Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Beitrag drucken

KI – wovon reden wir überhaupt

Mit präziser Sprache zu schnellen Erfolgen: künstliche Intelligenz

Die Bundesregierung hat im November 2018 ihr Strategiepapier zur künstlichen Intelligenz verabschiedet. Diese im Grundsatz richtige und wichtige Initialzündung bietet viele wichtige Inhalte, erfordert jedoch auch eine trennscharfe Betrachtung der einzelnen Begriffe.

Bild: ©phonlamaiphoto/Fotolia.com

Bild: ©phonlamaiphoto/Fotolia.com

Eine Ende 2017 vom Marktforschungsunternehmen Wakefield Research durchgeführte und 2018 von Avanade veröffentlichte Erhebung unter internationalen Führungskräften hat ergeben, dass 98 Prozent der befragten deutschen Unternehmen KI als das Phänomen des Zeitgeistes erachten. Demnach sei zum Beispiel die intelligente Automatisierung (IA), die Abläufe etwa mit humanisierenden Interaktionsformen wie der Verarbeitung natürlicher Sprache verbessert, eher eine Modeerscheinung. Laut der Studie geht ein Drittel der weltweit Befragten davon aus, dass KI im Bereich Manufacturing hilfreich sein kann; in Deutschland sind es hingegen nur 17 Prozent. Die Monetarisierung solcher Technologien erschien für die Befragten zumindest zum damaligen Zeitpunkt keine Option zu sein. Deutschland ist nach wie vor stark im Hardware-Umfeld, sprich im Maschinenbau und der daraus resultierenden physischen Produktion von Gütern. Im Bereich der IT-Innovationen tut sich der Markt hingegen weiterhin schwer. In Hinblick auf die Zukunftsfähigkeit sollte KI jedoch zu einer Kernkompetenz bei begleitenden Prozessen und den eigentlichen Produkten werden.

Eingrenzung von KI

Eine abschließende Definition von KI gibt es dabei nicht. Die Bundesregierung unterscheidet in ihrem KI-Strategiepapier etwa zwischen schwacher und starker KI, wobei die starke Ausprägung die gleichen oder bessere intellektuellen Fähigkeiten wie ein Mensch hat; schwache KI hingegen bedeutet dort, dass konkrete Anwendungsprobleme gelöst werden und die verwendeten Systeme sich selbst verbessern können – auch mit der Nachbildung menschlicher Intelligenz. Im weiteren Verlauf rekurriert das Strategiepapier auf die schwache Variante und adressiert dabei fünf Eckpunkte:

  • Deduktionssysteme, maschinelles Beweisen: Ableitung (Deduktion) formaler Aussagen aus logischen Ausdrücken, Systeme zum Beweis der Korrektheit von Hardware und Software,
  • Wissensbasierte Systeme: Methoden zur Modellierung und Erhebung von Wissen, Software zur Simulation menschlichen Expertenwissens und Unterstützung von Experten (ehemals Expertensysteme), zum Teil auch verbunden mit Psychologie und Kognitionswissenschaften, Musteranalyse und Mustererkennung: induktive Analyseverfahren allgemein, insbesondere auch maschinelles Lernen,
  • Robotik: autonome Steuerung von Robotik-Systemen, also autonome Systeme,
  • Intelligente multimodale Mensch-Maschine-Interaktion: Analyse und Verstehen von Sprache (in Verbindung mit Linguistik), Bildern, Gestik und anderen Formen menschlicher Interaktion.

KI kondensiert auf die Anwendung

Für betroffene Unternehmen ist ein leicht veränderter Blickwinkel sinnvoll. Vor diesem Kontext gibt es drei zentrale Aspekte, die eine KI beschreiben:

  • Verstehen: die Bedeutung von Daten begreifen, also Text, Stimme und Bilder,
  • Schlussfolgern: im Zeitverlauf aus Schlüssen lernen, die auf nicht perfekten Daten basieren,
  • Interagieren: ‚natürliche‘ Nutzerschnittstellen mit Menschen erzeugen.

Somit ist die Entstehung eines Systems gemeint, das Verhaltensweisen ändern kann, ohne explizit für diese Anpassung programmiert zu sein. Die Grundlage dafür bieten gesammelte Daten, Nutzeranalysen und weitere Beobachtungen. Das Ziel sollte stets eine KI sein, die auf den Menschen ausgerichtet ist – im englischen Sprachgebrauch auch ‚human-centered AI‘. Das bedeutet, dass intelligente Anwendungsfälle entstehen, bei denen Mensch und Maschine zusammenarbeiten. Damit ist auch die weit verbreitete Furcht hinfällig, die intelligente Maschine könne den Menschen vollständig ersetzen. Dieser Auffassung folgt übrigens auch die Bundesregierung in ihrem Strategiepapier: Es geht darum, Menschen zu entlasten und ihnen dadurch Freiräume für kreatives Handeln zu eröffnen.

Was ist was – von KI bis ML

Eine wichtige Rolle spielt dafür maschinelles Lernen (auch Machine Learning, kurz ML), einer der streng von KI abzugrenzenden Begriffe. Dazu muss zunächst festgehalten werden: Maschinen können nicht alles, aber einiges besser und schneller als Menschen. Die richtigen Fälle zu identifizieren und zu nutzen, ist daher ein wichtiger Schritt. Denn einmal trainierte Maschinen können im Team mit Menschen mehr erreichen als jeder für sich allein. Hier folgt der Übergang zum ML, einem Zweig der Informatik, der sowohl explizit programmierte Algorithmen für das überwachte – Vorhersagen und Klassifizierung – als auch für das nicht überwachte – Clustering und ‚Feature Detection‘ – Lernen beschreibt. Das maschinelle Lernen stammt aus dem Bereich der künstlichen Intelligenz (KI), der darauf abzielt, Computern mit Algorithmen die Möglichkeit zu geben, ohne explizite Programmierung zu lernen. Es ist daher keine spezifische wissenschaftliche Domäne, sondern eine Reihe von Domänen, die viele Ansätze zur Lösung sehr komplexer Probleme bieten. Künstliche Intelligenz und das sogenannte Reinforcement Learning konzentrieren sich hingegen weiterhin auf die Entwicklung von Algorithmen, die sich selbst beibringen können, sich iterativ anzupassen, wenn sie neuen Daten ausgesetzt sind, um ihre definierten Ergebnisse kontinuierlich zu verbessern.

Robotic Process Automation und intelligente Automatisierung

Ein weiterer, häufig wenig trennscharf in die KI-Ursuppe beigemengter Begriff ist die Robotic Process Automation, kurz RPA. Damit ist der Einsatz von Software gemeint, die Aktionen nachahmt, wie sie ein menschlicher Benutzer ausführen würde: Sich hochgradig wiederholende, regelbasierte Prozesse können so automatisiert durchgeführt werden. Damit RPA funktioniert, sind strukturierte Daten notwendig – und auch hier liegt ein zentraler Unterschied zu KI vor, die sich gemäß der obigen Definition ja gerade dadurch auszeichnet, dass sie auch nicht strukturierte Daten verarbeitet. Hier ist nun der Weg zur intelligenten Automatisierung (IA) nur kurz. Im Endeffekt lässt sich IA durch eine virtuelle Belegschaft beschreiben, die sich wiederholende Schritte schneller, genauer und kostengünstiger ausführt, indem sie grundlegende RPA-Maßnahmen in intelligente Automatisierung verwandelt. Die Basis dafür bilden kognitive Dienste und ML sowie virtuelle Agenten – das sind autonome Systeme, die intelligent Informationen bereitstellen, ein Gespräch führen oder Antworten über interaktive Dialoge geben kann. Damit lassen sich über IA Aufgaben ausführen, die früher nur Menschen erledigen konnten. Denn im Verbund mit maschinellem Lernen können solche Systeme die Aufgaben des menschlichen Gehirns replizieren, verstehen, Schlüsse daraus ziehen, entscheiden und lernen. ‚Erweiterte KI‘ unterstützt und erweitert also durch maschinelles Lernen die Fähigkeiten der Mitarbeiter.

Auf zum Erfolg mit KI

Mit den bisher eingesetzten Technologien können Unternehmen nur noch schwer neue Produktivitätslevel erreichen – und genau darum geht es bei der Digitalisierung. Dementsprechend finden sich KI-Anwendungsfälle häufig in den zentralen Diensten eines Unternehmens, etwa der IT-Abteilung, im Kundenservice oder im kaufmännischen Bereich. So hat Avanade etwa für ein großes Energie-Unternehmen durch ein RPA-Projekt eine 30-prozentige Produktivitätssteigerung erreicht, indem Prozesse innerhalb der Finanzabteilung automatisiert wurden. Allerdings müssen Unternehmen für den gewinnbringenden Einsatz mit RPA und AI ihre Hausaufgaben erledigen: realistische Projekte entwickeln, zielführende Prozesse einführen, Kosten dem erhofften Nutzen gegenüberstellen. In der Regel empfiehlt es sich Projekte umzusetzen, deren Return on Investment nach mindestens 15 Monaten gegeben ist. Darüber hinaus kann KI natürlich auch das Kernprodukt beeinflussen, bis hin zu geänderten Geschäftsmodellen. So können in einer sehr fortschrittlichen Produktion sowohl Nutzer- als auch KI-Vorgaben in die Produkte einfließen. Unternehmen gäben dabei Anforderungen vor, Algorithmen könnten diverse Designs erstellen und Kunden schließlich ihr favorisiertes Produkt auswählen. Mit 3D-Druck ist so ein Szenario näher an der Realität, als viele ahnen. Grundsätzlich gilt: Um die Vorteile künstlicher Intelligenz zu nutzen, bedarf es einer Reihe von Fähigkeiten und Produktionsmitteln. Dazu zählen sowohl Wissen und Talent als auch Daten und Technologien – ebenso wie eine präzise Sprache.


Das könnte Sie auch interessieren:

Der Aufbau einer kabelgebundenen Ortungsinfrastruktur auf großen Flächen wie Lagerhallen, Baustellen oder in der Prozessindustrie ist kostspielig und zeitaufwendig.‣ weiterlesen

KI-getriebene Convolutional Neuronal Networks in selbstfahrenden Autos sollen andere Verkehrsteilnehmer erkennen. Dabei gilt: Je selbstständiger das Auto, desto komplexer der Algorithmus und undurchschaubarer dessen Weg zur getroffenen Entscheidung. Ein Validierungs-Tool soll helfen, diesen besser zu verstehen.‣ weiterlesen

Erfolgreiche KI-Projekte kombinieren das Domänenwissen von Prozessbeteiligten mit der Expertise von Datenanalysten und IT-Spezialistinnen. Da nicht jedes Maschinenbauunternehmen über diese drei wichtigen Kompetenzfelder verfügt, sind Kooperationen wichtige Bestandteile von KI-Projekten.‣ weiterlesen

Extreme Networks hat die Verfügbarkeit des Wi-Fi 6E Access Point bekanntgegeben. Als Wireless-Plattform erweitert der Zugangspunkt den Einsatzbereich auf das 6GHz-Frequenzband. Das Gerät wurde für Umgebungen mit hohen Anforderungen an Bandbreite und Nutzerdichte entwickelt und zeichnet sich Anbieterangaben zufolge durch seine Perfomance, Funktionalität und Sicherheit aus.‣ weiterlesen

Die Ersatzteilversorgung in der Automobilindustrie besitzt einen sehr kurzfristigen Charakter. Anwendungen zum Abbilden solcher Prozesse sind S/4Hana Supply Chain Management sowie S/4Hana-Automotive-Ersatzteilmanagement. Die wichtigen Zielgrößen für die Versorgungsqualität sind Lieferservicegrad und Time-to-Delivery.‣ weiterlesen

Im Cloud-Projekt Gaia-X entstehen Infrastruktur-Angebote, mit denen Hersteller digitale und vernetzte Produkte entwickeln können, ohne in Abhängigkeit zu Technologiekonzernen zu geraten. Die Strukturen dafür sind bereits etabliert. Jetzt ist es an den Produzenten, durch ihre Mitwirkung aus dem Projekt eine europäische Erfolgsgeschichte zu machen.‣ weiterlesen

Werma bietet ein neues Ruf- und Meldesystem zur Prozessoptimierung in Fertigung, Logistik und an manuellen Arbeitsplätzen an. Mit dem Andon WirelessSet lassen sich Probleme bei der Produktion per Knopfdruck melden, um die Behebung zu beschleunigen.‣ weiterlesen

Alle Werte einer Lieferkette im Blick zu behalten, ist eine Mammutaufgabe - können diese doch schnell in die Millionen gehen. Behälter mit benötigten Materialien müssen nicht mal verschwinden, schon der falsche Lagerplatz im Werk kann die Produktion ausbremsen. Tracker können dafür sorgen, dass nichts Wichtiges aus dem Blick gerät.‣ weiterlesen

Siemens und Zscaler arbeiten zusammen, um Kunden den sicheren Zugriff vom Arbeitsplatz im Büro oder mobil auf Operational-Technology(OT)-Systeme und -Anwendungen im Produktionsnetzwerk zu ermöglichen.‣ weiterlesen

Der österreichische Ableger von Bechtle hat Open Networks erworben. Die neuen Spezialisten bringen insbesondere Erfahrung in den Bereichen Application Services, Datacenter, Security und Netzwerk mit. Die Firma betreut rund 250 Kunden im Alpenstaat.‣ weiterlesen

Viele Konzepte etwa für Modern Workplaces und Digitalisierung hinterfragen Unternehmenskonzepte, die auf traditionelle Strukturen und Hierarchien setzen. Robert Lindner, Senior Regional Director & Country Manager Germany bei Red Hat, hat vier zentrale Grundsätze herausgearbeitet, wie sich Innovation befördern lässt, insbesondere als ein Unternehmen im Open-Sorce-Softwaremarkt.‣ weiterlesen

Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige