Explainable Artificial Intelligence

KI-Entscheidungen verstehen

Aus der Praxis

Qualitatives Labeln kommt in industriellen Prozessen sowohl für optimierende als auch analysierende Anwendungen zum Einsatz. Allen Prozessen sind dabei sehr heterogene KPI-Zielsysteme gemein. Die Optimierung von Produktionsreihenfolgen der Kundenaufträge ist beispielsweise in der Automobilproduktion ein wesentlicher Geschäftsprozess. Denn eine wirtschaftliche Produktion wird vor allem durch die Ausbalancierung der aktuellen Struktur der Auftragsmengen und Zusammensetzung aus Ausstattungsmerkmalen erreicht. Die KPIs – nicht selten im zweistelligen Bereich und in Konflikt zu einander – beschreiben einerseits die technische Fähigkeit der Produktionslinien und andererseits die Zusammensetzung des Auftragspakets . Die Aufgabe des Qualitativen Labelns besteht folglich in der Datenaufbereitung für ein KI-Optimierungsverfahren, das die Zielkonflikte ausbalanciert. Dafürt labelt das System jedes Auftragspaket mit Graden der Zielerfüllbarkeit und berechnet und visualisiert diese mit Hilfe von Zielkonflikttabellen in Matrix- bzw. Clusterform. Die Kompromissbildung zur Bestimmung Produktionsreihenfolgen ist auf diese Weise nachvollziehbar und erklärbar.

Vorausschauende Planung

Auch in der vorausschauenden Planung und Instandhaltung dient Qualitatives Labeln der Ausbalancierung verschiedener KPIs. In diesem Kontext beschreiben sie vor allem die zulässigen Toleranzbereiche, die für die Entscheidung, ob und wann eine Wartung ansteht, relevant sind. Dazu zählen Kriterien wie Temperatur, Druck, Arbeitsstunden, der Termin der letzten Wartung, Stromverbrauch oder Kritikalität des Maschinenausfalls. Über die Kennzahlen werden erneut Zeitreihen gebildet, die das Lernen qualitativer Labels ermöglichen. Ihre Interpretation erfolgt in Form von Clustern und als das Zusammentreffen bestimmter positiver bzw. negativer Maschinenzustände. Das darauf aufbauende KI-Entscheidungssystem erlernt so verschiedene Clusterzusammensetzungen und leitet optimierte Wartungsentscheidungen ab. Deren Zusammensetzung als KPI-Cluster macht die Entscheidungen nachvollziehbar und erklärbar.

Erklärbare KI-Systeme

KI-gestützte Systeme werden sukzessive zahlreiche Entscheidungen übernehmen. Dafür bedarf es sowohl speziell aufbereiteter Daten als auch ergänzende Komponenten, welche die Entscheidungen nachvollziehbar machen. Qualitatives Labeln als Beispiel des Explainable AI-Ansatzes ist ein bereits erprobter Weg, der beides kann: Er bereitet industrielle Geschäftsprozessdaten KI-fähig auf und bereitet gleichzeitig den Weg für erklärbare KI-Systeme.