Verstehe: KI kann erst durch die richtigen Daten lernen

Erst danach kann man ermitteln, welche Daten dafür notwendig sind. Heute besitzen Produktionsmaschinen zahlreiche Sensoren, die ständig Daten erzeugen. Doch nicht alle sind wichtig, um den Verschleiß eines wichtigen Zahnrades zu messen. Dieser wirkt sich zum Beispiel auf die Produktionsgenauigkeit aus und führt zu Klappergeräuschen. Ein erfahrener Produktionsleiter erkennt die Warnzeichen frühzeitig und sorgt für einen Austausch des Zahnrades in einer Fertigungspause. Doch für eine KI-Lösung ist der Vorgang nicht so intuitiv.

In diesem Fall muss nicht nur die Art der Daten festgelegt werden, sondern auch woher diese Daten stammen. Werden sie direkt an der Maschine gemessen oder im späteren Produktionsverlauf? Wie zuverlässig sind die Messwerte? Zudem ist zu klären, ob weitere Daten nötig sind, um den Kontext zu verstehen. So kann zum Beispiel eine Produktionsabweichung auch andere Ursachen als Verschleiß haben, etwa Probleme an der Steuerung oder einem anderen Zulieferer für die Ausgangsmaterialien. Um zu evaluieren, welche Daten unerlässlich sind, ist eine Datenstrategie erforderlich.

Suche: die richtigen Beteiligten

Gerade in diesem ersten Schritt machen Unternehmen häufig den Fehler, direkt Data Scientists einzubinden. Doch diese können gar nicht das nötige Domänenwissen wie eine Schichtleiterin oder der zuständige Maschinist besitzen. Diese wiederum sind keine Prozessexperten. Daher ist ein eigener Process Owner nötig, der das Gesamtprojekt leitet und dabei die Ziele und die effiziente Umsetzung im Blick behält. Der Process Owner legt gemeinsam mit der Schichtleiterin und dem Maschinisten den konkreten Use Case fest, ermittelt mit ihnen die dafür nötigen Daten und entwickelt die Datenstrategie. Anschließend bindet er einen Data Scientist ein, der die Qualität der bestehenden Daten prüft, Datensilos gemeinsam mit Process Owner und Domänenexperten konsolidiert sowie geeignete Algorithmen entwickelt.

Der nächste Schritt entscheidet über den Erfolg eines KI-Projekts. Denn hier müssen vor allem die Erwartungen der Domänenexperten in die richtigen Bahnen gelenkt werden. Häufig glauben sie, dass KI von Anfang an korrekte Ergebnisse liefert. Doch das ist falsch. Jede KI-Lösung muss trainiert werden. Das heißt, sie berechnet anhand der Daten erste Ergebnisse. Diese sind von den Domänenexperten mit richtig oder falsch zu bewerten. Anhand der falsch positiven Antworten können die Beteiligten dann gemeinsam herausfinden, ob die Fehler an den Ausgangsdaten, nicht berücksichtigtem Kontext oder dem Algorithmus liegen.

Künstliche Intelligenz

Höhere Ressourceneffizienz durch KI erreichen

Koordiniere: Integration von KI in Prozesse

Nach einer ausreichenden Lernphase ist die KI-Lösung bereit für den Einsatz. Hier entsteht häufig das größte Problem: die Integration in Business-Prozesse. So muss bei Predictive Maintenance die KI-Lösung mit den Sensoren und weiteren Echtzeit-Daten der Maschine verknüpft werden. Zeigt sie eine Warnmeldung an, darf diese nicht ungelesen bleiben. Hier muss definiert sein, wer sich um die Warnmeldung kümmert, wie diese bei Bedarf zu überprüfen ist und welche konkreten Schritte zur Reparatur eingeleitet werden. Und hier schließt sich der Kreis zum ersten Schritt.

Auch wenn dies nichts mehr mit der eigentlichen KI-Lösung zu tun hat, muss man die organisatorischen Prozesse von Anfang an mitdenken, damit das Gesamtprojekt erfolgreich wird. Die Koordination liegt in der Verantwortung des Process Owners, der alle Stakeholder berücksichtigen und frühzeitig einbinden muss. Denn nur mit einem umfassenden Gesamtkonzept kann ein selbst so kleines Problem wie der Austausch eines Zahnrades gelingen.

Lerne: erfahrene Experten einbinden

Für Unerfahrene mag das nach einem großen Aufwand mit kleinem Effekt klingen. Doch gerade bei den ersten KI-Projekten wird vieles falsch gemacht und übersehen. Daher lohnt es sich, anfangs mehr Zeit zu investieren. Mit zunehmender Erfahrung und sich etablierenden Lösungen reduziert sich dann der Aufwand sukzessive. Und damit der Anfang nicht so holprig wird, empfiehlt sich die Einbindung eines erfahrenen Partners, der auf mögliche Stolpersteine und Lösungen hinweist. Gerade die Sicht von außen kann beim Aufdecken organisatorischer Hürden im Unternehmen und dem nötigen Change-Management sehr hilfreich sein.

Fazit

Fakt ist: Die Technik ist so weit. Doch organisatorisch gibt es Hürden. Daher empfiehlt es sich, jetzt den ersten Schritt mit einem konkreten, kleinen Use Case zu gehen. Die größte Herausforderung an dieser Stelle: Den ersten Schritt nicht zu groß zu denken. Verantwortliche müssen sich stets vor Augen führen, dass sie mit dem initialen Use Case zunächst erste Erfahrungen sammeln, um diese danach zu skalieren und dem Wettbewerb voraus zu sein. Dabei sollten Unternehmen gerade in den ersten Projekten erfahrene Partner einbinden und auch intern einen offenen Austausch pflegen. Denn KI-Projekte gelingen nur prozess- und abteilungsübergreifend sowie mit einer soliden Datenstrategie. Dies zeigen erfolgreiche Beispiele.

(ID:47501011)