Wie intelligent werden Prozesse und Produkte?

Was KI kann – und was nicht

Künstliche Intelligenz gilt als Schlüsseltechnologie. Doch durch den alleinigen Einsatz lösen sich nicht alle Probleme automatisch in Luft auf. Denn der Algorithmus ist nur so intelligent, wie es die Daten zulassen, aus denen er lernt. Am Ende ist nicht der Einsatz der Technologie, sondern der Prozess entscheidend.
Einordnung von KI, ML und DL
Einordnung von KI, ML und DLBild: Trebing & Himstedt Prozeßautomation

Ein großer deutscher Fabrikausrüster berichtete kürzlich über seine eigene Fertigung: Durch den Einsatz künstliche Intelligenz (KI) lassen sich dort pro Jahr zwischen 1 und 2Mio.€ sparen. So wurde z.B. die Taktzeit um 15 Prozent gesenkt, in dem durch KI Störungen in den Prozessabläufen identifiziert und beseitigt wurden. Dabei ist zwar oftmals von KI die Rede, gemeint ist jedoch maschinelles Lernen (ML). Was ist der Unterschied? Künstliche Intelligenz bezeichnet primär alle Technologien, die menschliche Intelligenz nachahmen. Das Maschinelle Lernen ist eine Teildisziplin dessen – weil hier das Erlernen und Anwenden des Gelernten nachgeahmt wird. Beim ML erlernen Maschinen mit Hilfe von großen Datenmengen selbständig Aufgaben zu lösen. Noch spezifischer wird diese Disziplin wiederum im Deep Learning ausgeprägt. (Abbildung 1). Daraus ergeben sich oftmals zwei Missverständnisse.

  • Erstens: künstliche Intelligenz löst alle Probleme quasi automatisch
  • Zweitens: dadurch lassen sich signifikant Personalkosten sparen, da die Maschinen intelligent genug sind, um alles selber zu erledigen.

Missverständnis 1

Agiler Ansatz um KI zu nutzen
Agiler Ansatz um KI zu nutzenBild: Trebing & Himstedt Prozeßautomation

Das erste Missverständnis lässt sich mit ‚garbage in – garbage out‘ klären. KI ist nicht von alleine intelligent, sondern lernt mittels ML aus vorhandenen Daten. Sind diese Daten qualitativ schlecht, wird es auch falsch nachgemacht. Der Algorithmus ist ein mathematisches Modell, welches aus dem Gelernten entstanden ist und per se erst einmal weder gut noch schlecht. Daher sollte ein Algorithmus, der aus dem ML entsteht keine ‚Black Box‘, sondern nachvollziehbar sein. Dabei hilft eine grobe Skizze. Ein KI-System funktioniert im Prinzip auf drei Ebenen: Was nehme ich war? Was kann ich ableiten? Wie muss ich reagieren? Die Wahrnehmung passiert über Sensorik, also Bewegungsdaten, und Stammdaten. Als Ergebnis wird dann wiederum eine Aktion zurückgespielt. Eine entscheidende Fähigkeit von KI-Systemen ist also, auf Basis von Daten Rückschlüsse auf den Zustand im Shopfloor – beispielsweise einer Maschine – ziehen zu können. Neben der Beurteilung können Unternehmen durch datenbasierte Methoden auch neue Erkenntnisse zu gewinnen. Prognosen liefern beispielsweise zusätzliche Informationen für die Entscheidungsfindung. Durch direkte Interaktion mit dem Shopfloor oder einem intelligenten Produkt können KI-Systeme lernen, welchen Einfluss bestimmte Aktionen hatten und welche Aktionen in Zukunft ausgeführt werden müssen, um ein bestimmtes Ziel zu erreichen. Somit löst KI nicht von Geisterhand alle Probleme, sondern wird explizit und begleitet für eine spezielle Problemlösung eingesetzt. Entweder, um eine Fabrik intelligenter zu gestalten oder neue Geschäftsmodelle zu etablieren. Der Schlüssel ist der Prozess, nicht die Technik.

Missverständnis 2

Wer, wie bereits angesprochen, KI einsetzen möchte, um Personalkosten zu sparen, sägt am falschen Ast. Zumal der Fachkräftemangel ohnehin ein Problem ist. Entscheidender ist es, die eigenen Prozesse so im Griff zu haben, dass sie gleichzeitig effizient und flexibel bzw. agil sind. Bis zu 70 Prozent der Kosten stecken verdeckt in Prozessen, die bisher aufgrund fehlender technischer Möglichkeiten nicht sichtbar gemacht werden konnten. Bei der Identifizierung dieser Kostentreiber kann Datenintelligenz ebenfalls helfen. Beispiele dafür sind Predictive Analytics, Predictive Quality oder die prozessübergreifende Visualisierung von Schwachstellen mit Hilfe von Process Mining. Dabei handelt es sich um eine KI-basierte Technik, die Geschäftsprozesse übergreifend auf Basis digitaler Spuren in IT-Systemen rekonstruieren und auswerten kann.

Was kann ein KI-System?
Was kann ein KI-System?Bild: Trebing & Himstedt Prozeßautomation

Fail fast, Scale fast

Ist die Berührungsangst mit künstlicher Intelligenz, Machine und Deep Learning erst einmal abgefallen, gilt es Erfahrungen zu sammeln. Das Vorgehen erfolgt idealerweise in zwei Schritten: zunächst in Experimenten schnell die unvermeidbaren Fehler machen (fail fast) und dann die erfolgreichen Experimente produktiv ausrollen (scale fast). Dabei muss ein erfolgreiches Experiment nicht das Projektergebnis sein, sondern oftmals schon ein Teilerfolg innerhalb eines Projektvorgehens.

Thematik: Technologie
Trebing & Himstedt Prozeßautomation

Das könnte Sie auch Interessieren

Anzeige

Anzeige

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.

Anzeige

Anzeige

Anzeige