Suchen

Expertenbeitrag

 Daniel Rösch

Daniel Rösch

Managing Partner, Ososoft

Künstliche Intelligenz

KI im Praxiseinsatz: Erkenntnisse auf Knopfdruck?

| Autor/ Redakteur: Daniel Rösch / Sebastian Human

Der KI-Einsatz in Unternehmen scheiterte bisher vor allem an der benötigten Rechnerleistung für die Erhebung der Daten und dem Training der Systeme. Nachdem die Leistung nun verfügbar ist, liegt der größte Hemmschuh an ganz anderer Stelle: der Datenbasis.

Firmen zum Thema

Erst an der Erwartungshaltung schrauben, dann an den Daten.
Erst an der Erwartungshaltung schrauben, dann an den Daten.
(Bild: Pixabay / CC0)

Im Projektalltag kommt es immer wieder vor, dass von KI-Technologien erwartet wird, dass diese auf Grundlage vorhandener Datenbestände Erkenntnisse bereitstellen – und zwar auf Knopfdruck. Dies ist leider nicht so einfach möglich.

Mit sehr alten, historisch gewachsenen Datenbeständen, die in der Vergangenheit zwar äußerst umfassend, jedoch oft nur für bestimmte Zwecke gesammelt wurden, lässt sich meist auch nur Vergangenheitsbewältigung leisten. So nennen fast die Hälfte der 300 befragten Entscheider in der von Sopra Steria Consulting und BARC durchgeführten biMA®-Studie 2017/18 eine schlechte Datenqualität als größte Herausforderung bei der digitalen Transformation in den Unternehmen. Auch mit Methoden der Künstlichen Intelligenz werden in den seltensten Fällen neue Erkenntnisse in Richtung Effizienz, wenn nicht sogar Vorhersagbarkeit – Stichwort Predictive Maintenance – auf Grundlage der alten Datenbanken erfolgen können. Dessen müssen sich Unternehmen bewusst sein. Eine KI-Umfrage des VDI im Jahr 2018 bestätigt dieses Bild. 64 % der Befragten waren der Meinung, dass die Voraussetzungen einer digital vernetzten Produktion (Industrie 4.0) fehlen, um KI-Technologien effizient zu nutzen. Und dies ist letztlich auch des Pudels Kern. Die wirklich wertvollen Erkenntnisse, die wir mithilfe von KI erzeugen können, entstehen erst im Mix bestehender Daten mit neuen zu erhebenden oder extern vorliegenden Datenquellen. Bevor wir KI also nutzen können, muss ein umfassendes Datenkonzept erstellt werden. Dies soll an zwei Use Cases kurz verdeutlicht werden.

KI Use Case: Warenverteilung im Retail

Nehmen wir ein Beispiel aus dem Handel. Enormes Einsparpotenzial liegt hier im Bereich der Warenverteilung. Wie können Handelsketten ihre Waren mit möglichst geringen Lagerkosten effizienter und auch intelligenter auf die verschiedenen Filialen verteilen? Natürlich geben Daten aus den vergangenen Saisons ein Indiz dafür, wie die Waren in kommenden Zeiten verteilt werden könnten. Jede Filiale unterliegt jedoch auch lokalen Einflüssen, die sich nicht in den Datenbeständen der Handelsketten finden und die sich nicht jede Saison wiederholen.

Und hier fängt es an, spannend zu werden. Welche Datenquellen könnte ich als Unternehmen noch hinzuziehen oder welche Daten könnte ich erheben, um intelligentere Voraussagen zu gewinnen und den Anteil an Lagerware zu minimieren? Angefangen von Wetterdaten, lokalen Veranstaltungen bis hin zu kommunalen Baumaßnahmen, die Einfluss auf die Erreichbarkeit der Filiale haben.

Diese Möglichkeiten gilt es zu prüfen, ein stimmiges Datenkonzept zu erarbeiten, die Daten zu erheben oder einen Zugriff darauf zu ermöglichen und sie mit vorliegenden Daten zu verknüpfen, bevor erste Erkenntnisse gewonnen werden können.

KI Use Case: Vorhersage des Teileverschleißes im Bereich Automotive

Ein spannendes Einsatzfeld in der Automobilbranche stellt vor allem die Vorhersage zum Teileverschleiß dar. Sowohl in der Teileentwicklung als auch im Einsatz von Bauteilen können mithilfe von Sensoren zum Beispiel Geräuschentwicklungen, Druckveränderungen oder auch Abtragungen aufgezeichnet werden. Diese werden dann in einem KI-System zusammengeführt und Prognosen entwickelt, wann ein Teil mit hoher Wahrscheinlichkeit ausgetauscht werden muss.

Erste Aussagen bereits nach wenigen Wochen

Wie bei jedem Projekt steht am Anfang immer die Frage nach dem Ziel, bevor die Daten und Methoden zur Erreichung ausgewählt werden können. Was genau soll erreicht werden und welche Daten müssen sinnvoll zusammengeführt werden?

Das sind die zentralen Fragen, um im Anschluss ein Datenmodell mit Aussagekraft entwickeln zu können. Wenn konkrete Handlungsempfehlungen die Zukunft betreffend erreicht werden sollen, müssen vorliegende Daten aus den Datenbanken und Data Warehouses mit neuen Datenquellen in Verbindung gebracht werden. Und hier bietet Künstliche Intelligenz beziehungsweise Machine Learning durch den Einsatz von Sensoren sehr gute Möglichkeiten. Wenn das Ziel feststeht, können in einer Trainingsphase neue Daten über Sensoren gesammelt und ausgewertet werden. So sind nach dieser ersten Phase Zukunftsprognosen möglich.

Und das muss keine Jahre in Anspruch nehmen. Schon nach wenigen Wochen können erste Aussagen getroffen werden. Dies ist zwar nicht auf Knopfdruck, aber mit entsprechendem Expertenwissen durchaus auf Sichtweite umsetzbar; nicht nur für große Konzerne, sondern auch für mittelständische Unternehmen.

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de (ID: 45713718)

Über den Autor

 Daniel Rösch

Daniel Rösch

Managing Partner, Ososoft