AI-engineering: AI echt maken

Er zijn maar weinig technologieën die tegenwoordig zoveel hype, opwinding en angst veroorzaken als kunstmatige intelligentie (AI). De niet-ingewijden geloven dat algemene AI voor de deur staat en maken zich zorgen dat Skynet het binnenkort zal overnemen. Zelfs onder degenen die de technologie begrijpen, is er verbazing en opwinding over de dingen die we nu al kunnen en veel voorspelling over wat er nog gaat gebeuren.

De realiteit is natuurlijk veel minder mooi dan de overtuigingen waarmee we allemaal rondlopen. Niet omdat de technologie niet werkt, want dat doet het in verschillende of zelfs veel gevallen, maar omdat het uitrollen van een machine learning (ML) of deep learning (DL) model in productiekwaliteit, industriesterke implementaties een aanzienlijke technische uitdaging blijft. Bedrijven zoals Peltarion helpen bij het aanpakken van een aantal van deze uitdagingen en doen hun werk uitstekend.

Vanuit een end-to-end perspectief hebben we in ons onderzoek een agenda ontwikkeld met als doel een uitgebreid overzicht te geven van de onderwerpen die moeten worden aangepakt bij de overgang van de experimenteer- en prototypefase naar de implementatie. Deze agenda is gebaseerd op meer dan 15 casestudies waarbij we betrokken zijn geweest en meer dan 40 problemen en uitdagingen die we hebben geïdentificeerd.

De onderzoeksagenda voor AI-engineering ontwikkeld in het Software Center

De onderzoeksagenda volgt het typische datawetenschapsproces met vier fasen: het verkrijgen van de gegevens, het creëren en ontwikkelen van het model, trainen en evalueren en vervolgens de inzet. Voor generieke AI-engineering identificeren we voor elk van de fasen de primaire onderzoeksuitdaging met betrekking tot architectuur, ontwikkeling en proces. Deze uitdagingen hebben vooral te maken met het goed beheren van data, gefedereerde oplossingen, het waarborgen van de verschillende kwaliteitsattributen, het integreren van ML/DL-modellen in de rest van het systeem, monitoring tijdens operaties en infrastructuur.

Naast de generieke AI-engineeringuitdagingen erkennen we dat verschillende domeinen hun eigen unieke uitdagingen hebben. We identificeren de belangrijkste uitdagingen voor cyberfysische, veiligheidskritische en autonoom verbeterende systemen. Bij cyberfysische systemen gaat het, zoals te verwachten, om het beheer van vele exemplaren van een systeem dat in het veld bij klanten wordt ingezet. Voor veiligheidskritische systemen zijn verklaarbaarheid, reproduceerbaarheid en validatie belangrijke aandachtspunten. Tot slot vereisen autonoom verbeterende systemen de mogelijkheid om hun eigen gedrag te monitoren en te observeren, alternatieve oplossingen te genereren voor experimenten en een balans te vinden tussen exploratie en exploitatie.

Concluderend: voor het bouwen en implementeren van ML/DL-systemen van productiekwaliteit en industriekwaliteit is AI-engineering als discipline nodig. Ik heb uiteengezet wat volgens ons in onze onderzoeksgroep de belangrijkste onderzoeksuitdagingen zijn die moeten worden aangepakt om meer bedrijven in staat te stellen de overstap te maken van experimenteren en prototypen naar implementatie in de echte wereld. Deze post is slechts een samenvatting op hoog niveau van het werk dat we doen in het Software Center, maar je kunt kijken en lezen of contact met me opnemen als je meer wilt weten.