Den perfekten Partner für eine Zusammenarbeit im Bereich Künstliche Intelligenz zu finden, ist nicht immer einfach. Je nach Branche gibt es unterschiedliche Anforderungen bzw. ist Vorwissen nötig, um ein KI-Projekt erfolgreich zu machen. Doch wie finde ich den besten KI-Anbieter?
Manchmal prallen mehrere Welten aufeinander. Wenn der KI-Dienstleiter oder -Anbieter zuvor bspw. aus dem E-Commerce kommt, aber nun Industriedaten für die Produktion analysiert werden sollen, kann das zu Problemen führen.
In diesem Artikel erklären wir, worauf man bei der Auswahl eines KI-Dienstleisters achten muss und aus welchen Teilen ein KI-Projekt besteht.
Die perfekte Begleitung für Ihr Computer Vision Projekt.
Wenn Sie ein allgemeines Interesse an KI oder Computer Vision haben, schauen Sie sich auch gerne einmal unsere anderen Artikel an:
Häufig gestellte Fragen – KI-Basiswissen
Die Top 7 Computer Vision (KI) Anwendungsfälle
Wie finde ich den besten Anbieter für KI?
Nach unserem Verständnis sind die folgenden Punkte bei der Suche am wichtigsten:
- Projektziele definieren – ggf. Grundwissen für KI aufbauen
- Anbieter Recherche starten (Beispiele in den nächsten Abschnitten)
- Kontakt aufnehmen
- Vorgehen erfragen
- Kaufentscheidung treffen
1. Projektziele Definieren
Was macht ein KI-Projekt aus?
Wenn man ein Künstliche Intelligenz in seinem Unternehmen einsetzen will, sollte man sich klar machen, warum man diese Technologie verwenden will. Es gibt sehr viele konventionelle Technologien, die durch aus gute Ergebnisse liefern können z.B. regelbasierte Systeme mit einfachen „Wenn XY, dann ABC.“ Formulierungen.
Warum sollte man mit Kanonen auf Spatzen schießen?
Künstliche Intelligenz und Machine Vision bieten sich überall da an, wo:
- Komplexe Zusammenhänge erkannt werden müssen
- Regelbasierte Ansätze nicht mehr skalierbar sind
- Viele digitale Daten verfügbar sind oder beschafft werden können
Komplexe Zusammenhänge sind bspw. Qualitätsstatuten und Fehlermerkmale auf einem Bauteil. Man kann bisher schlecht alle Eventualitäten in Regeln verpacken. Der Mensch müsste dazu alle Eventualitäten kennen. Stellen Sie sich vor, sie wollten Regel programmieren, die menschliche Gesichter erkennen – eine Paradedisziplin für Künstliche Intelligenz. Wie viele Regeln wollen Sie schreiben? Was ist, wenn das Gesicht durch eine Pflanze leicht verdeckt ist? Was ist, wenn es nur eine Reflexion auf einer Scheibe ist und dadurch verzerrt? Heutzutage sind auch immer mehr Mund-Nasenbedeckungen anzutreffen. Wie beschreiben Sie diese als Regel?
Eine Künstliche Intelligenz lernt anhand von Beispielen, je mehr gute Beispiele Sie haben desto besser kann die KI lernen.
Grundsätzlich kann man einer KI das beibringen, was der Mensch kann oder was er sich vorstellen kann. Man trainiert sie anhand von Daten. Diese Daten müssen eine ausreichende Qualität haben und bestimmte Anforderungen erfüllen.
Erfahren Sie mehr zu Künstlicher Intelligenz in unserem FAQ.
Welche KI-Projekt Arten gibt es?
Es gibt unzählige Arten von KI-Projekten in diversen Branchen. Meist versucht man, neue komplexe Zusammenhänge zu erkennen und qualifizierte Entscheidungen zu treffen oder Vorhersagen zu machen (z.B. Statistiken im Marketing oder Auftragsdaten eines Unternehmens) oder eine Form von Automatisierung zu erreichen (z.B. bei der Kommunikation mit Kunden oder der Inspektion von Bauteilen in der Qualitätssicherung).
Dabei spielen diverse Anforderungen und Kriterien eine Rolle wie bspw.
- Einfluss auf Unternehmensstrategie (z.B. Neugeschäft erschließen oder bestehenden Prozess besser machen?)
- Einfluss auf den Unternehmensprozess (z.B. was muss am Prozess verbessert werden?)
- Automatisierungsgrad (z.B. wie läuft der Prozess bisher ab?)
- Zeit (z.B. die Auswertung darf maximal 1 Sekunde dauern)
- Genauigkeit (z.B. es darf max. 5% Schlupf geben)
- Return-On-Invest (z.B. Projekt wird aus F&E-Budget finanziert oder Lösung wird in Prozesskosten eingerechnet)
Da wir uns als Unternehmen im industriellen Umfeld mit Bilddaten beschäftigen, haben wir eine Checkliste für Machine Vision Projekte erstellt. Diese kann in vielen Punkten jedoch auf beliebige KI-Projekte abstrahiert werden und veranschaulicht, welche Fragen aufkommen können.
Kostenlose Checkliste
mit 24 Fragen.
Ist Ihr Unternehmen bereit für KI & Machine Vision Projekte?
2. Recherche nach KI Anbietern und Dienstleistern starten
Worauf sollte ich bei der Auswahl eines KI-Anbieters achten?
Es gibt viele Anbieter und Dienstleister von , die einen bei der Umsetzung unterstützen können. Die Schwierigkeit ist es, den passenden zu finden. Häufige Fragen sind:
Wie seriös ist der Anbieter?
Prüfen Sie Referenzen oder die Social Media Präsenz. Gibt es ein vernünftiges Impressum? Welchen Eindruck macht die Internetseite? Sie wollen schließlich Ihr Problem lösen, wenn dieser erste Eindruck bereits nicht stimmt, können Sie sich Zeit und Geld sparen.
In welchen Branchen ist der Anbieter tätig?
Wie weit ist die Branche entfernt von Ihrem Kerngeschäft? Bietet er etwas genau für Ihre Branche an? Gibt es Beispielprojekte, die Ihrem Anwendungsfall ähnlich sind? Hat der Anbieter bereits Daten für den Anwendungsfall? Sie benötigen einen Partner, der entweder schon Erfahrungen hat, oder sich der Herausforderung bewusst ist, dass neue Anwendungsfälle sich nicht „über Nacht“ lösen lassen.
Was umfasst das Leistungsspektrum?
Bei KI-Projekten fängt es mit der Datenaufnahme an und endet mit der Integration. Bei welchen Schritten kann Ihnen der Anbieter behilflich sein. Gibt es Partnerunternehmen, die dabei helfen?
Welche Unklarheiten gibt es?
Der perfekte Partner muss nicht für alles sofort eine Lösung haben. Im KI-Umfeld ist es sowieso schwierig von absoluten Lösungen zu sprechen. Ein Anbieter für KI sollte antizipieren können, welche Herausforderungen Sie haben. Was wollen Sie bspw. mit einem KI-Modell für eine Bilderkennung, wenn der Rest des Prozesses analog ist und man später daran scheitert, die Lösung zu integrieren.
Wo finde ich den besten Anbieter oder Dienstleister für Künstliche Intelligenz?
Das Internet oder Branchenverbände bieten viele Möglichkeiten, um erste Kandidaten zu identifizieren. Obwohl mittlerweile mehrere Anbieter für KI am Markt sind, finden Sie diese noch nicht so gut wie einen Handwerker oder ein Restaurant.
Diese folgende Liste erhebt keinen Anspruch auf Vollständigkeit, bietet jedoch einen guten ersten Überlick:
Plattformen und Verzeichnisse für KI-Anbieter
KI.NRW Landkarte
Vom Land NRW gefördertes Verzeichnis für Anwender und Anbieter von Künstlicher Intelligenz.
Lernende Systeme – Die Plattform für Künstliche Intelligenz
Vom Bund gefördertes Verzeichnis und Informationsplattform für Anwender und Anbieter von Künstlicher Intelligenz.
Feedbax – B2B Branchenlisten
Bietet eine Liste von Dienstleitern, die Künstliche Intelligenz im Leistungsspektrum haben inklusive Google Bewertungen.
EMVA – European Machine Vision Association – Verzeichnis
Eine europäischer Verband von Machine Vision Anbietern und Anwendern, der Weiterbildungen und Messen anbietet.
VDMA – Verzeichnis
Die Studie „Startup-Radar: Künstliche Intelligenz – Navigator durch die globale KI-Startup-Szene für den Maschinen- und Anlagenbau“ ist exklusiv für Mitglieder unter future@vdma.org anzufragen. Mehr Informationen finden Sie hier.
IDS-Visionbay – KI Marktplatz
Marktplatz für Machine Vision Anwendungen des Hardwareherstellers IDS.
Allgemeine Softwarelösungen für KI
sentin EXPLORER – Software
Werkzeug, um digitale/visuelle Prüfprozesse mit KI & Computer Vision zu automatisieren.
IBM Watson – Software
Das KI-Ökosystem von IBM z.B. für Text-oder Spracherkennung.
Adobe Sensei – Software
Software für Marketinganalysen und Bildbearbeitung.
Salesforce Einstein – Software
Analysen von Vertriebs- und Servicedaten sowie Automatisierung von Vorgängen.
Splunk – Software
Analysen von Zeitreihen und statistischen Daten.
Freelancer für KI und Sonstiges
Fiverr – Internationale Freelancer
Diese Plattform lässt Sie direkt mit internationalen Talenten zusammenarbeiten. Diese erstellen sog. Gigs (Pakte für Aufträge), aber auch personalisierte Angebote.
UpWork – Internationale Freelancer
Diese Plattform lässt Sie ebenfalls direkt mit internationalen Talenten zusammenarbeiten und zeigt Erfolgsraten und stündliche Preise.
LinkedIn Gruppe – Artificial Intelligence, Deep Learning, Machine Learning
Diese LinkedIn Gruppe hat über 400.000 Mitglieder und beschäftigt sich mit Künstlicher Intelligenz vielen Facetten. Vielleicht finden Sie unter den Mitgliedern eine Person oder eine Firma, die Ihnen helfen kann.
LinkedIn Gruppe – Future Technology: Artificial Intelligence, Robotics, IoT […]
Diese LinkedIn Gruppe hat über 170.000 Mitglieder und beschäftigt sich mit Künstlicher Intelligenz und vielen anderen Zukunftstechnologien. Vielleicht finden Sie unter den Mitgliedern eine Person oder eine Firma, die Ihnen helfen kann.
3. Kontakt mit KI-Anbieter aufnehmen
Welche Informationen braucht ein KI-Anbieter?
Angenommen Sie haben nun eine Auswahl getroffen. Nun stellt sich die Frage, welche Informationen Ihr Gegenüber benötigt. Häufig bietet sich ein gemeinsamer Kennenlerntermin an – je nach Komplexität und Anforderungen.
Der erste Temin
Hier sollte eine kurze Vorstellung beider Seiten stattfinden. Ein guter Anbieter wird versuchen, so viele Informationen zu dem Projekt von Ihnen zu erhalten wie möglich, um ein optimales Verständnis zu erhalten. Redeanteile können z.B. 70% Sie und 30% der Anbieter haben. Sie sollten den Termin nutzen, um Ihr Problem zu schildern und Fragen zum Vorgehen zu stellen.
Um besser auf häufige Fragen vorbereitet zu sein und Ihnen einen Eindruck zu geben, was ein Anbieter berücksichtigen muss, haben wir eine kostenlose Checkliste erstellt. Diese ist zwar stark auf eine industrielle Anwendung angelehnt, sollte Ihnen dennoch einen Einblick geben, welche Punkte geklärt sein sollten.
Kostenlose Checkliste
mit 24 Fragen.
Ist Ihr Unternehmen bereit für KI & Machine Vision Projekte?
4. Vorgehen des KI-Anbieters erfragen
Welche Schritte sind Teil eines KI-Projektes?
Die meisten KI-Projekte starten bei der Datenaufnahme und enden bei der Integration der Lösung in die Unternehmensprozesse. Häufig ist ein hoher Individualisierungsaufwand notwendig, denn bisherige KI-Modelle lassen sich nur bedingt „recyclen“ und auf andere Anwendungsfälle übertragen.
Daher sind folgende Schritte häufig anzutreffen hier am Beispiel eines Machine Vision Systems in einer industriellen Produktion:
- Daten sammeln
- Prozessverständnis aufbauen
- Anforderungen an Hardware, Software, Geschwindigkeit und Genauigkeit
- Validierung planen (Wann ist die KI besser als der bisherige Prozess?)
- KI-Architektur planen – z.B. eine der folgenden:
- Object Detection
- Segmentation
- Classification
- Erfassungssystem planen
- Erfassungssystem in Betrieb nehmen
- Prozessverständnis aufbauen
- Datenaufbereitung
- Daten strukturieren und zusammenführen (z.B. aus verschiedenen Quellen)
- Daten annotieren und sortieren (Passen diese zur KI-Architektur?)
- Daten für Entwicklung & Training ablegen (Meist wird ein leistungsstarker Rechner benötigt)
- Qualität sicherstellen
- unbrauchbare Daten entfernen
- Ausreichende Menge vorhanden?
- Daten auf Varianz prüfen (Gibt es genug Beispiele?)
- Kompression vorhanden?
- Erstellung eines Trainings- und Validierungsdatensatzes
- Modelltraining
-
- Preprocessing entwickeln (z.B. mehrere Ansichten zusammenführen)
- Passende Augmentierung finden (z.B. Farb- & geometrische Veränderungen)
- Auswahl der Modell-Parameter (z.B. Loss-Funktion, Layer-Anzahl)
- Training des KI-Modells und ggf. Aufbau auf bestehendes Modell? (Transfer-Learning)
- Auswertung der Genauigkeit und Konvergenz der Ergebnisse sicherstellen
- Ggf. Parameterstudien durchführen
-
- Validierung der Ergebnisse & Erkennung
- Vergleich der KI-Performance mit bisherigem Prozess
- Neue Daten einspielen und testen
- (Optional) Zusätzliche Auswertungsanforderungen abdecken
- Abbildung von Normen oder ISO Standards (KI erkennt einen Kratzer, aber ist dieser noch tolerierbar?)
- Abbildung von internen Richtlinien zur Qualitätsbewertung
- Integration
- Auswertungssystem mit Erfassungssystem koppeln
- KI-Modell integrieren
- Kopplung mit anderen Systemen (z.B. um Ausschuss auszusortieren)
- Test in Produktivumgebung
- Monitoring
- Einspielen der System-Entscheidungen in Archiv
- Statistiken und Auswertungen zur Performance und historischen Daten
- Kritische Fälle identifizieren und neue Einblicke generieren
- Anpassung und Nachtraining, falls Genauigkeit sinkt oder Prozessparameter sich ändern – Das Betreiben und Optimieren eines KI-Modells ist meist ist ein iterativer Prozess (zurück zu Schritt 2).
Ungefähr 80% eines KI-Projektes macht die Aufbereitung der Daten aus.
Manchmal bietet es sich an, mit einem kleineren Anwendungsfall zu starten, um zu überprüfen, ob der Einsatz von KI erfolgversprechend ist. Die Ergebnisse aus diesem Mini-Projekt sollten dann als Indikator dienen, ob das Thema weiterverfolgt wird oder vielleicht der Anbieter gewechselt werden sollte. Wichtig ist, dass Sie Ihren aufbereiteten Datensatz wiederverwenden können.
Seien Sie vorsichtig bei Anbietern, die Ihnen direkt die perfekte Lösung anbieten, ohne einen Blick auf Ihre Daten geworfen zu haben.
5. Kaufentscheidung treffen
Welches Zusammenarbeitsmodell ist das richtige?
Wie lässt sich ein Return-On-Invest (ROI) für KI ermitteln?
Viele Kaufentscheidungen werden anhand von ROIs getroffen. Leider ist die Investition in Künstliche Intelligenz und ihr Nutzen oder Computer Vision nicht von Anfang an eindeutig quantifizierbar.
Ein klassisches Zusammenarbeitsmodell als einmalige Anschaffung eines Systemes – wie in den folgenden Abschnitten vorgestellt – kann jedoch zum Risiko werden, da sich einige Faktoren schwierig abschätzen lassen.
Softwarelösungen können attraktivere Modelle bieten, da Sie ungeplante Kosten durch ihren Funktionsumfang minimieren können. Diese Lösungen kombinieren eine Ramp-Up-Phase mit kontinuierlichen Zahlungsmodellen – wie man es von ERP- oder anderen Enterprise-Software-Lösungen kennt.
Klassischer Ansatz – einmalige hohe Anschaffungskosten (nur bedingt anwendbar)
Einspar- oder Gewinnpotential können z.B. Prüfkosten (Personalkosten, Ausschuss, Reklamationen, andere Fixkosten) oder angestrebter Neugeschäftsgewinn sein.
Die Investitionen eines Unternehmens lassen sich in vielen Bereichen z.B. über den Anschaffungspreis eines Systems qualifizieren. Wenn der Prozess aktuell 120.000€ im Jahr (also 10.000 im Monat) und das KI-System 60.000€ kostet, ist der ROI in 6 Monaten erreicht.
Was die klassische Betrachtung schwierig macht, sind Opportunitäts- (z.B. durch langsame Reaktionszeiten auf Störfälle oder die langsamere Inbetriebnahme), Folgekosten (z.B. neue Datenerfassung oder Kalibrierung) und die Zeit, bis das Systemeinsatz seine volle Performance ausschöpfen kann.
Wie zuvor erwähnt (im Abschnitt 1) bietet Künstliche Intelligenz großes Potential, um bisher ungelöste Anwendungsfälle zu lösen. Ebenso können KI-Ansätze mit zunehmender Datenmenge immer besser werden. Dies erfordert oft jedoch eine kontinuierliche Betreuung und Verbesserung des KI-Systems.
Unsicherheitsfaktoren: Überwachung der Systeme, Ausgaben für Nachkalibrierung und andere Wartungskosten, Kosten bei Systemausfällen, Zeit für Ramp-Up Phase, Verfügbarkeit von Fachkräften
Die klassische einmalige Anschaffung eignet sich nur bedingt, um KI-Projekte erfolgreich und kostengünstig durchzuführen.
Neuer Ansatz – kontinuierliches Modell
Ein Modell, das zunehmend Verbreitung findet, sind daher kostengünstigere, kontinuierliche Investitionen in (Self-) Service-Werkzeuge – wie man es von diversen ERP-Softwarelösungen kennt. Denn die hohen Anforderungen an ein KI-System machen ein Mitwirken der Domänen- oder Prozessexperten Ihres Unternehmens meist unersetzlich.
Was dieses Modell attraktiv macht, sind integrierte Funktionen, die ungeplante Kosten verringern. Wenn Sie eine Software nutzen, die kontinuierlich Daten aus dem Prozess sammelt, und Sie als Anwender diese direkt zur Nachkalibrierung nutzen können, brauchen Sie kein neues Dienstleistungsprojekt aufsetzen und sparen Zeit & Geld. Durch hoch standardisierte Schnittstellen und ein klares Vorgehensmodell, sind diese Systeme meist günstiger in der Anschaffung und schneller in Betrieb zu nehmen.
Betrachtet man ein KI-System als eine Art „digitaler“ Trainee, kann man Analogien aus dem Personalwesen heranziehen, um sich die Sache zu verdeutlichen. Damit dieser Trainee seine Aufgabe perfekt erfüllen kann, muss er zunächst geschult werden. Danach kann er seiner Aufgabe eigenständig nachgehen und braucht nur noch gelegentlich Verfahrensanweisungen.
Je nach Prozess, kann sich im Nachgang nämlich noch etwas ändern – z.B. wenn Sie eine Maschine Ihrer Fertigungslinie austauschen oder Ihre Kunden immer kleinere Fehlstellen reklamieren. Im besten Fall kann Ihr KI-System schnell angepasst werden – sogar ohne fremdes Mitwirken – und Sie greifen dazu auf eine in den Gesamtprozess integrierte Lösung zurück.
Unternehmen gehen zunehmend den Weg, dass Sie diese Kosten analog zu Wartungs- oder Personalkosten betrachten.
Dadurch steigen zwar die Fixkosten, jedoch reduzieren sich dann Kosten für Störfälle, ungeplante Ausgaben für Nachkalibrierung, Wartungskosten und sie bleiben zukunftssicher.
Fakt ist, dass Künstliche Intelligenz enormes Potential hat. Die Technologie ist jedoch momentan so komplex, dass klassische Bewertungskriterien und Normen sich für Investitionen und Projekte nicht immer 1 zu 1 darauf übertragen lassen.
Wir empfehlen daher, mit kleineren Schritten zu starten und einen Anbieter zu wählen, der KI-Projekte ganzheitlich und strukturiert betrachtet. KI-Lösungen von der Stange sind bisher selten und Systeme, die einmal entwickelt werden und dann „fertig“ weiterlaufen sind eher die Ausnahme.
Wie sieht ein Beispielszenario für ein KI-Projekt aus?
Damit Sie sich ein Bild machen können, wie sich KI-Projekte entwickeln können, sind in der folgenden Abbildung beide Modelle gegenübergestellt und in einem Beispielszenario veranschaulicht. Es wird eine Zeitperiode von ca. 2 Jahren nach Inbetriebnahme betrachtet. Die Anschaffungskosten der einmaligen Investition (Betrieb A) sind wie zu erwarten höher und zeitlich verzögert, da individueller. Das kontinuierliches Modell ist zunächst günstiger in der Anschaffung startet aber mit höheren Fixkosten (bei Betrieb B).
Normalbetrieb
Bereits im ersten Zeitabschnitt wird deutlich, dass das kontinuierliche Modell einen schnelleren Übergang in den Normalbetrieb ermöglichen kann, weil z.B. auf Standardlösungen zurückgegriffen wurde und weniger individualisiert werden musste. Gegen Mitte des 1. Jahres tritt nun ein Störfall auf, der die Performance des KI-Systems beeinträchtigt. Eine Anpassung des KI-Systems ist notwendig.
In diesem Beispiel wurde das KI-System bei der einmaligen Anschaffung (Betrieb A) hochindividuell auf den Anwendungsfall angepasst und neue Schnittstellen entwickelt. Dabei wurde vernachlässigt, dass der Betrieb ein kontinuierliches Überwachen der Systemperformance benötigt und die Daten im laufenden Betrieb wurden nicht richtig archiviert.
Beim kontinuierlichen Modell (Betrieb B) wurde dies direkt antizipiert, da ein KI-System als lernendes System betrachtet wurde. Ein Mitarbeiter von Betrieb B überprüft die Performance und Genauigkeit einmal pro Woche und kann sofort nachkalibrieren, wenn etwas aus dem Ruder läuft.
Der erste Störfall
Nun ist der erste Störfall aufgetreten. Bei der einmaligen Anschaffung (Betrieb A) wird nun der KI-Anbieter kontaktiert. Dieser schickt einen Mitarbeiter und es muss ähnlich wie beim Start des KI-Projektes mit der Prozessanalyse begonnen werden und entsprechend Daten erfasst werden. Im schlimmsten Fall startet das Projekt fast bei null, weil die Daten nicht richtig archiviert wurden.
Beim kontinuierlichen Modell (Betrieb B) wurden bereits Daten gesammelt und die Performance beobachtet. Ggf. wurde schon im laufenden Betrieb gelegentlich vom Unternehmen selbst nachkalibriert, da es parallel zu anderen Prozessparametern immer die Genauigkeit des Systems beobachtet hat. Der Einfluss des Störfalls fällt dadurch wesentlich geringer aus und es kann schneller darauf reagiert werden.
Während bei Betrieb B in kurzer Zeit wieder zum Normalbetrieb übergegangen werden kann, steigen die Kosten bei Betrieb A und die Anpassung zieht sich in die Länge.
Der zweite Störfall
Nach einiger Zeit ändert sich wieder etwas am Prozess und eine neue Anpassung wird notwendig. Bei Betrieb B (kontinuierliches Modell) ist bereits wieder Normalbetrieb eingekehrt, dieser kann darauf wie gehabt schnell und kostengünstig reagieren.
Bei Betrieb A (einmalige Anschaffung) war man gerade wieder auf dem Weg in den Normalbetrieb, als der zweite Störfall auftritt. Dadurch verschlimmert sich das Problem, die Kosten steigen erneut und der Normalbetrieb verzögert sich erneut.
Fazit
Dieses Beispiel zeigt, warum Standardwerkzeuge und kontinuierliche Verbesserungen für den Einsatz von Künstlicher Intelligenz wichtig sind. Die kontinuierliche Nutzung einer Selfservice-Software hat Betrieb B einen reibungsloseren Ablauf ermöglicht und die Kosten gering gehalten.
Wie behält man den Überblick bei KI-Projekten?
Wenn man sich nun vor Augen führt, wie viele Anbieter es für Künstliche Intelligenz gibt, wie eins klar: es ist nicht einfach den richtigen Partner zu finden. Die Umsetzung eines KI-Systems ist die eine Sache – der kosteneffiziente Betrieb ein anderer.
Die in Abschnitt 4 vorgestellten Schritte sind nicht als abgeschlossener Prozess zu sehen, sondern als iterativer Plan, um ein System robuster und genauer zu machen – ähnlich wie ein Mensch der sich kontinuierlich verbessert.
Wichtig ist daher, dass Ihr Partner für KI-Projekte ein strukturiertes Vorgehen anbietet und Sie dort abholt, wo Sie stehen – ohne Ihnen das blaue vom Himmel zu versprechen. Klären Sie vorab:
- Wie Sie das System validieren können
- Wie Sie das System überwachen können
- Wie Sie das System anpassen können
Sind diese 3 Punkte geklärt, behalten Sie auch den Überblick über Ihr Projekt und das eingesetzte KI-System.
Wenn Sie Interesse daran haben, wie wir diese 3 Punkte und ganze KI-Systeme behandeln, sehen Sie sich den sentin EXPLORER an.
Wir glauben daran, dass Sie mit dem richtigen Werkzeug kostengünstig und langfristig erfolgreich Künstliche Intelligenz in Ihrem Unternehmen einsetzen können.
Die perfekte Begleitung für Ihr Computer Vision Projekt.
Wenn Sie ein allgemeines Interesse an KI oder Computer Vision haben, schauen Sie sich auch gerne einmal unsere anderen Artikel an:
Häufig gestellte Fragen – KI-Basiswissen
Die Top 7 Computer Vision (KI) Anwendungsfälle
Maximilian Topp
Guide: KI-fähige ZfP-Infrastruktur
Seit Jahren haben sich die Hardware- und Software-Tools in der zerstörungsfreien Prüfung (ZfP) Schritt für Schritt verbessert. Mit dem Aufkommen der Künstlichen Intelligenz (KI) und
Der ZfP 4.0 Guide – Alles, was Sie wissen müssen.
Die Industrielle Revolution ist weitestgehend bekannt. In diesem Artikel geht es jedoch um die vierte Revolution der zerstörungsfreien (Werkstoff-) Prüfung, der sog. ZfP 4.0. Behandelt
Was ist ein PACS in der ZfP & NDT?
Das PACS ist aus der zerstörungsfreien Prüfung (ZfP oder Non-Destructive Testing – NDT) nicht mehr wegzudenken. Was schon seit Jahren Standard in der Medizintechnik (unter dem Stichwort