Frau Maduekwe, warum geht ARC jetzt das Thema KI mit einer Studie an – ist KI nicht schon fest etabliert in der Industrie?

Ebele Maduekwe: Ja und nein! Das Thema künstliche Intelligenz gibt es zwar schon seit vielen Jahren, aber erst seit kurzem beobachten wir in industriellen Anwendungen ein verstärktes Interesse an KI. Für dieses verzögerte Interesse machen wir drei wesentliche Gründe aus: So erlebt KI derzeit immer noch eine sehr rasche Innovation, das Anbieter-Umfeld ändert sich noch ständig und das Potenzial der KI-Anwendungen ist für die Anwender immer noch schlecht abschätzbar. Wir sehen jedoch einen klar definierten Mehrwert in der Verwendung von KI in den Bereichen Qualitätskontrolle, Maschinenleistungsmanagement und Robotik.

Häufig wird für KI auch der Begriff Machine Learning verwendet. Wie differenzieren Sie hier?

Ebele Maduekwe: KI in einem Fertigungsumfeld definieren wir als ein System, das seine Umgebung wahrnimmt und Maßnahmen ergreift, um seine Chancen dahingehend zu maximieren, sein Ziel zu erreichen  – ein Roboter etwa, der sich in einer unstrukturierten, sich verändernden Umgebung von A nach B bewegt. Machine Learning dageben umfasst verschiedene Techniken, mit denen eine Maschine etwas über ihre Umgebung lernen kann, um vordefinierte Ziele zu erreichen. Mit anderen Worten: Machine Learning ist ein Werkzeug für die KI.

Was haben Sie herausgefunden? Wie ‚kauft‘ man KI? Ist es eine Software, ein Hardware-Modul oder ein lizenzierter Algorithmus, den man ersteht?

Ebele Maduekwe: Künstlich intelligente Systeme und Geräte gibt es in verschiedenen Ausprägungen: Als Hardware mit einem dedizierten KI-Chip, als Software mit KI-Bibliotheken, mit denen man ein eigenes AI-Modell erstellen kann, oder mit fertigen KI-Modellen als Plug-&-Play-Module. Mit neuen Anwendungen und Anwendungsfällen besteht auch die Möglichkeit, neue Konstrukte von Hardware, Software und Diensten als eigenständige Lösung oder als Kombination zu verwenden. – Diese Vielfalt macht es für die Anwender eben auch so schwierig, sich eine eigene Meinung von der passenden Lösung zu bilden. 

Welche Skill-Sets sind notwendig, um KI zu implementieren? 

Ebele Maduekwe: Je nach Branche reicht die notwendige Fachexpertise von Null IT-Kenntnissen bis hin zu spezifischem Automatisierungs-Know-how. Für einfache Anwendungsfälle sind eventuell nur Data-Science-Kenntnisse erforderlich, für komplexe Prozesse jedoch Kenntnisse aus den Bereichen Automatisierung und IT. Natürlich können mehrere Spezialisten zusammenkommen, um ein Problem zu lösen. Es gibt also kein pauschales Rezept.

In welchen Branchen sehen Sie die ‚First movers‘? In welchen Anwendungen?

Ebele Maduekwe: Am meisten profitiert derzeit die Automobil-Produktion von der KI. So sehen wir im Moment die höchste Akzeptanz in den Automobil- und Robotikbranchen. Auf die Anwendungen bezogen verzeichnen wir die höchste Akzeptanz in der Bildverarbeitung zur Qualitätskontrolle. In Bildverarbeitungssystemen sind Produkte und Lösungen entwickelt worden, bei denen die Qualitätskontrolle in Echtzeit mit einfachen künstlichen neuronalen Netzwerken bis hin zu komplexen neuronalen Netzwerken mit Deep Learning analysiert wird. Diese Lösungen finden bereits in der Elektronik- und Halbleiterindustrie Verwendung und werden auch in Branchen wie der Holzverarbeitung ausgerollt.

Wie sehen Sie die Entwicklung des Marktes im nächsten Jahrzehnt?

Ebele Maduekwe: Wir sehen ein stetiges Wachstum, da immer mehr Herstellerfirmen lernen, KI einzusetzen und ihren Mehrwert in ihren Betrieben zu erkennen. Nach der Bildverarbeitung in der Automobilindustrie werden die anderen Branchen und Anwendungsfelder aufholen. Wir erwarten auch neue Produkte, die sowohl für gängige Anwendungsfälle als auch für spezielle Anwendungsfälle in der Fertigung entwickelt werden. Und ganz wichtig: Die Entwicklung kostengünstigerer Lösungen wird die Einführung zahlreicher KI-Technologien und -Anwendungen vorantreiben.