Leiter des Geschäftsbereichs Visual Computing von Fraunhofer Austria sowie des Innovationszentrums KI4LIFE.

Blog

Das goldene Zeitalter

Machine Learning kann (fast) alles: Das Bauchgefühl erfahrener Mitarbeiter unterstützen, neue Zusammenhänge sichtbar machen und fundierte Empfehlungen abgeben. Doch beim Bewusstsein in den Unternehmen ist noch Luft nach oben - woran das liegt und wie sich das ändern lässt.

Machine Learning Fraunhofer Austria KI4LIFE Blog Visual Computing

Unsere Generation hat erstmals die Möglichkeit, den umfassenden Schatz an Informationen zu heben, der sich in vorhandenen Daten verbirgt, wie sie zum Beispiel von Maschinen in der Produktion erzeugt werden. Dieser unmittelbare Zugang zu Entscheidungshilfen hat der Industrie ein goldenes Zeitalter eröffnet. Das gilt es zu nutzen. 

Die mathematischen Prinzipien hinter der künstlichen Intelligenz sind jedoch nicht neu, sondern schon lange bekannt. Was neu ist, ist die Kombination mit der rasant zunehmenden Geschwindigkeit und Leistungsfähigkeit der Computer. Durch sie haben wir jetzt die Luxussituation, Unmengen von Daten blitzschnell und umfassend analysieren zu können. So können wir all diese Daten berücksichtigen, wenn es gilt, Entscheidungen zu treffen. 

Die Ergebnisse belegen einerseits oft, was ein erfahrener Unternehmer oder Mitarbeiter bisher nur intuitiv im Bauchgefühl gespürt hat, gehen aber auch darüber hinaus, indem neue unerwartete Zusammenhänge sichtbar gemacht werden. Rechtzeitig vorgenommene Anpassungen können einen Qualitätsverlust vermeiden, richtig eingeplante Wartung einen Produktionsausfall verhindern, oder Anpassungen in der Reihenfolge die Lieferfähigkeit sicherstellen.

White Paper zum Thema

Gibt es die „low hanging fruits“?

In der Vergangenheit hat man sich die Daten angeschaut und im Rückblick mit etwas Glück verstanden, warum ein Vorfall passiert ist. Jetzt hat man die Möglichkeit, die vielen Daten systematisch und schneller zu analysieren. Wenn man dann die richtige Frage stellt, und den richtigen Algorithmus darauf ansetzt, dann kann man basierend auf der Analyse der Vergangenheit von nun an vorausschauend agieren. Auch bei komplexen Prozessen ist es jetzt möglich, die Zusammenhänge zu verstehen, und das in einem akzeptablen Zeitrahmen.

Der initiale Aufwand, den es braucht, um KI in einem Betrieb zu implementieren, ist von Fall zu Fall unterschiedlich. „Low hanging fruits“ sind jedoch eher selten zu finden. Die Erfahrung zeigt, dass ein Großteil der Arbeit bei einem Machine Learning Projekt zunächst einmal in der Datenbeschaffung und Datensichtung besteht. Das können recht aufwändige Vorgänge sein, aber es setzt vor allem eines voraus: Die digitale Transformation muss im Unternehmen schon stattgefunden haben, bevor ein ML-Verfahren eingesetzt werden kann. Das heißt, das Unternehmen muss also zunächst sein besonderes Augenmerk auf ein digitales System zur Datenerfassung und -speicherung legen und dieses verfügbar machen.

Visualisierung ist der Schlüssel

Wenn dann eine perfekte Datenlage vorliegt, einerseits weil schon ein Datenbewusstsein vorhanden ist und andererseits auch die Möglichkeit der Datenmessung und Datenablage besteht, dann kann mittels Datenexplorations-Tools rasch eine erste Einsicht gelingen und mit bereits bestehenden und relativ einfach bedienbaren Software-Bibliotheken mit grundlegenden ML-Algorithmen Verbesserungspotenzial identifiziert werden. Dies können zum Beispiel einfache Vorhersagen sein, oder Aussagen über die Qualität eines Produkts oder Prozesses. 

Durch benutzerfreundliche Datenvisualisierungs-Tools können die vorliegenden Daten heute schon viel einfacher auch ohne oder mit wenig Expertenwissen exploriert werden, Clusteranalysen helfen gleichartige Prozesse mit ähnlichen Eigenschaften (Fehlern, oder besonders gute Prozesse) zu identifizieren und Korrelationen, also Zusammenhänge zwischen einzelnen Parametern eines Vorgangs zu finden und zu verstehen.

Im Innovationszentrum KI4LIFE beziehungsweise im Geschäftsbereich Visual Computing von Fraunhofer Austria sind wir auf solche Analysen und Visualisierungen spezialisiert. Durch Visualisierung wird oft schneller vieles klar. Der Mensch funktioniert nun einmal visuell. Aus einer Darstellung kann er daher viel leichter Sinn entnehmen als aus einer Tabelle. Gerade in einer Zeit, in der mit den überall verbauten Sensoren ohnehin vieles erfasst und gemessen wird, werden visuelle Hilfsmittel, die den Daten Sinn entlocken, immer wichtiger.

First Contact: Recommender-Systeme

Der Output von Machine Learning Analysen sind oft Empfehlungen, die der Entscheidungsunterstützung im Betrieb dienen. Ein spezieller Typ der Entscheidungsunterstützung sind sogenannte Recommender-Systeme, also die Empfehlungen, die man von Amazon oder Netflix kennt. Diese Recommender Systeme sind wohl der erste Kontakt, den die meisten Menschen – ohne es überhaupt zu wissen – mit KI hatten: Stichwort Google. Spricht die KIeine Empfehlung für den Anwender aus, also zum Beispiel für die Unternehmensführung oder den Leiter der Produktion, sprechen wir von einer datenbasierten Entscheidungsunterstützung durch Data Driven Design. Diese Technologie ist auch Schwerpunkt in meinem Geschäftsbereich Visual Computing.

Erst durch die Kombination aus dem datenbasierten Wissen durch KI und dem Expertenwissen des Menschen lassen sich die richtigen Schlüsse ableiten. Das ist die Zukunft! Denn KI allein wird nicht die Weltherrschaft übernehmen, wie es in Science-Fiction-Produktionen so oft gezeigt wird. Es ist die Kombination aus Mensch und Algorithmus, die am erfolgreichsten sein wird.

Unterstützungen auf dem Weg zum ML-Projekt

Für Unternehmen gibt es auf dem Weg zur digitalen Transformation im Allgemeinen, aber auch zur Implementierung von Machine Learning-Verfahren im Speziellen, eine Reihe von Unterstützungsangeboten. Da wären einerseits die Förderangebote der österreichischen Forschungsförderungsgesellschaft mit einem ganzen KMU-Paket. Dieses unterstützt kleine und mittelständische Unternehmen dabei, sich zu trauen, Forschung und innovative Vorhaben anzugehen, in Partnerschaft mit akademischen oder außeruniversitären Forschungseinrichtungen. Damit haben wir auch schon gute Erfahrungen gemacht. Dieses Programm ist für Themen, die risikoreich sind, und bei denen es nicht ganz klar ist, ob die Idee zum Erfolg führt oder nicht, sicher ein guter Ansatz. Auch große Unternehmen haben die Möglichkeit, hier im Rahmen eines Konsortiums um Förderung anzusuchen.  

Auch für produktnahe Entwicklungen gibt es in Österreich die Möglichkeit, um Förderungen anzusuchen. Neben aussagekräftigen Förderportalen im Web gibt es auch die Möglichkeit der persönlichen Beratung. Wirtschaftskammer und Industriellenvereinigung bieten für ihre Mitglieder viele Informationen an, um sich damit initial auseinanderzusetzen und die ersten Schritte zu unternehmen. 

Wenn ein Unternehmen auf einem Datenschatz sitzt, aber nicht so richtig weiß, wie man diesen Schatz heben soll, ob die Daten überhaupt für den gewünschten Zweck geeignet sind, oder wenn das Unternehmen einfach mal diskutieren möchte, ob der Anfangsverdacht sinnvoll ist, bringen wir unser Wissen und unsere Erfahrung im Umgang mit der Analyse, Auswertung und Visualisierung von Daten ein. Wie dann der nächste Schritt aussieht, hängt vom konkreten Use Case ab. Das Spektrum erstreckt sich von der direkten Umsetzung über die Begleitung eines Denkprozesses, die Beantragung eines Forschungsantrags bis hin zur Vermittlung oder Empfehlung von anderen Partnern. Liegen in einem Unternehmen noch keine hochqualitativen Daten vor, dann hilft beispielsweise Fraunhofer Austria auch mit Projekten zur Datenerfassung, -sichtung und -strukturierung. 

Zeit und Geld

Ich denke, dass viele Unternehmen, egal ob groß oder klein, schon sensibilisiert sind und wissen, dass die Digitalisierung nichts ist, was man aussitzen kann, weil es vorbeigeht, sondern dass man sich damit auseinandersetzen sollte. Aber die Einstiegshürde ist manchmal noch zu hoch. Ein Machine Learning-Projekt auf die eigenen Daten und Prozesse anzuwenden ist auch kein Vorhaben, das man kurzfristig umsetzen kann, wenn man die intelligenten Algorithmen nachhaltig auf komplexe Produktionsprozesse und -abläufe anwenden will. Dafür benötigt man die richtigen Gesprächspartner, Zeit und Geld. Es ist auch kein einmaliger Prozess, sondern es braucht Iterationen. Und es benötigt einen Kommittenten auf allen Ebenen: von der Geschäftsführung über das mittlere Management bis hin zum jüngsten Mitarbeiter. Es gibt nichts Schlimmeres als „betroffene Optimierte“.

Insgesamt sieht es meiner Meinung nach mit der Bewusstseinsbildung schon recht gut aus, und wenn ein Unternehmen fest entschlossen ist, wird es seinen Weg gehen. Aber ein paar weitere Best Practice Beispiele aus Unternehmen der unterschiedlichsten Größen und Branchen wären sicher hilfreich und ermutigend für diejenigen, die noch unentschlossen und zögerlich sind.

Verwandte tecfindr-Einträge