Anzeige
Beitrag drucken

Blaupause der KI-Strategie

Schritt für Schritt die KI ins Haus holen

Wer mit maschinellem Lernen jede Produktionsstraße automatisieren möchte, erwartet zuviel von künstlicher Intelligenz. Wird jedoch ein konkreter Nutzen in den Mittelpunkt eines Projektes gestellt, ist die passende Technologie schnell gefunden – und Ergebnisse, auf denen sich aufbauen lässt.

Robot on laptop, 3D Rendering (Bild: ©Westend61/gettyimages.com)

(Bild: ©Westend61/gettyimages.com)

Der IT-Branchenverband Bitkom betrachtet künstliche Intelligenz (KI) als den wichtigsten Treiber der Digitalisierung. Die Technologie wird das Herzstück der digitalen Wirtschaft bilden, prognostiziert der Verband. Damit sich das Identifizieren und Anwenden von Mustern aus Datensätzen über statistische Korrelationen sowie das Schlussfolgern aufgrund von semantischen Beziehungen stärker als bisher verbreitet, muss allerdings noch einiges passieren. Auf diesen beiden Prinzipien beruht die Fähigkeit von Maschinen, Texte, Sprache und Bilder zu erkennen. Zudem definiert sich KI als ein System aus Hard- und Software, das auf seine Umgebung reagiert, selbstständig lernt und handeln kann.

Basis wird geschaffen

Die Bitkom-Prognose lässt sich als Auftrag verstehen, den Abstand zu den führenden Nationen USA und China zu verkürzen. In diesem Kontext betonen KI-Experten und Analysten, dass KI-Technologie Unternehmen die Chance eröffnet, über Automatisierung Prozesse zu verbessern. Genau das streben viele Unternehmen in Deutschland an, die sich mit KI-Systemen beschäftigen. Ihr Ziel ist eine höhere Wertschöpfung. Allerdings erweist sich das Zusammenspiel von KI und einem Roboter oder einer Maschine in komplexen Produktionsanlagen als herausfordernd. Jedoch lässt sich in der Praxis beobachten, dass viele produzierende Firmen gerade eine Basis schaffen, um KI in die Informationen zwischen Maschinen, Materialien, Produkten sowie Mitarbeitern stärker einzubinden und so erweiterte Analyse-, Unterstützungs- und Automatisierungsmöglichkeiten zu nutzen. Wie in anderen Branchen auch, konzentrieren sich Unternehmen in der Fertigungsindustrie auf die KI-Teildisziplin maschinelles Lernen (Machine Learning, ML), das sich technologisch von Schlussfolgern (Reasoning), Spracherkennung und -verarbeitung (Natural Language Processing, NLP) sowie automatisiertem Planen (Planning) abgrenzt. Allerdings sind die Übergänge dabei fließend. Bei ML nutzt ein digitales System einen Algorithmus, der in Iterationen mit Daten trainiert wird, in der Folge lernt und Erkenntnisse liefert. Abhängig von den vorhandenen Datensätzen werden Algorithmen für überwachte, unüberwachte oder spezielle Lernverfahren eingesetzt. Für komplexe Lernsituationen eignen sich beispielsweise die Deep Learning Ansätze.

Viel Rechenleistung nötig

Maschinelles Lernen mit sogenannten neuronalen Netzen erfordert viel Rechenleistung. Die Trainingsdatensätze müssen einen entsprechenden Umfang haben, die Netze werden für realistische Erkennungsaufgaben schnell sehr groß. Bei Deep Learning werden Schichten neuronaler Netze aufgebaut, die auf bestimmte Teilaufgaben trainiert werden und früher mangels ausreichender Rechenleistung nicht effizient eingesetzt werden konnten. Bei gestaffelten, tiefen neuronalen Netzen wird über Cluster aus Grafikkarten gerechnet, die teilweise bereits spezielle, sogenannte Tensor-Cores für Lernalgorithmen mitbringen. Googles Open Source Framework TensorFlow für maschinelles Lernen unterstützt solch ein GPU (Graphics Processing Unit)-Computing. Ultraskalierbare Hochleistungsserver decken diesen Bedarf ebenfalls ab, indem sie leistungsstarke Prozessoren (CPU) und Grafikprozessoren (GPU) sowie Speicher- und Rechner-Module kombinieren. Unter diesen Voraussetzungen können Unternehmen geschäftskritische Workloads schnell bereitstellen, die sich über zusätzliche Grafikprozessoren um Maschinenlernen- und KI-Kapazität erweitern lassen. Für den Einsatz von Deep-Learning-Algorithmen können Unternehmen Grafikprozessoren heute bei unterschiedlichen Cloudanbietern als virtuelle Maschine (VM) ordern. Auch für KI-Anwendungen erweist sich die Cloud meist als flexibelste und skalierbarste Lösung. Die Frage nach der Technologie und IT-Infrastruktur für die Umsetzung stellt sich jedoch erst, wenn der Business Case steht. Unternehmen müssen daher zunächst den Anwendungsfall für den KI-Einsatz definieren. Dabei hat es sich bewährt, mit einem einfachen und zunächst unkritischen Anwendungsszenario erste Erfahrungen zu sammeln. Der Erfolg hängt jedoch von unterschiedlichen Faktoren ab. Entscheidenden Einfluss haben beispielsweise Datenqualität und -relevanz. Um mit den relevanten Daten Maschinen richtig zu trainieren, wird KI-Wissen benötigt, welches sich Unternehmen u.a. durch Kooperationen mit anderen Unternehmen, Hochschulen oder Startups ins Haus holen können. Zudem stehen Unternehmen vor der Aufgabe, intern eine KI-Kultur zu schaffen. Diese fängt damit an, Bedenken der Mitarbeiter ernst zu nehmen und etwaige Vorbehalte offen anzusprechen und auszuräumen.

Verschiedene Ansatzpunkte

In der Fertigungsbranche gibt es heute verschiedene Ansatzpunkte, bei denen KI Echtzeit-Informationen verarbeitet. In Frage kommen dabei u.a. Produkttests und Qualitätskontrolle, ein verbesserter Mitarbeitereinsatz und der optimierte Betrieb von Systemen und Anlagen. Perspektivisch gewinnen Innovationen auf der Prozessebene an Bedeutung. Künstliche Intelligenz kann dabei interne Abläufe verbessern sowie Produkte miteinander verknüpfen und erweitern. Klar abgegrenzte Anwendungsfälle lassen sich schnell realisieren und stellen rasch ihren Nutzen unter Beweis. Daraus können sich Unternehmen eine Blaupause für weitere Projekte schaffen. n in der Innovationsabteilung Atos C-LAB und Mitglied der Atos Scientific Community


Das könnte Sie auch interessieren:

Gute Ideen für neue Geschäftsmodelle gibt es viele. Doch welche passt wirklich zu einem Unternehmen? Um das herauszufinden, sollten bereits die Prämissen einer Idee strukturiert geprüft werden. Das daraus entstehende Wissen hilft auch bei der weiteren Planung.‣ weiterlesen

Im Rahmen einer Studie hat das Bundesministerium für Wirtschaft und Energie ermittelt, dass nur sechs Prozent der Deutschen Unternehmen künstliche Intelligenz einsetzen. Diese Unternehmen investierten rund 4,8Mrd.€ in die Technologie.‣ weiterlesen

Entscheider erwarten durch den Einsatz der Cloud vor allem mehr Agilität sowie schnell zur Verfügung stehende performante Services. In einer Studie von Exasol übertrifft die Cloud im Praxiseinsatz in vielen Bereichen die Erwartungen.‣ weiterlesen

Fabriken im Sinn einer Industrie 4.0 entstehen selten auf der grünen Wiese. In einem Gemeinschaftsprojekt des Vereins Marktplatz Industrie 4.0 zeigen drei Unternehmen daher, wie sich Bestandsmaschinen zu einem Internet of Things vernetzen lassen.‣ weiterlesen

Schildknecht bietet auf dem Automatisierungstreff 2020 ein Tagesprogramm rund um das Condition Monitoring von industriellen Maschinen und Anlagen an. Nach einer Keynote widmen sich drei Workshops dem Thema mit dem Ziel, eine Condition-Monitoring-Lösung mit und ohne Clouddashboard umzusetzen.‣ weiterlesen

Das Essener Unternehmen Sanha will seine Produktion transparenter gestalten und weitergehend digitalisieren und automatisieren, um sich strategisch an Industrie 4.0 auszurichten. Nach anfänglichen Überlegungen bezüglich einer Inhouse-Lösung fiel die Wahl auf die Lösung FactoryEye, mit der den Entscheidern nun jederzeit die relevanten Produktionsdaten in Echtzeit zur Verfügung stehen.‣ weiterlesen

Beim Workshop von Exor stehen neue Geschäftmodelle für Maschinen und Anlagen auf der Basis von IoT im Fokus. Der Anbieter liefert dazu Technologien und Methoden, mit denen Fertigungsbetriebe zunächst ein Proof of Concept und später die Serienlösung selbst erstellen können.‣ weiterlesen

Cosmo Consult will in der Corona-Krise mit teils kostenfreie Webinaren, Workshops und Beratungspaketen Fachwissen rund um Microsoft Teams und die digitale Zusammenarbeit im Homeoffice anbieten.‣ weiterlesen

Der Maschinenbau bekommt die Folgen der Corona-Pandemie mit zunehmender Wucht zu spüren. Das geht aus einer zweiten Umfrage des VDMA unter 965 Mitgliedsfirmen hervor.‣ weiterlesen

Landwirtschaft auf bergigem Gelände und auf Hängen braucht viel Muskelkraft - oder Spezialmaschinen etwa von Rapid Technic. Die Schweizer Firma aus Killwangen nutzt zur Konstruktion ihrer bergtauglichen Fahrzeuge das CAD-System Creo von PTC.‣ weiterlesen

Ein Workshop von HIR Hoff Industrie Rationalisierung behandelt die mögliche Rolle von Manufacturing-Execution-Systemen in Zeiten der digitalen Transformation.‣ weiterlesen

Anzeige
Anzeige
Anzeige