Vom POC in die Produktion - Wie KI- Und Datenprojekte in der Realität ankommen | Laura Hinsch

Auf den Marketingslides sieht es immer so einfach aus. Im PoC
läuft das KI oder ML Projekt sauber durch. Aber in die wirkliche
Integration in den Alltag und die Produktion schaffen es die
wenigsten. Warum ist das so und wie bekommen wir das besser hin?
Darüber spricht Christian Krug, der Host des Podcasts „Unf*ck
Your Data“ mit Laura Hinsch, Solution Architect bei der DB
Systel.


Dass nicht alles glänzt was auf den Marketingfolien der
Hersteller steht wissen wir. Allerdings dachten wir auch das PoCs
(Proof of concept) jetzt der neue heiße Mist sind und wir damit
schnell unsere Probleme lösen.


Leider versanden immer noch viele Projekte in der PoC Hölle und
schaffen es nie das Licht der Produktion zu erblicken.





Manchmal weil das Konzept nicht aufgeht, dafür machen wir es ja.
Leider aber auch oft wegen vermeidbarer Fehler. Denn nur einen
PoC machen und alles so einfach wie möglich denken ist nur
minimal besser als die Slides. Bereits bei der Planung des PoC
sollte man die Umsetzung in der Produktion im Kopf haben, denn
hier befinden wir uns dann in echten lebenden Organisationen.
Damit sinkt auch die Fehlertoleranz. Im besten Fall verliert man
nur Nutzerakzeptanz, im Schlimmsten sogar Menschen ihr Leben.





Und hier sollte man Ansetzen:


Was ist die Kritikalität des Projektes? Was kann ich verbessern
und wie genau muss es sein? Manchmal reichen 75% Genauigkeit in
einem Machine Learning Projekt aus. Ab und zu müssen es 99,99%
sein. Dies muss man vorher beachten.





Wer nutzt das Tool am Ende? Wie sieht der Alltag dieser Menschen
aus? Wo muss ich die Funktion integrieren, damit die Leute sie
auch wirklich benutzen? Das Ganze wird natürlich dadurch
erschwert, dass die Leute die Tool kaufen oder beauftragen oft
nicht die sind, die sie auch wirklich benutzen.





Wo muss das Ding am Ende laufen und was darf es kosten? Der
berühmte „It rund on my machine” Scherz darf eben nicht
passieren. Die Anwendung muss eben auch möglichst einfach in die
bestehenden Systeme integriert werden können. Gerade bei großen
und gewachsenen Unternehmen ist das nicht zu unterschätzen.
Natürlich muss es am Ende auch wirtschaftlich sinnvoll sein. Wenn
du das zehnfach der Einsparung an monatlichen Kosten durchhaust
ist auch keinem geholfen.





Macht das Thema jetzt irgendwie nicht so spannend. Aber am Ende
des Tages ist das auch alles kein Hexenwerk. Einfach ein bisschen
planen am Anfang und die richtigen Haken setzen. Dann klappts
auch mit der Produktivsetzung.





Profile:





Zum LinkedIn-Profil von Laura:
https://www.linkedin.com/in/laura-hinsch-54b97a276/





Zum LinkedIn-Profil von Christian:
https://www.linkedin.com/in/christian-krug/





Christians Wonderlink: https://wonderl.ink/@christiankrug





Unf*ck Your Data auf Linkedin:
https://www.linkedin.com/company/unfck-your-data





Buchempfehlung:





Buchempfehlung von Laura: Momo – Michael Ende





Alle Empfehlungen in Melenas Bücherladen:
https://gunzenhausen.buchhandlung.de/unfuckyourdata








Hier findest Du Unf*ck Your Data:





Zum Podcast auf Spotify:
https://open.spotify.com/show/6Ow7ySMbgnir27etMYkpxT?si=dc0fd2b3c6454bfa





Zum Podcast auf iTunes:
https://podcasts.apple.com/de/podcast/unf-ck-your-data/id1673832019





Zum Podcast auf Deezer:
https://deezer.page.link/FnT5kRSjf2k54iib6





Zum Podcast auf Youtube: https://www.youtube.com/@unfckyourdata





Merch:





https://unfckyourdata-shop.de/





Kontakt:





E-Mail: christian@uyd-podcast.com





Timestamps:


00:00 Einführung in die Welt der Eisenbahn und KI


05:01 Vom POC zur Produktion: Der Weg der KI-Projekte


09:57 Die Balance zwischen Genauigkeit und Geschäftsnutzen


14:46 Die Bedeutung der Nutzer in KI-Projekten


20:09 Anforderungsmanagement und MVP-Entwicklung


22:04 Von Proof of Concept zur Produktion


24:29 Herausforderungen bei der Skalierung von Projekten


26:50 Systemkontext und Integration in bestehende Systeme


29:01 Zielarchitektur und Entscheidungsfindung


32:02 Der Spagat zwischen Experimentieren und Planung


36:59 Die Herausforderungen bei der Implementierung von POCs


39:24 Entscheidungsfindung und Kriterien in der Architektur


41:40 Wirtschaftlichkeit und Kosten von Projekten


44:56 Branchen- und Unternehmensspezifische Anforderungen


48:45 Integration von Algorithmen in bestehende Systeme


51:29 Abschlussfragen und persönliche Einblicke