IoT-Basics

Was ist Künstliche Intelligenz? Definition, Anwendung und Beispiele

Seite: 3/3

Wo gewinnt KI künftig an Bedeutung?

Einige Anwendungsbereiche, in denen KI künftig an Bedeutung gewinnen wird und wo sich F&E (und Förderung) lohnen könnten, hat der amerikanische Anbieter von Cloud-Infrastruktur und Cloud-Anwendungen Oracle zusammengestellt. Matthias von Blohn, Head of Cloud Applications Insight bei Oracle Deutschland, kommentiert ist überzeugt: „Es kommt in diesem neuen Jahrzehnt nicht länger darauf an, KI-Trends lediglich zu folgen. Stattdessen müssen KI und aufkommende Innovationen in allen Bereichen des Unternehmens verankert werden, um so Innovations- und Zukunftsorientierung zu stärken.“

Kollege KI transformiert den Arbeitsalltag

Im alltäglichen Leben verändert und optimiert KI bereits Anwendungen wie Netflix oder Waze. Anwender erwarten dies zunehmend auch von Lösungen, die sie in Büro, Lager oder Fabrikhalle nutzen. KI wird in diesem Zusammenhang vermehrt zu einem wichtigen Kollegen werden, der den Arbeitsalltag erleichtert. KI automatisiert sich wiederholende Aufgaben, wertet Dateneingaben auf, liefert smarte Einblicke für die Entscheidungsfindung und wird sich stetig weiterentwickeln, um veränderte Anforderungen zu adressieren. KI-basierte Apps, intelligente UX und fortschrittliche digitale Assistenten revolutionieren den Büroalltag.

Gebrauchsfertige KI-Apps statt eigens gebauter Anwendungen

App-Entwicklung kann ein schwieriger, frustrierender Prozess sein. Zudem fällt es den meisten Unternehmen schwer, KI-Anwendungen zu entwickeln, da es ihnen im eigenen Haus an Know-how und Datenkompetenz mangelt. Eine Studie von Oracle und ESG kommt in diesem Zusammenhang zu dem Schluss, dass Unternehmen mit etwa doppelt so hoher Wahrscheinlichkeit vorgefertigte KI-Anwendungen einsetzen, als dass sie eigene Lösungen entwickeln. Anbieter müssen daher die App-Entwicklung für ihre Kunden übernehmen, um von Anfang an einsatzbereite Lösungen bereitzustellen und einen sofortigen geschäftlichen Nutzen zu erzielen.

KI verschmilzt vermehrt mit nativen Prozessen und Anwendungen

Unternehmen sind daran interessiert, KI-Fähigkeiten eng mit bereits vorhandenen Prozessen zu verbinden, damit sie intelligenter arbeiten und vernetzen können. Das bedeutet, dass KI nicht nur die nächst besten Aktionen empfiehlt, sondern sie auch gleich auslösen kann, unabhängig von Gerät, Anbieter, Produkt oder Dienstleistung. Künftig sind auch direkte KI-Verbindungen zur Biometrie einer Person denkbar.

Data Enrichment optimiert KI-Einsatz

KI braucht nicht viele Daten, um zu funktionieren, aber eine Menge der richtigen Daten. Daher suchen Unternehmen zunehmend nach einfacheren Möglichkeiten, ihre Datensätze zu bereinigen und anzureichern, bevor ihre KI-Modelle die Daten aufnehmen. Lösungen wie DataFox erleichtern es Firmen, genau die Daten zu erhalten, die KI für eine gute Arbeit benötigt, denn sie reichern diese so an, dass sie zu intelligenteren und präziseren Ergebnissen.

Smarte Assistenten verdrängen einfache Chatbots

Chatbots sind gut darin, einfache Fragen zu beantworten. Die Zukunft gehört aber noch smarteren digitalen Assistenten: KI hilft diesen Bots, Absicht und Kontext hinter den Anfragen besser zu verstehen und natürliche Konversationen zu führen. Zudem wird KI den digitalen Assistenten helfen, Fragen und Bedenken proaktiv statt reaktiv anzugehen, um Vorhersagen zu treffen und Empfehlungen für die nächsten Schritte zu geben. Auch im Bereich der Unternehmenssoftware nehmen digitale Assistenten einen zunehmend wichtigere Rolle für eine effizientere Mensch-Maschine-Interaktion ein. Einige Cloud-Software-Suiten erlauben Anwendern bereits, beispielsweise direkt mit dem Finanzsystem zu sprechen und zu interagieren.

KI verändert E-Commerce

Der E-Commerce - vor allem im B2B-Bereich - wird von KI ebenfalls nachhaltig verändert. Einschätzungen des "Datenveredlers" Omikron zufolge vollzieht sich dieser Wandel schneller als angenommen und betrifft de facto jedes Unternehmen. Schon heute finden in den Ein- und Verkaufsabteilungen KI-Verfahren ein breites Anwendungsspektrum. Das gilt beispielsweise für Lager-Vorhersagen, die sich mit Hilfe von KI besser treffen lassen als mit traditionellen Verfahren.

Im Hinblick auf den Vertrieb ist z.B. Adaptive Pricing mit KI realisierbar – eine Maßnahme, die insbesondere für B2B-Unternehmen relevant ist, um präzisere Preise je Kunden individuell zu ermitteln. Wenn bereits viele Interaktionen mit dem Kunden vorliegen, kann ein Algorithmus beurteilen, wie preissensibel dieser ist oder ob es andere Faktoren gibt, die für genau diesen Käufer relevanter sind als für andere Kunden. Ein Ergebnis könnte sein, dass bestimmten Kunden höhere Gewährleistungen zum jeweiligen Preis angeboten werden.

Bei Materialbestellungen dürfte laut Omikron der “Predictive Basket” an Bedeutung gewinnen. Dieser sagt dem Kunden, was er in seiner aktuellen Session kaufen könnte und letztlich natürlich sollte. Die KI schlägt Produkte auf Basis des historischen Kundenverhaltens sowie auf Basis des Einkaufsverhaltens anderer Kunden vor. Sie lernt den Kauf-Rhythmus kennen, adaptiert saisonale Besonderheiten und optimiert die eigenen Vorschläge auf einer immer individuelleren Ebene.

KI-gestützte Algorithmen schaffen im E-Commerce bereits heute bis zu 75 Prozent Trefferquote, wodurch der B2B-Kunde seinen den Einkauf in einem Drittel der Zeit erledigen könnte. Typisches Beispiel aus dem B2C-E-Commerce sind die Kaufempfehlungen von Amazon. Im B2B-Bereich könnten beispielsweise beim Einkauf von Zerspanungswerkzeugen für Werkzeugmaschinen auch Kühlschmierstoffe, ein Nachschleifservice oder die Entsorgung von Hartmetallen angeboten werden.

Kostenfreier KI-Online-Kurs

Mit dem kostenlosen Online-Kurs "Elements of AI" der Industrie- und Handelskammern in Deutschland kann ab sofort jeder im Internet Wissen über Künstliche Intelligenz (KI) erwerben und testen. In Finnland, wo der Kurs ursprünglich entwickelt wurde, haben inzwischen mehr als 270.000 Menschen das Angebot genutzt. Die appliedAI Initiative des Innovations- und Gründerzentrums UnternehmerTUM hat die inhaltliche Überführung von Elements of AI ins Deutsche unterstützt und betreut den laufenden Betrieb.

Das Angebot zeigt, wie Maschinen lernen, Bilder und Texte erkennen und mit Menschen interagieren. Der Deutsche Industrie- und Handelskammertag (DIHK) rechnet für die nächsten fünf Jahre mit einem stark wachsenden Einsatz von KI in allen Wertschöpfungsstufen. "Im digitalen Zeitalter bleiben wir als deutsche Wirtschaft nur wettbewerbsfähig, wenn wir auch bei Künstlicher Intelligenz an der Weltspitze mitspielen", sagt DIHK-Präsident Eric Schweitzer zum Ziel des Online-Kurses.

Der Online-Kurs, der von Deutschlands führender KI-Initiative appliedAI betreut wird, soll dazu beitragen, möglichst viele Menschen mit Künstlicher Intelligenz in Berührung zu bringen und Ängste abzubauen.

Für die Teilnahme an dem deutschsprachigen Kurs sind weder mathematische noch Programmier-Kenntnisse erforderlich. Die sechs Module können bei völlig freier Zeiteinteilung in 30 bis 60 Stunden online absolviert werden.

Zm Kursangebot

Use Cases, Best Practices und Projekte

Logistik: Mit KI die Lieferkette optimieren

Lieferzeiten, Bestandsmanagement, das Transportmittel der Wahl, Wetter oder landesspezifische gesetzliche Regelungen – all das und vieles mehr sind Faktoren, die die Supply Chain beeinflussen können. Unvorhergesehene Ereignisse in der Lieferkette können schnell Komplikationen in der Produktion nach sich ziehen. Probleme, die sich daraus ergeben, sind dann mitunter auf verschiedenen Ebenen spürbar. Eine Supply Chain hat viele Beteiligte und ein gebrochenes Kettenglied an einer Stelle kann leicht Auswirkungen auf die gesamte Kette haben. Ressourcen in die Optimierung der Supply Chain zu stecken, kann sich für alle Beteiligten lohnen.

Der Einsatz von Künstlicher Intelligenz (KI) ist dabei ein möglicher Ansatzpunkt. Ein Unternehmen, das in diese Richtung arbeitet, ist die JDA Software Group. Seit der Gründung 1985 befasst man sich dort mit Themen rund um die Lieferkette. Ab 2014 kam dann auch das Thema KI hinzu, anfangs noch im Rahmen eigener Labore. Mit der Übernahme des KI-Unternehmens Blue Yonder im Jahr 2018 wurde auch die Entwicklung von konkreten Produkten möglich. Blue Yonder arbeitete bereits seit 2008 an einer funktionsfähigen KI-Lösung.

Aktuell arbeitet man laut Gabriel Werner, Vice President, Solution Advisory Manufacturing für EMEA bei JDA, am Control Tower, um Lieferungen in Echtzeit zu überwachen und zum Beispiel die erwartete Ankunft der Lieferung genauer zu prognostizieren. Die Künstliche Intelligenz soll auf Basis von Daten Vorhersagen zu möglichen Ereignissen treffen, welche die Supply Chain beeinflussen. Im nächsten Schritt gehe es darum, Maßnahmen einzuleiten, die die Auswirkungen der Ereignisse abfedern können.

„Dabei arbeiten wir viel mit Design Thinking, also Lösungen, die den Anwender überzeugen. Wir wollen durch Automatisierung den Teufelskreis von Planungsproblemen durchbrechen“, so Werner. Es komme vor, dass ein Projektmanager sich mit einer Störung in der Lieferkette befasst, während an anderer Stelle schon weitere Probleme auftreten. Hier kann Machine Learning Abhilfe schaffen. Der Algorithmus soll anhand von Daten nicht nur Vorhersagen zu möglichen Ereignissen treffen, sondern auch Lösungsstrategien erlernen. Laut Werner soll die KI irgendwann gänzlich autonom arbeiten.

Das System werde dann alle Entscheidungen zur Lieferkettenoptimierung selbstständig, ohne menschliches Eingreifen treffen.Momentan ist dies nur in Teilen der Lieferkette möglich, zum Beispiel wurden bei der Supermarktkette Morissons in England bereits 99 Prozent Automatisierung in der Filialbelieferung erreicht. In anderen Teilen der Lieferkette würde die Software gewisse Entscheidungen noch nicht treffen; solche zum Beispiel, die größere finanzielle Auswirkungen nach sich ziehen, müssen von einem menschlichen Bediener autorisiert werden.

Quelle: MM-Logistik

AutoML: Domänenexperten entwickeln eigenständig Machine-Learning-Lösungen

Heute analysieren Data Scientists die Daten und erstellen ML-Modelle. Dieser Prozess ist weitestgehend manuell und explorativ. Dabei entsteht nicht nur das eigentliche Modell, sondern auch eine sogenannte ML-Pipeline, in der die Daten viele Verarbeitungsschritte durchlaufen und an deren Ende das Modell ausgeführt sowie das Ergebnis ausgegeben wird.

Der Prozess der Modellbildung und der Erstellung der ML-Pipeline ist sehr komplex. Insgesamt gibt es bis zu 1040 Kombinationsmöglichkeiten um eine ML-Lösung aufzubauen. Die konkrete Ausgestaltung der ML-Pipeline ist für jeden Use Case spezifisch. Natürlich bietet der Markt auch einige Software-Werkzeuge für den Data Scientist, die den grundlegenden Aufbau der Pipeline unterstützen und damit die Arbeit der Data Scientists vereinfachen. Jedoch sind die meisten Parameter für die ML-Lösung in kreativer und zugleich mühevoller Arbeit manuell zu bestimmen.

Mit dem Automated-Machine-Learning-Tool (AutoML) gibt Weidmüller dem Nutzer eine Software an die Hand, die den KI-Einstig auch ohne den Einsatz von Data Scientisten ermöglicht. Das Tool befähigt die Domänenexperten auf Basis ihres Applikationswissens eigenständig Machine-Learning-Modelle zu erzeugen.
Mit dem Automated-Machine-Learning-Tool (AutoML) gibt Weidmüller dem Nutzer eine Software an die Hand, die den KI-Einstig auch ohne den Einsatz von Data Scientisten ermöglicht. Das Tool befähigt die Domänenexperten auf Basis ihres Applikationswissens eigenständig Machine-Learning-Modelle zu erzeugen.
(Bild: Weidmüller)

Bei der Modellbildung und dem Aufbau der Pipeline diskutiert der Data Scientist kontinuierlich die in den Daten gefundenen Zusammenhänge mit den Maschinen- und Prozessexperten. Gemeinsam erfolgt eine ingenieurmäßige Interpretation der Ergebnisse, wodurch letztendlich die Parameter für das Modell sowie die Pipeline identifiziert und festgelegt werden. Das Applikationswissen der Domänenexperten trägt also entscheidend für den Erfolg einer gute ML-Lösung bei.

Diesen Prozess zu verkürzen und die Anwendung von Machine Learning zu demokratisieren, ist die Vision des Detmolder Automatisierungsunternehmens Weidmüller. Machine Learning soll jedem Domänenexperten in der Industrie zugänglich zu machen, damit die Anwendung von ML in der Industrie nicht durch die beschränkte Anzahl von Data Scientists gehemmt wird und das vorhandene Wissen der Fachexperten optimal genutzt wird.

Dazu ist die Anwendung von ML für industrielle Applikationen soweit zu standardisieren und zu vereinfachen, dass Domänenexperten ohne Expertenwissen im Bereich Data Science eigenständig ML-Lösungen erzeugen können. Dies umfasst zudem eine weitestgehende Automatisierung der Modellbildung sowie der Generierung der ML-Pipeline, um die Erzeugung der ML-Lösung zu beschleunigen. Der technologische Ansatz dahinter wird mit dem Term Automated Machine Learning beschrieben, wobei es nicht der Anspruch ist, den Prozess der Generierung von ML-Lösungen komplett zu automatisieren. Ganz im Gegenteil: Die Domänenexperten sollen ihr Wissen bewusst mit dem AutoML-Prozess verknüpfen, um so exzellente ML-Lösungen zu schaffen.

Mit der AutoML-Software können Domänenexperten ML-Modelle erzeugen. Dabei führt die AutoML-Software den Nutzer durch den Prozess der Modellentwicklung, weshalb wir hier auch von „Guided Analytics“ sprechen. Dabei fokussiert sich der Experte auf sein Wissen zum Maschinen- und Prozessverhalten und verknüpft dieses mit den im Hintergrund ablaufenden ML-Prozessen. Das bedeutet, dass die Software bei der Übersetzung und Archivierung des vorhandenen und wertvollen Applikationswissens in eine verlässliche Machine Learning-Anwendung hilft, indem das vorhandene Wissen geschickt abgefragt und mit dem im Hintergrund arbeitenden ML-Verfahren kombiniert wird.

Die AutoML-Lösung besteht im Wesentlichen aus zwei Modulen zur Modellbildung, -ausführung, und -optimierung sowie zum Management der Modelle über ihren Lebenszyklus. Mit dem Modul zur Modellbildung kann der Domänenexperte auf den Trainingsdaten und seinem Applikationswissen basierende ML-Lösungen zur Anomalieerkennung, Klassifikation und Fehlervorhersage erzeugen. Weltweit einmalig ist die Anomalieerkennung lediglich auf Basis von „Gut-Daten“, dem „unsupervised“ Training (unüberwachtes Lernen).

Ein Algorithmus erlernt dabei die typischen Datenmuster eines normalen Maschinenverhaltens anhand historischer Daten. Zur Laufzeit können Abweichungen von diesen Mustern identifiziert werden. Bei den erkannten Anomalien kann es sich um Ineffizienzen, kleinere Störungen oder größere Fehlerfälle handeln. Das System ist durch diese Herangehensweise in der Lage, auch bisher vollkommen unbekannte Fehlerfälle schon bei ihrem ersten Auftreten zu erkennen. Ergebnis des Modellbildungsprozesses ist eine komplett konfigurierte ML-Pipeline inklusive des Modells.

Mit dem Modul zur Modellbildung kann der Domänenexperte auf den Trainingsdaten und seinem Applikationswissen basierende ML-Lösungen zur Anomalieerkennung, Klassifikation und Fehlervorhersage erzeugen.
Mit dem Modul zur Modellbildung kann der Domänenexperte auf den Trainingsdaten und seinem Applikationswissen basierende ML-Lösungen zur Anomalieerkennung, Klassifikation und Fehlervorhersage erzeugen.
(Bild: Weidmüller)

Darüber hinaus dient der Model-Builder zur Optimierung der ML-Modelle im Betrieb. Neue Ereignisse wie bestimmte Betriebssituationen, Anomalien oder Fehler, die während des Betriebs einer Maschine vorkommen und nicht in den Trainingsdaten enthalten waren, können den Modellen mit wenigen Klicks hinzugefügt werden, wodurch sich die Modelle über ihren Lebenszyklus kontinuierlich verbessern lassen.

Das zweite Modul der AutoML-Lösung ist die Ausführungsumgebung, die zum Betrieb der ML-Modelle in der Cloud oder in einer On-Premise-Anwendung dient. Sie ist plattformunabhängig und skaliert automatisch gemäß der Anzahl der auszuführenden Modelle. Darüber hinaus stellt die Ausführungsumgebung die Modellergebnisse verständlich dar, sodass der Nutzer konkrete Handlungen z.B. zur Fehlervermeidung umsetzten kann. Da die Modelle über ihren Lebenszyklus angereichert werden und damit Modellvarianten entstehen, ist ein Modellmanagement ein weiterer Bestandteil der Ausführungsumgebung. Das Modellmanagement stellt u.a. Funktionen zur Modellversionierung, Modellwiederherstellung, und Modellüberwachung bereit.

Produktion: Mit KI Werkzeugmaschinen warten

Die Wartung und der rechtzeitige Tausch von defekten Bauteilen in Werkzeugmaschinen ist ein wichtiger Bestandteil des Produktionsprozesses. Bei Kugelgewindetrieben, wie sie etwa in Drehmaschinen bei der Herstellung von zylindrischen Bauteilen zum Einsatz kommen, wird der Verschleiß bislang manuell festgestellt. „Die Wartung ist deshalb mit Montagearbeiten verbunden. Die Maschine steht dann erst einmal still“, sagt Professor Jürgen Fleischer vom Institut für Produktionstechnik (wbk) des Karlsruher Instituts für Technologie (KIT).

Mit dem am KIT entwickelten System zur vollautomatischen Überwachung von Kugelgewindetrieben in Werkzeugmaschinen lässt sich dieses Problem lösen. „Unser Ansatz basiert auf der Integration eines intelligenten Kamerasystems direkt in den Kugelgewindetrieb. So kann ein Anwender den Zustand der Spindel kontinuierlich überwachen. Besteht Handlungsbedarf, wird er automatisch informiert.“

Demonstration des am KIT entwickelten Systems zur vollautomatischen Verschleißkontrolle von Kugelgewindetrieben mithilfe von Künstlicher Intelligenz.
Demonstration des am KIT entwickelten Systems zur vollautomatischen Verschleißkontrolle von Kugelgewindetrieben mithilfe von Künstlicher Intelligenz.
(Bild: KIT)

Das neue System besteht aus einer an der Mutter des Kugelgewindetriebes angebrachten Kamera mit Beleuchtung, die mit einer Künstlichen Intelligenz zur Auswertung der Bilddaten kombiniert ist. Während der Bewegung der Mutter auf der Spindel macht sie von jedem Spindelabschnitt Einzelaufnahmen. Dadurch wird jeweils die gesamte Oberfläche der Spindel analysiert.

Die Kombination von Bilddaten aus dem laufenden Betrieb mit Methoden des maschinellen Lernens (ML) ermöglicht Anwenderinnen und Anwendern des Systems eine direkte Bewertung des Zustands der Spindeloberfläche. „Wir haben unseren Algorithmus mit tausenden Aufnahmen trainiert, sodass er nun souverän zwischen Spindeln mit und solchen ohne Defekt unterscheiden kann“, erläutert Tobias Schlagenhauf vom wbk, der an der Entwicklung des Systems mitgearbeitet hat. „Durch eine weitere Auswertung der Bilddaten lässt sich der Verschleiß außerdem genau quantifizieren und interpretieren. So können wir unterscheiden, ob es sich bei einer Verfärbung einfach nur um Schmutz oder aber um schädlichen Lochfraß handelt.“

Eine integrierte Kamera samt Beleuchtung ermöglicht die kontinuierliche Überwachung der Spindel im Kugelgewindetrieb.
Eine integrierte Kamera samt Beleuchtung ermöglicht die kontinuierliche Überwachung der Spindel im Kugelgewindetrieb.
(Bild: KIT)

Beim Trainieren der KI wurden alle denkbaren Formen einer visuell sichtbaren Degeneration berücksichtigt und die Funktionalität des Algorithmus mit neuen, vom Modell noch nie gesehenen Bilddaten validiert. Der Algorithmus eignet sich für alle Anwendungsfälle, bei denen bildbasiert Defekte auf der Oberfläche einer Spindel identifiziert werden sollen und lässt sich auch auf andere Anwendungsfälle übertragen.

Produktion: Maschinengeräusche signalisieren Verschleiß

Mittels KI ist man bei der tschechischen Firma Neuron soundware dem Verschleiß von Maschinen und Bauteilen auf der Spur. Das in Prag ansässige Technologieunternehmen nutzt dafür das aus der Physik bekannte holographische Prinzip. Maschinen werden überwiegend aus Metall hergestellt, das akustische Signale ("Klänge") sehr gut verbreitet. Der Verschleiß von Teilen, der sich gut über Veränderungen des akustischen Spektrums feststellen lässt, kann nichtinvasiv an der Oberfläche einer Maschinenkomponente gemessen werden.

Solche diagnostischen Methoden werden bereits seit Jahrzehnten in der Industrie eingesetzt - insbesondere für Komponenten die lediglich einfache Bewegungen ausführen. Dazu gehören z.B. rotierende Systeme wie Wellen oder Lager, bei denen auf einfachen Gleichungen basierende Algorithmen zum gewünschten Ergebnis führen.

Bei komplexeren Maschinen wie Robotern, Kränen oder Motoren sieht die Sache hingegen anders aus. Solche Maschinen beinhalten oft mehrfach bewegliche Achsen, Gelenke oder Getriebe. Um den Zustand dieser Maschinen analysieren zu können, müssten sehr viele Sensoren eingebaut und sehr komplizierte Algorithmen angewendet werden. in der Praxis ist man aber von Anzahl von Sensoren, der verfügbaren Datenmengen und der vertretbaren Kosten für die Rechenleistung her limitiert.

Deshalb werden Maschinen üblicherweise nur von einem oder wenigen Sensoren überwacht., was zur Folge hat, dass sich die Signale aus den verschiedenen Quellen überlagern. Um dieses komplexe Spektrum zu verarbeiten und den Zustand der Maschine zu bestimmen, nutzt Neuron soundware KI-Algorithmen und Methoden des maschinellen Lernens.

Weitere Informationen

Automatisierung: Wenn der Bediener mit der Maschine spricht

Spracherkennung gibt es seit knapp 40 Jahren. Um damals Maschinen per Sprache steuern zu können, musste man die dazu erforderliche Elektronik aufwendig auf die Stimme ihres Herrn trainieren. Folglich gab es seinerzeit nur wenige sprachgesteuerte Anwendungen. Dank Künstlicher Intelligenz ist das heute anders, wie Alexa und Siri zeigen. Warum also nicht auch Maschinen per Sprache intuitiv steuern?

Eine Technologiestudie von Trumpf zeigt, wie dies konkret an einer Lasermarkieranlage funktionieren könnte. „Künstliche Intelligenz ist die nächste Stufe der Automatisierung und eine Schlüsseltechnologie für die vernetzte Industrie. KI macht die Produktion mit unseren Lasern in Zukunft noch effizienter, einfacher und anpassungsfähiger“, verspricht Christian Schmitz, der bei Trumpf für die Lasertechnik zuständige Geschäftsführer. Der Anlagenbediener kann direkt in ein Mikrofon sprechen: „Türe öffnen!“, „Starte den Markiervorgang!“ oder „Wie viele Produkte hast du heute markiert?“. Die Laseranlage antwortet und führt den Sprachbefehl aus.

Für unerfahrene Bediener entfällt die oft komplizierte händische Befehlseingabe. Außerdem kann der Werker schon während des Sprachbefehls parallel das nächste Bauteil vorbereiten oder aus der Maschine entnehmen. Das spart Zeit und macht produktiver.

In einem nächsten Schritt wollen die Trumpf-Entwickler die Bedienbarkeit der Lasermarkieranlage weiter vereinfachen. Noch muss der Anlagenbediener, damit auch das richtige Markierprogramm startet, der Maschine sagen, welches Teil er eingelegt hat. In Zukunft soll die Anlage per Sensorik und Bilderkennungssoftware selbst erkennen, welches Bauteil zu markieren ist. Dann wählt die Maschine das passende Programm selbst aus.

Finance: KI ersetzt den Controller

Unternehmen, die KI und andere neue Technologien im Bereich Finance and Operations einsetzen, steigern ihren jährlichen Gewinn um 80 Prozent schneller als Firmen, die derartige Lösungen nicht nutzen. Zu diesem Ergebnis kommt jetzt die neue Studie "Emerging Technologies: The competitive edge for finance and operations" der Enterprise Strategy Group und Oracle. So reiche es nicht mehr aus, dass Finance und Operations lediglich finanzielle Ergebnisse reporten und Prozesse rationalisieren. Das Rechnungswesen müsse vielmehr von der Berichterstattung über das "Was" im Unternehmen auf das "Warum" übergehen. Dabei verbessern KI und digitale Assistenten Genauigkeit und Effizienz im Finanzbereich.

  • Unternehmen, die innovative KI und digitale Assistenten einsetzen, reduzieren Fehler im Finanzbereich um durchschnittlich 37 Prozent.
  • 72 Prozent der Organisationen, die KI einsetzen, profitieren von einem transparenteren Überblick ihrer gesamten Unternehmensleistung.
  • 83 Prozent der Führungskräfte glauben, dass KI innerhalb der nächsten fünf Jahre Finanzabschlüsse vollständig automatisieren wird.
  • Digitale Assistenten verbessern die Produktivität um durchschnittlich 36 Prozent und machen die Finanzanalyse um 38 Prozent schneller.

"In Zukunft wird der Zeitaufwand, den wir für die Aufbereitung benötigen, stark zurückgehen - wahrscheinlich auf etwa fünf Prozent unserer produktiven Zeit. In der verbleibenden Zeit werden wir die Daten tatsächlich analysieren. Heute ist der Zeitaufwand i9n etzwa gleich verteilt", ist der CFO einer Gesundheitseinrichtung mit 18.000 Mitarbeitern überzeugt.

Datenveredlung: Aus "Silo"-Daten Wissen generieren

Unternehmensdaten werden oft als das Gold des 21. Jahrhunderts bezeichnet. Diese Darstellung ist faktisch aber nicht unproblematisch, da sie die Menschen dazu ermutigt, sich mit dem bloßen Sammeln von Daten zufrieden zu geben. Das Ergebnis: Die täglich explodierenden Datenmengen landen in Hunderten von "Silos" im gesamten Unternehmen und spielen bei der digitalen Transformation allenfalls eine untergeordnete Rolle.

"Wir können die Daten kaum als Gold bezeichnen, solange Unternehmen diesen Rohstoff nicht verarbeiten und verfeinern und daraus tatsächliches Wissen generieren", so Daniel Fallmann, Gründer und CEO von Mindbreeze. Das Software-Unternehmen mit Sitz im österreichischen Linz befasst sich mit den Themen Enterprise Search, Information Access und Digital Cognition.

Die Lösungen von Mindbreeze stellen proaktiv automatisiert Daten über alle Applikations-, Abteilungs- und auch Unternehmensgrenzen hinweg zur richtigen Zeit zur Verfügung. Sogenannte Insight-Engines handhaben die Veredelung intelligent und unabhängig voneinander. Indem sie sozusagen eine Schicht über alle Datensilos innerhalb eines Unternehmens legen, werden alle Daten - ob strukturiert oder unstrukturiert - miteinander verknüpft. Am Ende dieses Zyklus steht dem gesamten Unternehmen geballtes Wissen zur Verfügung steht.

"Die eigentliche Botschaft lautet also: Das Gold des Jahres 2020 ist die automatisierte Generierung von Wissen über alle Abteilungsgrenzen hinweg", betont Mindbreeze-CEO Fallmann Und: Diese Entwicklung ist Trend. Wie das Marktforschungsunternehmen Gartner herausgefunden hat, werden bis 2022 rund 40 Prozent der Mitarbeiter KI-Agenten konsultieren, bevor sie Entscheidungen im Tagesgeschäft treffen.

Herkömmliche Software-Bots können diese Aufgabe nicht bewältigen, weil sie in Wirklichkeit nichts mit KI zu tun haben und nur nach einem manuell erstellten und gespeicherten Entscheidungsbaum arbeiten. Umgekehrt können Insight-Engines die Stärken echter KI ausnutzen. Im Jahr 2020 werden die Mitarbeiter also zunehmend diese zukunftsweisende Technologie nutzen, um die Rolle eines persönlichen Assistenten zu übernehmen.

Literatur

(01) Baris Ayaz: Machine Learning in der Smart Factory, in Thomas Schulz (Hrsg.): Industrie 4.0 - Potenziale erkennen und umsetzen; Vogel Business Media

(02) Jörg Frochte: Maschinelles Lernen - Grundlagen und Algorithmen in Python; Hanser

(03) Wolfgang Ertel: Grundkurs Künstliche Intelligenz - Eine praxisorientierte Einführung; Springer Vieweg

(04) Philip C. Jackson: Introduction to Artificial Intelligence; Courier Corporation

(05) Andrew W. Trask: Neuronale Netze und Deep Learning kapieren; mitp

(06) Pedro Domingos: The Master Algorithm - How the Quest for the Ultimate Learning Machine Will Remake Our World; Penguin Books

(07) Katharina Zweig: Ein Algorithmus hat kein Taktgefühl - Wo künstliche Intelligenz sich irrt, warum uns das betrifft und was wir dagegen tun können; Ullstein

(08) Manuela Lenzen: Künstliche Intelligenz - Was sie kann & was uns erwartet; C. H. Beck

(09) Ray Kurzweil: The Singularity Is Near - When Humans Transcend Biology; Penguin Books

(10) Nick Bostrom: Superintelligence - Paths, Dangers, Strategies; Oxford University Press

(11) Julian Nida-Rümelin und Nathalie Weidenfeld: Digitaler Humanismus - Eine Ethik für das Zeitalter der Künstlichen Intelligenz; Piper

(12) Daniel Rebhorn: Digitalismus - Die Utopie einer neuen Gesellschaftsform in Zeiten der Digitalisierung; Springer Gabler

(13) Frank Schätzing: Die Tyrannei des Schmetterlings; Amazon Audible (Hörbuch)

(ID:45324964)