für Ihre Geschäftsanforderungen? Um zu entscheiden, ob ML Ihnen bei der Erreichung Ihres Geschäftszieles oder bei der Lösung eines Geschäftsproblems helfen kann (und wie), müssen Sie Folgendes verstehen:

• wie diese Technologie funktioniert
• Ihre Position in der Hierarchie der künstlichen Intelligenz (KI)-Technologien
• Ihre wichtigsten Funktionen und Einschränkungen basieren auf Beispielen Anwendungsfälle der maschinellen Lerntechniken

Diese Kenntnisse sind entscheidend, da es viel Verwirrung über KI und ML gibt, die zu Folgendem führt:

Übergeneralisierung. KI und ML werden oft als allgemeine Begriffe verwendet, die verschiedene Technologien umfassen, was zu Missverständnissen über ihre spezifischen Fähigkeiten und Grenzen führt.

Ungerechte Erwartungen. Aufgrund von Darstellungen und Hype in den Medien ist es weit verbreitetes Misverständnis, dass KI und ML jedes Problem lösen können, was zu Enttäuschung führt, wenn die tatsächlichen Fähigkeiten dieser Technologien verstanden werden.

Skepticismus. KI und maschinelles Lernen sind komplexe Themen. Ein Mangel an Verständnis kann zu Skepsis gegenüber diesen Technologien führen und zu einer unangemessenen Weigerung, sie einzuführen, selbst dann, wenn sie wahrscheinlich sehr vorteilhaft sein könnten.

Allerdings benötigen Sie keine umfassenden Kenntnisse in der maschinellen Lernanalyse, um zu prüfen, ob sie für Ihr Unternehmen oder einen bestimmten Geschäftsfall von Nutzen sein kann. Um dies herauszufinden, lesen Sie einfach diesen Artikel, der die häufigsten Einsatzfälle der maschinellen Lernanalyse beschreibt und einen Gesamtplan für die Einrichtung und Implementierung eines erfolgreichen ML-basierten Projekts bietet.

Lassen Sie uns zunächst die Grundlagen der KI, ML und Deep Learning (DL) erarbeiten, was für unsere Zwecke ausreichend ist.

Künstliche Intelligenz Bezieht sich auf Systeme, die in der Lage sind, Aufgaben zu erfüllen, die normalerweise menschliche Intelligenz erfordern. Die zunehmende Nachfrage nach Entwicklung von KI-Diensten Es hat die Einführung solcher Systeme in verschiedenen Branchen beschleunigt und die Art und Weise, wie Aufgaben erledigt werden, revolutioniert. ChatGPT, ein Sprachmodell, das in letzter Zeit zum Kultbegriff geworden ist, ist ein hervorragendes Beispiel für eine Anwendung von KI. ChatGPT kann Text verarbeiten und verstehen, in Dialog treten und intelligente, menschlich anmutende Antworten liefern.

Maschinelles Lernen ist eine Untergruppe der KI, die sich auf die Entwicklung von Algorithmen und Modellen konzentriert, die Muster automatisch erkennen, Prognosen erstellen oder auf Basis von Daten Aktionen ausführen. In einem ML-gestützten Projekt werden eine Reihe von Algorithmen und Modellen mit strukturierten Daten versorgt, um eine Aufgabe auszuführen, ohne vorher festgelegt zu haben, wie dies zu erledigen ist. Big Data-Dienste, Mit diesen Algorithmen können riesige Datenmengen verarbeitet werden, um genauere Prognosen und Erkenntnisse zu liefern. Wenn sie effektiv eingesetzt werden, nutzt ein trainiertes ML-Algorithmus Daten, um eine Frage zu beantworten, und diese Antwort kann sogar für menschliche Experten unmöglich sein.

Deep Learning Ist eine spezialisierte Untergruppe der maschinellen Lerntechnik, die sich auf die Ausbildung von künstlichen neuronalen Netzen mit mehreren Ebenen (Deep Neural Networks) konzentriert. ChatGPT nutzt fortschrittliche DL-Techniken, um menschlich anmutende Antworten zu generieren (Generatives KI-Entwicklung) Text basiert auf komplexen Mustern und Beziehungen, die es aus der Trainingsarbeit mit riesigen Datenmengen gewonnen hat.

Hier ist eine Liste der wichtigsten Voraussetzungen für ein erfolgreiches ML-basiertes Projekt, um die obige Frage zu beantworten:

1. Stellen Sie spezifische Ziele und identifizieren Sie das wesentliche Problem  

Die Festlegung klarer Projektziele und einer gut definierten Problemstellung sorgt für Fokussierung und Orientierung und ermöglicht eine effektive Planung, Datenerhebung, Algorithmusauswahl und die Evaluierung der Ergebnisse. Sie hilft, die Erwartungen der Stakeholder zu vereinheitlichen, gewährleistet eine effiziente Ressourcenallokation und erleichtert die Kommunikation und Zusammenarbeit während des gesamten Projekts.

Zum Beispiel könnte das Ziel eines ML-gestützten Projekts die Entwicklung eines vorausschauenden Modells sein, das fälschungssichere Transaktionen in Echtzeit erkennt und so finanzielle Verluste reduziert und das Kundenvertrauen verbessert. In diesem Fall könnte die Problemstellung lauten: Die Nutzung historischer Transaktionsdaten zur Schulung eines ML-Modells, das fälschliche Transaktionen mit hoher Genauigkeit identifizieren kann, wodurch falsche Positives und falsche Negatives minimiert werden.

2. Stellen Sie sicher, dass Sie über ausreichend qualitativ hochwertige Daten verfügen

Die Verfügbarkeit einer ausreichenden Menge qualitativer Daten ist entscheidend für die Erreichung präziser und zuverlässiger Ergebnisse in KI-gestützten Projekten. Diese Notwendigkeit ist besonders akut bei ML-gestützten Projekten, in denen ausreichend qualitativ hochwertige Daten es dem Modell ermöglichen, eine breite Palette von Mustern, Beziehungen und Variationen in den Daten zu erfassen. Eine große Menge an qualitativ hochwertigen Daten bildet die Grundlage für die Erstellung präziser und zuverlässiger ML-Modelle. Datenanalysedienste Sie können auch eine entscheidende Rolle dabei spielen, Unternehmen dabei zu helfen, das Datenumfeld zu verstehen, Lücken zu erkennen und die Gesamtqualität der Daten zu verbessern. Im Gegenteil können unzureichende oder minderwertige Daten zu unvollständigen oder voreingenommenen Lernprozessen führen und zu suboptimalen Ergebnissen führen.

Sie können verstehen, ob Ihr ML-basiertes Projekt über genügend zuverlässige Daten verfügt, indem Sie das Volumen, die Qualität, die Relevanz, die Verteilung und die Zugänglichkeit der verfügbaren Daten im Verhältnis zu den Anforderungen des Projekts und den Leistungsanforderungen der ML-Algorithmen bewerten.

3. Regelbasierte oder ML-Technologie: Was gefällt Ihnen am besten?

Es gibt Fälle, in denen der regelbasierte Ansatz für die Problemlösung und Entscheidungsfindung gegenüber dem ML-Ansatz bevorzugt wird. Regelbasierte Systeme funktionieren nach einer Reihe vorgegebener Regeln, die von Menschen programmiert wurden. Diese Regeln definieren die Logik und den Entscheidungsprozess und sind in der Regel in Form von If-Then-Anweisungen, wobei bestimmte Bedingungen (wenn) zu vorgegebenen Aktionen oder Ergebnissen führen (dann). Regelbasierte Systeme eignen sich gut für Probleme mit klar definierten und vorhersehbaren Mustern, bei denen menschliches Fachwissen und Domänenkenntnisse explizit in Regeln codiert werden können. Beispielsweise könnten Qualitätskontrolle, medizinische Diagnostik und Workflow-Management-Systeme regelbasiert sein.

Siehst du, dass dein Problem mit einem regelbasierten Ansatz gelöst werden kann? Dann solltest du es versuchen. Es ermöglicht dir, ein transparentes und verständliches System zu erstellen. ML-Modelle sind in der Regel komplexer. Darüber hinaus wäre eine Anwendung des ML-Ansatzes in einem solchen Fall kontraproduktiv, da er umfangreiche Daten, Training und Rechenressourcen erfordert, um Muster zu erkennen und Prognosen zu treffen. Aber du solltest den ML-Ansatz wählen, wenn du mit komplexen Mustern, großen Datensätzen, unstrukturierten oder zweideutigen Daten und adaptiven Systemen zu tun hast.

Um Ihnen zu helfen, endgültig festzustellen, ob der ML-Ansatz für Ihren Geschäftsfall geeignet ist, lassen Sie uns die häufigsten Anwendungsfälle der maschinellen Lerntechniken nach Unternehmenstyp und Größe betrachten. Wahrscheinlich wird einer dieser Anwendungsfälle mit Ihrer Projektidee zusammenfallen.

Maschinelles Lernen eignet sich gut für die unten genannten Anwendungsfälle, da solche Projekte von der Erkennung komplexer Datenmuster, dem Einsatz großer Datensätze und der Möglichkeit profitieren, aus Vorlagen zu lernen. 

Betrugserkennung und Risikomanagement. Dies ist eine der häufigsten Anwendungen der maschinellen Lerntechnologie. In Finanzen, Versicherungen und E-Commerce kann ML dazu beitragen, betrügerische Aktivitäten zu erkennen, Anomalien zu erkennen und Risiken zu bewerten. 

Prädiktive Instandhaltung. ML kann in der Fertigungs-, Transport- und Energiebranche zur vorausschauenden Instandhaltung eingesetzt werden. Durch die Analyse von Sensordaten und historischen Instandhaltungsprotokollen können Unternehmen Ausfallzeiten von Anlagen vorhersagen, proaktive Instandhaltung planen und die kostspieligen Ausfallzeiten minimieren.

Sprachverarbeitung (NLP) Hilft bei der Analyse und der Gewinnung von Erkenntnissen aus Textdaten. NLP-Aufgaben umfassen Textklassifizierung, Namenserkennung von Entitäten und Sprachübersetzung. 

Computervision. Diese Expertise ermöglicht es Unternehmen, ML für Aufgaben wie visuelles Erkennen, Bildanalyse und Objekterkennung einzusetzen. Computer Vision findet in Bereichen wie Gesundheitswesen, Einzelhandel, Fertigung und Sicherheit Anwendung und ermöglicht es Unternehmen, Prozesse zu automatisieren, die Qualitätskontrolle zu verbessern und das Benutzererlebnis zu verbessern.

Spracherkennung. ML-Modelle können geschulte, gesprochene Sprache in schriftliche Textform umwandeln. Dies kann die Sprachassistenten, Transkriptionsdienstleistungen und sprachgesteuerte Systeme verbessern. Die Spracherkennung findet in der Kundenservicebranche, im Gesundheitswesen, in der Automobilindustrie, im Transportwesen und in anderen Branchen Anwendung.

Voraussage des Verkehrsverhaltens Dies beinhaltet die Nutzung von maschinellen Lernalgorithmen zur Vorhersage von Verkehrsbedingungen und -mustern in Verkehrsnetzen. Durch die Analyse historischer Verkehrsdaten, Echtzeit-Sensordaten, Wetterbedingungen und anderer relevanter Faktoren können ML-Modelle den Verkehrsfluss, die Staus, die Reisezeit und mögliche Engpässe vorhersagen.

Algorithmic Trading. ML-Algorithmen können dabei helfen, umfangreiche Finanzdaten zu analysieren und automatisierte Handelsentscheidungen zu treffen, indem sie Muster, Trends und Zusammenhänge in Marktdaten identifizieren, um Handelssignale zu generieren, Trades durchzuführen und Portfolios zu verwalten.

Sentimentanalyse. Als Teilgebiet der NLP-Methoden spezialisiert sich Sentiment Analysis auf die Interpretation der Gefühle oder Emotionen hinter Textdaten, wie beispielsweise Social-Media-Beiträge und Kundenbewertungen. ML-Modelle werden geschult, um Sprache, Kontext und linguistische Hinweise zu analysieren, um festzustellen, ob die Gefühle positiv, negativ oder neutral sind. Sentiment Analysis findet Anwendung in Marktforschung, Markenüberwachung, Analyse von Kundenfeedback und Reputation Management.

E-Mail-Monitoring Dies beinhaltet die Nutzung von ML-Techniken, um E-Mail-Kommunikationen zu verschiedenen Zwecken zu analysieren und zu verarbeiten, wie zum Beispiel Spam zu filtern, bösartiges Inhalt zu erkennen, Nachrichten zu kategorisieren und wertvolle Informationen zu extrahieren.

Optimierung des Kundenerlebnisses. Die Verwendung von ML-Algorithmen kann dazu beitragen, die gesamte Kundenreise über verschiedene Touchpoints und Interaktionen mit einem Unternehmen oder einer Marke zu analysieren und zu optimieren, um die Kundenerfahrung, die Kundenzufriedenheit und die Geschäftsergebnisse zu verbessern.

Komplexer medizinischer Befund. ML-Algorithmen und -Techniken können zur Unterstützung bei der Diagnose von Patienten mit Erkrankungen wie Hautkrebs eingesetzt werden. ML-Modelle können anhand großer Datensätze mit medizinischen Aufzeichnungen, Patientendaten, Symptomen und diagnostischen Ergebnissen trainiert werden, um Muster zu erkennen und Zusammenhänge zu identifizieren.

Empfehlungssysteme. ML-Algorithmen können Online-Unternehmen dabei helfen, den Nutzern personalisierte Empfehlungen anzubieten. Empfehlungssysteme analysieren die Präferenzen, das Verhalten und die historischen Daten der Nutzer, um relevante Artikel oder Inhalte vorzuschlagen, die den Nutzern wahrscheinlich interessieren. Empfehlungssysteme werden von E-Commerce-Plattformen, Streaming-Plattformen, News-Aggregatoren und Social-Media-Plattformen weit verbreitet eingesetzt.

Wenn die oben genannten Voraussetzungen und Anwendungsfälle für maschinelles Lernen Sie davon überzeugt haben, dass der ML-Ansatz die richtige Wahl ist, ist es an der Zeit, die Besonderheiten der Implementierung von ML zu verstehen, abhängig von der Größe Ihres Unternehmens. Um eine reibungslose Implementierung zu gewährleisten, die auf die Bedürfnisse Ihrer Organisation zugeschnitten ist, sollten Sie die Nutzung professioneller Dienstleistungen in Betracht ziehen. KI-Beratungsdienste.

Die Implementierung von maschinellem Lernen kann je nach Größe des Unternehmens aufgrund von Unterschieden in den verfügbaren Ressourcen, Budgets, Datenvolumen und -qualität, technischer Expertise und organisatorischer Komplexität unterschiedlich aussehen. Um solche Projekte erfolgreich umzusetzen, ist es entscheidend, mit einem zuverlässigen Partner zusammenzuarbeiten. Unternehmen für die Entwicklung von Data Science Das Unternehmen verfügt über Fachwissen in der Bereitstellung maßgeschneiderter Lösungen für spezifische Geschäftsanforderungen. Je größer ein Unternehmen ist, desto schwieriger wird es, eine reibungslose Datenintegration zu gewährleisten, da die Anzahl der internen Systeme und Daten sowie die Notwendigkeit ihrer Synchronisierung zunehmen.

Kleinunternehmen Sie verfügen typischerweise über begrenzte Ressourcen und müssen bestimmte Maschinelerkennungsfälle priorisieren, die ihren Budgetrahmen, der Datenverfügbarkeit und ihren Fähigkeiten entsprechen. Sie entwickeln in der Regel gezielte Lösungen (Demand-Forecasting, Betrugserkennung, Kundensegmentierung, Sentiment-Analysen usw.), um einen Wettbewerbsvorteil zu erzielen.

Mittlere Unternehmen Versuchen Sie, ihre technische Kapazität für eine verbesserte Skalierbarkeit und Innovation zu erweitern. Um dieses Ziel zu erreichen, können sie Lösungen für predictive Analytics, NLP, Bild- oder Videoerkennung, Prozessoptimierung und Anomalieerkennung implementieren.

Große Unternehmen Oder Unternehmen können über separate AI-Abteilungen verfügen, die über ausreichende Ressourcen und relevante Daten verfügen, um die Auswirkungen von ML-bezogenen Initiativen auf das gesamte Unternehmen zu nutzen. Ein solches umfassendes Potenzial könnte die Entscheidungsfindung in allen Abteilungen und Funktionen steigern und die operative Effizienz und das Risikomanagement verbessern. Darüber hinaus können ML-Implementierungen auf Unternehmensniveau sogar zur Entwicklung neuer Produkte, Dienstleistungen und Geschäftsmodelle führen.

Unabhängig davon, wie groß Ihr Unternehmen ist und welchen ML-Anwendungsfall Sie implementieren möchten, benötigen Sie einen effektiven Plan zur Umsetzung. Darüber hinaus sprechen wir über die Planung und Durchführung eines erfolgreichen ML-Projekts.

Der Lebenszyklus eines ML-Projekts bezieht sich auf die Reihenfolge der Phasen und Aktivitäten, die bei der Entwicklung und dem Einsatz eines ML-Projekts erforderlich sind (Verwaltung von Lebenszyklusdaten).

1. Probleme definieren und Projektziele festlegen. Analysieren Sie Ihr Unternehmen und ermitteln Sie, wo ML effektiv eingesetzt werden kann. Der Hauptzweck hierbei ist es, das Ziel und den Umfang des ML-Projekts zu definieren. Berücksichtigen Sie Ihre Einschränkungen, einschließlich Ihres Budgets, Zeitrahmen, vorhandenen Fachkenntnissen und verfügbaren Daten. Erstellen Sie eine detaillierte Übersicht über den Fall, den Sie mit ML lösen möchten. Beschreiben Sie die Problemstellung und legen Sie Ziele, Messgrößen und Erfolgskriterien fest.
2. Daten sammeln. Die Datenerhebung umfasst die Erhebung der für das Projekt relevanten Daten. Dies kann die Erfassung bestehender Datensätze, die Erhebung neuer Daten oder eine Kombination beider Verfahren umfassen. Die Daten sollten repräsentativ, vielfältig und in ausreichender Qualität sein, um eine genaue Modellbildung und -auswertung zu gewährleisten.
3. Die Daten analysieren und reinigen. Analysieren Sie die gesammelten Daten, um Erkenntnisse zu gewinnen und eventuelle Probleme oder Ungenauigkeiten zu erkennen. Die Datenreinigung umfasst das Handhaben von fehlenden Werten, das Entfernen von Ausreißern, die Behebung von Datenunzulänglichkeiten und die Transformation der Daten in ein geeignetes Analyseformat.
4. Eine Machbarkeitsstudie durchführen. Verfolgen Sie eine Machbarkeitsstudie, um die Rentabilität der Anwendung von maschinellen Lernverfahren zur Lösung des definierten Problems zu bewerten. Dazu gehören die Bewertung von Faktoren wie Datenverfügbarkeit, Rechenressourcen, Fachkenntnissen, Zeitbeschränkungen und möglichen ethischen oder rechtlichen Überlegungen.
5. Das Modell entwickeln und trainieren. Entwerfen und entwickeln Sie ein ML-Modell basierend auf der Problemstellung und den Daten. Verteilen Sie die Daten in Trainings- und Validierungssätze und trainieren Sie ML-Algorithmen mit den Trainingsdaten, um Muster und Zusammenhänge zu erkennen. Verfeinern Sie das Modell iterativ, um seine Leistung und seine Fähigkeit zur Generalisierung zu verbessern.
6. Das Modell noch weiter anpassen. Die Feinabstimmung beinhaltet die Optimierung der Hyperparameter des Modells – wie Lernrate, Regularisierung und Netzwerkarchitektur – um eine bessere Performance zu erreichen. Dieser Schritt zielt darauf ab, ein Gleichgewicht zwischen Untertraining und Übertraining zu erreichen und sicherzustellen, dass das Modell unvorhergesehene Daten effektiv generalisieren kann.
7. Das Modell integrieren. Sobald das Modell trainiert und feinjustiert ist, integrieren Sie es in die gewünschte Anwendung oder das gewünschte System. Dazu gehört die Einrichtung der notwendigen Infrastruktur, APIs oder Schnittstellen, um die Vorhersagen oder Erkenntnisse des Modells in die Zielumgebung zu übernehmen.
8. Das Modell verfeinern. Überwachen und evaluieren Sie kontinuierlich die Leistung des Modells in einer realen Umgebung. Feedback von Nutzern, Leistungsindikatoren und kontinuierliche Datenerfassung können Ihnen helfen, Verbesserungsmöglichkeiten zu identifizieren. Verfeinern Sie das Modell, indem Sie neue Daten einbeziehen, das Modell neu trainieren oder Algorithmen aktualisieren, um die Genauigkeit und Relevanz zu verbessern.
9. Das Modell überwachen und pflegen. Nach der Bereitstellung sollten Sie die Leistung des Modells regelmäßig überwachen. Dazu gehören die Verfolgung wichtiger Leistungsindikatoren, die Erkennung von Abweichungen oder Abmängeln sowie die regelmäßige Durchführung von Wartungsmaßnahmen und Aktualisierungen, um die Effektivität, Zuverlässigkeit und Anpassung des Modells an sich ändernde Anforderungen zu gewährleisten.

Im ersten Schritt des ML-Projektlebenszyklus müssen Sie einen optimalen Technologiestack auswählen. Dann kommt die Projektstrategie-Entscheidungsträgerscheine sehr gut zur Anwendung.

Eine Projektstrategie-Strategie-Diagramm ist eine visuelle Darstellung oder ein Diagramm, das den Entscheidungsprozess bei der Entwicklung einer Projektstrategie unterstützt. Es stellt eine hierarchische Struktur der Entscheidungen und ihrer möglichen Ergebnisse dar und ermöglicht es Projektmanagern und Teams, die am besten geeigneten Strategien anhand spezifischer Kriterien systematisch zu bewerten und auszuwählen.

Mit einem Projektstrategie-Entscheidungsträumer können Sie verschiedene Technologie-Stacke systematisch bewerten, relevante Kriterien berücksichtigen und fundierte Entscheidungen treffen, die den spezifischen Bedürfnissen und Zielen Ihres ML-basierten Projekts entsprechen.

Es gibt zwei gängige Ansätze zur technischen Umsetzung von ML-gestützten Projekten:

1. Wenn Sie keine internen ML-Experten haben und einen gängigen ML-Anwendungsfall verwalten müssen, Verwenden Sie eine geeignete SaaS-Lösung (wie IBM Watson Studio, Databricks oder DataRobot).
2. Wenn Sie schnell die erforderliche Infrastruktur bereitstellen müssen, Zugriff auf vorgefertigte Tools und Frameworks (wie TensorFlow, Keras, PyTorch und Caffe) erhalten möchten, Rechenleistung und Ressourcen bereitstellen und die Machbarkeit Ihrer KI- und ML-Initiativen validieren möchten, Verwenden Sie KI- und ML-Infrastruktur oder Managed Services (wie z. B. Managed Services von Amazon, Microsoft oder Google).

Nachdem wir den allgemeinen Ansatz zur Implementierung eines ML-gestützten Projekts betrachtet haben, schauen wir uns an, wie man eine geeignete Architektur für eine ML-basierte Lösung anhand eines fiktiven Beispiels erstellt.

Stellen Sie sich vor, Sie haben einen Blog mit über 500 Artikeln und rund 1.000 Einzigeinheiten pro Tag. Das Problem ist, dass nur 0,5 Prozent der Besucher das Kontaktformular ausfüllen. Bei der ersten Kommunikation mit potenziellen Kunden fragen die meisten nach Artikeln, die Ihre Expertise zeigen, obwohl diese bereits auf der Website verfügbar sind. Während sie bei der Suche nach Dienstleistungen solche Artikel oft übersehen und denken, dass ein Unternehmen nicht über die erforderliche Erfahrung verfügt. Um dieses Problem zu lösen, können Sie von den Fähigkeiten von ChatGPT profitieren. Folgen Sie den unten beschriebenen Schritten.

1. Erstellen Sie eine architektonische Vision

Um die Lösungsarchitektur zu entwickeln, müssen Sie eine architektonische Vision erstellen, die die allgemeine Vision und die strategische Ausrichtung der Architektur darstellt und ihren gewünschten zukünftigen Zustand, Ziele und Prinzipien beschreibt. Eine architektonische Vision kann auf der Grundlage der wichtigsten Architekturdriver erstellt werden: Geschäftsziele, Anwendungsfälle und Einschränkungen. Für dieses Projekt werden diese wie folgt sein:

Geschäftsziele:

• Verlängern Sie die Zeit für die Lead-Konvertierung um 50 Prozent.
• Vergrößern Sie die Effizienz des Verkaufsteams, indem Sie eine praktische Wissensdatenbank bereitstellen.

Anwendungsfälle:

• Persönlichkeiten können auf der Website einen Chatbot nutzen, um relevante Artikel zu finden.
• Das Vertriebsteam kann einen Chatbot in Slack nutzen, um relevante Artikel nach Schlüsselwörtern zu finden.

Begrenzungen:

• Die Umsetzung des Projekts sollte kosteneffektiv sein.
• Das System soll innerhalb von zwei Monaten von einem Ingenieur entwickelt werden.

2. Berücksichtigen Sie architektonische Aspekte

Sie sollten alle Faktoren berücksichtigen, die die Qualität und Machbarkeit der zukünftigen Lösung beeinflussen könnten. Hier sind die architektonischen Herausforderungen für das Projekt, das wir beschrieben haben:

1. Um sicherzustellen, dass der Chatrichtlinienrichtlinien eingehalten wird, sollte ChatGPT von OpenAI mit Ihren eigenen Daten trainiert werden. Ohne diese Daten liefert ChatGPT Antworten, die zu allgemein sind und möglicherweise für Ihr Unternehmen irrelevant sind. 
2. Die Trainingsdaten sollten von der Vertriebsmitarbeiterin oder dem Vertriebsmitarbeiter überprüft und feinjustiert werden, um sicherzustellen, dass der Chatbot die Unternehmenssprache des Unternehmens widerspiegelt. 
3. Es ist bekannt, dass ChatGPT schlecht darin ist, Links zu bestehenden Seiten zu finden (folglich ist es notwendig, nach der Verwendung von ChatGPT die Links zu validieren und neu zu generieren).

Stellen Sie sich vor, Sie beschließen würden, ein Proof-of-Concept (PoC) zu erstellen, um die Machbarkeit der Integration von Trainingsdaten in ChatGPT zu prüfen und die Genauigkeit der Links zu Ihrer Unternehmenswebsite zu überprüfen. Das entwickelte PoC half Ihnen, sicherzustellen, dass die von ChatGPT generierten Links in den meisten Fällen zu 404-Seiten führen, was eine Validierung und Neuherstellung der Links erfordert.

3. Entwicklung der Geschäftsarchitektur

Ein Business-Architektur-Diagramm zeigt alle Systeme, die im Projekt vorhanden sind (einige davon werden von Grund auf erstellt, die übrigen sind fertige Lösungen). Es sollte auch alle Akteure enthalten, die mit diesen Systemen arbeiten. Folgendes ist ein Beispiel dafür, wie die Business-Architektur für das beschriebene Projekt aussehen könnte:

4. Lösen Sie das Dilemma zwischen Adoption und Eigenbau

Anschließend müssen Sie entscheiden, welche bestehenden Lösungen (bezahlte oder Open-Source-Lösungen) übernommen werden und welche Sie selbst entwickeln. Wir empfehlen, benutzerdefinierte Lösungen einzurichten, sofern diese ein Wettbewerbsvorteil bieten oder es Ihnen ermöglichen, mehr Gewinn oder mehr Kunden zu generieren. Andernfalls sollten Sie bereits fertige Lösungen verwenden, da die weniger Code, die kürzere Markteinführungszeit und weniger Entwicklungsengpässe in der Zukunft zu erwarten sind.  

Für das beschriebene Projekt empfehlen wir Ihnen, die folgenden Lösungen zu erstellen:

• Benutzeroberfläche des Website-Chats um ein starkes Unternehmensimage zu gewährleisten und eine bessere Benutzererfahrung als die Wettbewerber zu bieten
• Ein Trainingsdaten-Set um sicherzustellen, dass der Chatbot Ihre Unternehmensstimme bei der Kommunikation mit Interessenten überträgt 
• Eine API, um alle übernommenen Lösungen zu verbinden, Da Sie wahrscheinlich keine geeignete fertige Lösung für diesen Zweck finden werden

5. Wählen Sie die geeignetsten Lösungen

Verwenden Sie einen Entscheidungslogbuch, ein Technologie-Radar und verlässliche Kennzahlen, um die endgültige Entscheidung über die beste Technologie-Lösung zu treffen – sei es ein Framework oder eine Programmiersprache.

1. Eine Entscheidungslogik Es ist eine Aufzeichnung der Entscheidungen, die im Rahmen des Evaluierungs- und Auswahlprozesses für die geeignetste Technologie-Lösung für einen bestimmten Zweck getroffen wurden. Es enthält Informationen zu den betrachteten Technologien, Bewertungskriterien, die Begründung der Entscheidung, die beteiligten Stakeholder sowie alle zugehörigen Dokumente oder Referenzen.
2. Technologieradar ist ein Tool, das zur Verfolgung und Bewertung aufkommender Technologien, Trends und Praktiken in der Softwareentwicklung verwendet wird. 
3. Weitere zu berücksichtigende Parameter sind die Anzahl der Sterne auf GitHub, die Container in Docker Hub, die Fragen auf Stack Overflow sowie die Freelancer auf Upwork.

6. Identifizieren Sie alle Risiken (Kompromisse) in Ihrer architektonischen Lösung

Verfolgen Sie eine Trade-off-Analyse, um verschiedene architektonische Optionen zu bewerten und optimale Entscheidungen zu treffen, indem Sie die mit jeder Wahl verbundenen Trade-offs berücksichtigen. Dies beinhaltet die Bewertung der Vorteile, Nachteile und Auswirkungen verschiedener architektonischer Entscheidungen, um die optimale Lösung für ein bestimmtes Softwaresystem zu identifizieren.

Die folgende Tabelle ist das Ergebnis einer Vergleichsanalyse für das in diesem Beitrag beschriebene Projekt. Jede Zeile der Tabelle stellt eine architektonische Entscheidung (AD) dar. Jede Spalte ist ein architektonischer Treiber (ein Schlüsselkriterium oder eine Überlegung, die die Gestaltung und Entwicklung einer architektonischen Lösung beeinflusst) und beschreibt die Anforderungen in der Architekturvision: Geschäftsziele (BG), Anwendungsfälle (UC), Anliegen (CN) und Beschränkungen (CT).  

Die Markierungen an der Schnittstelle von Reihen und Säulen charakterisieren die architektonischen Entscheidungen wie folgt:

• S (empfindlich) — AD ist entscheidend, um sicherzustellen, dass der Fahrer nicht abgeholt wird, wenn er nicht da ist
• N (keine Gefahr) — AD ist optional, um sicherzustellen, dass der Fahrer auch dann abgeholt wird, wenn er nicht da ist
• R-1 (risikoerheblicher) — Das Vertriebsteam muss die Daten in der Tabellenkalkulation überprüfen, was zeitaufwändig sein kann.
• T-1 (Kompromisse) — Das Verfeinern von Links mithilfe der Google Search API ist obligatorisch, verhindert aber die Einhaltung der Projektfrist.

Wie Sie sehen können, ist die Umsetzung eines erfolgreichen ML-basierten Projekts ein komplexer Prozess, der möglicherweise jahrelange Expertise und gesammelte Kenntnisse erfordert. Wenn Sie sich entscheiden, mit einem Anbieter für die Entwicklung von KI und ML zusammenzuarbeiten, achten Sie auf deren Expertise in ML-Algorithmen und -Techniken, das Portfolio an KI-gestützten Projekten sowie die professionelle Anerkennung. Yalantis wurde als führender Anbieter ausgezeichnet. AI-Entwicklungshaus von C2Creview, einer Plattform für Bewertungen von Forschungseinrichtungen und IT-Unternehmen. Wir beraten und entwickeln qualitativ hochwertige Software mithilfe von KI, Data Science und Business Intelligence sowie fortschrittlichen Business Analytics-Lösungen.