Ausgangslage
Ein Anwendungsfall ist ausgewählt. Offen ist, ob die eigenen Daten ausreichen, welche Qualität erreichbar ist und was der Betrieb kosten würde.
Ablauf
- ErfolgskriterienVor dem ersten Code festlegen, woran Erfolg gemessen wird, und einen Testdatensatz aufbauen.
- PrototypSchlanke Lösung mit echten Daten bauen, bewusst ohne Vollausbau.
- MessenQualität, Kosten und Laufzeit gegen die Kriterien und gegen den heutigen Prozess prüfen.
- EntscheidungStoppen, anpassen oder zum MVP ausbauen, mit belastbarer Aufwandsschätzung.
Ergebnisse
- Lauffähiger Prototyp
- Evaluationsbericht
- Kostenabschätzung für den Betrieb
- Go- oder No-go-Empfehlung
Woran solche Projekte scheitern
- Ohne vorab definierte Kriterien wird jeder Prototyp als Erfolg gewertet.
- Der Prototyp läuft mit Beispieldaten, die mit den echten Daten wenig zu tun haben.
- Der Weg in den Betrieb wird nicht mitgedacht, das Vorhaben endet nach der Demo.
Rollen in diesem Projekt
- AI EngineerDer AI Engineer baut KI-Systeme, die im Alltag funktionieren.
- Data ScientistDer Data Scientist gewinnt aus Daten belastbare Erkenntnisse und Modelle.
- AI Business AnalystDer AI Business Analyst verbindet Fachbereich, Daten und Lösung.
- AI Project ManagerDer AI Project Manager plant, koordiniert und steuert KI-Projekte bis zum vereinbarten Ergebnis.
- Forward Deployed EngineerDer Forward Deployed Engineer arbeitet direkt beim Fachbereich und baut dort KI-Lösungen bis zur Nutzung.