PAISE®: Das KI-Engineering Vorgehensmodell

Erfolgreiche KI-Projekte mit PAISE®

Projekte, in denen Künstliche Intelligenz ein- oder umgesetzt werden soll, sind meist komplex, erfordern heterogene Teams und bergen ein hohes Risiko zu scheitern. Wie schafft man es als Unternehmen, KI-Projekte auch in anspruchsvollen Anwendungsdomänen wie Mobilität oder industrieller Produktion dennoch zum Erfolg zu führen? Dafür haben wir in enger Kooperation mit den Unternehmen im CC-KING-Innovationsbeirat ein systematisches Vorgehensmodell namens PAISE®, Process Model for AI Systems Engineering, entwickelt.

Datenschutz und Datenverarbeitung

Wir setzen zum Einbinden von Videos den Anbieter YouTube ein. Wie die meisten Websites verwendet YouTube Cookies, um Informationen über die Besucher ihrer Internetseite zu sammeln. Wenn Sie das Video starten, könnte dies Datenverarbeitungsvorgänge auslösen. Darauf haben wir keinen Einfluss. Weitere Informationen über Datenschutz bei YouTube finden Sie in deren Datenschutzerklärung unter: https://policies.google.com/privacy

Das Process Model for AI Systems Engineering, kurz: PAISE®, ist unser Vorgehensmodell für die systematische und standardisierte Entwicklung und den Betrieb von KI-basierten Systemlösungen. Vorgehensweisen aus der Informatik und datengetriebenen Modellbildung werden mit denen klassischer Ingenieurdisziplinen kombiniert.

Die Disziplin KI-Engineering geht aus dem Systems Engineering hervor. Während heute erfolgreich Methoden des Systems Engineering angewandt werden (z. B. Wasserfallmodell, V-Modell, SCRUM), um komplexe technische Systeme zu entwickeln, stellt die Verwendung von KI innerhalb solcher Systeme neue Herausforderungen an den Entwicklungsprozess:

  1. Die Performanz eines KI-basierten Ansatzes lässt sich häufig nicht im Voraus einschätzen, sondern muss empirisch ermittelt werden. In vielen Ingenieurdisziplinen ist es möglich, eine High-Level-Systemarchitektur anforderungsgemäß zu entwerfen, auf Basis von physikalischen Modellen, Erfahrungswerten und Simulationen. Bei KI-Verfahren ist das schwieriger: Wenn seltene Sonderfälle ausschlaggebend sind, können Details in der Umsetzung große Unterschiede im empirischen Verhalten bedeuten. Sie müssen deshalb häufig vorab prototypisch umgesetzt werden. Dieser Aspekt ist in PAISE® im Entwicklungszyklus (Anm.: die Phasen von PAISE® sind blau hervorgehoben) verankert: Die High-Level-Architektur wird in sog. Checkpoints hinsichtlich der Anforderungen bewertet und iterativ verfeinert.
  2. Datengetriebene Verfahren wie ML benötigen bereits während der Entwicklung qualitativ hochwertige Daten aus dem Betrieb. Die Qualität wird u. a. dadurch bestimmt, wie repräsentativ die zum Lernen verwendeten Daten sind. Die benötigten Trainingsdaten sollten möglichst bereits aus der Anwendung des Systems kommen, das jedoch meist noch nicht fertig entwickelt ist. In PAISE® wird diese Herausforderung in der Datenbereitstellung, berücksichtigt.

PAISE® ist eine Vorgehensvorlage, die je nach den organisatorischen Rahmenbedingungen im Unternehmen angepasst werden kann und sollte. Nutzungsszenarien sind die einmalige kundenspezifische Entwicklung und Implementierung von KI-basierten Systemen sowie die komplette Neuentwicklung von Produkten für die Serienproduktion. Wie bei jedem Vorgehensmodell müssen die Elemente von PAISE® auf den jeweiligen Anwendungsfall übertragen werden, um konkrete Handlungen daraus abzuleiten. Der Fokus von PAISE® liegt auf dem technischen Prozess (siehe ISO/ IEC/EEE 15288:2015) und lässt betriebswirtschaftliche und unternehmensspezifische Aspekte außen vor.

Durchgehende Artefakte

PAISE® weist vier durchgehende Artefakte auf. Die Artefakte werden in bestimmten Phasen initialisiert und im Verlauf der Entwicklung kontinuierlich erweitert und angepasst.

Das Systemmodell beschreibt die Abhängigkeiten der Komponenten (also Subsysteme, Hilfssysteme und Datensätze) untereinander sowie deren Schnittstellen. Es orientiert sich an dem 1979 von Ropohl im Rahmen der Systemtheorie der Technik veröffentlichten Modell für technische Systeme. Das Systemmodell wird in der Phase Funktionale Dekomposition initial erstellt und definiert die Komponenten, die mithilfe der einzelnen Fachdisziplinen im Entwicklungszyklus entwickelt werden.

Die Rollenverteilung definiert, welche Verantwortlichkeiten in welcher Phase benötigt werden. Dieses Artefakt wird in Anforderungen & Problemverständnis initialisiert und läuft in allen weiteren Phasen des Vorgehensmodells mit. Eine nähere Darstellung der einzelnen Rollen findet sich auf Seite 28-29 im Whitepaper (als PDF zum Download in untenstehender Teaserbox).

Diese Art der Dokumentation erfasst die Eigenschaften, die das Gesamtsystem oder einzelne Komponenten zwingend für die Prüfung und Abnahme durch externe Parteien (z. B. Behörden) erfüllen müssen, sowie Indikatoren für deren Nachweis beziehungsweise Argumentation, die im Rahmen der Entwicklung und Erprobung akkumuliert werden. Typische Beispiele entsprechender Garantien sind die funktionale Sicherheit(„Safety“) sowie die IT-Sicherheit („Security“), die auch Aspekte
des Datenschutzes durch das System mit einschließen kann. Ferner kann die Dokumentation Aspekte wie beispielsweise Erklärbarkeit, Steuerbarkeit oder eine gerichtliche Verwertbarkeit umfassen.

Die Datendokumentation ist eine Beschreibung der Daten, die für die Entwicklung und Erprobung der KI-basierten Komponenten verwendet wurden und die deren Funktion maßgeblich bestimmen. Dokumentation wird während des Entwicklungszyklus erstellt sowie während Betrieb & Wartung stetig erweitert und angepasst. Verwendete Daten sind einerseits in Bezug auf ihre Quelle zu kategorisieren (bspw. verwendete öffentliche Datensätze, Erhebungs- und Annotationsverfahren, Messverfahren, Umgebungsbedingungen), und andererseits im Bezug auf ihre Qualität (technische Fehler, Unsicherheiten etc.), Umfang und ihrer Vorverarbeitung (Schätzen von fehlenden Werten, Anreicherung bei deutlich unterrepräsentierten Populationen) darzustellen. Entsprechende Qualitäten werden unter anderem im Vorschlag der Europäischen Kommission für gesetzliche Regelungen bezüglich KI gefordert.

Durch das Archivieren sämtlicher genutzter Daten können Anforderungen wie die der Europäischen Kommission teilweise bedient werden. Dies ist jedoch nicht in jedem Fall sinnvoll, z. B. bei besonders umfangreichen Datenmengen oder im Fall von online lernenden Systemen. Hierbei können dann Methoden zur Reduktion von Datensätzen, bspw. auf Stichproben oder Metadaten, oder zur Versionierung von Änderungen, bspw. über Hashwerte, angewandt werden.

PAISE® interaktiv

Klicken Sie sich durch die einzelnen Phasen unserer interaktiven PAISE® Grafik und lernen Sie das Vorgehensmodell für KI-Engineering im Selbststudium kennen. Detaillierte Infos zu Phasen, Werkzeugen und Anwendungsfällen sind in den Infokästen verlinkt.

'

PAISE® Whitepaper

Im Whitepaper haben Sie alle Phasen und Beispiele kompakt in einem Dokument. Jetzt downloaden!

FAQ

Hier finden Sie Antworten auf häufig gestellte Fragen zu PAISE®.

Erstes Vorgehensmodell für KI-Engineering veröffentlicht

Die Presseinfo zur Veröffentlichung des PAISE® Whitepapers gibt's hier im Web und als PDF zum Download.