Jede Künstliche Intelligenz bedarf zunächst gelabelter beziehungsweise aufbereiteter Daten, denen bereits vor dem Lernvorgang eine Bedeutung zugeordnet wurde. Diese Daten kann ein geeignetes KI-Verfahren anschließend mit dem Ziel nutzen, ein Modell dieser Daten zu erstellen, um darauf basierend ähnliche Datenmuster in künftigen Daten selbsttätig erkennen zu können. Gelabelte Daten stellen sozusagen die Brücke zwischen Datenmustern und ihrer Bedeutung in der realen Welt dar. 

In klassischen Anwendungen wie Bildklassifikation oder Spracherkennung wird das Labeln der Daten meist empirisch vorklassifiziert und oft sogar manuell durchgeführt. Man kommt in diesen Anwendungen nur deswegen damit aus, weil die einmal gelabelten Datenmuster sich mit der Zeit nicht substanziell verändern und das gelabelte Datenmaterial langfristig Bestand hat. Eine KI-basierte Spracherkennung beispielsweise kann davon ausgehen, dass die Sprech- und Wortmuster einer Sprache einmal antrainiert prinzipiell unverändert ihre Bedeutung behalten. Das Gesprochene hat über Monate oder gar Jahre Bestand. 

Geschäftsprozess-Datenanalyse mit Deep Qualicision KI bei der Sequenzierung von Produktionsaufträgen.

© PSI FLS Fuzzy Logik & Neuro Systeme

Bei Geschäftsprozessdaten ist aufgrund der kontinuierlichen Neuentstehung von Datenmustern ein automatisiertes Labeln der Daten unabdingbar, sobald die KI-Anwendungen im Bereich der Optimierung von Prozessen und der echtzeitfähigen Entscheidungsunterstützung arbeiten. Insbesondere bei Produktionsprozessen mit höherer Variantenanzahl sind das Bestelverhalten der Kunden und die Ressourcen-situation des Produktionsprozesses täglich anders. Eine KI-geeignete Datenaufbereitung muss hier aus historisierten und aktuellen Daten automatisch Zusammenhänge in Form von qualifizierten, weniger volatilen Klassen von Datenmustern erkennen, sichtbar machen und so selbsttätig die Rohdaten labeln können. Nur auf diese Weise sind ‚rohe‘ Geschäftsprozessdaten für die sich selbst anpassenden und lernenden KI-Algorithmen nutzbar. Der Aufwand für die Bereitstellung von Eingabe-Informationen für ein derartiges Labeln der Daten muss zudem im Verhältnis zum Nutzen wirtschaftlich darstellbar sein.

Hierfür wurden Algorithmen für das sogenannte Qualitative Labeln in Verbindung mit der KI-Software entwickelt. Vereinfacht gesagt, macht sich das Qualitative Labeln die in den Geschäftsprozessen ohnehin erhobenen Messdaten zunutze. Die Rede ist hier von sogenannten Mikro- und Makro-KPIs (Key Performance Indicators), die der Kunde als Kennzahlen im Hinblick auf die Zufriedenheit aus seiner beziehungsweise aus der Perspektive des Prozesses einordnet. Aus  dieser qualitätsorientierten Minimal-Information lassen sich Datenzeitreihen ableiten und die Qualitativen Labels für den betreffenden Geschäftsprozess ohne weiteres Eingangswissen errechnen.

Vereinfacht gesagt, bilden Kennzahlensysteme, die die Unternehmen heranziehen, um die eigenen Prozesse zu bewerten und zu steuern, die initiale Eingabe-Information für das Qualitative Labeln. So werden Rohdaten der Geschäftsprozesse KPI-orientiert gelabelt und den KI-Systemen zugeführt. Dies stellt das Vorliegen gelabelter Geschäftsprozessdaten als Grundvoraussetzung für einen gezielten wertschöpfenden Einsatz von KI-Methoden zur Prozess-Optimierung sicher, ohne die beispielsweise Neuronale Netze nicht einsetzbar wären. 

Reihenfolge-Optimierung in der ­Produktion

Das Qualitative Labeln ist in einer Reihe von industriellen Anwendungen bereits im Einsatz – etwa bei KI-Autopiloten zur selbsttätigen Steuerung von Produktionsabläufen oder zum Lernen von Systemeinstellungen in der Automobilindustrie und im Bereich der Energiewirtschaft. Unter anderem geht es dabei um Verfahren im Zusammenhang mit Selbstdiagnosen komplexer Maschinen für Predictive Maintenance. Weitere Anwendungen wie die Prognose von Energielastprofilen in sogenannten Micro Grids oder im Bereich Predictive Quality sind in Vorbereitung.

Klassifizierung von relevanten Kriterien mittels Qualitativem Labeln und daraus folgenden Handlungsempfehlungen.

© PSI FLS Fuzzy Logik & Neuro Systeme

Ein konkretes Beispiel einer industriellen Anwendung, bei der das Verfahren des Qualitativen Labelns zum Einsatz kommt, ist die Optimierung von Sequenzen in der Automobilproduktion basierend auf den Plan-Zeiten. Die hier festgelegten KPIs leiten sich ab aus den Arbeitszeiten von Tätigkeiten und Abläufen in jeder der Arbeits-stationen entlang einer Montagelinie. Die zu produzierenden Fahrzeuge sind so in Sequenz zu stellen, dass keine der Arbeitszeiten-KPIs ihre Kapazitätsobergrenzen überschreiten. Lässt sich eine Überschreitung punktuell nicht vermeiden, so ist unmittelbar im Anschluss eine Arbeitszeitentlastung sicherzustellen, indem in der Sequenz auf Fahrzeuge mit komplexen Tätigkeiten Fahrzeuge mit weniger komplexen Arbeitsinhalten folgen.

Über die hohe Kombinatorik der möglichen Sequenzen hinaus unterliegt die Sequenzierung – wie fast alle Produktionsprozesse – einer immensen Dynamik hinsichtlich der Variantenvielfalt und der Zusammensetzung der Auftragsmengen, die sich daraus ergibt, dass jeder Kunde ein individuell zusammengesetztes und damit anderes Fahrzeug bestellt. Aus der Perspektive der Fabrik sind die Zusammensetzungen der Auftragsvarianten astronomisch komplex, die Auftragsabarbeitung soll aber geordnet und geplant ablaufen. Hier hilft das automatisch aus KPIs abgeleitete Qualitative Labeln, die rohen Auftragsdaten KI-fertig aufzubereiten, damit die Lernfähigkeit der Sequenzierungssoftware und die geforderte Prozessstabilität trotz der hohen Kombinatorik sichergestellt sind.
 

Prädiktive Instandhaltung

Bei der Planung von Wartung und Instandhaltung ergeben sich ebenfalls täglich vielfältige Herausforderungen, die sich im industriellen Einsatz durch Qualitatives Labeln in Einklang bringen lassen. Diese Herausforderungen münden nicht selten in folgende Fragestellungen: Wie kann die Verfügbarkeit von Maschinen erhöht und gleichzeitig der Aufwand für Wartungen und Reparaturen minimiert werden? Wie lassen sich Wartungsaufträge und deren gegebenenfalls anfallende operative Änderungen kosteneffizient bei der Einplanung sowie bei der Einstufung von Kapazitätsspitzen berücksichtigen?

Datensätze werden durch vorher definierte KPI-Bewertungsfunktionen qualitativ gelabelt und durch eine Konflikt- und Verträglichkeitsanalyse in Beziehung gesetzt, die zu Handlungsempfehlungen führt.

© PSI FLS Fuzzy Logik & Neuro Systeme

Bei der prädiktiven Instandhaltung mit der automatischen Klassifizierung der intelligenten KI-Software wird hierbei zunächst nach der Auswahl relevanter Kriterien wie Temperatur, Druck, Arbeitsstunden, Termin der letzten Wartung, Stromverbrauch oder Kritikalität des Maschinenausfalls und zwischen deren negativen, normalen und positiven Auswirkungen auf eine Maschinenwartung unterschieden. Basierend auf Standardmessgrößen der Maschine, die mit dem Hersteller abgestimmt sind, werden dazu im Vorfeld Mikro-KPIs festgelegt und mittels auf erweiterter Fuzzy-Logik basierenden Bewertungsfunktionen qualifiziert. Anschließend werden diese qualifizierten Mikro-KPIs dazu benutzt, um Zusammenhänge auf den Mikro-KPIs zu erkennen und die Maschinendaten so durch den Algorithmus aufzuarbeiten – sprich qualitativ zu labeln.    

Auf der Grundlage der gelabelten Maschinendaten werden dann aggregierte Makro-KPIs gelernt, die sich als Kriterien zur Erkennung von Maschinenzuständen heranziehen und zur Klassifizierung von Wartungsbedarfen nutzen lassen. Die Klassifizierung kann zum Beispiel nach den Kategorien ‚Dringender (akuter) Wartungsbedarf‘, ‚mittelfristiger Wartungsbedarf‘ oder ‚kein Wartungsbedarf‘ erfolgen. Die genauen Abstufungen bestimmt der Maschinenhersteller selbst, indem er mittels Deep Qualicision die Selbstdiagnose der Maschinen nachjustieren kann – jedoch nicht muss.

So entsteht eine automatische Erkennung der Wartungs- und Instandhaltungsbedarfe auf Basis von Sensordaten. Die Nachjustage der Kriterien kann durch unterschiedliche Ränge der Relevanz der gelabelten Daten entweder manuell oder kombiniert mit einem erneuten maschinellen Lernen der Kriterienrelevanz er­folgen.

Eine wertschöpfende Datennutzung mit Maschinellem Lernen und damit eine Optimierung der Geschäftsprozesse durch KI wird vor allem durch das Lernen von Zusammenhängen aus historisierten Daten mittels des Qualitativen Labelns und der auf den jeweiligen Geschäftsprozess passenden flexiblen Kombination eines KI-Technologie-Stacks möglich. Die Erfahrung zeigt, dass es Mitarbeitern, die mit dem Geschäftsprozess vertraut sind, schnell und intuitiv gelingt, KI-Techniken nutzbringend einzusetzen, ohne selbst KI-Experte sein zu müssen. Gerade dieser zuletzt genannte Aspekt wird künftig eine wichtige Rolle beim Einsatz von Künstlicher Intelligenz in der Industrie spielen.

Die entsprechenden Geschäftsprozesse werden nicht zuletzt durch die Vernetzung bestehender Lösungen zu übergreifenden Szenarien weiter an Komplexität und Dynamik gewinnen. Oberste Prämisse hat dabei, dass die neue Komplexität im Sinne der Anwender und der Prozesse beherrschbar bleibt. Daher muss das Labeln der Daten nachvollziehbar und behandelbar sein, und zwar nicht nur durch KI-Experten und Data Scientists, sondern durch die Anwender mit ihrem Prozesswissen selbst. Nur so können die Anwender Künstliche Intelligenz selbst in die industrielle Breite tragen. Der entsprechende Weg dahin wird zwar nicht von heute auf morgen entstehen, ist aber durch die entsprechende Software-Unterstützung möglich und mit jeder KI-Anwendung effizienter und verständlicher.

Autor: Dr. Rudolf Felix ist Geschäftsführer von PSI FLS Fuzzy Logik & Neuro Systeme.