KI-Modelle in Wochen statt Monaten entwickeln: Die IT von Siemens setzt für künstliche Intelligenz auf die Cloud-Plattform Azure

Die Herausforderung: Einen Standard für KI-Modelle festlegen

Digitale Lösungen auf Basis von künstlicher Intelligenz können so viel: Sie lesen Meta-Daten aus PDF-Dokumenten unkompliziert aus und nutzen sie, um entlang von Zeitreihen Prognosen zu erstellen. Sie erkennen Saisonalitäten – zum Beispiel eine gesteigerte Nachfrage nach Produkten um die Weihnachtszeit – und vereinfachen so die Produktions- und Verkaufsplanung. Per automatischer Bildanalysen erkennen sie Schäden an Produkten und vereinfachen so das Retourenmanagement. Aus eingehenden Rechnungen liest KI automatisch alle relevanten Rechnungsdaten aus, speist sie in die Finanzsysteme des Unternehmens ein und beschleunigt die Bearbeitung. Kurzum: Mit KI werden Prozesse effizienter und Mitarbeitende von eintönigen, zeitintensiven Aufgaben befreit. Doch die Entwicklung solcher Lösungen funktioniert nur dann optimal, wenn der zugrundeliegende Prozess so einfach wie möglich ist. Zwischen der Idee und der Bereitstellung der Lösung sollte nicht viel Zeit liegen.

Die Siemens IT setzte bereits auf unterschiedliche KI-Lösungen. Um diese zu entwickeln, hatten sie schon feste Prozesse zur Entwicklung von KI-Lösungen etabliert. Doch die Siemens IT wollte hier noch besser werden: Hatten Fachbereiche früher Ideen für Lösungen gefunden, die ihnen helfen könnten, Geschäftsprozesse zu beschleunigen, mussten sie diese erst den Data Analyst*innen verständlich machen und spezielles Domänenwissen übermitteln. Dabei fehlte im Fachbereich wiederum das Verständnis für die Funktionsweise von KI und den Data Analyst*innen das richtige, benutzerfreundliche Werkzeug, um die Ideen der Fachbereiche umzusetzen. Eine standardisierte Sprache, ein standardisierter Code, ebenso wie zentrale, wiederverwendbare Bausteine für KI-Modelle gab es nicht. Dr. Ioannis Petrakis ist IT Principal Key Expert Data Analytics & AI bei Siemens IT und verstand diese Herausforderung bestens: „Mit jedem neuen KI-Modell haben wir früher das Rad ein ums andere Mal neu erfunden. Bei der Entwicklung wurden viele Sachen mehrmals gemacht, die es nicht gebraucht hätte – zum Beispiel Konfigurationen. Wir haben keine Bausteine genutzt, sondern jedes Mal erneut tausende Zeilen Code geschrieben.“ Von der Idee bis hin zum fertigen KI-Modell gingen oft mehrere Monate ins Land – viel zu lange, um schnell wichtige Lösungen zur Verfügung zu stellen. Das Ziel von Petrakis und seinem Team: Eine Plattform entwickeln, die zum einen den Data Analyst*innen ein breites Spektrum an einheitlichen KI-Services bietet. Und zum anderen eine Umgebung schaffen, in der sich die Expert*innen der Fachbereiche – wie Finanzen und Logistik – im Bereich Data Analytics und KI ausprobieren können, um Wissen, Erfahrung und ein besseres Verständnis über künstliche Intelligenz aufzubauen. Im Jahr 2021 ging bei Siemens deshalb die Initiative [ai:attack] live – eine Plattform speziell für die Entwicklung von KI-Modellen, die zu 100 Prozent auf Microsoft Azure basiert. 

Die Lösung: Eine KI-Plattform mit wiederverwendbaren Komponenten

Mit [ai:attack] hat sich die Bereitstellung von KI-Modellen enorm beschleunigt: Früher dauerte es mehrere Monate von der Idee bis zur ausgerollten KI-Lösung. Heute vergehen von der Idee bis zur fertigen Lösung nur wenige Wochen. Im Zentrum von [ai:attack] steht Azure Machine Learning. Von der Findung einer Idee bis hin zum schlussendlichen Go-Live eines neuen KI-Modells ermöglicht der Service einen standardisierten, einheitlichen Prozess. 

Mit dieser modularen Entwicklungsweise sind die Zeiten, in denen für jedes neue Modell tausende Zeilen Code geschrieben wurden, zu Ende. Dies erhöht sowohl die Effizienz des Prozesses als auch die Qualität des Codes. „Es ist ja nicht so, dass wir ein Modell entwickeln und es bleibt dann einfach produktiv“, erklärt Ioannis Petrakis. „Ein Code muss gewartet oder weiterentwickelt werden. Dadurch, dass wir einen einheitlichen Standard für jeden Code in KI-Modellen von Siemens entwickelt haben, sparen wir viel Aufwand.“ Um den Code von drei Projekten zu warten, brauchte es vorher drei Data-Analyst*innen. Heute kann das eine einzige Person übernehmen. 

Die hohe Standardisierung und Automatisierung haben den Entwicklungsprozess deutlich beschleunigt: Außerdem sind sowohl die Bereitstellung der Infrastruktur als auch deren Design heute sehr einfach – denn Referenzarchitekturen stehen direkt in der Plattform zur Verfügung, passend zu jedem möglichen Modell.