Beyond Models: Reflections on Engineering AI-enabled Systems in a Project-Based Course
Dieses Paper reflektiert über einen projektbasierten Masterkurs an der Universität Bremen, der Studierende dazu lehrt, KI-Komponenten in vollwertige Softwarearchitekturen zu integrieren, wobei eine Mixed-Methods-Studie genutzt wird, um anhaltende Herausforderungen im Bereich des Architekturdesigns und des Datenmanagements hervorzuheben und gleichzeitig den Erfolg des Kurses bei der Förderung von systemischer Abstraktion und datenzentrierten Praktiken aufzuzeigen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie unterrichten eine Klasse angehender Köche. Jahrelang haben Sie ihnen beigebracht, ein einzelnes Rezept zu perfektionieren: wie man Zwiebeln schneidet, wie man eine Sauce abschmeckt und wie man einen Kuchen backt. Sie sind Experten darin, den Kuchen zu backen.
Aber in der realen Welt braucht ein Restaurant nicht nur einen Kuchen; es braucht eine voll funktionsfähige Küche, die eine Stunde lang 500 Kuchen backen kann, mit Stromausfällen umgehen kann, das Inventar verwaltet und sich anpassen kann, wenn ein Kunde plötzlich nach einer glutenfreien Version fragt.
In diesem Paper geht es um einen Universitätskurs, der versucht hat, den Studenten beizubringen, wie man dieses gesamte Restaurant baut, nicht nur den Kuchen. Der Kurs hieß „AI Algorithms: Theory and Engineering“, und das „Restaurant“ der Studenten war ein Filmempfehlungssystem (ähnlich wie Netflix oder Spotify).
Hier ist eine Aufschlüsselung dessen, was das Paper herausgefunden hat, unter Verwendung einfacher Analogien:
Das große Problem: „Die versteckte Schuld“ (The Hidden Debt)
Die Autoren weisen darauf an, dass Studenten in der Vergangenheit lernten, KI-Modelle zu bauen (den „Kuchen“), aber nicht lernten, wie man sie in ein echtes Softwaresystem einbettet (die „Küche“).
- Der alte Weg: Studenten bauten ein intelligentes Algorithmus, das Filme vorhersagt, aber sie wussten nicht, wie sie es auf einer Website zum Laufen bringen, wie sie tausende Nutzer gleichzeitig handhaben oder was sie tun sollen, wenn die Daten unordentlich werden.
- Der neue Weg: Dieser Kurs zwang sie dazu, das gesamte System zu bauen. Sie mussten sich um die „Sanitäranlagen“ (Datenfluss), die „Elektrizität“ (Server-Infrastruktur) und die „Sicherheitsvorschriften“ (Sicherheit und Überwachung) kümmern.
Die Kursstruktur: Eine „gestaffelte“ Reise (A Scaffolded Journey)
Anstatt einer einzigen großen Abschlussprüfung war der Kurs wie ein Videospiel mit fünf Levels, das zu einem Endgegner-Kampf (dem Semesterprojekt) führt.
- Level 1-2: Die Studenten bauten einen groben Prototypen und schrieben die Regeln (Anforderungen) auf.
- Level 3: Sie zeichneten die Blaupausen für das Gebäude (Architektur) und entschieden, ob sie einen riesigen Monolithen oder eine Reihe kleiner, verbundener Mikroservices bauen.
- Level 4: Sie spielten „Was wäre wenn?“ (Trade-off-Analyse). Sie mussten fragen: „Wenn wir es schneller machen, wird es dann weniger sicher?“
- Level 5: Der Plot-Twist. Der Lehrer änderte die Anforderungen zur Hälfte des Weges. Die Studenten mussten ihre Blaupausen während des laufenden Betriebs anpassen, genau wie echte Software-Ingenieure, wenn Kunden ihre Meinung ändern.
- Das Abschlussprojekt: Sie bauten ein funktionierendes Filmempfehlungssystem, das tatsächlich laufen, Daten verarbeiten und sich an Änderungen anpassen konnte.
Was schiefgelaufen ist? (Die Herausforderungen)
Die Forscher untersuchten die Arbeit der Studenten und fragen, wie sie sich dabei fühlten. Hier sind die Hauptschwierigkeiten:
- Die „Sprachbarriere“ in Teams: Einige Studenten waren großartig im Programmieren, wussten aber nichts über KI. Andere waren KI-Magier, wussten aber nichts über die Softwareentwicklung. Es war, als versuche man, ein Haus zu bauen, bei dem der Elektriker nicht die gleiche Sprache spricht wie der Klempner. Sie hatten Schwierigkeiten, sich darauf zu einigen, wie sie gemeinsam bauen sollten.
- Das „Daten-Chaos“: Im Unterricht sind Daten normalerweise sauber und perfekt. In der realen Welt sind Daten wie ein Haufen schmutziger Wäsche. Die Studenten verbrachten die meiste Zeit damit, die Daten zu bereinigen (fehlende Werte korrigieren, Rauschen entfernen), anstatt einfach nur den „besten“ Algorithmus auszuwählen. Sie lernten: Müll rein bedeutet Müll raus (Garbage in equals garbage out).
- Das „bewegliche Ziel“: Als sich in Level 5 die Anforderungen änderten, gerieten viele Teams in Panik. Sie hatten ein System gebaut, das zu starr war. Eine kleine Änderung (wie das Hinzufügen einer neuen Art von Film-Daten) zwang sie dazu, Teile ihrer Datenbank und ihres Codes abzureißen und neu aufzubauen.
- Der „Integrations-Albtraum“: Die verschiedenen Teile (die Datenbank, das KI-Modell, die Benutzeroberfläche, die Monitoring-Tools) dazu zu bringen, miteinander zu kommunizieren, ohne abzustürzen, war der schwierigste Teil. Es war, als versuche man, einen Automotor, ein GPS und ein Radio zusammenzuführen, die alle von unterschiedlichen Herstellern gebaut wurden.
Was die Studenten gelernt haben (Die Erkenntnisse)
Trotz der Schwierigkeiten war der Kurs ein Erfolg. Die Perspektive der Studenten änderte sich drastisch:
- Es geht nicht um das Modell, sondern um die Daten: Die Studenten erkannten, dass die Auswahl des „klügsten“ KI-Algorithmus nicht der wichtigste Teil war. Der wichtigste Teil war, saubere Daten und ein gutes System zu haben, um diese zu verwalten.
- Software Engineering ist der König: Sie lernten, dass ein großartiges KI-Modell nutzlos ist, wenn es abstürzt, sobald 1.000 Menschen es gleichzeitig nutzen. Sie begannen, wie Architekten zu denken und sich um Skalierbarkeit und Sicherheit zu sorgen.
- Werkzeuge zählen: Sie bekamen praktische Erfahrung mit realen Tools wie Docker (Container), Kafka (Datenstreaming) und Monitoring-Dashboards. Sie hörten auf, nur über KI nachzudenken, und begannen, KI zu „entwickeln“ (Engineering).
Das Urteil
Das Paper kommt zu dem Schluss, dass die Studenten zwar mit der Komplexität zu kämpfen hatten (und die Lehrer hart arbeiten mussten, um sie zu leiten), der Kurs aber erfolgreich die Lücke zwischen „Theorie“ und „Praxis“ geschlossen hat.
Die wichtigste Lektion für Pädagogen: Man kann Studenten nicht nur beibringen, wie man den Kuchen backt. Wenn man möchte, dass sie ein Restaurant führen, muss man ihnen beibringen, wie man die Küche baut, das Personal managt und die Kunden bedient. Der Kurs bewies, dass man durch das Erzwingen eines vollständigen Systembaus und den Umgang mit wechselnden Anforderungen die harten, chaotischen, aber notwendigen Fähigkeiten des Engineerings von KI-gestützten Systemen lernt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.