Die Einbindung einer/s Studierenden beginnt häufig in der Phase der Datenvorbereitung und -aufbereitung. Hier können Studierende Datenquellen recherchieren und relevante Daten sammeln. Sie arbeiten an der Datenbereinigung, indem sie Fehler korrigieren, fehlende Werte behandeln und die Daten in ein geeignetes Format bringen. Zudem können sie durch Feature Engineering neue Merkmale aus bestehenden Daten extrahieren, die die Leistung von KI-Modellen verbessern können. Das Ziel hierbei ist, eine qualitativ hochwertige und umfassende Datengrundlage zu schaffen, die die Basis für das Modelltraining bildet.

In der Modellierungs- und Algorithmenentwicklungsphase können Studierende ebenfalls ihren Beitrag leisten. Sie können aktuelle wissenschaftliche Artikel und Forschungsergebnisse analysieren, um relevante Methoden und Algorithmen zu identifizieren. Dabei helfen Prototypen zu entwickeln, erste Ergebnisse zu erzielen und verschiedene Ansätze zu testen. Auch das Hyperparameter-Tuning, das Experimente zur Optimierung der Modelle umfasst, kann zu ihren Aufgaben gehören. Das Ziel ist es, leistungsfähige Modelle zu entwickeln, die die Projektanforderungen erfüllen.

Die Evaluierung und Validierung der Modelle ist ein weiterer wichtiger Bereich, in dem Studierende einen Beitrag leisten können. Sie bewerten Modelle mithilfe von Metriken wie Genauigkeit, Präzision, Recall und F1-Score. Durch die Anwendung von Techniken wie Kreuzvalidierung überprüfen sie die Generalisierbarkeit von Modellen und analysieren die Ergebnisse, um Schwächen zu identifizieren. Ziel ist es, die Modelle auf ihre Praxistauglichkeit und Zuverlässigkeit hin zu prüfen.

Eine wichtige Rolle können Studierende bereits in der Zielformulierung eines KI-Projekts einnehmen. Durch die Zusammenarbeit mit Geschäftsanalysten, Produktmanagern und weiteren Stakeholdern können sie helfen, die geschäftlichen Herausforderungen oder Marktchancen zu identifizieren, die durch den Einsatz von KI-Technologien adressiert werden können. Sie können bei der Definition klarer, messbarer und erreichbarer Ziele für das Projekt unterstützen und komplexe Anforderungen in technisch machbare Lösungen umsetzen. Das Ziel ist es, eine präzise und praxisorientierte Grundlage für das gesamte Projekt zu schaffen.

Dokumentation und Präsentation sind ebenfalls wesentliche Aufgabenfelder. Studierende können die durchgeführten Arbeiten und erzielten Ergebnisse in Berichten dokumentieren. Ihre Erkenntnisse und Vorschläge präsentieren sie dann in Form von Präsentationen, um das Projektteam und andere Stakeholder zu informieren. Eine gut strukturierte Code-Dokumentation trägt zudem zur Nachvollziehbarkeit und Wartbarkeit der entwickelten Lösungen bei. Das Ziel ist es, die Transparenz und Verständlichkeit des Projektfortschritts sicherzustellen.

Technische Unterstützung ist ein Bereich, in dem Studierende ebenfalls tätig werden können. Sie implementieren bekannte Algorithmen und nutzen KI-Tools und Frameworks wie TensorFlow, PyTorch oder scikit-learn. Zudem gehört das Testen und Debugging ebenfalls zu ihren Aufgaben, um den Code zu überprüfen und Fehler zu beheben. Ziel ist es, technische Herausforderungen zu bewältigen und stabile Lösungen zu gewährleisten.

Teamarbeit und Zusammenarbeit sind entscheidend für den Erfolg von KI-Projekten. Studierende können den Code und die Dokumentation ihrer Teammitglieder überprüfen und konstruktives Feedback geben. Sie nehmen an Brainstorming-Sitzungen teil und bringen neue Ideen und Perspektiven ein. Durch regelmäßige Kommunikation mit anderen Teammitgliedern stellen sie sicher, dass alle auf dem gleichen Stand sind. Ziel ist es, eine produktive und kooperative Arbeitsumgebung zu fördern.

Die kontinuierliche Betreuung und Überwachung der entwickelten Lösungen sind entscheidend für deren langfristige Relevanz und Leistungsfähigkeit. Studierende tragen dazu bei, dass die KI-Modelle auch in einem dynamischen Umfeld weiterhin effektiv und effizient bleiben. Sie nehmen notwendige Anpassungen vor, wenn sich die zugrunde liegenden Daten oder die Geschäftsumgebung ändern, um die Zielerreichung sicherzustellen. Ziel ist es, die langfristige Stabilität und Anpassungsfähigkeit der Modelle zu garantieren.

Untern Kapitel 1.1 wird die logische Abfolge bei der Festlegung von Projektzielen dargestellt.

Dieser Abschnitt beschreibt unter dem Kapitel 1.2 die praktische Anleitungen zur Umsetzung der definierten Ziele.

Dieses Kapitel beschreibt unter 1.3, wie Ziele umfassend und in Bezug auf verschiedene Aspekte, wie z.B. Ethik, Budget, Compliance, Governance, Datenschutzrichtlinien und Sicherheitsanforderung berücksichtigt werden.

Diese Abschnitte beschäftigen sich, unter dem Kapitel 1.3.2.1 bis 1.3.2.4, mit der detaillierten Untersuchung und Festlegung von Unternehmenszielen, Datenschutzrichtlinien und anderen wichtigen Unternehmensstandards, die die Basis für KI-Projektziele bilden.

Hier werden spezifische Ziele im Kontext von Datenanalyse und -modellierung definiert und geplant, einschließlich der technischen Aspekte und Ressourcen.

Dieser Abschnitt behandelt, unter Kapitel 1.3.4.1 bis 1.3.4.2, wie Datenziele direkt an den Geschäftszielen ausgerichtet und integriert werden können, um eine kohärente Strategie zu gewährleisten.

Detaillierte Beispiele zu Datenzielen finden Sie unter Kapitel 1.4. Dort werden in realen Szenarien Projektziele mit zeitlichen Vorgaben und ihrem Anteil in % umgesetzt dargestellt.

Unter Kapitel 1.5 finden Sie ebenfalls Fallbeispiele zur Analyse, Modellierung und Algorithmen. Diese werden ausgiebig dargestellt um Ihnen die Bandbreite der Möglichkeiten darzulegen.

Sofern Sie einen tieferen Einblick in die Ausführung der Zielformulierung, zur Analyse, Modellierung und den Algorthmen haben möchten, empfehlen wir Ihnen unser Buch Zielformulierung in KI-Projekten - Teil 2. Hier haben wir für Sie eine Vielzahl an Fallbeispielen, zu Branchen, Anwendungen und Lösungen, erarbeitet.