Künstliche Intelligenz und der heilige Gral
Durch KI Prozesse und Produkte intelligenter gestalten
Allerheilsbringer oder Teufelszeug? Wie machen Algorithmen die Produktion und die Produkte intelligenter, effizienter und nachhaltiger? Nicht die Technologie, sondern die Prozesse sind entscheidend, warum ist das so?
Ein großer deutscher Fabrikausrüster berichtete erst kürzlich wieder über seine eigene Fertigung, in der Künstliche Intelligenz (KI) bereits zum Einsatz kommt, lassen sich pro Jahr zwischen einer und zwei Millionen Euro sparen. So wurde beispielsweise die Taktzeit um 15 % gesenkt in dem durch KI Störungen in den Prozessabläufen identifiziert und beseitigt wurden.
Doch fangen wir zunächst einmal ganz vorne an, „wat is ne Dampf…. ähm KI?“. Oftmals ist zwar von KI die Rede, doch gemeint ist Maschinelles Lernen (ML). Was ist der Unterschied? Künstliche Intelligenz bezeichnet primär alle Technologien, die menschliche Intelligenz nachahmen. Das Maschinelle Lernen ist eine Teildisziplin – weil hier das Erlernen und Anwenden des Gelernten nachgeahmt wird – der Künstlichen Intelligenz. Beim ML erlernen Maschinen mit Hilfe von großen Datenmengen selbständig Aufgaben zu lösen. Noch spezifischer wird diese Disziplin wiederum im Deep Learning ausgeprägt. (Vgl. Abbildung 1)
Künstliche Intelligenz tut nichts, die will nur spielen
Daraus ergeben sich oftmals zwei Missverständnisse. Erstens, die Künstliche Intelligenz löst alle meine Probleme irgendwie von Geisterhand, weil es ja intelligent ist. Zweitens, damit lassen sich signifikant Personalkosten sparen, da die Maschinen ja jetzt intelligent genug sind alles selber zu erledigen. Das erste Missverständnis lässt sich mit „garbage in – garbage out“ klären. KI ist nicht von alleine intelligent, sondern lernt aus vorhandenen Daten durch ML. Wie jedes Kind, wenn ich etwas falsch vormache, wird es auch falsch nachgemacht. Der Algorithmus ist ein mathematisches Modell, welches aus dem Gelernten entstanden ist und per se erst einmal weder gut noch schlecht. Daher sollte ein Algorithmus, der aus dem ML entsteht, somit keine „black box“ sein, sondern nachvollziehbar. Dabei hilft folgende grobe Skizze: Ein KI-System funktioniert im Prinzip auf drei Ebenen: Was nehme ich war, was kann ich ableiten, wie muss ich reagieren? (Vgl. Abb. 2)
Die Wahrnehmung passiert über Sensorik, also Bewegungsdaten, und Stammdaten. Als Ergebnis wird dann wiederum eine Aktion zurückgespielt. Eine entscheidende Fähigkeit von KI-Systemen ist also, auf Basis von Daten Rückschlüsse auf den Zustand im Shop-Floor (Beispielsweise einer Maschine) ziehen zu können. Neben der Beurteilung können datenbasierte Methoden auch dazu genutzt werden, neue Erkenntnisse zu gewinnen und beispielsweise über Prognosen zusätzliche Informationen für bessere Entscheidungen zu liefern. Durch direkte Interaktion mit dem Shop-Floor oder einem intelligenten Produkt können KI-Systeme schlussendlich lernen, welchen Einfluss die durchgeführten Aktionen hatten und welche Aktionen in Zukunft ausgeführt werden müssen, um ein bestimmtes Ziel zu erreichen. Das bedeutet jedoch, KI löst nicht von Geisterhand jedes Problem, sondern wird explizit und begleitet für eine spezielle Problemlösung eingesetzt. Entweder, um eine Fabrik (in Teil-Aspekten) intelligenter zu gestalten oder neue Geschäftsmodelle durch überragenden Kundennutzen zu etablieren.
Der Schlüssel ist der Prozess, nicht die Technik. Das bringt uns auch direkt zum zweiten Missverständnis. Wer KI einsetzen möchte, um Personalkosten zu sparen, sägt am falschen Ast. Viel entscheidender und für die Zukunft überlebenswichtig sind die Prozesse im Griff zu haben, so dass sie gleichzeitig effizient sind (bspw. kürzere Takt- und Durchlaufzeiten mit Hilfe von KI) und flexibel, genauer gesagt agil, um auf Marktanforderungen angepasst reagieren zu können. Das wird maßgeblich darüber entscheiden, ob die Produktion morgen noch relevant ist oder nicht und weniger ein Personalkostenschlüssel … zumal wir eher von Fachkräftemangel reden. 70 % der Kosten stecken verdeckt in den Prozessen, die bisher gar nicht sichtbar gemacht werden konnten, weil die technischen Möglichkeiten fehlten. Hier kann Datenintelligenz ebenfalls helfen, Potenziale zu identifizieren und zu heben. Das mag das frühzeitige erkennen von Störungen sein (predictive analytics, predictive quality) oder die prozessübergreifenden Visualisierung von Schwachstellen mit Hilfe von Process Mining, also einer KI-basierten Technik, die Geschäftsprozesse übergreifend auf Basis digitaler Spuren in IT-Systemen rekonstruiert und auswertet.
Fail fast – scale fast – keine Fehler skalieren
Ist die Berührungsangst zu KI, ML und DL erst einmal genommen, gilt es loszulegen und Erfahrungen zu sammeln, denn nur so kann die menschliche Intelligenz wie oben beschrieben weiter ausgebaut werden. Oder anders ausgedrückt. Erfahrung macht klug.
Das Vorgehen erfolgt idealerweise in zwei Schritten, zunächst in vielen Experimenten schnell die unvermeidbaren Fehler zu machen (fail fast) und dann die erfolgreichen Experimente produktiv auszurollen (scale fast). Dabei Obacht, ein erfolgreiches Experiment muss nicht das Projektergebnis sein, sondern oftmals schon ein Teilerfolg innerhalb eines Projektvorgehens, oder wie wir es bei Trebing + Himstedt sagen: „Jeder Sprint ein Wow + Now!“.