✨ AI Kontextualisierung
Industrieunternehmen beschäftigen sich seit geraumer Zeit mit der Automatisierung von Produktionsprozessen. Der durch die Krise vorherrschende Druck zur Einsparung von Kosten zwingt so manches Unternehmen, die Digitalisierung noch schneller voranzutreiben und Künstliche Intelligenz zu implementieren. Doch diese Technologien können die Industrie vor so manche Herausforderung stellen. Allein der Punkt „Datenerfassung“ erweist sich als komplexes Gebilde bei dem Schritt, interne Prozesse nachhaltig zu verändern. Hier schreitet der „Industrial AI“-Dienstleister craftworks ein und bietet mit seinem Leitfaden eine Anleitung zur Umsetzung erfolgreicher Prozessoptimierung.
Drei Prozent jährlicher Anstieg des Wirtschaftswachstums durch Künstliche Intelligenz bis 2035
Laut einer Studie von Accenture und Frontier Economics kann Künstliche Intelligenz in Unternehmen das Wachstum ankurbeln. Bei dieser Untersuchung wurden zwölf Volkswirtschaften durchleuchtet und dabei erforscht, wie sich eine umfassende Nutzung von KI in der Wirtschaft auswirkt.
+++ Solvistas CEO Holzbauer: „Eine AI hätte keine Kurzarbeit empfohlen“ +++
Darin heißt es: „Für den Industriestandort Österreich prognostiziert Accenture durch den Einsatz von KI bis 2035 einen Anstieg des Wirtschaftswachstums um jährlich drei Prozent. Das wäre mehr als eine Verdopplung gegenüber dem Basis-Szenario mit einer Wachstumsrate von 1,4 Prozent pro Jahr, welches die zukünftige Entwicklung der Wirtschaft auf Grundlage des technologischen Stands von heute voraussagt“.
KI-Projekte für nachhaltigen Geschäftserfolg
Weiters wird erwartet, dass die Produktivität der Beschäftigten in Österreich dank Künstlicher Intelligenz um 30 Prozent steigen kann, da „sich viele Arbeitsabläufe effizienter gestalten und Mitarbeiter ihren Fokus auf Aufgaben mit einer hohen Wertschöpfung legen“.
In diesem Sinne hat craftworks einen Guide entwickelt, der Projektleiter bei der Umsetzung von KI Prototypen und Rollouts unterstützen soll. „Wenn man erste Erfahrungen mit KI-Projekten sammelt, dann investiert man in nachhaltigen Geschäftserfolg, auch jetzt in der besonders herausfordernden Zeit“, sagt Michael Hettegger, einer der Gründer von craftworks und liefert gleich eine AI-Roadmap mit.
Die wichtigsten Punkte des KI-Guides kurz zusammengefasst
• Vom Use Case zum Business-Case
Der richtigen Use Case zählt zu den fundamentalsten Dingen für ein erfolgreiches Projekt. Man sollte sich hierbei auf jene Prozess-Optimierungen fokussieren, die leichter mittels Künstlicher Intelligenz realisierbar sind, als durch andere Methoden. Dabei ist es wichtig, als ersten Schritt die Abteilung zu wählen, in der man das Pilot-Projekt starten möchte. Etwa R&D, Logistik oder Wartung, um Beispiele zu nennen.
+++ Neue Arbeitswelten durch KI: Wie sich Arbeit in den nächsten Jahren verändert +++
Als nächstes steht an, innerhalb des gewählten Departments den Prozess zu identifizieren, der Optimierungspotential in sich trägt. Faktoren, um für ein Industrial AI-Projekt geeignet zu sein, sind laut craftworks in fünf Punkten auszumachen. Der Prozess sollte komplex sein, eine non-lineare Performance anzeigen, Aufmerksamkeit erregen, wenn plötzliche Anomalien auftreten, der Grund für signifikante Ausschussquoten sein und hohe Kosten nach sich ziehen, falls es zu einem maschinellen Ausfall kommt.
Des Weiteren hängt die Tauglichkeit eines Prozesses für ein „Industrial AI“-Projekt stark von der Generierung von Daten zusammen. Hier wird geraten, dass, wenn eine Prozess-Optimierung in der Theorie hohe Kosteneinsparung verspricht, historische Daten jedoch nicht verfügbar sind, man die „data collection“ so schnell wie möglich starten sollte. Als Tipp wird vorgeschlagen, Daten eines ganzen Jahres zu sammeln, um zu entscheiden, ob der Griff zur Künstlichen Intelligenz Sinn macht. Nachdem man den passenden Use-Case gefunden hat, muss laut craftworks eine Kosten-Analyse folgen.
• Die richtige Machine Learning Methode
Der nächste Schritt ist es den gewählten Use-Case mit der besten „Machine-Learning“-Methode zu verbinden. Dabei wird zwischen „supervised learning“, „unsupervised learning“ und „reinforcement learning“ unterschieden.
Beim ersten lernt ein Algorithmus Verbindungen zu isolieren oder zu kombinieren, die er als Datensatz erhält – um eine vordefinierte Aufgabe (dessen Resultat bekannt ist) so effizient wie möglich zu lösen. Während des Prozesses wird der Algorithmus „überwacht“, um sicherzustellen, dass das „learning“ stets Richtung vorgegebener Aufgabe ausgerichtet bleibt.
„Unsupervised learning“ hingegen umfasst Methoden, die keine vordefinierten Aufgaben benötigen, um zu lernen. Das System versucht Muster im Datensatz zu erkennen, die aufgrund von „Störungen“ von der Norm abweichen.
„Reinforcement learning“ bezieht sich auf „machine-learning“-Methoden, bei dem eine Strategie erlernt wird, um eine definierte Aufgabe zu erfüllen, mittels eines „trial-and-error-„Prozesses. Der Künstlichen Intelligenz wird hierbei nicht aufgetragen nach einer vorbestimmten Art und Weise zum Erfolg zu kommen, sondern sie wird ähnlich dem „Zuckerbrot- und Peitschen-Prinzip“ mit positiven oder negativen Belohnungen animiert, eine dominante und problemlösende Strategie zu entwickeln, die nahe an das Optimum herankommen soll.
• Das „perfekte“ Daten-Set
Im vorigen Punkt war viel von Daten die Rede. Konkreter wird es in der dritten Phase der Implementierung der Künstlichen Intelligenz in das eigene Unternehmen. Es geht darum geeignete Datensätze zusammenzutragen.
Im Prinzip gilt, dass mehr Daten logischerweise besser sind, als kleine „Data samples“. Allerdings hängt die Menge stark vom Use-Case ab. Als Beispiel nennt der craftworks-Guide, dass 100.000 Datenpunkte sich als zu gering erwiesen haben, um eine exakte Vorhersage zu treffen, wann Lieferautos am Ziel ankommen. Dagegen waren 500 indizierte Produkte als Beispiel schlechter Qualität ausreichend, um gute Ergebnisse in Sachen „predictive quality control“ zu erlangen.
+++ Neue digitale Formatreihe NWXnow widmet sich der Zukunft der Arbeit +++
Es wird daher geraten, einen guten Blick auf die Datenqualität zu legen – Dubletten, Formatierungsfehler oder Inkonsistenzen haben einen starken negativen Einfluss auf die KI-Entwicklung. Daten sollten zudem klassifizierbar und relevant sein. Dabei ist es ratsam, sich genau anzusehen, welche Daten fürs „decision-making“ und „operations“ bereits verwendet wurden. Mit großer Wahrscheinlichkeit lässt sich daraus leicht eine Automatisierung der Daten-Analyse entwickeln.
• Proof of Concept
Bei diesem Punkt macht craftworks vier Punkte aus, die ausschlaggebend dafür sind, inwiefern ein „Machine Learning“-Modell effektiv sein und wie es weiterentwickelt werden kann.
Die Umsetzbarkeits-Studie soll einen ersten Hinweis darauf geben, inwieweit eine AI-Lösung durchführbar ist. Hier werden erste passende Algorithmen evaluiert und das KI-Grundgerüst geschaffen.
In der zweiten Phase widmet man sich der Entwicklung einer Prototyp-Lösung, die mit den Zielen des Use-Case einhergeht. Management und ausgesuchte Mitarbeiter, die mit Daten zu tun haben, kommen an dieser Stelle zum ersten Mal in Kontakt mit der Künstlichen Intelligenz. Dies soll für eine hohe „user acceptance“ der Software-Lösung sorgen, während das Projekt Fahrt aufnimmt.
In der Optimierungsphase ist vorrangig das Feedback der Mitarbeiter von Bedeutung und wird in das Projekt implementiert. Danach folgt der Rollout, der noch als „starting point“ gilt und für andere Use-Cases skaliert werden kann. Für die ersten drei Schritte wird ein jeweiliger Zeitraum von vier, bei der letzten Phase vier bis zwölf Wochen empfohlen.
• Das Team
Ein wichtiger und selbstverständlicher Hinweis des Guides für die Implementierung der Künstlichen Intelligenz ins Unternehmen betrifft die richtige Auswahl an Mitarbeitern für das Projekt. Jene sollten die nötigen Fertigkeiten und Übersicht in Sachen Prozess-Entwicklung, Daten und Technologie mit sich bringen. Zudem sollte man sich Gedanken machen, wer die nötige IT-Infrastruktur aufsetzen, entwickeln und warten kann.
• Resultate Visualisieren
An dieser Stelle wird darauf hingewiesen, wie wichtig Transparenz des ganzen „Machine Learning“-Prozesses ist. Daten-Analysen sollten in User-freundlicher Manier visualisiert werden, denn wie craftworks sagt: „Die Kombination von ‚human und Articficial Intelligence‘ erlangt die besten Resultate.
• „Key Software“-Entscheidungen
Die Wahl richtiger Technologie will wohl durchdacht sein und sollte sich am Ziel des Implementierungsvorhaben orientieren. Der Leitfaden empfiehlt, auf „Open Source“-Technologie zurückzugreifen. Craftworks zeigt sich überzeugt, dass die Entwicklung einer solchen Software seitens der globalen Community Vorteile bringt: eine bessere Qualität und sichere Software-Tools. Durch die Nutzung von „Open Source“ entgeht man auch der Abhängigkeit eines einzelnen Providers und kann die IT-Infrastruktur flexibler anpassen, wenn nötig.
+++ So entwickelt sich Österreichs AI Landschaft im Moment +++
Weitere Möglichkeiten technologischer Nutzung umfassen den „Model as a Service“- oder „Model as Dependency“-Approach. Im ersten Fall agiert das Modell unabhängig und kann divers eingesetzt werden. Im zweiten Fall ist es direkt in einer generellen Anwendung integriert. Und macht etwa in einer Pilot-Phase Sinn. Auch können AI-Anwendungen, laut craftworks, problemlos „on-premise“ oder als „cloud solution“ eingesetzt werden.
• Ständige Optimierung der „Machine Learning“-Modelle
Da sich viele Datensätze im Laufe der Zeit verändern, ist es essentiell das „Industrial AI-System“ dynamisch zu halten und ihm Erlaubnisse zu erteilen, Änderungen vorzunehmen.
• Vom Prototypen bis zum globalen Rollout
Nach einem erfolgreichem Pilot-Projekt ist es, so der Guide weiter, an der Zeit, die Künstliche Intelligenz auszuweiten – sie zu skalieren. Neue Use-Cases im Sinn, können genutzte „Machine-Learning“-Modelle als Startpunkt für ähnliche Ziele und Vorhaben genutzt werden. Zudem wird es wichtiger, je größer die Datenmenge wird, Dienstleistungen zu „containerisieren“. Soll heißen, sie einzuteilen und zwar getrennt zu halten, jedoch parallel und unabhängig voneinander innerhalb der gleichen Infrastruktur laufen zu lassen.
• Dokumentation
Am Ende des Leitfadens weist craftworks darauf hin, dass „Industrial AI“ kein fertiges Produkt oder fertige Lösung ist, die man man ohne Entwicklungsprozess erstehen kann. Allerdings sorgt ein professionell geführtes AI-Projekt zu einer hohen Lernkurve, die sich positiv auf Folgeprojekte auswirken kann. Daher wird geraten, den Fortschritt zu dokumentieren und zu reflektieren, inwiefern Erfahrungen mit „Machine Learning“ in welchen Bereichen lehrreich waren. Denn, wie Hetteger sagt: „Datengetriebene Prozessoptimierung ist kein Innovationsprojekt, das in Zukunft von einem neuen Trend abgelöst wird. ‚Industrial AI‘ wird zur Grundlage für Marktführerschaft”.
⇒ KI-Guide zum Download (Englisch)
