Kriterienkatalog für KI-Cloud-Dienste – AIC4

Künstliche Intelligenz Archive

Sprachsteuerung für integrierte Unternehmenssoftware rückt in Reichweite. Wissenschaft und Wirtschaft arbeiten gemeinsam an praxistauglichen Sprachassistenten. Diese sollen mehr können als […]

Künstliche Intelligenz: Wie geht‘s weiter mit der Zukunftstechnologie? Vertriebsmitarbeiter Kurt K. ist auf dem Weg zu einem Kundentermin. Über die Freisprechanlage arbeitet er mit seiner Business Software. „Scoper, […]

Künstliche Intelligenz (KI) entwickelt sich zum Treiber für die digitale Transformation. Unser Beitrag analysiert die Relevanz von KI für die […]

Watson ist die KI von IBM. Er ist ein kognitives System, das durch Interaktionen lernt, und liefert laut IBM „evidenzbasierte […]

Nicht erst mit Star Wars drang das Bild von Robotern in unsere Vorstellung, mit denen wir uns intelligent unterhalten können […]

Die Automatische Textgenerierung – Wenn Maschinen ’natürlich‘ sprechen Warum noch selber schreiben, wenn das eine Maschine für mich erledigen kann? Ich kann mir stattdessen die Fingernägel wachsen lassen […]

Geschäftsprozesse automatisieren lohnt sich. Denn die meisten von ihnen wiederholen sich zwangsläufig. Heute erledigt Software dabei die lästigen Routinearbeiten. Denn […]

Cognitive Computing und Künstliche Intelligenz stehen nach Einschätzung des Branchenverbandes bitkom vor dem Durchbruch. Die bitkom geht davon aus, dass […]

Was ist Deep Learning? Deep Learning ist eine Lerntechnik für Computer und somit eine Technik für Künstliche Intelligenz (KI). Die […]

Wie der Computer über Ereignisse informiert Von welcher Art von Ereignis sprechen wir hier? Der Begriff Ereignis begegnet uns in vielen Bedeutungen. Als ein freudiges oder […]

Hiroshi Ishiguro, Direktor des Intelligent Robotics Laboratory am Department of Adaptive Machine Systems der Universität Osaka, entwickelt Androiden, welche sehr […]

Fünf Machine Learning Skills, die in der Cloud nötig sind

Machine Learning (ML) und künstliche Intelligenz (KI) nehmen eine immer wichtigere Rolle für IT-Services und Anwendungen ein. IT-Teams müssen ihre Fähigkeiten zum maschinellen Lernen ausbauen, wenn sie mithalten möchten.

Cloud-Computing-Dienste unterstützen eine Reihe von Funktionen, die zum Erstellen und Bereitstellen von künstlicher Intelligenz und maschinellem Lernen erforderlich sind. Die Verwaltung von Services mit künstlicher Intelligenz ist dabei gar nicht so verschieden von der anderer Anwendungen in der Cloud, mit denen IT-Experten vertraut sind.

Leider bedeutet das nicht unbedingt, dass jeder, der eine Anwendung bereitstellen kann, auch ein Modell für maschinelles Lernen erfolgreich einrichten kann. Gemeinsamkeiten dienen als Anknüpfungspunkte beim Erlernen neuer Techniken, doch es gibt signifikante Unterschiede, mit denen IT-Teams rechnen müssen. Neben dem technologischen Know-how müssen sie auch die derzeit verfügbaren Cloud Tools verstehen, um Projekte für künstliche Intelligenz (KI) und maschinelles Lernen umzusetzen.

In diesem Artikel stellen wir fünf ML-Kenntnisse vor, die IT-Profis benötigen, um KI erfolgreich in der Cloud zu verwenden. Außerdem nennen wir Produkte von Amazon, Microsoft und Google, die sie dabei unterstützen. In einem Team wird natürlich nicht eine Person sämtliche Kenntnisse einbringen können – Sie sollten ein Expertenteam zusammenstellen, das zusammen folgendes leisten kann:

2. Erstellen von Modellen Maschinelles Lernen ist eine etablierte Disziplin, und IT-Experten können Karriere machen, indem sie Algorithmen für maschinelles Lernen studieren und entwickeln. IT-Teams verwenden die von Ingenieuren gelieferten Daten, um Modelle zu erstellen und Software zu programmieren, die Empfehlungen abgibt, Werte vorhersagt und Elemente klassifiziert. Es ist wichtig, die Grundlagen der Technologien für maschinelles Lernen zu verstehen, auch, wenn ein Großteil der Modellerstellung in der Cloud automatisiert ist. Mitarbeiter, die Modelle entwickeln, müssen sich außerdem mit den übergeordneten Daten- und Geschäftszielen auseinandersetzen. Abbildung 1: Der Machine-Learning-Prozess Zu den passenden Produkten auf dem Markt gehören Google Cloud AutoML, eine Suite von Diensten, mit deren Hilfe IT-Teams benutzerdefinierte Modelle mit strukturierten Daten sowie Bildern, Videos und natürlicher Sprache erstellen können, ohne dass ein umfassendes Verständnis des maschinellen Lernens erforderlich ist. Azure bietet ML.NET Model Builder in Visual Studio an, das auch eine Schnittstelle zum Erstellen, Trainieren und Bereitstellen von Modellen enthält. Amazon SageMaker ist ein weiterer verwalteter Dienst zum Erstellen und Bereitstellen von Modellen für maschinelles Lernen in der Cloud. Diese Tools können Algorithmen auswählen, ermitteln, welche Funktionen oder Attribute in den Daten den größten Erkenntniswert bringen, und Modelle durch einen Prozess namens Hyperparameter-Tuning optimieren. Solche Dienste ermöglichen eine weitere Verbreitung von Machine Learning und KI-Strategien. So wie Sie kein Maschinenbauingenieur sein müssen, um ein Auto zu fahren, benötigen Sie keinen Abschluss in maschinellem Lernen, um effektive Modelle zu bauen.

3. Fairness- und Bias-Erkennung Algorithmen treffen Entscheidungen, die sich direkt und signifikant auf Menschen auswirken. Finanzdienstleister verwenden zum Beispiel KI, um Entscheidungen für die Kreditvergabe zu treffen. Da die KI aber mit historischen Daten trainiert wird, die auf den Entscheidungen voreingenommener Menschen basieren, kann es passieren, dass die KI die Vorurteile der Menschen lernt und dann unbeabsichtigt bestimmte Kunden benachteiligt. Das schadet sowohl den Betroffenen als auch dem Finanzinstitut. KI muss den ethischen Ansprüchen eines Unternehmens genügen und sollte dahingegen kontrolliert werden. Das Erkennen von Verzerrungen in einem Modell kann ein komplexer Vorgang sein, aber wie beim Erstellen von Modellen kann Automatisierung viele der schwierigeren Aufgaben übernehmen. FairML ist ein Open Source Tool, mit dem Entwickler Verzerrungen in ihren Modellen erkennen können. Erkenntnisse aus diesen Prüfungen können auch in das Data Engineering und das Entwickeln der Modelle einfließen, um Probleme von Vornherein zu vermeiden. Google Cloud ist marktführend im Bereich Fairness-Tools mit Produkten wie dem What-If-Tool, Fairness Indicators und Explainable AI Services.

4. Evaluierung der Modell-Performance Modelle müssen nicht nur erstellt werden, Teams sollten sie auch laufend prüfen und anpassen. Kriterien für die Bewertung sind beispielsweise Genauigkeit, Fehlerrate und Rücklauf. Regressionsmodelle, beispielsweise solche, die Preise auf dem Immobilienmarkt vorhersagen, lassen sich durch das Messen der durchschnittlichen Fehlerrate bewerten. Interagieren die Modelle mit Daten aus dem echten Leben, kann es sein, dass Teams sie regelmäßig an eine veränderte Situation anpassen müssen. Auch ohne größere Krisen kann es zu einem Data Drift kommen. Es ist wichtig, Modelle zu bewerten und weiter zu überwachen, solange sie in der Produktion laufen. Dienste wie Amazon SageMaker, Azure Machine Learning Studio und Google Cloud AutoML enthalten eine Reihe von Tools zur Bewertung der Modellleistung.

Kriterienkatalog für KI-Cloud-Dienste – AIC4

Gegenstand einer Prüfung gemäß AIC4 sind Cloud-Dienste, die Methoden des maschinellen Lernens verwenden. Eine genaue Definition des Begriffs Cloud-Dienst erfolgt im C5 .

Es ist zu beachten, dass das Feld des maschinellen Lernens (ML) äußerst groß ist und ML-Methoden in unterschiedlicher Intensität an unterschiedlichen Stellen in Cloud-Diensten verwendet werden können. Es stellt sich dementsprechend die Frage, in welchem Fällen die Kriterien des AIC4 anzuwenden sind. Hierzu ist zu beachten, dass es sich bei den AIC4 -Kriterien nicht um eine Regulierung handelt. Die Anwendung des Kataloges erfolgt auf freiwilliger Basis. Indizien für eine zielführende Anwendung des AIC4 können die folgenden Fragen geben:

Werden ML-Methoden in einer besonderen Intensität oder in Bereichen eingesetzt, die Auswirkungen auf die Informationssicherheit des Cloud -Dienstes haben können?

-Dienstes haben können? Benötigten Kunden Informationen zur Verwendungsweise der ML-Methoden, um die Eignung des Cloud -Services für ihre eigenen Anwendungsfälle im Rahmen einer Risikoanalyse bewerten zu können?

Falls eine der Fragen mit "Ja" beantwortet werden kann, empfiehlt es sich, die Anwendung der Kriterien des AIC4 zu prüfen.

Die Kriterien wurden mit einem Fokus auf ML-Techniken wie Gradient Boosting Algorithms, Random Forests und Deep Neural Networks verfasst. Typische Anwendungsbeispiele dieser Techniken sind die Klassifikation oder Segmentierung von Bildern, sowie die Verarbeitung von natürlicher Sprache in Text- oder Sprachform. Methoden aus dem Bereich Federated Learning oder Reinforcement Learning sind derzeit explizit nicht im Fokus des AIC4 . Teile der Kriterien sind zwar auch für diese Methoden anwendbar, allerdings sind Anpassungen und Erweiterungen erforderlich, z. B. hinsichtlich des Datenmanagements im Fall von Federated Learning. Diese Themen werden zukünftig im Rahmen der Überarbeitung des Kataloges adressiert.

Falls Sie konkrete Anwendungsfälle oder ML-Methoden kennen, bei denen der Katalog nicht zielführend anwendbar ist, oder falls Sie sonstiges Feedback zur Verbesserung oder Erweiterung der Kriterien haben, nehmen Sie gerne mit uns Kontakt auf. Wir möchten die Aussagen in dem Katalog in einem iterativen und breiten Beteiligungsprozess schrittweise weiter schärfen, erweitern und verbessern.