Requirements Engineering für KI-Projekte: Anforderungen an die Summarization aufnehmen

Im Zeitalter der Künstlichen Intelligenz und des maschinellen Lernens ist das Requirements Engineering zu einem entscheidenden Faktor für maschinelle Lernprojekte geworden. In diesem Blogbeitrag werden die Bedeutung, der theoretische Hintergrund und die Vorgehensweise für diesen entscheidenden Schritt im Entwicklungsprozess von KI-Systemen erläutert.

Grundlage ist das beim Kunden „utopia“ durchgeführte Projekt „Intelligente Wissensdatenbank“. In diesem Projekt erfolgt eine Integration von Aleph Alpha Luminous, einer leistungsstarken Plattform zur Metadatengenerierung und intelligenten Suche in der utopia-Wissensdatenbank. Ziel des Projekts ist es, eine hochmoderne Wissensmanagementlösung zu schaffen, die es Nutzerinnen und Nutzern ermöglicht, Inhalte aus verschiedenen Quellen effizient zu organisieren, zu durchsuchen und wertvolle Erkenntnisse zu gewinnen. Die Integration unterstützt die automatische Generierung von Metadaten wie Abstracts und Schlagwörtern, während die intelligente Suche relevante Informationen zu spezifischen Fragestellungen findet. Die benutzerfreundliche Wissensdatenbank verbessert die Entscheidungsfindung und fördert die effektive Nutzung von Wissen in Organisationen.

Warum ist Requirements Engineering für Machine-Learning-Projekte wichtig?

Die Bedeutung von Requirements Engineering für Machine-Learning- und/oder KI-Projekte liegt in der raschen Entwicklung und Integration von KI-Technologien in zahlreichen Branchen. In einer Welt, in der Algorithmen und maschinelles Lernen eine immer wichtigere Rolle spielen, sind effiziente Methoden zur Textzusammenfassung entscheidend. Dies gilt insbesondere für die Verarbeitung großer Textmengen, wie sie in wissenschaftlichen Publikationen, Unternehmensberichten und juristischen Dokumenten vorkommen. Eine präzise Zusammenfassung ermöglicht es, komplexe Informationen verständlich und effizient zu vermitteln, was die Entscheidungsfindung und den Wissensaustausch erheblich erleichtert.

• 1. Klare Definition der Anforderungen: Bevor ein Machine-Learning-Projekt beginnt, ist es entscheidend, klare und präzise Anforderungen zu definieren. Dies umfasst die Identifizierung der Aufgaben, die das KI-System erfüllen soll, die Daten, die benötigt werden, und die Ziele, die erreicht werden sollen.
• 2. Vermeidung von Missverständnissen: Unklare oder unvollständige Anforderungen führen häufig zu Missverständnissen und Misskommunikation zwischen den Entwicklerinnen beziehungsweise Entwicklern und den Auftraggebenden. Das Requirements Engineering hilft, solche Probleme zu vermeiden, indem es die Erwartungen aller Beteiligten klärt.
• 3. Richtige Datenerhebung und -verarbeitung: Die Qualität der Daten ist entscheidend für den Erfolg eines Machine-Learning-Modells. Durch die klare Definition der Anforderungen können die richtigen Datenquellen identifiziert und die Daten entsprechend vorverarbeitet werden.
• 4. Effiziente Modellentwicklung: Gut definierte Anforderungen ermöglichen es den Entwicklerinnen und Entwicklern, effizienter Modelle zu erstellen und Ressourcen nicht unnötig zu verschwenden.
• 5. Messbare Erfolgskriterien: Requirements Engineering hilft dabei, messbare Erfolgskriterien festzulegen. Dies ist wichtig, um den Fortschritt zu verfolgen und sicherzustellen, dass die entwickelten Modelle die gewünschten Ziele erreichen.

Die Vorgehensweise beim Requirements Engineering für Machine-Learning-Projekte

Der Anforderungsworkshop im oben angesprochenen Projekt wurde auf Miro durchgeführt, und die erarbeiteten Anforderungen wurden anschließend mit dem Kunden auf dem gleichen Board im Rahmen eines Requirements-Canvas priorisiert.

Folgende Schritte sind bei einer Anforderungsaufnahme zu beachten:

• 1. Anforderungsanalyse: Der Prozess beginnt mit der Analyse der Anforderungen. Dies umfasst die Identifizierung der Hauptziele des Projekts, die Zielgruppe und die erwarteten Ergebnisse.
• 2. Anforderungsdokumentation: Alle Anforderungen werden in einem klaren und strukturierten Dokument festgehalten. Dieses Dokument sollte alle Aspekte des Projekts abdecken, einschließlich der Art der Daten, der gewünschten Modelle und der Erfolgskriterien.
• 3. Kommunikation: Die Kommunikation zwischen den Projektbeteiligten ist entscheidend. Auftraggebende, Entwicklerinnen und Entwickler sowie Datenwissenschaftlerinnen und wissenschaftler sollten eng zusammenarbeiten, um sicherzustellen, dass die Anforderungen korrekt verstanden werden.
• 4. Validierung der Anforderungen: Die festgelegten Anforderungen sollten validiert werden, um sicherzustellen, dass sie realistisch und erreichbar sind.
• 5. Änderungsmanagement: Es ist wichtig zu beachten, dass sich Anforderungen im Verlauf eines Projekts ändern können. Daher ist ein effektives Änderungsmanagement erforderlich, um sicherzustellen, dass Änderungen ordnungsgemäß dokumentiert und genehmigt werden.

Im Workshop wurden zwei Abstract-Vorschläge präsentiert, um dem Kunden eine Ausgangsbasis für die Anforderungsaufnahme zu bieten. Die Idee war, dass der Kunde die Kategorien und Elemente in den Abstracts bewerten konnte, um festzustellen, welche für seine Bedürfnisse relevant waren. Dabei wurde besonders darauf geachtet, dass die Abstracts trotz der Notwendigkeit der Kürze alle wesentlichen Informationen enthalten, ohne zu ausführlich zu werden.

Um sicherzustellen, dass alle wesentlichen Informationen in der Zusammenfassung enthalten sind, wurde eine Priorisierung vorgenommen. Die Anforderungen wurden in die Kategorien „Must-have“, „Should-have“, „Good-to-have“ und „Won’t-have“ unterteilt.

In die Kategorie „Must-have“ wurden solche Punkte eingeordnet, die für jede Zusammenfassung unerlässlich sind, wie beispielsweise „Conclusions/Findings/Results“, worin das Fazit und die Ergebnisse der Publikation festgehalten werden. Ebenso wichtig war „Methods/Design/Methodology“, da hiermit die wissenschaftliche Einordnung der Studie ermöglicht wird.

Die „Should-have“-Anforderungen sind solche, die für die meisten Publikationen relevant sind, jedoch nicht zwingend für alle. Hierzu gehört der Punkt „Objective“ der sich mit der Zielsetzung und den Fragestellungen der Publikation beschäftigt.

Die „Won’t-haves“ waren jene Felder, die bewusst nicht in die Zusammenfassung aufgenommen werden sollten, darunter „Originality“, „Keywords“ und „Sources“.

Bei der Anforderungsaufnahme war es entscheidend, den Kunden aktiv in den Prozess einzubeziehen, was durch die Nutzung eines Miro-Boards gewährleistet wurde. Die visuelle Darstellung der Anforderungen und die gemeinsame Priorisierung erwiesen sich als äußerst effektiv, da der Kunde die Möglichkeit hatte, seine Gedanken direkt einzubringen und den Fortschritt zu verfolgen.

Wichtig war auch zu fragen: „Warum benötigen wir eine bestimmte Information in der Zusammenfassung?“ und „Welchen Zweck erfüllt sie?“ Diese Fragen halfen uns, das Big Picture im Blick zu behalten und sicherzustellen, dass die Anforderungen sinnvoll und zielgerichtet waren.

Insgesamt war die Anforderungsaufnahme für das Abstract ein wichtiger Schritt in unserem Prozess zur maschinellen Zusammenfassung von Texten. Sie zeigte uns, dass Flexibilität und Anpassungsfähigkeit entscheidend sind, da jede Publikation einzigartig ist. Und sie unterstrich die Bedeutung einer klaren und präzisen Zusammenfassung, um komplexe Informationen verständlich und effizient zu vermitteln.

Ausblick

In den nächsten Blog-Beiträgen wird sich das Projektteam weiteren fachlichen Herausforderungen widmen und einen Lösungsvorschlag für das Abstract vorstellen.

Requirements Engineering für Machine-Learning-Projekte ist ein zentraler Schritt in der Entwicklung von KI-Systemen. Die klare Definition der Anforderungen, die richtige Datenerhebung und verarbeitung sowie die effiziente Modellentwicklung sind entscheidend für den Erfolg eines Projekts. Das Requirements Engineering stellt sicher, dass alle Beteiligten die gleiche Vorstellung davon haben, was erreicht werden soll, und schafft die Grundlage für eine erfolgreiche Umsetzung von KI-Technologien.