Die Demokratisierung künstlicher Intelligenz

Technologie für alle

Durch die Nutzung von künstlicher Intelligenz in Verbindung mit dem Internet of Things werden Fertigungsprozesse intelligenter und effizienter. Damit Daten in der Industrie auch maximal gewinnbringend genutzt werden können, muss die Technologie aber ihren Weg aus dem Elfenbeinturm finden. Denn nur durch die Einbindung aller Mitarbeiter können Synergien genutzt, bestehende Prozesse verbessert und neue Use Cases identifiziert werden.
Bild: ©THANANIT/stock.adobe.com

Im Rahmen von Industrie 4.0 soll künstliche Intelligenz Fertigungsprozesse intelligenter sowie effizienter machen und dadurch die Wertschöpfung der Produktion erhöhen, die Produktivität und den Umsatz steigern. Obwohl Anwendungsfälle wie vorausschauende Wartung oder digitale Zwillinge bereits in der Industrie zum Einsatz kommen, ist die Mitwirkung am enstprechenden Projekt oft noch auf die Datenteams des Unternehmens beschränkt. Dabei bringt gerade die Einbindung aller Mitarbeiter in KI-Projekte großes Potenzial, sagt Rachel Boskovitch, Expertin der Enterprise-AI-Plattform Dataiku.

Bild: Bitkom e.V.

Synergien durch Demokratisierung

Einer der größten Use Cases von KI in der Industrie ist die vorausschauende Wartung. Sie hat das Ziel, den Austausch oder die Wartung von (Verschleiß-) Teilen auf Grund von Daten bereits anzuzeigen, bevor diese ausfallen. So kann die Lebensdauer optimiert und gleichzeitig Qualitätsstandards in der Produktion gewährleistet werden. Dieser Use Case eignet sich auch um andere Teams einzubinden – beispielsweise die Techniker in der Produktion. Diese können über ein gemeinsames Dashboard in einer zentralen Plattform direkt am Projekt partizipieren. Mit einem visuellen Entscheidungstool werden sie befähigt, direkt selbst zu erkennen, wann Teile gewartet oder ausgetauscht werden müssen. Gleichzeitig eröffnet diese Demokratisierung des Datenzugangs neue Möglichkeiten der Dateneinspeisung, denn neben Daten aus dem IoT können weitere Datenquellen, wie beispielsweise manuelle Daten aus der menschlichen Inspektion einbezogen und vom Modell verwendet werden, um noch präzisere Vorhersagen zu treffen. Mittels AutoML-Funktionen können duzende Algorithmen direkt in einer gemeinsamen Oberfläche verglichen werden und Modelle mit einem Klick bereitgestellt werden, gleichzeitig verhindern robuste Modellüberwachungsfunktionen ein Abdriften des Modells.

Qualitätssicherung

Auch im Bereich der Qualitätssicherung bietet die Zusammenarbeit von Mensch, Technologie und Daten, die im Zuge der Demokratisierung von KI erreicht wird, neue Möglichkeiten. Dabei werden beispielsweise Sensordaten aus der Produktion von einem Modell genutzt, das den Prozentsatz an Ausschuss misst. Ist dieser zu hoch, werden Techniker aus der Produktion informiert und können Gegenmaßnahmen ergreifen und damit Produktionsausfälle vermeiden oder abmindern. Diese Demokratisierung und die gemeinsame Arbeit auf einer zentralen Plattform kann die Zusammenarbeit vertiefen. So können die Fachkenntnisse aus dem Fertigungsbereich mit der Expertise des Datenwissenschaftlers kombiniert werden, woraufhin wiederum das Modell verbessert werden kann, während Analysten und MLOps-Spezialisten direkt mit eingebzogen werden können. Weil alle Stakeholder auf Daten zugreifen und diese visuell aufbereiten können, werden neue Erkenntnisse gewonnen, gleichzeitig bleibt bei Aktualisierungen des Modells alles auf dem aktuellen Stand.

Zwei Faktoren

Die Basis der Demokratisierung von KI in der Industrie bilden dabei also vor allem zwei Faktoren: Einerseits können Datenprojekte auf einer zentralen Plattform allen Unternehmensbereichen zugänglich gemacht werden, andererseits werden sämtliche am Projekt beteiligten Teams durch die Etablierung einer zukunftsfähigen KI-Kultur befähigt, sich aktiv an den Prozessen zu beteiligen. Auf der zentralen Plattform zur Arbeit mit Daten und KI werden sämtliche Datenprojekte abgebildet – inklusive der zugehörigen Datensätze, Funktionen und Metriken. Wichtig ist dabei die Aufbereitung der Daten in visueller, einfacher Form – also einer einheitlichen Sprache, die das Vorgehen bei Datenprojekten schrittweise beschreibt und gesamte Prozesse so dokumentiert, dass sie für sämtliche Mitarbeiter innerhalb des Unternehmens nachvollziehbar ist. Gleichzeitig kann eine gemeinsame Plattform zu einer verbesserten Data Governance beitragen. Modelle werden nicht mehr in lokalen und oftmals intransparenten Umgebungen, wie beispielsweise den Rechnern einzelner Datenwissenschaftlern, abgewickelt. Die Herkunft, Beschaffenheit, Aufbereitung und Verwendung der Daten sind damit immer einsehbar. Auch die Kommunikation findet in einer sicheren Umgebung statt – anstelle unübersichtlicher Mails sind kritische Daten und Feedbacks direkt in der Plattform einsehbar, gehen nicht verloren und halten alle Beteiligten auf dem aktuellen Stand. Eine besondere Bedeutung kommt dieser Art der Zusammenarbeit auch zu, wenn produzierende Unternehmen Daten aus verschiedenen Standorten verwenden. Diese können einfach eingespeist, visualisiert und dann gemeinsam genutzt werden.

Kultur verankern

Damit sich aber alle Teams an KI-Projekten beteiligen können, muss auch die entsprechende Kultur im Unternehmen verankert sein. Sie zeichnet sich vor allem durch ein teamübergreifendes, grundlegendes Verständnis der KI-Anwendung aus. Das bedeutet aber nicht, dass sich alle Teammitglieder mit den tiefen technischen Aspekten der KI auseinandersetzen müssen. Es geht eher darum, Mehrwerte, Ziele und den Nutzen zu kommunizieren und zu diskutieren. Durch eine zentrale Plattform und teamübergreifende Zusammenarbeit ergeben sich für die Industrie große Mehrwerte. Mitarbeiter profitieren vom gegenseitigen Fachwissen und durch neue Blickwinkel aus unterschiedlichen Abteilungen können neue Ansätze entwickelt werden, die in Zusammenarbeit zu echten Lösungen weiterverarbeitet werden. Wer sich bereits jetzt mit der Demokratisierung von KI auseinandersetzt und diese in der Produktion etabliert, kann gleichzeitig die Basis für ein wirklich datengesteuertes Unternehmen legen.

Das könnte Sie auch Interessieren

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

„Künstliche Intelligenz ist eine, wenn nicht die wichtigste Zukunftstechnologie für Unternehmen.“ Diese Aussage bejahen 70 Prozent der Befragten der jüngsten Bitkom-Studie zu KI. Aber nur 10 Prozent aller Unternehmen haben KI-Technologie aktiv im Einsatz, lediglich 30 Prozent planen und diskutieren deren Anwendung. Was ist der Grund für diese große Diskrepanz?

Bild: Blue Yonder, Inc.
Bild: Blue Yonder, Inc.
Künstliche Intelligenz – mehr als eine Wissenschaft

Künstliche Intelligenz – mehr als eine Wissenschaft

Data Science ist mittlerweile ein fester Bestandteil der strategischen Planung in vielen Unternehmen. Um künftige Entwicklungen realistisch zu planen, brauchen wir Künstliche Intelligenz (KI) und Maschinelles Lernen (ML). Insbesondere im Einzelhandel vertrauen immer mehr große Player auf KI-Lösungen, die präzise Prognosen ermöglichen und zum Beispiel Bestände oder Preise optimieren. Doch viele Entscheidungsträger glauben noch nicht daran, dass KI in den Lieferketten der Zukunft eine tragende Rolle spielen wird. Der Grund hierfür liegt in einer falschen Sicht auf die Wissenschaft.

Bild: ©Stock57/stock.adobe.com
Bild: ©Stock57/stock.adobe.com
KI-Verfahren für die Produktion

KI-Verfahren für die Produktion

Mathematiker der Hochschule Darmstadt (h_da) entwickeln gemeinsam mit dem Hanauer Simulationsdienstleister und Softwareunternehmen SimPlan und dem Automationsexperten Fibro Läpple Technology neue KI-Technologien. Im Rahmen des Loewe-Projekts ‚KISPo‘ will das Konsortium eine autonome, selbstlernende Steuerungssoftware für Produktionsanlagen entwickeln, wie sie z.B. bei der Herstellung von Komponenten für Windräder oder Elektromotoren zum Einsatz kommen. Es wäre die erste KI-Software dieser Art. Damit würde eine von Industrieverbänden und Forschung lange bemängelte Technologielücke geschlossen. Das Land Hessen fördert das Projekt für zwei Jahre mit 320.000 Euro. Konsortialführerin ist die Hochschule Darmstadt.

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Chancen und Herausforderungen von Machine Learning in der Fertigung

Chancen und Herausforderungen von Machine Learning in der Fertigung

Automatisierung, künstliche Intelligenz (KI), Internet of Things (IoT) und Machine Learning (ML) sind heutzutage bekannte Technologien und kommen bereits in vielen Unternehmen zum Einsatz. Mit Hilfe von Machine Learning wird es IT-Systemen ermöglicht, Muster und Zusammenhänge aus Daten zu lernen und sich selbst zu verbessern. Dabei ist keine explizite Programmierung notwendig. Die Bearbeitung von Kundenanfragen, die Erkennung möglicher Störfälle sowie unerwarteter Ereignisse wie z.B. Cyberangriffe sind klassische Anwendungsfelder von ML. Aber auch die Unterstützung bei einer rein datengestützten Entscheidungsfindung und die Interpretation großer Datenmengen gehören dazu.

Bild: ©Shuo/stock.adobe.com
Bild: ©Shuo/stock.adobe.com
Sensoren lernen das Denken

Sensoren lernen das Denken

Im Fraunhofer-Leitprojekt NeurOSmart forscht das Fraunhofer IPMS zusammen mit vier weiteren Instituten (ISIT, IMS, IWU, IAIS) unter Leitung des Fraunhofer ISIT gemeinsam an energieeffizienten und intelligenten Sensoren für die nächste Generation autonomer Systeme. Dabei sollen die Brücken zwischen Wahrnehmung und Informationsverarbeitung durch innovative Elektronik neu definiert werden.

Bild: ©ipopba/stock.adobe.com
Bild: ©ipopba/stock.adobe.com
Wie KI 2022 praktikabel wird

Wie KI 2022 praktikabel wird

Künstliche Intelligenz war bereits in der Vergangenheit in aller Munde, schaffte es aber doch oft nicht bis in die Anwendung. Das wird sich 2022 ändern – auch weil sich langsam Standards etablieren und sich neue, konkrete Einsatzmöglichkeiten ergeben. In welchen Bereichen Business-Implementierungen zu erwarten sind, erläutert Bernhard Niedermayer, Head of AI bei Cloudflight.