Das Thema Künstliche Intelligenz ist aktuell in aller Munde. Das ihr zugrundeliegende maschinelle Lernen war viele Jahrzehnte nur Akademikern zugänglich. Die durch immer größere Datenmengen in Kombination mit immer größerer Rechenleistung ermöglichte Technologie treibt revolutionäre Änderungen in unserer Gesellschaft voran.

Die Entwicklung der Prozessor-Leistungsfähigkeit und der Datenmengen.

© asimovero.AI / Intel

ML-Algorithmen entscheiden mittlerweile, ob ein Kunde am Automaten Geld ausbezahlt bekommt, sie erkennen die Gesichter unserer Freunde in den sozialen Netzen und unterstützen oder ersetzen teilweise den Radiologen bei der Bild-Erkennung. Aus der Konsumentenwelt kommend, springt das maschinelle Lernen nun über in die Produktion. Und obwohl mit dem Begriff ‚Maschine‘ im ML ein Rechner und nicht eine Produktionsmaschine gemeint ist, werden auch diese über kurz oder lang tatsächlich die Fähigkeit bekommen, selbstständig zu lernen. 

In der Anfangsphase der ML-Revolution haben die Cloud-Anbieter ML-Frameworks und Bibliotheken zur Verfügung gestellt. Viele Entscheidungsträger haben aber ein mulmiges Gefühl bei der Idee, ihre Produktionsdaten nach außen in die Cloud zu geben. Mittels einer ‚Edge‘-Lösung auf einem Standard-IPC direkt in der Anlage beziehungsweise an der Maschine, können Daten innerhalb der Firewall bleiben. Umso repetitiver die Arbeitsabläufe, umso tiefgreifender die Änderung zukünftiger Arbeitsabläufe. Während im Bereich der Medizin KI immer öfter die eigentliche Arbeit des Radiologen übernimmt, weil sie mittlerweile in immer mehr Teilbereichen akkurater Diagnosen stellen kann wie der Mensch, ermöglicht KI dem Werker in der Produktion, hochwertigere Arbeit auszuführen. Firmen die sich keinen Datenanalytiker (Data Scientist) leisten können, sollten sich überlegen, aus ihrer IT-/Entwicklungs-/Forschungsabteilung heraus eigene Mitarbeiter an das Thema heranzuführen. 

Unterschied zwischen ML und KI

Die Abgrenzung der vier Technologien KI, ML, NN und DL.

© asimovero.AI

Bereits 1959 definierte der US-amerikanische Informatiker und Computerpionier Arthur Samuel Machine Learning als ein Studiengebiet, welches „Computern die Fähigkeit gibt zu lernen, ohne dazu vorher explizit programmiert worden zu sein“. Es kommt, wie das Data Mining, aus der Statistik. Die Unterschiede: Die Statistik definiert, was passiert ist; das Data Mining erklärt, warum etwas geschehen ist; das ML bestimmt, was passieren wird und gibt vor, wie bestimmte Situationen optimiert oder vermieden werden können.

ML ist eine eigenständige Disziplin, die häufig mit KI verwechselt wird. Der Begriff KI stammt aus dem Jahre 1956 und ist damit nur geringfügig älter. Er bezeichnet den Versuch, eine menschenähnliche Intelligenz nachzubilden. ML kann auf diesem Weg ein erster, erfolgreicher Schritt sein, weshalb es gerne als Teilbereich der KI verstanden wird.

Doch nicht nur in der Definition unterscheiden sich die Begriffe – es gibt einen weitaus wichtigeren Unterschied: ML ist schon da, ist bereits unter uns; wann wir das von der KI behaupten können, steht dagegen in den Sternen.

Damit der deutsche Maschinen- und Anlagenbau seine internationale Führungsrolle beibehalten und ausbauen kann, ist die Auseinandersetzung mit der Digitalisierung und konkret mit ML – nicht KI – zwingend erforderlich. Trotzdem werden wir in näherer Zukunft wohl immer öfter von KI hören, auch wenn ML – mit seinen Teilbereichen Neuronale Netze/Deep Learning – gemeint ist, einfach weil es anspruchsvoller klingt. 

Nutzen, Chancen und Risiken

Warum gewinnt das Thema ML gerade jetzt und in diesem Maße an Bedeutung? Die Antwort ist so einfach wie komplex: Was gestern noch nicht möglich war, ist heute Alltag. Hohe Rechenleistung – in diesem Maß vor zehn Jahren noch außerhalb unseres Vorstellungsvermögens – ist zu einem bezahlbaren Gut geworden. Kombiniert man diese Rechenleistung mit großen Datenmengen, lassen sich Algorithmen kontinuierlich weiterentwickeln. Einige Kernthemen sorgen dabei für eine gewisse Verunsicherung: Dazu zählt das erforderliche Wissen, wie die relevanten Algorithmen ausgewählt, entwickelt und konfiguriert werden, wie die Daten beschafft und bereitgestellt werden und nicht zuletzt die zwingend notwendige Erfahrung. Auch unklare rechtliche Aspekte und Implikationen halten Unternehmen davon ab, in diesen Bereich geschäftsrelevant zu investieren. Vielen Fertigungsunternehmen fällt es schon schwer, ein fachliches Anwendungsfeld oder ein Projekt zu erkunden und zu definieren. So wird das Thema an die IT oder die Produktentwicklung weitergegeben – wie so oft bei innovativen Technologien. Dadurch reduziert sich der Fokus häufig auf die Technik, die betriebswirtschaftlichen Mehrwerte verlieren an Bedeutung.

In vielen Maschinenbauunternehmen herrscht noch Unsicherheit darüber, ob ML ein geschäftsrelevantes Thema ist. Dabei bietet ML dem deutschen Maschinen- und Anlagenbau ungeahnte Möglichkeiten: Bestehende Geschäfts- und Produktionsprozesse lassen sich optimieren, die Maschinen reifen in der Folge zu intelligenten und beinahe autark arbeitenden Prozessdienstleistern. Gerade die zunehmende Austauschbarkeit einzelner Maschinen wird in vielen Bereichen dazu führen, dass künftig nicht mehr nur die Maschine selbst, sondern vor allem ergänzende Leistungen verkauft werden. Damit ändert sich die Geschäftsgrundlage für den Maschinenbau gravierend. Dies erklärt, warum das Thema ML im Management und in vielen Fachbereichen von Maschinenbau-Unternehmen höchst präsent ist. 

Vor Ort statt in der Cloud

Nebeneffekt der Entwicklung ist: Die Menge, Geschwindigkeit und Vielfältigkeit der heute anfallenden Daten übersteigt die Fähigkeiten des Bedienpersonals und verlangt nach neuen, datenbasierten Ansätzen. Vorausschauende Wartung zielt darauf ab, den großen Teil der nicht altersbedingten Ausfälle zu reduzieren und so die Anlagenleistung zu erhöhen. ML-Algorithmen sagen den Ausfall konkreter Anlagenteile voraus. Das ermöglicht eine bedarfsgerechte Wartung spezifischer Teile zu produktionsfreien Zeiten, bevor es zum Ausfall kommt. Bei der klassischen Reihenfolge ‚Algorithmen -> Daten -> Entscheidungen‘ kann die Gesamt-Anlagen-Effektivität (GAE) nicht besser sein als der Mensch, der sie programmiert hat. ML-Algorithmen, angewendet auf große Mengen an Produktionsdaten, können dagegen Kausalitäten finden, welche die GAE verbessern und dem Anlagenbetreiber bis dato verborgen waren.

Viele Entscheidungsträger haben ein mulmiges Gefühl bei der Idee, ihre Produktionsdaten nach außen in die Cloud zu geben. Alternativ dazu kann mit einer ‚Edge‘-Lösung auf einem Standard-IPC direkt in der Anlage beziehungsweise an der Maschine, an der die Daten anfallen, die Sicherheit verbessert werden. Das Ziel der gesamtheitlichen Verbesserung von Verfügbarkeit, Leistung und Qualität ist nicht neu. Neu ist der datenbasierte Ansatz mittels ML-Algorithmen, wenn gewollt in der Anlage.

Die Voraussetzungen

ML ist ein mächtiges Instrument, aber kein Allheilmittel. Zu Beginn eines Einführungsprojektes ist es notwendig, Chancen und Risiken zu reflektieren, Kosten und Nutzen abzuschätzen und diese zu quantifizieren – immer ausgehend von einer klar definierten Zielsetzung. Wird ML eingeführt oder erstmalig genutzt, ist sehr wahrscheinlich eine Lernkurve zu durchschreiten und eine Durststrecke zu durchleben. 

ML ist inzwischen in aller Munde, Erfahrung und Expertise fehlen jedoch weitestgehend. Neue Vorgehensweisen müssen erarbeitet, verifiziert und auch validiert werden. Fast jeder bestehende Algorithmus ist eine gut gehütete Black Box; dadurch sind die Ergebnisse nur zum Teil erklärbar und vermittelbar. Das wiederum kann zu langen Einführungszeiten führen. Bei der Einführung oder Erstnutzung von ML ist deshalb die verlässliche Unterstützung des Managements enorm wichtig, aber auch vorzeigbare Erfolge. Sie halten zum einen die Motivation der Beteiligten und Verantwortlichen hoch, zum anderen entkräften sie die Argumente der Zweifler. 

Um ML entwickeln und/oder erfolgreich einführen zu können, sind Kompetenzen im Entwickeln der Algorithmen und der Lösungen sowie Kompetenzen am Markt bei den Kunden und der gesamten Lieferkette bei den beteiligten Mitarbeiterinnen und Mitarbeitern unerlässlich.

Von der regelbasierten zur datengetriebenen Entscheidungsfindung ändert sich die Reihenfolge von Algorithmen -> Daten -> Entscheidungen zu Daten -> Algorithmen -> Entscheidungen.

© asimovero.AI

Eine weitere Voraussetzung für die erfolgreiche ML-Einführung: Daten in ausreichender Menge und Qualität und der Zugriff darauf über ein geeignetes Daten-Netzwerk. Daten entwickeln sich zur wichtigsten Währung des 21. Jahrhunderts und sind die Grundlage für ML. Daten werden, zusätzlich zu Boden, Kapital und Arbeitskraft, zunehmend zum Produktionsfaktor. Sie ermöglichen Kosteneinsparungen und neue Geschäftsmodelle. Aus der zunehmenden Herrschaft der Daten resultiert die Umkehr der Reihenfolge von ‚Algorithmen -> Daten -> Entscheidungen‘ hin zu ‚Daten -> Algorithmen -> Entscheidungen‘. Das repräsentiert die gerade stattfindende Revolution.

Die Daten müssen aufbereitet sein, damit beispielsweise fehlerhafte Daten korrigiert oder gelöscht und fehlende Daten ergänzt werden können. Zusätzlich ist ein einheitlicher und präziser Zeitgeber erforderlich, um später zeitfolgerichtige Schlüsse ziehen zu können. Vor dem Start eines Projekts sollten alle Quellen bekannt sein beziehungsweise die Ebenen, auf denen sich ML bewegt. Mit einer Datenlandkarte lassen sich notwendige Daten identifizieren, aber auch deren Typ und die Orte, an denen sie anfallen. Sofern eine solche Karte noch nicht existiert, muss sie zu Beginn erstellt werden. 

ML – jetzt mit nennenswertem Durchbruch

Heute wird erst deutlich, was einige industrielle Fertiger und Maschinenbauer unter digitaler Wertschöpfung verstehen und wie sie den Weg in eine datengetriebene Zukunft angetreten haben. Das erklärt auch, warum sie ihren Vorsprung gegenüber dem Wettbewerb weiter ausbauen können. Das wertvolle Expertenwissen entwickelt sich mit einer enormen Geschwindigkeit, sodass sich nach recht kurzer Anlaufzeit eine Eigendynamik einstellt. Diese Dynamik lässt den Abstand auf die Unternehmen, die noch hadern, exponentiell ansteigen – nur übertroffen vom Anstieg der Datenmenge, die für Auswertungen zur Verfügung steht. Doch auch für die Fast Follower ist es nicht zu spät. Diese Unternehmen machen sich nun ebenfalls auf den Weg, Daten nicht mehr als Rohöl wahrzunehmen, sondern als raffinierten Bestandteil der eigenen Wertschöpfungskette. In der aktuellen Technologiephase erreicht ML den ersten nennenswerten Durchbruch mit großflächig einsetzbaren Lösungsansätzen. Grundlage dafür war die Fähigkeit, kostengünstig Daten parallelisiert zu verarbeiten. In der nächsten Phase wird ML flächendeckend in allen Bereichen der industriellen Fertigung Einzug halten, angetrieben durch Embedded-KI-Lösungen, beispielsweise in der selbstoptimierenden Prozesssteuerung.

Notwendige Schulung

Damit die Umwandlung der Anwendungsfälle durch KI einigermaßen koordiniert über die Bühne geht, ist es notwendig, dass Arbeitnehmer an dieses Thema herangeführt werden. Abteilungen, die in ihrer Hauptaufgabe primär mit Daten umgehen, sollten sich in näherer Zukunft über angebotene Kurse oder Seminare weiterbilden. Dazu gibt es mittlerweile zahlreiche sogenannte ‚Massive Open Online Course‘-Angebote (MOOCs), hauptsächlich in englischer aber auch in deutscher Sprache, mit oder ohne Zeugnis. Die meisten werden kostenlos oder gegen geringe Gebühr angeboten.

Sonderrolle Maschinenbau

Die ungleich größeren Investitionen, die speziell in China und den Vereinigten Staaten in den KI-Bereich investiert werden, geben angesichts der langsameren Entwicklung in Europa Anlass zur Sorge. Die Industrie hat aber gute Karten. Während US-Amerikanische Daten-Firmen uns im Konsumentenbereich gezeigt haben, was möglich ist, wird der Deutsche Maschinen- und Anlagenbau der Welt – mittels eingebetteter KI – seine weltweite Vorreiterrolle erfolgreich verteidigen können.

Autor:
Peter Seeberg ist als freiberuflicher AI Consultant tätig.