Firmen im Artikel
Inhaltsverzeichnis
1. Wie funktionieren neuronale Netze?
2. KI kommt aus der Cloud
3. Revolution durch neuronale Netze
4. KI und Bruttosozialprodukt
5. In der Ruhe liegt die Kraft
6. Fünf Empfehlungen von McKinsey
Was ist überhaupt Künstliche Intelligenz? Leider existiert keine einheitliche Definition. Die Bandbreite der Erklärungsversuche reicht von einfachen Systemen, die komplexe Aufgaben selbstständig lösen, bis hin zu IT-Architekturen, die tatsächlich Wissen beziehungsweise Daten verarbeiten und daraus eigenständig neue Handlungsweisen und Erkenntnisse ableiten. Folgt man der einfachsten Definition, verfügt schon ein simples Bilderkennungsprogramm über künstliche Intelligenz, da es auf Basis seiner Algorithmen erfolgreich Objekte erkennt.
Wie funktionieren neuronale Netze?
Setzt man die höchsten Maßstäbe an, existieren weltweit nur wenige wirkliche KI-Lösungen, die allesamt mit neuronalen Netzen arbeiten. AlphaZero zum Beispiel – ein Programm, das sich innerhalb weniger Tage selbst das Schachspielen beigebracht hat und seither jeden Großmeister schlägt. Oder Google Translate, das inzwischen jede Sprache in jede andere übersetzt, ohne dafür ursprünglich programmiert worden zu sein.
Ein neuronales Netz basiert nicht auf fest verschalteten Bauteilen, sondern auf Verbindungen, die das System eigenständig organisiert. Ist eine Transaktion erfolgreich, stabilisieren sich die bestehenden Verknüpfungen. Macht die Maschine einen Fehler, wird die Architektur partiell oder komplett neu organisiert. Industriell werden solche Systeme heute vor allem in der Bilderkennung und im Bereich des autonomen Fahrens weiterentwickelt. Die Forschungsergebnisse können sich im wahrsten Sinne des Wortes sehen lassen: Die Fehlerrate bei computergestützter Bilderkennung lag 2010 noch bei 28 %, 2017 waren es weniger als 4 %. In fertigenden Betrieben werden aus Kostengründen auf absehbare Zeit allerdings keine lokalen neuronalen Netze zum Einsatz kommen, sondern vor allem SaaS-Services.
KI kommt aus der Cloud
Künstliche Intelligenz auf dem Shopfloor ist vor allem durch die Integration in den digitalen Workflow und durch ihre Komplexität definiert. Während viele Unternehmen noch mit dem Schritt von Industrie 3.0 zu 4.0 beschäftigt sind, arbeiten Forschungslabore bereits an Lösungen, welche die Arbeitswelt von morgen prägen werden. Das DFKI (Deutsches Forschungszentrum für Künstliche Intelligenz) und Hitachi entwickeln beispielsweise gemeinsam ein KI-System, das kritische Handlungen und Maschinenfehler in der Produktionslinie frühzeitig erkennt. Sie verwenden dazu Daten aus mobil am Körper getragenen Sensoren, aus Eyetracking-Brillen und Armband-Sensoren. Macht der Mensch einen Fehler, schlägt das System Alarm. So lassen sich auch anspruchsvolle Arbeitstätigkeiten unterstützen und Fehler in der Fertigung vermeiden.
Weitere Global Player arbeiten an offenen Lösungen: IBM bietet mit Watson zum Beispiel ein KI-System an, das auf Bild- und Sprachverarbeitung spezialisiert ist. Damit kann direkt an der Maschine ein Bild des entsprechenden Teils oder Produktes aufgenommen werden und Watson nach einem Urteil oder nach Hilfe gefragt werden. Ein weiteres Beispiel ist MindSphere von Siemens, eine als offenes Betriebssystem für das Internet der Dinge konzipierte Cloud-Plattform. Sie verarbeitet Big Data direkt aus der Produktion. Die Anwendungen und Services auf MindSphere stammen von Siemens wie auch von Drittanbietern. Auch hier drehen sich die primären Einsatzbereiche um vorausschauende Wartung, Ressourcen-Optimierung oder auch um Energiedaten-Management.
Der Erfolg eines KI-Projektes steht und fällt mit der Aufbereitung der Datenbasis. Watson benötigt bis zu 30 000 Bilder eines Produktes, bevor der Service autonom funktioniert. Die Erstellung, Bewertung und Eingabe dieser Bilder kann Wochen in Anspruch nehmen. Ähnlich liegt der Fall bei Predictive Maintenance-Systemen – vor allem, wenn die bisherigen Dokumentations-Daten nur unstrukturiert vorliegen. Weil dies häufig der Fall ist, nimmt die Aufbereitung der Daten nicht selten bis zu 50 % der Zeit eines KI-Projektes ein. Das umfasst die Sichtung der Informationsquellen, die Integration aller Daten und die anschließende Überprüfung und Korrektur. Ein Aufwand, der auch von konventionellen Data-Mining-Projekten bekannt ist.
Revolution durch neuronale Netze
Der Einsatz neuronaler Netze bietet dieser Datenbasis jetzt allerdings revolutionär neue Möglichkeiten. Denn die Systeme sind in der Lage, selbstständig Zusammenhänge zu erkennen und kontextorientierte Rückschlüsse zu ziehen – beispielsweise zwischen Fertigungstoleranzen und Wartungszuständen. Das war bisher nicht der Fall: Klassische Analysemethoden bieten immer nur die Antworten, für die vorher die entsprechende Frage gestellt wurde. Zusammenhänge, die von den Algorithmen vorher nicht beschrieben wurden, können mit konventionellen Systemen nicht erkannt werden – mit KI dagegen sehr wohl.
Dabei ist es gerade im industriellen Umfeld hilfreich, dass die strukturierten Maschinen- und Prozessdaten mit unstrukturierten Informationen, bestehend aus Tönen, Bildern oder Videos kombiniert werden können. So können in Echtzeit mit Informationen direkt aus der Fertigung zuverlässige Prognosen oder auch Informationen über die weiteren Prozessschritte abgerufen werden.
Allerdings ist Technik nicht alles: Sie muss verstanden, gestaltet und bedient werden. Das geht nur mit qualifizierten Mitarbeitern. Und genau hier zeichnet sich ein Engpass ab. Laut der weltweiten Studie von Accenture Strategy „Reworking the Revolution“ aus dem Jahr 2018 wollen nur 4 % der deutschen Unternehmen in den nächsten drei Jahren erheblich mehr für die Weiterbildung investieren. 41 % planen sogar, die Schulungsetats zu kürzen. Das Personal steht dagegen gerne bereit: 63 % der in Deutschland befragten Arbeitnehmer und Selbstständigen glauben, dass sie zusätzliches Wissen benötigen, um das volle Potenzial von intelligenten Technologien nutzen zu können.
KI und Bruttosozialprodukt
Die Berater von McKinsey haben 2017 die möglichen Vorteile durchgerechnet und kommen zu dem Schluss, dass Künstliche Intelligenz zum Wachstumsmotor für die deutsche Industrie werden kann. Bis 2030 kann laut der Studie „Smartening up with Artificial Intelligence (AI) – What’s in it for Germany and its Industrial Sector?“ das Bruttoinlandsprodukt Deutschlands durch den frühen und konsequenten Einsatz von intelligenten Robotern und selbstlernenden Computern um bis zu 4 % oder umgerechnet 160 Mrd. Euro höher liegen als ohne den Einsatz von KI. Dies entspricht einem zusätzlichen jährlichen Wachstum von 0,25 % beziehungsweise 10 Mrd. Euro. Für die Analyse wurden vor allem die Anwendungsfelder analysiert, welche als Startpunkt für die Nutzung von KI dienen können. Dazu zählt nach den Ergebnissen von McKinsey zuerst einmal die eigentliche Fertigung. Die Berater erwarten eine 20-prozentige Verbesserung der Anlagennutzung durch vorausschauende Wartungsarbeiten. Dazu kommt eine ebenfalls 20-prozentige Steigerung der Produktivität durch die gezielte Zusammenarbeit von Mitarbeitern und Cobots – collaborative Robots. Die Berater erwarten darüber hinaus eine 30-prozentige Reduktion des gesamten Ausschusses durch intelligente Fehlererkennung.
Neben dem Einsatz in der Produktion eignen sich KI-Lösungen vor allem für Analysen. Eine Optimierung der Lieferkette auf Basis exakterer Abverkaufsprognosen kann zu einer Reduktion der Lagerhaltungskosten um bis zu 50 % und zu einer deutlich schnelleren Auslieferung führen. Das ist einer der wichtigsten Gründe, warum Technik-affine Unternehmen wie BMW für manche Modelle von der Bestellung bis zur Auslieferung nur noch vier Wochen brauchen. Demgegenüber steht das neue Sofa durchschnittlich erst nach zwölf Wochen im eigenen Wohnzimmer.
Lesen Sie ergänzend zum Thema auf den nächsten Seiten ein Interview mit Prof. Dr.-Ing. Martin Ruskowski vom DFKI.
In der Ruhe liegt die Kraft
Blockchain und Künstliche Intelligenz: Diese beiden Stichworte beherrschen zurzeit die Diskussion über die Fabrik der Zukunft. Die Blockchain wird die Logistik verändern, KI das Entscheidungs-Management. Wie schnell und wie grundlegend steht noch in den Sternen. Was allerdings sicher ist: Wer heute einsteigt, ist morgen gerüstet. Dieser Einstieg muss nicht groß und teuer ausfallen; auch begrenzte Pilotprojekte schaffen Erfahrung.
Michael Grupp Freier Redakteur in StuttgartDie Serie Industrie 4.0
Wir begleiten Sie in unserer fortlaufenden Serie auf dem Weg zur Digitalisierung: In dieser Ausgabe beleuchten wir das Thema Intralogistik. Alle Beiträge finden Sie online auf www.industrieanzeiger.de; ein Kompendium der spannendsten Teile gibt es in Ausgabe 11/2018.
Fünf Empfehlungen von McKinsey
Um sich dem Thema KI pragmatisch zu nähern, empfehlen die Berater von McKinsey in der Studie „Smartening up with Artificial Intelligence“ folgende erste Schritte:
- Pilotprojekte festlegen und dabei die Wirtschaftlichkeit im Auge behalten.
- Intern KI-Kompetenzen aufbauen und mit spezialisierten Drittanbietern zusammenarbeiten.
- Kontinuierlich granulare Daten speichern; sie sind der Treibstoff für KI- Anwendungen.
- Bestehendes Wissen über eigene Produkte und Prozesse mit KI-Anwendungen kombinieren.
- Schnell erste kleine Projekte auf den Weg bringen; Agilität ist eine Erfolgsvoraussetzung.
