Künstliche Intelligenz in der Industrie

Die perfekte Lösung – wenn das Problem dazu passt

27. Mai 2022, 19:54 Uhr | Dr. Pascal Laube
Definition wichtiger Begriffe rund um KI – vom Allgemeinen zum Speziellen
Definition wichtiger Begriffe rund um KI – vom Allgemeinen zum Speziellen
© GFT

Künstliche Intelligenz (KI) hat enormes Potenzial für die Industrie. Bevor Unternehmen ein KI-Projekt starten, brauchen sie aber einen sinnvollen Business-Case und saubere Daten.

Was ist eigentlich Künstliche Intelligenz? Fragt man Laien, lautet die Antwort oft: Maschinen, die mindestens so intelligent sind wie der Mensch, also wie in Filmen wie „I, Robot“ oder „Terminator“. Von dieser „starken“ KI sind wir aber noch weit entfernt. Etabliert hat sich dagegen die „schwache“ KI, die vorwiegend auf Machine Learning beruht. Ein ML-Algorithmus arbeitet nicht nur vorgegebene Regeln ab und liefert damit vorhersehbare Ergebnisse wie klassische, heuristische Algorithmen. Stattdessen erarbeitet er sich diese Regeln selbst und lernt aus Erfahrung. Aus Daten mit vorgegebenen Lösungen erkennt er selbstständig Muster und trifft Aussagen über die Zukunft.

Das ist nützlich bei der Bild-, Text- oder Spracherkennung, ebenso für Prognosen wie Wettervorhersagen, Kursentwicklungen oder die vorausschauende Wartung. Auch für die Klassifizierung, also das Sortieren und Zuordnen, eignen sich ML-Algorithmen, etwa bei der Unterscheidung von Spam und Nicht-Spam. Ein weiteres Anwendungsgebiet ist das Clustering. Hier segmentiert man große Datenmengen, zum Beispiel Kunden oder Dokumente, oder sucht nach Anomalien, etwa zur Aufdeckung von Geldwäsche. Ein Teilbereich des Machine Learning ist das Deep Learning. Es nutzt künstliche neuronale Netze, die ähnlich funktionieren wie das menschliche Gehirn. Darüber hinaus gibt es etliche weitere Methoden wie das Reinforcement Learning, bei dem der Algorithmus mit Belohnungen und Bestrafungen konditioniert wird. Solche Konzepte werden erfolgreich in der Gaming-Industrie eingesetzt, aber auch beim autonomen Fahren oder bei der Programmierung von Robotern.

In der Fertigungsindustrie ist KI auf dem Vormarsch, vor allem in der Qualitätssicherung. Ein deutscher Getriebehersteller prüft die Getriebe durch Messen der Lautstärke auf dem Prüfstand. Die KI erkennt Anomalien und kann sogar sagen, welcher Arbeitsschritt für den Fehler verantwortlich war. Ein deutscher Automobilhersteller nutzt KI zur Qualitätsprüfung im Karosserieschweißen. Wurden früher die 1000 Schweißpunkte nur stichprobenartig mit Ultraschall geprüft, bewertet die KI nun jeden einzelnen Schweißpunkt, basierend auf den Daten aus den Schweißrobotern wie Temperatur, Strom und weiteren Parametern. Enorm großes Potential bietet bei den KI-Anwendungen die vorausschauende Wartung. Hier sagt der Algorithmus sogar voraus, wann ein Teil ausfallen wird. Für Maschinenhersteller bietet das die Möglichkeit, neue Geschäftsmodelle für Wartungsverträge anzubieten, die dem Kunden eine höhere Verfügbarkeit sicherstellen.

Anbieter zum Thema

zu Matchmaker+

Bedeutung der Daten oft unterschätzt

Die enormen Möglichkeiten von KI haben sich in den Unternehmen herumgesprochen. Doch oft fehlen für eine erfolgreiche Einführung klare Ziele und eine sinnvolle Strategie. Zudem wird die Bedeutung der Daten häufig unterschätzt. Dabei gibt es zwei Extreme, die man in der Industrie häufig findet: zu wenige Daten oder zu viele Daten – beides ist ungünstig für den Einsatz von KI. Bei zu wenigen Daten ist der Fall klar – die KI bekommt nicht ausreichend „Stoff“ zum Trainieren. Auch zu viele Daten können ein Problem sein, etwa wenn Unternehmen alle Informationen, die irgendwo und irgendwie im Unternehmen entstehen, in so genannte Data Lakes hineinwerfen. Dort findet die KI aber nicht die Informationen, die sie zum Training braucht. Konkret: Die Daten haben kein Label, es ist nicht klar, was sie bedeuten, sie lassen sich nicht durchsuchen.

Es gibt aber noch eine weitere Herausforderung bezüglich der Daten. In der Industrie sind diese oft verrauscht. Eine häufige Anwendung ist die Qualitätssicherung in der Automobilindustrie. Dort wertet die KI Kamerabilder aus und erkennt beispielsweise Kratzer im Lack. Ist die Beleuchtung zu grell, kommt es zu Reflexen oder Schatten auf dem Lack. Bei zu wenig Licht erfassen die Bildsensoren nicht ausreichend Details. Diese Artefakte werden beim Einlernen mittrainiert, und eventuell ist der Algorithmus dann nicht in der Lage, den Schattenwurf eines Kratzers vom Schatten, der durch die Beleuchtung hervorgerufen wird, zu unterscheiden. Bevor ein Betrieb mit KI startet, muss er seine Daten im Griff haben. Er muss die Daten säubern und so labeln, dass die KI beim Training zum Beispiel weiß, in welchem Bild der Lack in Ordnung ist und welches einen Kratzer zeigt.

Vortrainierte Modelle

Worin unterscheiden sich klassische Programmierung und Machine Learning?
Worin unterscheiden sich klassische Programmierung und Machine Learning?
© GFT

Das ist aufwändig. Doch es gibt eine gute Nachricht: Mittlerweile kann man Modelle nutzen, die mit typischen Anwendungsfällen vortrainiert wurden – etwa mit Millionen Bildern von Lackoberflächen. Diese haben bereits von Anfang an eine gute Erkennungsrate, und wenn die eigenen Daten nahe genug an den vortrainierten Daten liegen, kann man damit direkt loslegen. Das funktioniert sogar mit einem Algorithmus, der auf etwas anderes trainiert wurde – etwa Menschen von Koalas zu unterscheiden. Zeigt man dem Algorithmus Bilder zerkratzter und nicht zerkratzter Autos, kann er diese tatsächlich besser erkennen als nicht vortrainierte Modelle.

Die Zeiten, in denen nur einige wenige Experten KI programmieren und nutzen konnten, sind zum Glück vorbei. Hat man seine Frage definiert, findet man recht schnell den passenden Algorithmus dazu. Meistens haben nämlich andere bereits die gleiche Frage gestellt. Für die Implementierung bedient man sich in Software-Bibliotheken wie etwa TensorFlow von Google. Aber wie gesagt: Zunächst muss das Problem definiert werden und müssen die Daten in Ordnung sein.

Die meisten KI-Projekte scheitern

Genau das ist jedoch der Knackpunkt. Nach unserer Erfahrung schaffen es nur etwa 15 Prozent aller Pilotprojekte bis zur operativen Routine. Das liegt zum einen daran, dass die meisten Entscheider keine Erfahrung mit dem Thema KI haben und daher unrealistische Erwartungen hegen. Zum anderen wird oft unterschätzt, dass KI nicht allein eine technische Herausforderung ist. Ohne einen relevanten Business Case ist praktisch jedes KI-Projekt zum Scheitern verurteilt. Die Grundsatzfrage ist also: Welchen Beitrag zum Geschäftserfolg soll die KI liefern?

Zur Strukturierung des Projektablaufs hat sich in der Datenwissenschaft das so genannte CRISP-Modell durchgesetzt. Damit wird ein dynamisches, iteratives Vorgehen in sechs Stufen bezeichnet, das vom Verständnis des Problems bis zur Implementierung reicht. Diese Vorgehensweise hat sich aber aus unserer Sicht nicht bewährt. GFT wendet deshalb ein Vierphasenmodell an:

Phase 1: Discovery & Assessment - Hier wird die Problemstellung definiert und der Business Case formuliert, samt KPIs. Dann wird geprüft, ob genügend Daten verfügbar sind und ob sie für ML geeignet sind. Außerdem braucht es ein Team mit vielfältiger Expertise. Die Teamleitung muss das Business verstehen und sich mit Daten auskennen.

Phase 2: Proof of Concept und Prototyping - Hier prüfen KI-Experten die technische Machbarkeit des Business Case mit einem Prototypen in iterativen Feedback-Schleifen. Die favorisierte technische Lösung wird mit einem begrenzten Datenbestand trainiert, validiert und feinjustiert. Als finaler Check wird der ausgewählte Algorithmus anhand neuer Daten evaluiert.

Phase 3: Pilotierung - Nun wird die Lösung in die vorhandene Systemlandschaft integriert. Dabei ist relevant, ob die Anwendung in der Cloud arbeitet oder lokale Rechnerkapazitäten benötigt. Anschließend geht es um die technische Einbindung via Schnittstelle oder über eine grafische Benutzeroberfläche. Dann wird die Lösung mit Pilot-Usern getestet.

Phase 4: Betrieb - Schließlich geht die KI-Anwendung in den produktiven Betrieb. Sie wird kontinuierlich überprüft und mit neuen Daten weiter trainiert, die automatisch gelabelt werden.

Unternehmen, die sich an diese Vorgehensweise halten, haben gute Chancen, KI nutz- und gewinnbringend einzusetzen. Damit tragen sie zu einem erheblichen Wachstum bei: Bei einem umfassenden Einsatz von Dienstleistungen und Produkten auf KI-Basis würde das Bruttoinlandsprodukt bis 2025 um 13 Prozent gegenüber 2019 wachsen, prognostiziert der eco-Verband der Internetwirtschaft (www.eco.de). Das entspräche einem Plus von 488 Milliarden Euro, wobei 330 Milliarden Euro auf Kosteneinsparungen entfielen.

Problem Fachkräftemangel

Doch es gibt ein großes Hindernis. KI leidet besonders stark unter dem Fachkräftemangel. Einige Schulungsanbieter stoßen in die Lücke mit Weiterbildungen, doch solchen Crash-Kursen fehlt oft der Praxisbezug. Mit Halbwissen kommt man aber in diesem Metier nicht weit. GFT hat dagegen in den letzten Jahren viel investiert, um Technologiekompetenz aufzubauen, und die Kunden fragen gezielt nach dieser Kompetenz. Wenn man etwa mit Vertretern eines Automobilkonzerns an einem Tisch sitzt, geht es fachlich schnell ins Detail, weil auch solche Kunden in dem Bereich Wissen aufgebaut haben. Daraus folgt zwangsläufig, dass viele kleinere und mittlere Unternehmen keine Leute finden, um dieses Know-how ebenfalls aufzubauen. Umso mehr sind sie deshalb auf gute Beratung angewiesen, etwa von GFT. Und wie gesagt: Nicht für jedes Problem ist KI die richtige Lösung. Auch um das zu erkennen, braucht es mitunter erfahrene Experten.

Dr. Pascal Laube ist Leiter Engineering beim GFT-Kompetenzzentrum für Industrielösungen.


Verwandte Artikel

GFT Technologies AG / GFT Resource Management GmbH

Künstliche Intelligenz