Kunden und Stakeholder wollen keine Überraschungen.

Was sie erwarten, ist Klarheit, konsistente Kommunikation und Transparenz. Sie wollen Ergebnisse, aber sie möchten auch, dass Sie als Entwickler oder Produktmanager mit den Zielen des Projekts geerdet bleiben und in Einklang stehen. Ebenso wichtig, dass sie eine volle Sicht in den Prozess haben.

In diesem Weblog -Beitrag werde ich praktische Prinzipien und Tipps teilen, um KI -Projekte auf dem Laufenden zu halten. Diese Erkenntnisse stammen aus über 15 Jahren Verwaltung und Bereitstellung von KI -Initiativen und sind ein Observe -up in meinem Weblog -Beitrag.Tipps zum Festlegen der Erwartungen in KI -Projekten”.

Bei der Arbeit mit KI -Projekten ist Unsicherheit nicht nur ein Nebeneffekt, sondern die gesamte Initiative.

Gibt es einen anderen Tipp, den Sie für die Freigabe related finden? Schreiben Sie es in die Kommentare oder können Sie mich über mich kontaktieren, indem Sie mich über kontaktieren LinkedIn!

AI -Projekt zum Erfolg, das Mastering -Erwartungsmanagement steht an erster Stelle.

Bei der Arbeit mit AI -Projets ist Unsicherheit nicht nur ein Nebeneffekt, sondern die gesamte Initiative.

Die meisten Menschen, die von KI -Projekten betroffen sind, verstehen nicht vollständig, wie KI funktioniert oder dass Fehler nicht nur unvermeidlich, sondern tatsächlich ein natürlicher und wichtiger Bestandteil des Prozesses sind. Wenn Sie zuvor an AI -Projekten beteiligt waren, haben Sie wahrscheinlich gesehen, wie die Dinge schnell schief gehen können, wenn die Erwartungen nicht eindeutig mit den Stakeholdern festgelegt sind.

In diesem Beitrag werde ich praktische Tipps teilen, um die Erwartungen zu verwalten und Ihr nächstes KI-Projekt auf dem richtigen Weg zu halten, insbesondere in Projekten im Bereich B2B (Enterprise-to-Enterprise).

(Selten) versprechen Leistung

Wenn Sie die Daten, die Umgebung oder sogar das genaue Ziel des Projekts noch nicht kennen, ist die vielversprechende Leistung im Voraus eine perfekte Möglichkeit, um einen Ausfall zu gewährleisten.

Sie werden wahrscheinlich die Marke verpassen oder schlechter angeregt, fragwürdige statistische Tips zu verwenden, um die Ergebnisse besser aussehen als sie.

Ein besserer Ansatz ist es, Leistungserwartungen zu diskutieren Nur danach Sie haben die Daten gesehen und das Drawback eingehend untersucht. Bei Dayaredata fügt eine unserer Hauptpraktiken a hinzu „Part 0“ Projekte. Diese frühe Part ermöglicht es uns, mögliche Richtungen zu untersuchen, die Machbarkeit zu bewerten und eine potenzielle Foundation zu etablieren, bevor der Kunde das Projekt offiziell genehmigt.

Ich empfehle nur, von Anfang an ein Leistungsziel zu verpflichten, wann:

• Sie haben das vollständige Vertrauen in und tiefes Wissen über die vorhandenen Daten.
• Sie haben das gleiche Drawback schon oft erfolgreich gelöst.

MAP -Stakeholder

Ein weiterer wesentlicher Schritt ist die Identifizierung Wer interessiert sich für Ihr Projekt von Anfang an. Haben Sie mehrere Stakeholder? Sind sie eine Mischung aus geschäftlichen und technischen Profilen?

Jede Gruppe hat unterschiedliche Prioritäten, Perspektiven und Erfolgsmaßnahmen. Ihre Aufgabe ist es, sicherzustellen, dass Sie allen von ihnen wichtig sind.

Hier Stakeholder Mapping wird wesentlich. Sie müssen ihre Ziele, Bedenken und Erwartungen erkennen. Und Sie maßen Ihre Kommunikation und Entscheidungsfindung während des gesamten Projekts in den verschiedenen Dimnsionen am meisten an.

Geschäftstakeholder sind sich möglicherweise am meisten um ROI und operative Auswirkungen, während sich die technischen Stakeholder auf Datenqualität, Infrastruktur und Skalierbarkeit konzentrieren. Wenn beide Seiten der Meinung sind, dass ihre Bedürfnisse nicht gerichtet werden, haben Sie es schwer, Ihr Produkt oder Ihre Lösung zu versenden.

Ein Beispiel aus meiner Karriere battle ein Projekt, bei dem ein Kunde eine Integration in eine Produktscanning-App benötigte. Von Anfang an battle diese Integration nicht garantiert, und wir hatten keine Ahnung, wie einfach es wäre, umzusetzen. Wir beschlossen, die Entwickler der App frühzeitig in das Gespräch zu bringen. Dann erfuhren wir, dass sie nur zwei Wochen später die genaue Funktion starten wollten, die wir bauen wollten. Dies spart dem Kunden viel Zeit und Geld und verschonte das Staff von der Frustration, etwas zu schaffen, das niemals verwendet werden würde.

Die probabilistische Natur von AI frühzeitig kommunizieren

Ai ist probabilistisch von Natur ausein grundlegender Unterschied zum traditionellen Software program -Engineering. In den meisten Fällen sind die Stakeholder nicht daran gewöhnt, an dieser Artwork von Unsicherheit zu arbeiten. Um zu helfen, können Menschen nicht intestine an Wahrscheinlichkeiten denken, es sei denn, wir wurden dafür geschult (weshalb sich Lotterien immer noch so intestine verkaufen).

Deshalb ist es wichtig für wichtig Kommunizieren Sie die probabilistische Natur von KI -Projekten von Anfang an. Wenn die Stakeholder deterministische, 100% konsistente Ergebnisse erwarten, verlieren sie schnell das Vertrauen, wenn die Realität nicht mit dieser Imaginative and prescient übereinstimmt.

Heute ist dies einfacher zu veranschaulichen als je zuvor. Generative KI bietet klare, relatable Beispiele: Selbst wenn Sie genau den gleichen Eingang geben, ist die Ausgabe selten identisch. Verwenden Sie Vorführungen frühzeitig und kommunizieren Sie dies aus dem ersten Treffen. Gehen Sie nicht davon aus, dass die Stakeholder verstehen, wie KI funktioniert.

Meilensteine einstellen

Meilensteine von Anfang an schrittweise einstellen. Definieren Sie vom ersten Tag an klare Kontrollpunkte im Projekt, bei dem die Stakeholder den Fortschritt bewerten und eine GO/No-Go-Entscheidung treffen können. Dies schafft nicht nur Vertrauen, sondern stellt auch sicher, dass die Erwartungen während des gesamten Prozesses ausgerichtet sind.

Erstellen Sie für jeden Meilenstein eine konsistente Kommunikationsroutine mit Berichten, zusammenfassenden E -Mails oder kurzen Lenktreffen. Ziel ist es, alle über Fortschritte, Risiken und die nächsten Schritte auf dem Laufenden zu halten.

Denken Sie daran: Stakeholder würden lieber schlechte Nachrichten frühzeitig hören, als im Dunkeln zu bleiben.

Lenken

Allein technische Metriken erzählen selten die ganze Geschichte Wenn es darum geht, was am wichtigsten ist: Geschäftseffekte.

Nehmen Sie zum Beispiel die Genauigkeit. Wenn Ihr Modell 60percentbewertet, ist das intestine oder schlecht? Auf dem Papier könnte es arm aussehen. Aber was ist, wenn jedes wahre Constructive erhebliche Einsparungen für die Organisation erzielt und falsch constructive oder gar keine Kosten haben? Plötzlich sehen die gleichen 60% sehr attraktiv aus.

Geschäftstakeholder überbetonieren häufig technische Kennzahlen, da sie für sie leichter zu verstehen sind, was zu fehlgeleiteten Wahrnehmungen von Erfolg oder Misserfolg führen kann. In Wirklichkeit, Die Kommunikation des geschäftlichen Werts ist weitaus leistungsfähiger und leichter zu verstehen.

Konzentrieren Sie sich nach Möglichkeit Ihre Berichterstattung über geschäftliche Auswirkungen und überlassen Sie die technischen Metriken dem Knowledge Science -Staff.

Ein Beispiel aus einem Projekt, das wir in meinem Unternehmen gemacht haben: Wir haben einen Algorithmus zur Erkennung von Gerätenausfällen erstellt. Jeder korrekt identifizierte Fehler sparte das Unternehmen über 500 € professional Werk. Jedes falsch constructive Constructive stoppte die Produktionslinie jedoch länger als zwei Minuten und kostete durchschnittlich rund 300 €. Da die Kosten für ein falsches Positiv erheblich waren, konzentrierten wir uns auf die Optimierung für die Optimierung Präzision anstatt Genauigkeit zu treiben oder höher zu erinnern. Auf diese Weise haben wir unnötige Unterbrechungen vermieden und gleichzeitig die wertvollsten Fehler erfasst.

Unternehmensstakeholder überbetonieren häufig technische Metriken, da sie leichter zu verstehen sind, was zu fehlgeleiteten Wahrnehmungen von Erfolg oder Misserfolg führen kann.

Szenarien der Interpretierbarkeit präsentieren

Genauere Modelle sind nicht immer interpretierbarerUnd das ist ein Kompromiss, der vom ersten Tag an verstehen muss.

Oft sind die Techniken, die uns die höchste Leistung verleihen (wie komplexe Ensemble -Methoden oder tiefes Lernen) Warum Eine spezifische Vorhersage wurde gemacht. Einfachere Modelle hingegen können einfacher zu interpretieren sein, können aber die Genauigkeit opfern.

Dieser Kompromiss ist nicht von Natur aus intestine oder schlecht, es ist eine Entscheidung, die im Kontext der Ziele des Projekts getroffen werden sollte. Zum Beispiel:

• In stark regulierten Branchen (Finanzen, Gesundheitswesen) könnte die Interpretierbarkeit wertvoller sein, als die letzten Punkte der Genauigkeit herauszufinden.
• In anderen Branchen, beispielsweise bei der Vermarktung eines Produkts, könnte ein Leistungsschub so erhebliche Geschäftsgewinne bringen, dass eine verringerte Interpretierbarkeit ein akzeptabler Kompromiss ist.

Scheuen Sie sich nicht, so früh zu heben. Sie müssen wissen, dass alle auf das Gleichgewicht zwischen Genauigkeit und Transparenz einverstanden sind, bevor Sie sich auf einen Pfad verpflichten.

Denken Sie an den Einsatz ab Tag 1

KI -Modelle sind so erstellt, dass sie bereitgestellt werden. Von Anfang an sollten Sie sie im Hinblick auf die Bereitstellung entwerfen und entwickeln.

Das ultimative Ziel ist es nicht nur, in einem Labor ein beeindruckendes Modell zu schaffen, sondern sicherzustellen, dass es in der realen Welt, in Maßstab zuverlässig funktioniert, in den Workflows der Organisation integriert ist.

Fragen Sie sich: Was nutzen das „beste“ KI -Modell der Welt, wenn es nicht eingesetzt, skaliert oder gepflegt werden kann? Ohne Bereitstellung ist Ihr Projekt nur ein teurer Beweis für das Konzept ohne dauerhafte Auswirkungen.

Berücksichtigen Sie die Bereitstellungsanforderungen frühzeitig (Infrastruktur, Datenpipelines, Überwachung, Umschulungsprozesse) und Sie stellen sicher, dass Ihre KI -Lösung nutzbar, wartbar und wirkungsvoll ist. Ihre Stakeholder werden es Ihnen danken.

(Bonus) In Genai scheuen Sie sich nicht davor, über die Kosten zu sprechen

Die Lösung eines Issues mit Generative AI (Genai) kann eine höhere Genauigkeit liefern, ist jedoch oft mit Kosten.

Um das Leistungsniveau zu erreichen, das sich viele Geschäftsbenutzer vorstellen, wie die Erfahrung von ChatGPT, müssen Sie möglicherweise:

• Rufen Sie ein großes Sprachmodell (LLM) mehrmals in einem einzigen Workflow an.
• Implementieren Agenten AI Architekturen, bei denen das System mehrere Schritte und Argumentationsketten verwendet, um eine bessere Antwort zu erreichen.
• Verwenden teurere LLMs mit höherer Kapazität Das erhöht Ihre Kosten professional Anfrage erheblich.

Dies bedeutet, dass die Leistung in Genai -Projekten nicht nur geht Leistung, Es ist immer ein Gleichgewicht zwischen Qualität, Geschwindigkeit, Skalierbarkeit und Kosten.

Wenn ich mit Stakeholdern über Genai -Leistung spreche, bringe ich immer frühzeitig die Kosten in das Gespräch. Geschäftsbenutzer gehen häufig davon aus, dass die hohe Leistung, die sie in Instruments mit Verbrauchern wie ChatGPT sehen, direkt in ihren eigenen Anwendungsfall übertragen wird. In Wirklichkeit werden diese Ergebnisse mit Modellen und Konfigurationen erzielt, die in einer Produktionsumgebung (und nur für Unternehmen in Höhe von Milliarden Greenback) in Skala in Maßstab teuer sein können.

Der Schlüssel ist Realistische Erwartungen setzen:

• Wenn das Unternehmen bereit ist, die oberste Leistung zu bezahlen, großartig, großartig
• Wenn Kostenbeschränkungen streng sind, müssen Sie möglicherweise eine „intestine genug“ Lösung optimieren, die die Leistung mit Erschwinglichkeit in Einklang bringt.

Dies sind meine Tipps, um Erwartungen in KI -Projekten zu setzen, insbesondere im B2B -Bereich, in dem die Stakeholder häufig mit starken Annahmen einhergehen.

Was ist mit dir? Haben Sie Tipps oder Lektionen, die hinzugefügt werden können? Teile sie in den Kommentaren!

Bild von Autor | Ideogramm

# Einführung

Stellen Sie sich Folgendes vor: Sie arbeiten an einem Python -Projekt und jedes Mal, wenn Sie Assessments ausführen möchten, tippen Sie ein python3 -m pytest exams/ --verbose --cov=src. Wenn Sie Ihren Code formatieren möchten, ist dies black . && isort .. Zum Leinen rennen Sie flake8 src exams. Bevor Sie es wissen, jonglieren Sie ein Dutzend verschiedene Befehle, und Ihre Teamkollegen machen das Gleiche auch etwas anders.

Hier sind Makefiles nützlich. Makefiles, die ursprünglich für C- und C ++ – Projekte verwendet wurden, können in der Python -Entwicklung sehr nützlich sein, um gemeinsame Aufgaben zu standardisieren und zu automatisieren. Stellen Sie sich ein Makefile als einen einzigen Ort vor, an dem Sie Abkürzungen für all die Dinge definieren, die Sie wiederholt tun.

# Warum Makefiles in Python -Projekten verwenden?

Konsistenz in Ihrem Staff
Wenn alle in Ihrem Staff rennen make check Anstatt sich an den exakten PyTest -Befehl mit all seinen Flaggen zu erinnern, beseitigen Sie das Drawback „Arbeiten auf meinem Pc“. Neue Teammitglieder können einspringen und sofort wissen, wie man Assessments ausführt, den Code format oder die Anwendung bereitstellt.

Dokumentation, die tatsächlich funktioniert
Im Gegensatz zu ReadMe -Dateien, die veraltet werden, dienen Makefiles als nützliche Dokumentation. Wenn jemand rennt make assistSie sehen genau, welche Aufgaben verfügbar sind und wie sie verwendet werden.

Vereinfachte komplexe Workflows
Einige Aufgaben erfordern mehrere Schritte. Vielleicht müssen Sie Abhängigkeiten installieren, Migrationen ausführen, Saatguttestdaten ausführen und dann Ihren Entwicklungsserver starten. Mit einem Makefile wird dies zu einer einzigen make dev Befehl.

# Erste Schritte mit Ihrem ersten Python Makefile

Lassen Sie uns Schritt für Schritt einen praktischen Makefile -Unternehmen erstellen. Erstellen Sie eine Datei namens Makefile (keine Erweiterung) in Ihrem Projektstamm.

// Grundstruktur und Hilfebefehl

Dieser Code erstellt ein automatisches Hilfesystem für Ihr Makefile, in dem alle verfügbaren Befehle mit ihren Beschreibungen angezeigt werden:

.PHONY: assist
assist:  ## Present this assist message
	@echo "Accessible instructions:"
	@grep -E '^(a-zA-Z_-)+:.*?## .*$$' $(MAKEFILE_LIST) | kind | awk 'BEGIN {FS = ":.*?## "}; {printf "  33(36m%-15s33(0m %sn", $$1, $$2}'

.DEFAULT_GOAL := assist

Der .PHONY: assist Sagen Sie, machen Sie diese „Hilfe“ keine echte Datei, sondern ein Befehl zum Ausführen. Wenn Sie tippen make assistes druckt zuerst „verfügbare Befehle“: dann verwendet eine Kombination von grep Und awk Um das Makefile selbst zu durchsuchen, finden Sie alle Zeilen, die Befehlsnamen haben, folgen von ## descriptionund formatieren Sie sie in eine nette lesbare Liste mit Befehlsnamen und ihren Erklärungen.

// Umgebungsaufbau

Dieser Code erstellt drei Umgebungsverwaltungsbefehle:

.PHONY: set up
set up:  ## Set up dependencies
	pip set up -r necessities.txt
	pip set up -r requirements-dev.txt

.PHONY: venv
venv:  ## Create digital setting
	python3 -m venv venv
	@echo "Activate with: supply venv/bin/activate"

.PHONY: clear
clear:  ## Clear up cache recordsdata and construct artifacts
	discover . -type f -name "*.pyc" -delete
	discover . -type d -name "__pycache__" -delete
	discover . -type d -name "*.egg-info" -exec rm -rf {} +
	rm -rf construct/ dist/ .protection htmlcov/ .pytest_cache/

Der set up Der Befehl führt PIP zweimal aus, um sowohl Hauptabhängigkeiten als auch Entwicklungstools aus Anforderungsdateien zu installieren. Der Befehl Venv erstellt einen neuen Ordner „Digital Setting“ Python namens „Venv“ und druckt Anweisungen zum Aktivieren des Aktivierens.

Der clear Der Befehl entfernt alle unordentlichen Dateien, die Python während der Entwicklung erstellt. Es löscht kompilierte kompilierte Python -Dateien (.pyc), Cache -Ordner (Pycache), Paketinfo -Verzeichnisse und erstellen Sie Artefakte wie Berichterstattung und Check -Caches.

// Codequalität und Assessments

Dadurch werden Befehle zur Codequalität erstellt:

.PHONY: format
format:  ## Format code with black and isort
	black .
	isort .

.PHONY: lint
lint:  ## Run linting checks
	flake8 src exams
	black --check .
	isort --check-only .

.PHONY: check
check:  ## Run exams
	python -m pytest exams/ --verbose

.PHONY: test-cov
test-cov:  ## Run exams with protection
	python -m pytest exams/ --verbose --cov=src --cov-report=html --cov-report=time period

.PHONY: verify
verify: lint check  ## Run all checks (lint + check)

Der format Der Befehl behebt Ihren Codestil automatisch mit Schwarz für Formatierung und ISORT für die Importorganisation.

Der Befehl Lint überprüft, ob Ihr Code den Stilregeln befolgt, ohne etwas zu ändern. Flake8 findet Verstöße gegen Stil, während Schwarz und ISORT im Schach-Nur-Schach-Modus ausgeführt werden, um festzustellen, ob Formatierung erforderlich ist.

Der check Der Befehl führt die Testsuite aus. test-cov Führen Sie Assessments aus und misst auch die Codeabdeckung und generiert Berichte. Der verify Der Befehl führt sowohl das Leinen als auch das Check zusammen, indem sie abhängig von der lint Und check Befehle.

// Entwicklungsworkflow

Dies schafft Entwicklungs -Workflow -Befehle:

.PHONY: dev
dev: set up  ## Arrange improvement setting
	@echo "Improvement setting prepared!"
	@echo "Run 'make serve' to start out the event server"

.PHONY: serve
serve:  ## Begin improvement server
	python3 -m flask run --debug

.PHONY: shell
shell:  ## Begin Python shell with app context
	python3 -c "from src.app import create_app; app=create_app(); app.app_context().push(); import IPython; IPython.start_ipython()"

Der dev Befehl führt zuerst die aus set up Befehl zum Einrichten von Abhängigkeiten und druckt dann Erfolgsnachrichten mit den nächsten Schritten. Der serve Der Befehl startet einen Flask Improvement Server im Debug -Modus.

Der shell Der Befehl startet eine Ipython -Shell, die bereits mit Ihrem Flask -App -Kontext verbunden ist, sodass Sie Datenbankabfragen und App -Funktionen interaktiv testen können, ohne alles manuell zu importieren.

# Weitere Makefile -Techniken

// Verwenden von Variablen

Sie können Variablen definieren, um eine Wiederholung zu vermeiden:

PYTHON := python3
TEST_PATH := exams/
SRC_PATH := src/

.PHONY: check
check:  ## Run exams
	$(PYTHON) -m pytest $(TEST_PATH) --verbose

// Bedingte Befehle

Manchmal möchten Sie ein anderes Verhalten auf der Grundlage der Umgebung:

.PHONY: deploy
deploy:  ## Deploy utility
ifeq ($(ENV),manufacturing)
	@echo "Deploying to manufacturing..."
	# Manufacturing deployment instructions
else
	@echo "Deploying to staging..."
	# Staging deployment instructions
endif

// Dateiabhängigkeiten

Sie können festlegen, dass Ziele von Dateien abhängen, daher werden sie nur bei Bedarf ausgeführt:

necessities.txt: pyproject.toml
	pip-compile pyproject.toml

.PHONY: sync-deps
sync-deps: necessities.txt  ## Sync dependencies
	pip-sync necessities.txt

Hier ist ein Beispiel für a Komplette Makefile für eine Flask -Webanwendung.

# Finest Practices und Tipps

Hier sind einige Finest Practices, die Sie beim Schreiben von Makefiles folgen müssen:

• Überkomplizieren Sie Ihre Makefile nicht. Wenn eine Aufgabe komplex wird, sollten Sie die Logik in ein separates Skript verschieben und von Make aufrufen.
• Wählen Sie Befehlsnamen, die eindeutig angeben, was sie tun. Check machen ist besser als Tagen Sie T und machen Sie Dev-Setup klarer als ein Setup.
• Für Befehle, die keine Dateien erstellen, deklarieren Sie sie immer als .phony. Dies verhindert Probleme, wenn jemand eine Datei mit demselben Namen wie Ihrem Befehl erstellt.
• Organisieren Sie Ihre Makefiles in gruppenbezogenen Funktionen zusammen.
• Stellen Sie sicher, dass alle Ihre Befehle von einem frischen Klon Ihres Repositorys funktionieren. Nichts frustriert neue Mitwirkende wie ein gebrochener Setup -Prozess.

# Abschluss

Makefiles scheinen vielleicht ein Instrument der alten Schule zu sein, aber sie sind für Python-Projekte wirksam. Sie bieten eine konsistente Schnittstelle für gemeinsame Aufgaben und helfen neue Mitwirkende, schnell produktiv zu werden.

Erstellen Sie ein Primary Makefile mit einfach installieren, testen und helfen. Wenn Ihr Projekt wächst und Ihr Workflow komplexer wird, können Sie nach Bedarf weitere Ziele und Abhängigkeiten hinzufügen.

Denken Sie daran, das Ziel ist nicht, das klugste oder komplexeste Makefile zu schaffen. Es soll Ihre täglichen Entwicklungsaufgaben einfacher und zuverlässiger machen. Halten Sie es einfach, halten Sie es nützlich und lassen Sie Ihr Makefile zum Kommandozentrum werden, das in Ihr Python -Projektchaos Ordnung bringt.

Bala Priya c ist ein Entwickler und technischer Schriftsteller aus Indien. Sie arbeitet gern an der Schnittstelle zwischen Mathematik, Programmierung, Datenwissenschaft und Inhaltserstellung. Ihre Interessensgebiete und Fachgebiete umfassen DevOps, Information Science und natürliche Sprachverarbeitung. Sie liest gerne, schreibt, codieren und Kaffee! Derzeit arbeitet sie daran, ihr Wissen mit der Entwicklergemeinschaft zu lernen und zu teilen, indem sie Tutorials, Anleitungen, Meinungsstücke und vieles mehr autorisiert. Bala erstellt auch ansprechende Ressourcenübersichten und Codierungs -Tutorials.

Als Takeda Pharmaceutical Co. und die MIT College of Engineering im Februar 2020 ihre auf künstliche Intelligenz im Gesundheitswesen und in der Arzneimittelentwicklung ausgerichtete Zusammenarbeit starteten, stand die Gesellschaft am Rande einer weltverändernden Pandemie und KI battle noch lange nicht das Schlagwort, das es heute ist.

Am Ende des Programms sieht die Welt ganz anders aus. KI ist zu einer transformativen Technologie in vielen Branchen geworden, darunter im Gesundheitswesen und in der Pharmaindustrie. Gleichzeitig hat die Pandemie die Herangehensweise vieler Unternehmen an das Gesundheitswesen sowie die Artwork und Weise, wie sie Medikamente entwickeln und verkaufen, verändert.

Sowohl für das MIT als auch für Takeda battle das Programm bahnbrechend.

Als das Programm an den Begin ging, hofften die Beteiligten, dass es zur Lösung greifbarer, realer Probleme beitragen würde. Am Ende des Programms hat es einen Katalog neuer Forschungsarbeiten, Entdeckungen und gewonnener Erkenntnisse hervorgebracht, darunter ein Patent für ein System, das die Herstellung niedermolekularer Medikamente verbessern könnte.

Letztlich ermöglichte das Programm beiden Unternehmen, die Grundlage für eine Welt zu schaffen, in der KI und maschinelles Lernen eine zentrale Rolle in der Medizin spielen, indem sie Takedas Fachwissen im Bereich Biopharmazie und das tiefe Verständnis der MIT-Forscher für KI und maschinelles Lernen nutzten.

„Das MIT-Takeda-Programm hat enorme Auswirkungen gehabt und ist ein leuchtendes Beispiel dafür, was erreicht werden kann, wenn Experten aus Industrie und Wissenschaft zusammenarbeiten, um Lösungen zu entwickeln“, sagt Anantha Chandrakasan, Chief Innovation and Technique Officer des MIT, Dekan der College of Engineering und Vannevar Bush-Professor für Elektrotechnik und Informatik. „Das Programm hat nicht nur zu Forschungsergebnissen geführt, die den Einsatz von KI und maschinellem Lernen im Gesundheitswesen vorangetrieben haben, sondern auch neue Möglichkeiten für Lehrkräfte und Studenten des MIT durch Stipendien, Finanzierung und Vernetzung eröffnet.“

Das Besondere an diesem Programm battle, dass es sich auf mehrere konkrete Herausforderungen im Bereich der Arzneimittelentwicklung konzentrierte, bei deren Bewältigung Takeda Hilfe benötigte. Die MIT-Fakultäten hatten die Möglichkeit, die Projekte auf der Grundlage ihres Fachgebiets und ihres allgemeinen Interesses auszuwählen, wodurch sie neue Bereiche im Gesundheitswesen und der Arzneimittelentwicklung erkunden konnten.

„Der Schwerpunkt lag auf Takedas schwierigsten Geschäftsproblemen“, sagt Anne Heatherington, Chief Knowledge and Expertise Officer für Forschung und Entwicklung bei Takeda und Leiterin des Knowledge Sciences Institute.

„Das waren Probleme, mit denen die Kollegen vor Ort wirklich zu kämpfen hatten“, fügt Simon Davies hinzu, der geschäftsführende Direktor des MIT-Takeda-Programms und Takedas globaler Leiter für statistische und quantitative Wissenschaften. Takeda sah eine Gelegenheit, mit den Weltklasse-Forschern des MIT zusammenzuarbeiten, die nur ein paar Blocks entfernt arbeiteten. Takeda, ein globaler Pharmakonzern mit globalem Hauptsitz in Japan, hat seine globalen Geschäftseinheiten und sein F&E-Zentrum gleich um die Ecke vom Institut.

Im Rahmen des Programms konnten MIT-Dozenten aus einer Gruppe potenzieller Takeda-Projekte die Themen auswählen, an denen sie arbeiten wollten. Anschließend gingen Groups, darunter MIT-Forscher und Takeda-Mitarbeiter, in zwei Runden Forschungsfragen an. Im Laufe des Programms arbeiteten die Mitarbeiter an 22 Projekten zu Themen wie Arzneimittelentdeckung und -forschung, klinische Arzneimittelentwicklung und Arzneimittelherstellung. Über 80 MIT-Studenten und Dozenten arbeiteten zusammen mit mehr als 125 Takeda-Forschern und -Mitarbeitern in Groups an diesen Forschungsfragen.

Bei den Projekten ging es nicht nur um schwierige Probleme, sondern auch um das Potenzial für skalierbare Lösungen innerhalb von Takeda oder in der gesamten Biopharmaindustrie.

Einige der Ergebnisse des Programms haben bereits zu umfassenderen Studien geführt. Die Ergebnisse einer Gruppe zeigten beispielsweise, dass der Einsatz künstlicher Intelligenz zur Sprachanalyse eine frühere Erkennung von Frontotemporaler Demenz ermöglichen und die Diagnose schneller und kostengünstiger stellen kann. Ähnliche algorithmische Analysen der Sprache von Patienten mit der Diagnose ALS können Ärzten auch helfen, den Verlauf dieser Krankheit zu verstehen. Takeda testet weiterhin beide KI-Anwendungen.

Andere Entdeckungen und KI-Modelle, die aus der Forschung des Programms hervorgingen, haben bereits Wirkung gezeigt. Die Verwendung eines physikalischen Modells und KI-Lernalgorithmen kann beispielsweise dabei helfen, Partikelgröße, Mischung und Konsistenz von pulverförmigen, kleinmolekularen Medikamenten zu erkennen und so die Produktionszeitpläne zu beschleunigen. Basierend auf ihrer Forschung im Rahmen des Programms haben die Mitarbeiter ein Patent für diese Technologie angemeldet.

Bei injizierbaren Medikamenten wie Impfstoffen können KI-gestützte Inspektionen auch die Prozesszeit und die Anzahl falscher Rückweisungen reduzieren. Der Ersatz menschlicher visueller Inspektionen durch KI-Prozesse hat für das Pharmaunternehmen bereits messbare Auswirkungen gezeigt.

Heatherington fügt hinzu: „Die von uns gewonnenen Erkenntnisse legen den Grundstein für unser nächstes Vorhaben, nämlich die Einbettung von KI und Gen-KI (generative KI) in alles, was wir künftig tun.“

Im Laufe des Programms nahmen auch mehr als 150 Takeda-Forscher und -Mitarbeiter an Bildungsprogrammen teil, die von der Abdul Latif Jameel Clinic for Machine Studying in Well being organisiert wurden. Neben der Bereitstellung von Forschungsmöglichkeiten finanzierte das Programm 10 Studenten über SuperUROP, das Superior Undergraduate Analysis Alternatives Program, sowie zwei Kohorten des DHIVE-Programms für Gesundheitsinnovation, das Teil des MIT Sandbox Innovation Fund Program ist.

Obwohl das offizielle Programm beendet wurde, werden bestimmte Aspekte der Zusammenarbeit fortgeführt, wie etwa die MIT-Takeda Fellows, die Doktoranden bei ihrer bahnbrechenden Forschung im Bereich Gesundheit und KI unterstützen. Während seiner Laufzeit unterstützte das Programm 44 MIT-Takeda Fellows und wird MIT-Studenten auch weiterhin über einen Stiftungsfonds unterstützen. Auch die organische Zusammenarbeit zwischen MIT- und Takeda-Forschern wird fortgeführt. Und die Associate des Programms arbeiten daran, ein Modell für ähnliche akademische und industrielle Partnerschaften zu schaffen, um die Wirkung dieser einzigartigen Zusammenarbeit zu verstärken.