kÜnstliche intelligenz (ki) - it-production.com · datenfabrik mit sechs stationen: ein...
TRANSCRIPT
SONDERTEIL
KÜNSTLICHE INTELLIGENZ (KI)
Lösungen - Use Cases - Algorithmen
www.it-production.com
Bild: © phonlamaiphoto/Fotolia.com
E-PAPERSONDERTEILE, BRANCHENSPECIALS, THEMENSCHWERPUNKTE
KÜNSTLICHE INTELLIGENZ | ANWENDUNGSFÄLLE ERMITTELN
IT&Production 3/2019
Halle 6 Stand A46
Der IT-Branchenverband Bitkom
betrachtet künstliche Intelligenz
(KI) als den wichtigsten Treiber
der Digitalisierung. Die Technologie wird
das Herzstück der digitalen Wirtschaft bil-
den, prognostiziert der Verband. Damit
sich das Identifizieren und Anwenden von
Mustern aus Datensätzen über statisti-
sche Korrelationen sowie das Schlussfol-
gern aufgrund von semantischen Bezie-
hungen stärker als bisher verbreitet, muss
allerdings noch einiges passieren. Auf die-
sen beiden Prinzipien beruht die Fähigkeit
von Maschinen, Texte, Sprache und Bilder
zu erkennen. Zudem definiert sich KI als
ein System aus Hard- und Software, das
auf seine Umgebung reagiert, selbststän-
dig lernt und handeln kann.
Basis wird geschaffen
Die Bitkom-Prognose lässt sich als Auf-
trag verstehen, den Abstand zu den füh-
renden Nationen USA und China zu ver-
kürzen. In diesem Kontext betonen KI-Ex-
perten und Analysten, dass KI-Technolo-
gie Unternehmen die Chance eröffnet,
über Automatisierung Prozesse zu ver-
bessern. Genau das streben viele Unter-
nehmen in Deutschland an, die sich mit
KI-Systemen beschäftigen. Ihr Ziel ist eine
höhere Wertschöpfung. Allerdings er-
weist sich das Zusammenspiel von KI und
einem Roboter oder einer Maschine in
komplexen Produktionsanlagen als her -
ausfordernd. Jedoch lässt sich in der Pra-
xis beobachten, dass viele produzierende
Firmen gerade eine Basis schaffen, um KI
in die Informationen zwischen Maschi-
nen, Materialien, Produkten sowie Mitar-
beitern stärker einzubinden und so er-
weiterte Analyse-, Unterstützungs- und
Automatisierungsmöglichkeiten zu nut-
zen. Wie in anderen Branchen auch, kon-
zentrieren sich Unternehmen in der Ferti-
gungsindustrie auf die KI-Teildisziplin ma-
schinelles Lernen (Machine Learning, ML),
das sich technologisch von Schlussfol-
gern (Reasoning), Spracherkennung und -
verarbeitung (Natural Language Proces-
sing, NLP) sowie automatisiertem Planen
(Planning) abgrenzt. Allerdings sind die
Übergänge dabei fließend. Bei ML nutzt
ein digitales System einen Algorithmus,
der in Iterationen mit Daten trainiert
wird, in der Folge lernt und Erkenntnisse
liefert. Abhängig von den vorhandenen
Datensätzen werden Algorithmen für
überwachte, unüberwachte oder spe-
zielle Lernverfahren eingesetzt. Für kom-
plexe Lernsituationen eignen sich bei-
spielsweise die Deep Learning Ansätze.
Viel Rechenleistung nötig
Maschinelles Lernen mit sogenannten
neuronalen Netzen erfordert viel Re-
chenleistung. Die Trainingsdatensätze
müssen einen entsprechenden Umfang
haben, die Netze werden für realistische
Erkennungsaufgaben schnell sehr groß.
Bei Deep Learning werden Schichten
neuronaler Netze aufgebaut, die auf be-
stimmte Teilaufgaben trainiert werden
und früher mangels ausreichender Re-
chenleistung nicht effizient eingesetzt
werden konnten. Bei gestaffelten, tiefen
neuronalen Netzen wird über Cluster aus
Grafikkarten gerechnet, die teilweise be-
reits spezielle, sogenannte Tensor-Cores
für Lernalgorithmen mitbringen. Googles
Open Source Framework TensorFlow für
maschinelles Lernen unterstützt solch
ein GPU (Graphics Processing Unit)-Com-
puting. Ultraskalierbare Hochleistungs-
server decken diesen Bedarf ebenfalls
ab, indem sie leistungsstarke Prozesso-
ren (CPU) und Grafikprozessoren (GPU)
sowie Speicher- und Rechner-Module
kombinieren. Unter diesen Voraussetzun-
gen können Unternehmen geschäftskriti-
sche Workloads schnell bereitstellen, die
sich über zusätzliche Grafikprozessoren
um Maschinenlernen- und KI-Kapazität
erweitern lassen. Für den Einsatz von
Deep-Learning-Algorithmen können Un-
ternehmen Grafikprozessoren heute bei
unterschiedlichen Cloudanbietern als vir-
tuelle Maschine (VM) ordern. Auch für
KI-Anwendungen erweist sich die Cloud
meist als flexibelste und skalierbarste Lö-
sung. Die Frage nach der Technologie
und IT-Infrastruktur für die Umsetzung
stellt sich jedoch erst, wenn der Business
Case steht. Unternehmen müssen daher
zunächst den Anwendungsfall für den KI-
Einsatz definieren. Dabei hat es sich be-
währt, mit einem einfachen und zu-
Wer mit maschinellem Lernen jede Produktionsstraße automatisieren möchte, erwartet zuviel von künstlicher Intelligenz. Wird jedoch ein konkreter Nutzen in den Mittelpunkt eines Projektes gestellt, ist die passende Technologie schnell gefunden – und Ergebnisse, auf denen sich aufbauen lässt.
Wer mit maschinellem Lernen jede Produktionsstraße automatisieren möchte, erwartet
Schritt für Schritt die KI ins Haus holen
Blaupause der KI-Strategie
| KÜNSTLICHE INTELLIGENZANWENDUNGSFÄLLE ERMITTELN
IT&Production 3/2019
Bild: ©Westend61/gettyimages.com
nächst unkritischen Anwendungsszena-
rio erste Erfahrungen zu sammeln. Der
Erfolg hängt jedoch von unterschiedli-
chen Faktoren ab. Entscheidenden Ein-
fluss haben beispielsweise Datenqualität
und -relevanz. Um mit den relevanten
Daten Maschinen richtig zu trainieren,
wird KI-Wissen benötigt, welches sich
Unternehmen u.a. durch Kooperationen
mit anderen Unternehmen, Hochschulen
oder Startups ins Haus holen können.
Zudem stehen Unternehmen vor der
Aufgabe, intern eine KI-Kultur zu schaf-
fen. Diese fängt damit an, Bedenken der
Mitarbeiter ernst zu nehmen und et-
waige Vorbehalte offen anzusprechen
und auszuräumen.
Verschiedene Ansatzpunkte
In der Fertigungsbranche gibt es heute ver-
schiedene Ansatzpunkte, bei denen KI
Echtzeit-Informationen verarbeitet. In Frage
kommen dabei u.a. Produkttests und Qua-
litätskontrolle, ein verbesserter Mitarbeiter-
einsatz und der optimierte Betrieb von Sys-
temen und Anlagen. Perspektivisch gewin-
nen Innovationen auf der Prozessebene an
Bedeutung. Künstliche Intelligenz kann
dabei interne Abläufe verbessern sowie
Produkte miteinander verknüpfen und er-
weitern. Klar abgegrenzte Anwendungs-
fälle lassen sich schnell realisieren und stel-
len rasch ihren Nutzen unter Beweis. Da-
raus können sich Unternehmen eine Blau-
pause für weitere Projekte schaffen. ■
Der Autor Wolfgang Thronicke ist R&D Manager
in der Innovationsabteilung Atos C-LAB und
Mitglied der Atos Scientific Community
www.atos.net/de
Datenfabrik mit sechs Stationen: Ein Fabrik-Modell für KI und maschinelles Lernen bietet Data Scientists die optimale Umgebung für eine erfolgreiche Arbeit.
Bild: Dell EMC
KÜNSTLICHE INTELLIGENZ |
Das Tempo der Digitalisierung
nimmt zu. Wollen sich Unter-
nehmen einen Wettbewerbs-
vorsprung verschaffen, sollten möglichst
alle relevanten Datenquellen ausgewer-
tet werden und in Erkenntnisse für neue
Produkte und Services münden. Dabei
helfen zunehmend Algorithmen des ma-
schinellen Lernens. Nachdem diese ent-
sprechend trainiert wurden, können sie
in großen Datenmengen Zusammen-
hänge, Muster sowie Trends erkennen,
aus denen sich handlungsrelevante Er-
kenntnisse ableiten lassen. Wie aber kön-
nen Unternehmen ihre Lösungen zur Da-
tenanalyse effizient skalieren? Eine Ant-
wort auf diese Frage liefert das Modell
einer “Datenfabrik” mit quasi industriali-
sierten KI-Prozessen als optimierte Ar-
beitsumgebung für Data Scientists. Beim
Aufbau dieses Modells sollten Unterneh-
men sechs Punkte beachten.
1. Potenzial auslotenvon KI-Technologie
Lassen sich mit Hilfe von KI bestehende
Tools und Prozesse verbessern? Oder
würde der Einsatz von KI-Technologien
sogar einen disruptiven Charakter haben
und das eigene Geschäftsmodell massiv
verändern? Frameworks und Tools rund
um KI und Maschinelles Lernen entwi-
ckeln sich sehr schnell. Im ersten Schritt
Die nächsten deutlichen Wettbewerbsvorteile könnten an jene Firmen gehen, die künstliche Intelligenz und maschinelles Lernen besser als andere auf ihre Ziele ausrichten. Im folgenden Beitrag geht es um die Infrastruktur, mit der Data Scientists besonders produktiv arbeiten.
PROJEKTIERUNG
IT&Production 3/2019
Skalierbare Fabrik für Data Scientists
Die Datenfabrik als Rahmen für KI-Projekte
Halle 6 Stand A54
sollte daher die IT-Abteilung diese Tech-
nologien und Funktionen evaluieren und
ihre Auswirkungen auf das Unternehmen
und deren potenziellen Geschäftswert
identifizieren. Diese grundsätzliche Be-
wertung der Technologie bildet die Basis
für die Planung der nächsten Schritte. Sie
erfolgen in enger Zusammenarbeit mit
den einzelnen Geschäftsbereichen, für
die der Einsatz der Technologie beson-
ders relevant ist, oder mit einem Team,
das für Business Development zuständig
ist. Letzterer Ansatz verfolgt das Ziel, mit
möglichst schlanken Prozessen neue Pro-
dukte bereitzustellen und Freiraum für
Innovationen zu schaffen.
2. Prioritäten setzen
Mit KI und maschinellem Lernen finden
Unternehmen Datenmuster, um etwa Pro-
dukte und Services zu erstellen und neue
Märkte zu erschließen. Dafür benötigen
die Data Scientists eine unterstützende
Infrastruktur und die passenden Tools. An-
| KÜNSTLICHE INTELLIGENZPROJEKTIERUNG
Prioritäten setzen: Kriterien für die Auswahl der KI-Projekte sind die Unternehmensstrategie, die aktu-ellen Ziele oder eine höhere Effizienz in den vor-handenen Geschäftsprozessen.
Bild: Dell EMC
gesichts begrenzter Ressourcen müssen
aber selbst große Unternehmen Prioritä-
ten bei ihren Effizienz- und Geschäftsmo-
dellprojekten setzen. Kriterien für die Aus-
wahl der wichtigsten Vorhaben sind die
Gesamtstrategie, die aktuellen Business-
ziele, der zu erwartende Nutzen sowie
die Verfügbarkeit der erforderlichen
- Anzeige -
IT&Production 3/2019
COSMO CONSULT Gruppe
Intelligente Businesslösungen von COSMO CONSULT
Als europaweit führender Anbieter von Microsoft-basierten
End-to-End-Unternehmenslösungen für Auftrags- und Prozess-
fertigung, Handel und Dienstleistung ist COSMO CONSULT einer
der Pioniere beim Thema künstliche Intelligenz im Business-
Umfeld. Mit über 950 Mitarbeitern an 40 internationalen Stand-
orten – davon 13 in Deutschland – begleitet COSMO CONSULT
Unternehmen aller Größen bei der Digitalisierung und bietet
intelligente, zukunftsweisende Industrie 4.0-Lösungskonzepte.
Unsere Stärke liegt darin, unseren Kunden auf der Basis
vorhandener Daten einen vollkommen neuen Blick auf das
eigene Unternehmen zu ermöglichen. Durch die Integration
ausgefeilter Algorithmen und systemgestützter Entscheidungs-
modelle in das umfassende Microsoft Dynamics-Ökosystem
sowie in das COSMO CONSULT-Lösungs- und Serviceportfolio
haben unsere Kunden bereits heute die Möglichkeit, KI-Techno-
logien zu nutzen, die den Weg in die Zukunft intelligenter
Business-Software weisen.
Die durch digitale Technologien und künstliche Intelligenz auf uns zu kommenden Veränderungen sind so
fundamental, dass sich Geschäftsmodelle, Unternehmen und sogar ganze Industrien verändern werden.
Es kommt darauf an, das Potenzial dieser Entwicklung nicht nur zu nutzen, sondern aktiv mitzugestalten
und dafür zu sorgen, dass die Menschen in den Unternehmen davon profitieren – denn es geht um die
Menschen, die mit ihrer Kreativität und Leidenschaft den Erfolg eines Unternehmens ausmachen.
Kontakt
COSMO CONSULT Gruppe
Schöneberger Str. 15
10963 Berlin
Tel.: +49 30 343815 0 • Fax: +49 30 343815 111
[email protected] • www.cosmoconsult.com
Daten. Die Daten müssen in dieser Phase
nicht unbedingt komplett und in ihrer
endgültigen Form bereitstehen, es sollten
aber genügend vorhanden sein, um we-
nigstens das Pilotprojekt zu starten.
3. Produktivität derData Scientists steigern
Bei der KI-basierten Datenanalyse gibt es
keine Standardlösung. Manche Projekte
sind sehr datenintensiv, andere benöti-
gen weniger Informationen. Teilweise
benötigen die Datenspezialisten sehr viel
Zeit für das Aufbereiten und Formatieren
der Daten, während sie in anderen Pro-
jekten mit komplexen und recheninten-
siven neuronalen Netzen arbeiten. Auch
die eingesetzten Bibliotheken und Tools
werden sich sehr wahrscheinlich unter-
scheiden und hängen zum Teil auch von
den persönlichen Präferenzen der Data
Scientists und den Einsatzgebieten
ab. Unternehmen sollten den Datenwis-
senschaftlern diese Freiheiten lassen und
auf eine Standardisierung der Tools weit-
gehend verzichten. Jeder von ihnen ist
viel produktiver, wenn er in seiner eige-
nen, ihm vertrauten Umgebung arbeiten
kann, die speziell auf seine Herausforde-
rung zugeschnitten ist und seine bevor-
zugten Tools enthält.
4. Auf Datenqualität achten
Analog zur Produktion bei Automobilher-
stellern müssen Unternehmen auch in der
Datenfabrik sicherstellen, dass die Supply
Chain die richtigen Komponenten Just-in-
Time bereitstellt, damit die Fertigung des
Produkts unterbrechungsfrei ablaufen
kann. Im vorliegenden Fall geht es um die
Daten als Rohstoff; am Ende steht ein
Datenprodukt oder ein Service. Damit die
KI-basierte Analyse funktioniert, müssen
die Daten ein sehr hohes Qualitätsniveau
aufweisen. Dazu gehören Kriterien wie
Korrektheit, Konsistenz, Vollständigkeit,
Aktualität und Einheitlichkeit. Unterneh-
men sollten daher großes Augenmerk auf
die Vorbereitung und Validierung der
Daten legen, damit die Daten-Fertigungs-
linie nicht unterbrochen wird. Data Scien-
tists setzen bei der Datenanalyse auf in-
terne, freigegebene Daten sowie bei Be-
darf auch auf externe Bestände, etwa aus
der Marktforschung oder aus Social-
Media-Kanälen. Die IT-Infrastruktur für all
dies muss mit den unterschiedlichen Da-
tenaufkommen skalieren und alles zuver-
lässig speichern können. Denn die Quell-
Datensätze werden permanent integriert,
bereinigt und angereichert, um die Leis-
tung des Datenmodells für maschinelles
Lernen zu verbessern. In traditionellen
Umgebungen mit Direct Attached Sto-
rage führt dies häufig zu Einbußen bei
der Geschwindigkeit und zusätzlichen
Kosten, da die Daten für jeden Data
Scientist und Anwendungsfall mehrfach
repliziert werden. Modernere Ansätze
wie hochskalierbarer Network Attached
Storage (Scale-Out-NAS) oder Storage
aus der Cloud bieten Snapshot-Technolo-
gien, die Replikate schnell erstellen, da
nur die jeweils geänderten Daten Kapazi-
tät verbrauchen. Auch die Rechenleistung
muss skalierbar sein. Hier sollten Unter-
nehmen auf eine flexible, virtualisierte In-
frastruktur und die dynamische Verwal-
tung von Ressourcen in einem Cloud-Be-
triebsmodell setzen, um die Rechenkapa-
zität je nach Anforderung nach oben und
unten skalieren zu können. Auf diese
Weise können Unternehmen Lastspitzen
abfedern und die Serverauslastung er-
heblich verbessern.
5. Schneller umsetzenmit agilen Methoden
In KI-Projekten soll in aller Regel auf Basis
der Algorithmen und statistischen Metho-
den ein Modell beziehungsweise eine Ap-
plikation für ein bestimmtes Einsatzgebiet
entstehen. Erweist sich das erstellte Daten-
modell als überzeugend, müssen die Ergeb-
nisse so in die Geschäftspraxis übertragen
werden, dass sich ein quantifizierbarer Nut-
zen ergibt. Der Data Scientist bereitet dann
das entsprechende Arbeitspaket (Backlog)
mit den benötigten Eigenschaften, Funktio-
nalitäten und den Anforderungen für die
Entwickler vor, die mit agilen Methoden ar-
beiten. Das Entwickler-Team setzt sich in
der Regel aus Datenarchitekten und Spe-
zialisten für die agile Entwicklung zusam-
men. Um effizient arbeiten zu können, be-
nötigen die Entwickler die passenden Res-
sourcen, Data-Science-Tools für das Erstel-
len der Scoring-Modelle (Nutzwertanaly-
sen) sowie geeignete Entwicklungs- und
Analyseumgebungen. Hier haben sich vir-
tualisierte und cloudbasierte Infrastruktur-
lösungen bewährt. Gleiches gilt für die an-
schließenden Tests des neuen Datenpro-
dukts, bevor es in die Produktionsumge-
bung übertragen wird.
6. Erfolg messen undDatenprodukt stetig verbessern
Ist die neue Lösung im Einsatz, verändert
sie meist auch Geschäftsprozesse. Ent-
sprechend wichtig ist es, die erzielten Er-
gebnisse zu erfassen, auszuwerten und
zu überprüfen, ob diese den Erwartungen
entsprechen oder ob es notwendig ist,
das Datenmodell und die Methodik anzu-
passen. Dafür ergänzen die Entwickler
eine bestehende Business-Intelligence-
Lösung oder Echtzeit-Monitoring-
Dashboards um neue Berichtsfunktionen.
Wenn Unternehmen all diese Schritte um-
setzen, können sie mithilfe von maschi-
nellem Lernen und KI-Methoden Daten
effizient und mit Mehrwert für ihr Ge-
schäft einsetzen – und das Fundament für
eine erfolgreiche Zukunft schaffen. ■
Der Autor Benjamin Krebs ist Director
Unstructured Data Solutions und Mitglied der
Geschäftsleitung bei Dell EMC Deutschland.
www.dellemc.de
KÜNSTLICHE INTELLIGENZ | PROJEKTIERUNG
IT&Production 3/2019
Bild
: Del
l EM
C
Mit einer Business-Intelligence-Lösung prüfen die Firmen, ob die mit agilen Methoden ent-wickelte KI-Anwendung im produktiven Einsatz den erwar-teten Mehrwert liefert.
TECHNIK // ARBEITSWELT // GESELLSCHAFT
ww
w.t
edo-
verla
g.de
| in
fo@
tedo
-ver
lag.
de
Jetzt KOSTENFREI eintragen: www.i40-magazin.de/anmelden
INDUSTRIE 4.0-MAGAZIN − Die Zeitschrift für die vierte
industrielle Revolution
Technik, Arbeitswelt,
Gesellschaft − das digitale
INDUSTRIE 4.0-MAGAZIN
zeigt das ganze Bild!
Verständlich, umfassend
und übersichtlich zusammen-
gestellt. So sichern Sie sich
Ihren Wissensvorsprung!
KÜNSTLICHE INTELLIGENZ |
Ein Fließband in der Produktion: Eine
Kamera analysiert jedes Bauteil,
bevor es an Kunden ausgeliefert
wird. Registriert kleine Schwankungen in
der Qualität und schlägt Alarm, wenn Fer-
tigungstoleranzen überschritten werden.
Automatisierte Qualitätskontrolle ist nichts
Neues. Doch dabei entstehen oft Daten,
die Potential für weit mehr bieten – z.B. für
die vorausschauende Wartung. Wenn etwa
eine künstliche Intelligenz (KI) Schwankun-
gen innerhalb der Toleranzbereiche regis-
triert und daraus schließt, dass ein defektes
Maschinenteil die Schwankungen hervor-
ruft. Eine KI kann das erkennen, indem sie
Millionen Datensätze aus der Vergangen-
heit mit aktuellen vergleicht. Die fördert zu-
tage, dass ähnliche Schwankungen früher
bereits zu Ausfällen führten und verhindert
so einen erneuten Defekt. Ein Mensch
könnte in so kurzer Zeit keine Millionen Da-
tensätze analysieren.
Alle könnten profitieren
Für eine KI sind solche Szenarien keine Zu-
kunftsvision mehr: „Derartige Projekte
haben wir bereits für einige Kunden umge-
setzt“, sagt Florian Schild, KI-Experte und
Gründer von Boot.AI. Sein Startup hilft Un-
ternehmen dabei, Potential für KI zu erken-
nen und daraus eine Plattform zu entwi-
ckeln. Einige Plattformen können die Kun-
den von Boot.AI später an andere Unter-
nehmen weiterverkaufen – und somit ein
Geschäftsfeld erschließen. „Jedes Unterneh-
men kann von KI profitieren. Das produzie-
rende Gewerbe bietet dafür sogar beson-
ders gute Voraussetzungen, weil es hier
Wertschöpfungsprozesse mit vielen gleich-
förmigen Teilschritten gibt. Daraus ergeben
sich wertvolle Daten, aus denen neuronale
Netze Verbesserungspotentiale ermitteln
und diese noch dazu selbstständig heben
können“, sagt Schild.
Zahlreiche Möglichkeiten
Ob für Lastprognosen oder vorausschau-
ende Wartung, ob Entscheidungshilfen fürs
Management, Qualitätskontrolle oder Ver-
kaufsprognose – Einsatzmöglichkeiten für KI
sind riesig, auch in Deutschland: Allein durch
KI werde die Bruttowertschöpfung im pro-
duzierenden Gewerbe innerhalb der nächs-
ten fünf Jahre um 32 Milliarden Euro steigen.
Das entspreche etwa einem Drittel des ge-
Von Lastsprognosen bis zur Qualitätskontrolle: Das Startup Boot.AI hat als IT-Dienstleister
rund um KI-Projekte bereits einige Erfahrung in der produzierenden Industrie gesammelt.
Um die neuronalen Netzwerke in den Projekten zu erstellen, lässt das Startup die GPU-
starken Bare Metal Server der Open Telekom-Cloud für sich arbeiten.
STARTUPS
IT&Production 3/2019
Neuronales Netz aus der Public Cloud
Startup unterstützt bei KI-Projekten
Riesige Datenmengen sichten, sortieren und analysieren: Nur künstliche Intelligenz ist in der Lage, große Zusammenhänge in Millionen von Datensätzen zu erkennen.
Bild
: Bo
ot.A
I
samten Wachstums des produzierenden
Gewerbes in Deutschland, heißt es in einer
aktuellen Studie, die das Bundeswirtschafts-
ministerium in Auftrag gegeben hatte.
Sensorendaten gibt es zuhauf
Weil produzierende Unternehmen in der
Regel ihren Fokus bisher auf die analoge
Herstellung oder Veredelung von Gütern
legen, existieren in vielen Firmen derzeit
meist noch zu wenige Daten, um eine
selbstlernende KI trainieren zu können.
Selbst wenn entsprechende Daten verfüg-
bar wären, reicht die IT-Infrastruktur der
meisten Unternehmen meist nicht, um
künstliche Intelligenz zu nutzen. Genau
hier setzt Boot.AI an: Die Düsseldorfer ana-
lysieren Unternehmen, ermitteln Potential
und Ansatzpunkte für den Einsatz einer KI-
Lösung. Sie strukturieren vorhandene
Daten so, dass eine KI damit arbeiten kann.
Oder installieren an wichtigen Stellen Sen-
soren, um geeignete Daten zu generieren.
Schild: „Die IT-Infrastruktur des Unterneh-
mens spielt dabei überhaupt keine Rolle.
Denn die notwendigen Kapazitäten bezie-
hen wir bei Bedarf aus der Cloud.“ Dabei
setzt die Mitarbeiter auf das Public Cloud-
Angebot der Deutschen Telekom, die
Open Telekom Cloud. Die Wahl fiel auf die-
sen Anbieter, weil in einem vergangenen
Projekt im medizinischen Sektor hohe An-
forderungen an die IT-Sicherheit und den
Datenschutz gestellt waren. Die im Cloud-
Rechenzentrum aufgestellten Bare Metal
Server boten im Projekt zudem die Mög-
lichkeit, eine zusätzlich isolierte und so ge-
schützte Umgebung zu nutzen, in der
sich große Mengen selbst sensibler Daten
abgesichert verwalten lassen.
Drei Stunden statt 30 Tagen
Diese Bare Metal Server sind mit zweimal
14-Prozessorkernen, 512 Gigabyte-Arbeits-
speicher und acht P100 Nvidia-Grafikkar-
ten ausgestattet. Diese Konfiguration ist
laut Schild optimal zum Erstellen neurona-
ler Netze: Durch die zahlreichen Graphics
Processing Units (GPUs) können die KI-
Fachleute Millionen Datensätze gleichzei-
tig bearbeiten lassen. Die Berechnungen
laufen pro GPU zehn bis hundertmal
schneller als mit CPUs, also den Hauptpro-
zessoren eines Rechners. „Mit einem Ser-
ver der Telekom werden dadurch Berech-
nungen in drei Stunden möglich, wofür
wir sonst 30 Tage benötigen würden“,
sagt Schild. „Auf diese Weise sind die Er-
gebnisse, die wir mit unserer KI erzielen
schnell abrufbar, agil nutzbar und damit
schnell sehr hochwertig.“ ■
Der Autor Sebastian Mainzer
ist IT-Fachredakteur aus Köln.
www.opentelekomcloud.de www.boot.ai
| KÜNSTLICHE INTELLIGENZSTARTUPS
IT&Production 3/2019
Bild: Boot.AI
Lastprognosen Von der Maschinenauslastung über die Just-in-Time-Produktion bis hin zu den Lieferzeiten – künstliche Intelligenz kann
auf Basis historischer und aktueller Unternehmens- und Maschinendaten immer präzisere Prognosen erstellen, mit denen
Firmen ihre Wertschöpfungskette effizienter gestalten können.
Predictive Maintenance Einer der Vorteile künstlicher Intelligenz im Vergleich zu menschlicher liegt in der Fähigkeit neuronaler Netze, große
Datenmengen zu analysieren, ohne dabei den Überblick zu verlieren. KI fördert dabei Informationen und Zusammen-
hänge zutage, die Menschen mitunter nie entdeckt hätten. Etwa wenn eine KI den Ausfall einer Maschine voraussagt,
bevor er geschieht – weil ihr feinste Vibrationen einer Maschine aufgefallen sind, vorsorglich ein kritisches Bauteil
tauschen lässt und auf diese Weise einen Produktionsstillstand verhindert.
Unternehmensführung Wissen ist Macht – und genauso wie KI-gestützte Systeme Zusammenhänge in der vorausschauenden Wartung verwen-
den können, um Ausfälle zu verhindern, können sie Korrelationen und Kausalitäten für die Geschäftsleitung aufspüren.
Auf deren Basis können Unternehmenslenker bessere Entscheidungen für die künftige Strategie ihrer Firma ableiten.
Qualitätskontrolle Wer fehlerhafte Erzeugnisse erkennen soll, braucht ein geschultes Auge, hohe Aufmerksamkeit und viel Erfahrung.
Eigenschaften, die neuronale Netze geradezu perfekt erlernen können. Nach diesem Prinzip unterstützt KI beispielsweise
bereits Ärzte bei der Krebs-Diagnose – indem sie tausende MRT-Aufnahmen analysiert und Auffälligkeiten an mensch-
liche Mediziner meldet. Ein Prinzip, das sich auf die Produktion übertragen lässt.
Verkaufsprognosen Künstliche Intelligenz wird aktuell bereits sehr erfolgreich in der Berechnung und der Prognose von Kaufverhalten
eingesetzt, z.B. im eCommerce. Davon können nicht nur Marketing- und Vertriebsleute profitieren, sondern auch die
Produktion, weil dadurch Lagerhaltungskosten optimiert und Produktionsprozesse präziser geplant werden können.
Einsatzfelder künstlicher Intelligenz in der Produktion Wie verbessern Unternehmen im produzierenden Gewerbe mit neuronalen Netzen, Deep Learning und Big Data Analytics ihr Business?
KÜNSTLICHE INTELLIGENZ |
GGezielte Analyse von Daten ent-
scheidet immer häufiger über den
Erfolg einer Geschäftsidee. Für Un-
ternehmen stellt sich die Frage, wie diese
Herausforderungen in der Praxis angenom-
men und die Chancen für die eigenen Akti-
vitäten aufgegriffen werden können. Der
Startpunkt dafür sind automatisierte Pro-
zesse und Analysewerkzeuge, die aus Da-
tenströmen Erkenntnisse ermitteln.
Wo wir stehen
Seit Beginn des Milleniums wurden enorme
technologische Durchbrüche bei der Leis-
tungsfähigkeit von Graphikprozessoren und
im Bereich Machine Learning erreicht. Dies
hat insbesondere die Entwicklung von neu-
ronalen Netzwerken beschleunigt und ihren
Einsatz bei der Bilderkennung, Sprachana-
lyse und Text-Klassifizierung möglich ge-
macht. Mit der Verfügbarkeit von immer
größeren Datenmengen und der damit ein-
hergehenden Komplexität der Datenmo-
delle ist eine Schwelle erreicht, wo klassi-
sche Analysemethoden oft nicht mehr zu-
verlässig greifen. Hier sind neuronale Netz-
werke durch ihre größere Anpassungsfähig-
keit an die Datenlage viel besser darin, prä-
zise Vorhersagen zu treffen. Grundlage dafür
ist eine Rechenleistung, die dank parallel ar-
beitender Graphikprozessoren und speziel-
ler, auf neuronale Netzwerke abgestimmte
Hardware deutlich gesteigert werden
konnte. Die Barriere zum Einsatz solcher
Technologien liegt momentan also eher am
Fachkräftemangel und einer relativ langen
Entwicklungszeit für dedizierte Lösungen.
Die Entwicklung sich selbst programmieren-
der neuronaler Netzwerke läuft allerdings
bereits und zeigt vielversprechende Ergeb-
nisse, was zu einer weiteren Beschleunigung
und Breite in der Anwendung führen wird.
Die Datenpyramide
Bei der Adaption der neuen Techniken ist zu
beobachten, dass oft ad-hoc-Ansätze ge-
wählt werden, um möglichst schnell zu den
neuesten Data-Analytics-Methoden vorzu-
stoßen. Dieser Ansatz ist jedoch zu kurz ge-
griffen. Die wertschöpfende Nutzung von
Daten setzt voraus, dass sie kontinuierlich
gut strukturiert bereitgestellt werden. Erst
dann führen die gezielte Abfrage und Ver-
arbeitung der Daten zu neuen Erkenntnis-
sen. Datenanalyse ist ein Prozess mit ständi-
gem Verbesserungspotenzial, das nur zu
heben ist, wenn die Datenmengen nach kla-
ren Vorgaben und Analysestrategien ausge-
wertet werden. Um diese formulieren zu
können, ist die genaue Kenntnis des fachli-
chen Kontextes unabdingbar. Erst dann kön-
nen zielführende Verfahren und Algorith-
men entwickelt beziehungsweise ausge-
wählt werden. Der nächste Schritt nach
vorn ist das Reporting und die Visualisierung
der bereitgestellten Datenflüsse. Findet das
kontinuierlich statt, ergeben sich Geschäfts-
ideen und Ziele für die Vorhersage, die dann
gezielt angegangen werden kann. Der di-
rekte Sprung von unten nach oben ist ohne
erforderliche Basis meist wenig erfolgreich.
Disruptive Geschäftsmodelle
Letztendlich zielt die Datenauswertung da-
rauf ab, Geschäftsmodelle zu verbessern
oder neue aufzubauen. Obwohl auf diesem
Gebiet einige Ideen veröffentlicht wurden,
bleibt der Umkreis der Suche oft innerhalb
der traditionellen Geschäftsmodelle verhaf-
tet. Ein Beispiel aus dem industriellen Um-
feld ist das Thema der vorausschauenden
Der Algorithmus als Treibstoff Data Analytics an der Schwelle
Die digitale Transformationführt zu immer größeren,schnelleren und variablerenDatenflüssen. Die intelli-gente Ordnung und Ana-lyse dieser Daten lenkt denBlick auf Werte, die sich oftüber neue Geschäftsmo-delle monetarisieren las-sen. Die Herausforderungist, auch einmal radikalereIdeen durchzuspielen, alsnur die der vorausschauen-den Instandhaltung.Der fachliche Kontext ist die Basis für sinnvolle Analysestrategien.
NEURONALE NETZE
IT&Production 3/2018
Bild
: Con
tact
Sof
twar
e Gm
bH
Wartung (Predictive Maintenance), das oft
als Platzhalter für mangelnde Ideen herhal-
ten muss. Ein Blick auf die großen disrupti-
ven Vorreiter wie Airbnb und Uber zeigt,
dass sich digitale Geschäftsmodelle über die
Kundenbeziehung und ihre Daten definie-
ren. Die dahinterstehenden Dienstleistungen
sind in ihrem Mehrwert so begrenzt oder so
standardisiert, dass traditionell professiona-
lisierte Bereiche wie das Hotel- und Taxige-
werbe heute im Wettbewerb zu einer ano-
nymen Menge von auf eigene Rechnung ar-
beitenden Privatleuten stehen. An dieser
Stelle radikaler zu denken, und – insbeson-
dere im Service-Bereich – die Geschäftsmo-
delle auf den Kern zu reduzieren, kann sich
als Grundlage für eigene digitale Angebote
lohnen. Gleichzeitig ist dies eine gute Vor-
bereitung auf zukünftige Konkurrenten, die
nach diesem Modell operieren.
Radikaler denken
Auch in anderen Branchen ist der Service
soweit standardisiert, dass das eigentliche
Geschäftsmodell in der reinen Vermittlung
und Abwicklung besteht. So dienen bei-
spielsweise Notare, Makler und Banken als
vertrauenswürdige Dritte – eine Aufgabe,
die zukünftig schneller, billiger und vielleicht
sogar besser in der Blockchain abgebildet
werden kann. Ähnlich zugespitzt lässt sich
die Situation in der Fertigungsindustrie be-
trachten. Gehört im Zeitalter der digitalen
Transformation die Produktion noch dazu?
In vielen Bereichen ist es denkbar, ein Pro-
dukt ‘fabless’ zu erstellen, wie es in der Chip-
Industrie zu großen Teilen geschieht – bei-
spielsweise durch den Einsatz von 3D-Dru-
ckern oder indem die Fertigung komplett an
andere, dafür prädestinierte Standorte aus-
gelagert wird. Und auch in der Produktent-
wicklung, einer überwiegend virtuellen Do-
mäne mit oft vielen beteiligten Partnern,
können neue Methoden wie das Model
Based Systems Engineering zu einem voll di-
gitalisierten und damit gut analysierbaren
Produkt führen, zu dem Experten überall auf
der Welt relativ einfach und schnell Zugang
finden. Diese Gedanken mögen noch weit
hergeholt klingen, die Entwicklung im Be-
reich Cloud Computing, IoT und Neuronale
Netzwerke sowie die blitzartige Verbreitung
von neuen Startups geben aber Zeiträume
für Veränderungen vor, die nicht mehr in
Jahrzehnten, sondern in wenigen Jahren zu
messen sind.
Branchen vor dem Umbruch
Die kommenden Jahre werden für viele
Firmen eine entscheidende Phase der
Umstellung sein, da treibende Kräfte im
Bereich der Infrastruktur und Digitalisie-
rung zu einer völligen Virtualisierung von
Geschäftsmodellen führen werden. So ist
zum Beispiel im Bereich Telekommunika-
tion zu sehen, wie die Umstellung auf IP-
basierte Leistungen ganze Geschäftsbe-
reiche verschwinden und neue entstehen
lässt. Gerade mittelständische Unterneh-
men müssen auf eine mögliche Erosion
ihrer Märkte durch neue Anbieter reagie-
ren und die Chancen der digitalen Trans-
formation erkennen und nutzen. Sie soll-
ten sich bewusst mit den neuen Mitteln
und Techniken auseinandersetzen, und
ihre Flexibilität und Agilität nutzen, um
mit Partnern schnell zu fundierten Ansät-
zen zu kommen. Eine gute Beratung hilft
geeignete Prozesse und Tools festzule-
gen, um neue Geschäftsmodelle erfolg-
reich zu realisieren. ■
Der Autor Dr. Udo Göbel, Mitglied der
Geschäftsführung, leitet den Bereich
Professional Services bei Contact Software.
www.contact-software.com
| KÜNSTLICHE INTELLIGENZNEURONALE NETZE
IT&Production 3/2018
Gegenwärtige Mega-Trends und ihre Abhängigkeiten mit dem Thema Datenanalyse verbunden
Bild
: Con
tact
Sof
twar
e G
mbH
Vorhersagegenauigkeit: Seit der Jahrtausend-wende sind neuronale Netzwerke bei komplexenProblemen im Vorteil.
Bild: Contact Software GmbH
Weiterführende Informationen finden sich
im White Paper ‘Analytics: How to predict
anything, das Contact Software im Okto-
ber letzen Jahres veröffentlichte.
VViele führende Unternehmen der
Bauindustrie greifen zur Verbesse-
rung der operativen Prozesse auf
Datenerfassung und -nutzung zurück. Mit
seinem Dienst Smart Solutions hat Ko-
matsu Mining eine Industrial Internet of
Things-Anwendung (IIoT) aufgebaut, die
Maschinenbetreibern im Berg- und Tage-
bau Informationen vermittelt, auf deren
Grundlage sie ihre Produktivität und Ab-
baueffizienz optimieren können. Zu den
überwachten Maschinen gehören Streb-
abbausysteme, elektrische Seilbagger,
Streckenvortriebsmaschinen und Radlader.
Ursprünglich hat das eigene Data Ware-
house von Komatsu Mining diesen IIoT-
Service unterstützt. Als die Nachfrage
stieg und immer mehr Maschinen vernetzt
wurden, suchte das Unternehmen nach
einem neuen Ansatz. Anforderung war,
künftig ein Datenvolumen von bis zu 30
Terabytes pro Monat verarbeiten zu kön-
nen. „Unsere alte Umgebung war in ihren
Möglichkeiten zur Skalierung und zum
Wachstum begrenzt”, sagt Shawn Terry,
Lead Architect der Smart Solutions.
Neun Monate Projektdauer
Innerhalb von neun Monaten schufen die
Mitarbeiter von Komatsu Mining gemein-
sam mit Spezialisten von Cloudera und
Microsoft eine Cloud-basierte IIoT-Platt-
form, die globalen Serviceteams die nö-
tige Skalierbarkeit, Leistung und Flexibili-
tät zur Verfügung stellt. Mit einer einheit-
lichen Plattform für das Datenmanage-
ment können die ‘Smart-Teams’ jetzt
Daten von den Baumaschinen der Marken
P&H und Joy sowie von Dritthersteller-
Ausrüstung mit speicherprogrammierbarer
Steuerung einfacher auswerten, um einen
systematischen Blick auf die Abläufe im
Berg- und Tagebau zu erhalten. Data
Scientists von Komatsu Mining können ef-
fizientere Machine-Learning-Modelle
bauen und schneller bessere Erkenntnisse
liefern, als das vorher möglich war.
Maschinen weltweit
Die Analyse-Plattform erfasst, speichert
und verarbeitet eine große Menge ver-
schiedener Daten von Baumaschinen. Diese
werden auf der ganzen Welt betrieben, oft
in entlegenen Gebieten und unter schwie-
rigen Bedingungen. Die Daten beinhalten
Zeitserien-Messgrößen – Maschinendruck,
Temperaturen, Ströme und so weiter,
Alarm- und Ereignisdaten sowie weitere In-
formationen von Drittparteisystemen. Eine
einzige Maschine kann tausende Daten-
Messgrößen haben und 30.000 bis 50.000
Industrial Internet of Things von Komatsu Mining
Um die Sicherheit, Produktivität und Kosten im Berg- und Tagebau zu verbessern, bietetder Baumaschinenhersteller Komatsu Mining seinen Kunden den IIoT-basierten ServiceSmart Solutions an. Mit dem Datendienst können die Betreiber die Leistung ihrer Maschi-nen auf Basis von Echtzeit-Daten und -Analysen optimieren. Dahinter arbeitet eine Engineauf der Basis von Machine Learning.
IT&Production 3/2018
KÜNSTLICHE INTELLIGENZ | MACHINE LEARNING
Bergbau mit Machine Learning optimiert
Bild: Komatsu M
ining
einzelne Einträge mit Zeitstempel pro Mi-
nute erzeugen. Geplant ist, zukünftig eine
noch engere Integration von Systemen
beim Kunden vor Ort und weiteren Daten-
quellen zu erreichen, um die Zusammen-
hänge beim Betrieb der Maschinen besser
zu verstehen. Durch die deutlich erhöhte
Leistung der Lösung müssen die Mitarbeter
von Komatsu Mining Entscheidungen nicht
mehr davon abhängig machen, was die In-
frastruktur unterstützt, sondern können
sich ganz auf die Anforderungen der eige-
nen Kunden konzentrieren. „Wir können
jetzt inkrementell und kostengünstig ska-
lieren und wachsen. Damit sind wir in der
Lage, unsere Anwenderbasis auszubauen
und schnellere und bessere Services zu lie-
fern”, sagt Shawn Terry.
Plattform für die Bauindustrie
Laut Anthony Reid, Senior Manager of
Analytics bei Komatsu Mining, war das
Unternehmen auf der Suche nach einer
Plattform, mit der es den Zugriff auf Ana-
lysen von Maschinendaten für verschie-
dene Nutzergruppen demokratisieren
kann. Cloudera bot Reid zufolge die
schnelle Performance, Datensicherheit
und den Kundensupport, um die eigenen
Teams so unkompliziert wie möglich in
Richtung Big Data zu bewegen. Mit der
Implementierung von Cloudera Enterprise
auf Microsoft Azure konnte Komatsu Mi-
ning erhebliche Kosteneinsparungen rea-
lisieren. „Wir können alle Daten mit weni-
ger Berechnungen und viel geringerer
Komplexität liefern”, sagt Reid.
Workloads im Cluster
Die gesamte Anwendung läuft in der
Azure-Cloud von Microsoft. In einem
Hochleistungs-Cluster laufen HBase-Wor-
kloads mit acht Nodes. Hinzu kommt ein
Langzeitspeicher mit Impala- und Kudu-
Workloads mit sechs Datenknoten. Cluster
für Test und Entwicklung teilen sich auf
beide Bereiche auf. Gemeinsam mit dem
Resource-Team von Cloudera und einem
Microsoft-Berater startete das Team um
Reid im Juni 2016 mit dem Deployment.
Bereits im Februar 2017 konnte das alte
Produktionssystem abgeschaltet werden
und der Betrieb lief vollständig mit allen
Live-Daten, Streaming und allen verbun-
denen Kunden auf der Cloud-Plattform.
Abläufe besser verstehen
Die Smart-Solutions-Mitarbeiter in den Re-
gionen nutzen die Plattform, um den Kun-
den Einblicke in ihre Abläufe zu geben.
Zeitreihendaten werden über Open TSDB
in Apache HBase geladen. Apache Impala
(in Inkubation) unterstützt Adhoc-SQL-Ab-
fragen. Zur Visualisierung der Daten wird
Grafana, eine offene Plattform für Analytik
und Monitoring, eingesetzt. Durch die De-
mokratisierung des Datenzugriffs und die
Bereitstellung intuitiver Analysetools
konnte Komatsu Mining den angestrebten
Grad an Benutzerakzeptanz erreichen. In
der Vergangenheit haben beispielsweise
einige ausgewählte Personen Trends aus
den Daten erstellt und diese Trends den
Alarmbedingungen auf einer Maschine zu-
geordnet. Indem sie den Datenzugriff auf
die Regionen öffnen und den Regionen
selbst die Erstellung eigener Berichte er-
möglichen, können die Mitarbeiter von
Smart Solutions nun schneller verwertbare
Informationen aus den Daten erhalten und
aussagefähigere Dashboards erstellen, die
weit über die Möglichkeiten bisheriger
Analysetools hinausgehen. Die Plattform
bietet auch Analytics-Entwicklern auf der
Suche nach Innovationen die Möglichkeit,
von ihnen bevorzugte Data Science-Tools
– R, Python, Matlab und mehr – beim Er-
stellen von Modellen zu verwenden.
Auslastung verdoppelt
Mit dem entstehenden Bild vom Zustand
einer Maschine und dem Betrieb in jeder
Mine können die Smart-Teams von Ko-
matsu in Partnerschaft mit ihren Kunden
Wege identifizieren, um die Sicherheit,
Produktivität und die Betriebskosten zu
verbessern. „Ein großes Unternehmen aus
dem Kohlebergbau konnten mit unseren
Empfehlungen die tägliche Auslastung
ihrer Joy-Strebsysteme verdoppeln”, schil-
dert Reid. Dadurch, dass die Ingenieure
von Komatsu Mining auch leicht auf die
Daten zugreifen und sie analysieren kön-
nen, erhalten sie wertvolle Einsichten, mit
denen sie Reid zufolge helfen können, ak-
tuelle Produkte zu verbessern und bei der
Entwicklung zukünftiger Generationen
von Bergbaugeräten zu helfen. Das Fazit
von Reid: „Wir machen das Unsichtbare
sichtbar und helfen damit unseren Kun-
den, Produktivität und Effizienz im Berg-
bau zu optimieren.” ■
Der Autor Wim Stoop
ist Senior Technical Marketing Manager
bei Cloudera.
www.cloudera.com
| KÜNSTLICHE INTELLIGENZMACHINE LEARNING
IT&Production 3/2018
Bergbaugeräte sind groß. Entsprechend deutlich können sich selbst kleine Optimierungen auf derKostenseite auszahlen.
Bild
: Kom
atsu
Min
ing
KÜNSTLICHE INTELLIGENZ |
DDer zweite Geschäftsführer der
Management Informations Part-
ner GmbH, Markus Ruf, sieht
ebenfalls eine verzerrte Wahrnehmung
der KI-Anwendung Watson in der Öf-
fentlichkeit: „Diese Reduktion auf Wat-
son als einzelne Maschine hat in der Ver-
gangenheit sicher für die ein oder andere
Verwirrung gesorgt.“ Für ihn ist Watson
weder ein einzelner Superrechner, noch
eine irgendwie geartete individuelle KI.
Vielmehr sei Watson eine Plattform ver-
schiedenster Services und Verfahren, die
auf derselben Technologie basieren. Es
handele sich bei Watson nicht um ein
Produkt, sondern um viele Einzelpro-
dukte. Auch seien diese meistens auf
mehreren Rechnern installiert – von einer
einzigen Maschine oder einem Watson
könne keine Rede sein.
KI für B2C und B2B verschieden
Zudem wird Watson gerne seinen KI-
Pendants aus dem B2C-Bereich gegen-
übergestellt. „Ungerechterweise“, sagt
Flade-Ruf, „denn hier werden Äpfel mit
Birnen verglichen. Die mit Watson ver-
bundenen Services und Entwickler-Tools
von IBM sind ausschließlich auf den B2B-
Sektor ausgerichtet.“ Alexa, Siri, Cortana,
Google Home und Co. haben es hinge-
gen mit den Endkunden im B2C erheb-
lich einfacher, rasche Erfolge vorzuwei-
sen, da sie jeden Tag von Millionen Men-
schen genutzt, mit Informationen gefüt-
tert und dadurch stetig trainiert werden.
Dabei ist die Frage nach der Datenho-
heit über die pausenlos mitgelauschten
Gespräche ungeklärt oder geht womög-
lich in der AGB unter.
Daten gehören dem Nutzer
„Solch ein Vorgehen unterscheidet sich er-
heblich vom projektbezogenen, individuel-
len Daten-Training mit Watson“, sagt Flade-
Ruf. „Hier hat IBM zudem eine Art Code of
Conduct für Cloud Services in Verbindung
mit KI-Daten verfasst, sodass die innerhalb
eines Projektes gewonnenen Informatio-
nen immer Eigentum der jeweiligen Ser-
vice-Nutzer bleiben – und bisher hält sich
IBM auch daran.“ Damit lässt sich auch der
Vorwurf einiger Unternehmen entkräften,
dass man ja bei Watson nicht genau wisse,
wem schließlich sowohl die eingespielten
als auch die neu gewonnenen Daten gehö-
ren würden. Unterm Strich lassen sich die
KIs der verschiedenen Hersteller und Ein-
satzgebiete nur schwer bis überhaupt nicht
miteinander vergleichen.
In der jüngeren Berichter-stattung ist die KI-Lö-sung Watson von IBMein wenig in Misskre-dit geraten. Einehäufig geäußerterVorwurf war, IBMhabe mit seinerMedienkampagneErwartungen ge-weckt, die die Tech-nologie nicht oder nochnicht erfüllen kann. Für Ur-sula Flade-Ruf, Geschäftsführe-rin der Management Informati-ons Partner GmbH, zeigt dieser Vor-wurf „jedoch auch ein großes Missver-ständnis, in der Watson immer wieder als die denMenschen verstehende Maschine personifiziert wird.”Doch was ist die KI nun und was leistet sie?
IBM WATSON
IT&Production 3/2018
Der Ärger um WatsonDie IBM-KI ins richtige Licht gerückt
Bild: mip M
anagement Inform
ationspartner GmbH
Konkrete Beispiele selten
Eine Schwierigkeit im Zusammenhang
mit Watson-Projekten ist das Fehlen von
allgemeingültigen weltweiten Anwen-
dungsfällen, wie sie im B2C-Bereich mit
Alexa, Siri oder Cortana vorhanden sind.
„Watson-Projekte sind dagegen äußerst
industrie- und unternehmensspezifisch“,
sagt Flade-Ruf. „Vieles passiert hier hinter
verschlossenen Türen, da sich niemand
zu früh von Mitkonkurrenten in die Kar-
ten schauen lassen möchte.“ Ein großer
Teil stammt dabei aus dem Bereich Inter-
net of Things (IoT) im industriellen Sek-
tor. Big Data in Form von Sensor- und
Maschinendaten soll dort im Predictive-
Maintenance-Umfeld und zur Qualitäts-
sicherung eingesetzt werden. IBM ko-
operiert beispielsweise mit Unterneh-
men wie Schaeffler, Bosch, BMW, Ci-
troen und Renault. Ein anderer Bereich, in
dem ein großes Potenzial gesehen wird,
ist die Unterstützung von Call-Centern
und -Services etwa im Öffentlichen
Dienst oder Versicherungs- und Banking-
Umfeld, aber auch im technischen Sup-
port. Die Nachfrage nach Künstlicher In-
telligenz steigt auch in der Ausbildung.
An der Technische Hochschule Nürnberg
konnten Studenten zum Beispiel die ver-
schiedenen Cloud-Services von Watson
ausprobieren und dabei die Spracherken-
nung des Bots trainieren.
KI-gestützte Chatbots
Einen Schritt weiter gehen Chatbots, die
eigenständig Chat-Sessions mit Kunden
oder Mitarbeitern bewältigen können,
um etwa FAQs zu beantworten oder Be-
stellungen abzuwickeln. „Auf dem Wat-
son Summit wurde ein Chatbot vorge-
stellt, der von Siemens für das eigene
Personal basierend auf den IBM Conver-
sation Services und anderen Watson-
Tools entwickelt wurde“, erläutert Flade-
Ruf. Auch in der Juristik könnten eine
Vielzahl an einfacheren Rechtsfällen über
einen Watson-Service abgebildet wer-
den. Ein weiteres Feld umfasst das
Thema Enterprise Search, in dem Wat-
son-basierte Tools wie das Natural
Language Processing zur Verarbeitung
menschlicher Sprache und das Watson
Knowledge Studio, welches ein bran-
chenspezifisches Training ohne Program-
mierungskenntnisse ermöglicht, einge-
setzt werden. „Mit Enterprise-Search-
Systemen lassen sich schnell große Men-
gen an Informationen durchsuchen und
personenbezogen aufbereiten“, erklärt
Ruf. Die Lösung lernt dabei, welche Infor-
mationen für den Nutzer besonders rele-
vant sind und zeigt sie auf einem
Dashboard an.
Watson im Mittelstand
Eine McKinsey-Studie zeigte kürzlich,
dass sich kleine und mittelgroße Unter-
nehmen bei der Implementierung von
Künstlicher Intelligenz noch schwer tun:
So setzen gerade einmal neun Prozent
bereits maschinelles Lernen im größeren
Maßstab ein. Nur zwölf Prozent gaben
an, dass sie das Experimentierstadium
bereits verlassen hätten. „Unser Rat ist,
dass Unternehmen mit der Umsetzung
von Watson-Projekten erst einmal klein
anfangen sollten“, sagt Flade-Ruf. „Wat-
son ist kein fertiges Produkt und vor
dem Training sozusagen noch ‚dumm‘.
Deshalb müssen Ziele und Trennschärfen
im Vorfeld klar formuliert werden.“ Umso
eindeutiger sich Themen definieren und
Grenzen ziehen lassen, desto einfacher
und schneller lässt sich auch zum Bei-
spiel ein Chatbot aus den verschiedenen
Watson-Komponenten zusammenstellen
und mit einer spezifischen Wissensda-
tenbank trainieren. Zudem ist ein großes
Team erforderlich, das sich aus unter-
schiedlichen Qualitäten zusammensetzt,
die sich von üblichen IT-Projekten unter-
scheiden. Man benötigt unter anderem
Business-User sowie -Analysten, KI-Ex-
perten, Programmierer sowie Prozess-
Spezialisten für die Einbindung der KI in
die Systemlandschaft.
Viele Experimente, wenig Ertrag
Im Watson-Umfeld tut sich viel, doch feh-
len vielerorts noch die Erträge. Flade-Ruf
weiter: „Leider erkennen wir gerade den
Trend, dass Unternehmen Projekte in Ei-
genregie durchführen – und dabei oft
scheitern, ohne die entsprechenden
Schlüsse daraus zu ziehen.“ Dabei bieten
der Markt und Watson selbst viele Open-
Source-Möglichkeiten an. Beim Experi-
mentieren mit der Technik fallen so oft
deutlich weniger Kosten an. „Das Schei-
tern solcher Ansätze, wie etwa im
Startup-Umfeld, ist ein immanenter Be-
standteil solcher Experimente“, bemerkt
Flade-Ruf. „Jedoch hat sich in Deutschland
bisher keine ‚Fast-Fail-Kultur‘, also der
schnelle Übergang von einem Fehlschlag
zu einem neuen optimierten Versuch, ent-
wickeln können.“ Dieser Trend fordert IT-
Dienstleister heraus, da es immer schwie-
riger wird, die eigene Expertise in solche
Projekte einzubringen. Deren Erfahrung
kann aber helfen, Projekte schneller und
erfolgreicher abschließen zu können. ■
Der Autor Marian Spohn ist Fachredakteur
bei Dieleutefürkommunikation.
www.mip.de
| KÜNSTLICHE INTELLIGENZIBM WATSON
IT&Production 3/2018
Mögliche Einsatzorte für Chatbots
Bild
: mip
Man
agem
ent I
nfor
mat
ions
part
ner G
mbH
Bild: Sage
Bei Messenger-Diensten wie dem Facebook-Messenger sind bereits mehr als 100.000 Chatbots im Einsatz.
KÜNSTLICHE INTELLIGENZ |
CChatbots können günstige Flugver-
bindungen suchen, Teams bei der
Organisation ihrer Zusammenar-
beit unterstützen oder Internetnutzer
dazu animieren, Marketingbotschaften
von Unternehmen in sozialen Medien zu
teilen. So unterschiedlich die Zielsetzun-
gen auch sind, eines ist allen gemeinsam:
Chatbots könnten die Art verändern, wie
Menschen Computer und andere Maschi-
nen benutzen. Sie könnten die Bedienung
von Anwendungen auf Computern, Tab-
lets und Smartphones so einfach machen
wie die Kommunikation per Whats-App
oder Facebook-Messenger.
Nutzen im Alltag
Allein der Facebook-Messenger bietet
mehr als 100.000 Chatbots für ganz un-
terschiedliche Anwendungen. Und eine
aktuelle Umfrage des Digitalverbandes
Bitkom zeigt, dass rund ein Viertel der
Befragten Chatbots (Bots) im Alltag ein-
setzen möchte. So wollen beispielsweise
mehr als zwei Drittel (68 Prozent) mit
Chatbots ihre Termine planen. Weitere
beliebte Nutzungsszenarien sind der Un-
tersuchung zufolge Ticketreservierungen,
Online-Shopping und Reisebuchungen.
Nutzen für das Unternehmen
Dass Chatbots auch unternehmerische
Aufgaben wie die Buchführung unterstüt-
zen können, zeigt das Beispiel von Pegg:
Der Chatbot von Sage fungiert als Assis-
tent für kleine Unternehmen und erlaubt
Nutzern beispielsweise, Ausgaben zu er-
fassen und die Finanzen per Messaging-
Dienst – etwa über den Facebook-Mes-
senger oder via Skype – zu verwalten. Auf
die Frage “Wer hat offene Rechnungen bei
uns?” antwortet Pegg zum Beispiel über
die entsprechende Messaging-App mit
den Namen der Kunden sowie den offe-
nen Beträgen in einer Nachricht.
Hände frei beim Datenabruf
Mit Chatbots lassen sich zudem Daten
von unterwegs erfassen, kategorisieren
und speichern. Außerdem können sie
weitere Arbeitsschritte anstoßen. Das
unterstützt Anwender beispielsweise bei
der Reisekostenabrechnung, etwa durch
das Erfassen und Verbuchen von Taxi-
quittungen, Bewirtungsbelegen und an-
deren Dokumenten. Der Nutzer wird vom
Chatbot per Dialog durch den jeweiligen
Vorgang geführt, sodass der Ablauf des
Prozesses vorher nicht bekannt sein
muss. Anwender können somit schneller
zur gewünschten Information gelangen
und Transaktionen schneller vornehmen.
Zusätzliche Vorteile bringt es, wenn
Chatbots per Audio-Signal mit dem Nut-
zer kommunizieren. Dieser hat dadurch
beide Hände frei, was ihm beispielsweise
ermöglicht, während Wartungsarbeiten
Unterstützung zu erhalten. Nach dem
gleichen Prinzip können Fertigungsmitar-
beiter in der Einarbeitungsphase oder bei
seltenen und komplizierten Arbeiten un-
terstützt werden. Vertriebsmitarbeitern
ermöglicht ein Chatbot wiederum die
Abfrage von Kundeninformationen wäh-
rend der Fahrt zum nächsten Termin. Ein
Chatbots ermöglichen eine ganz neue Art der Interaktion zwischen Mensch und Ma-schine: Als intelligente Benutzerschnittstellen mit Natural Language Understanding(NLU) sollen sie dafür sorgen, dass Sprache zum Steuerungselement von Computernund anderen Anlagen wird.
CHATBOTS
IT&Production 3/2018
Chatbots: Zeitenwende für die PC-Bedienung?
KI-gesteuerte Benutzerschnittstelle
weiterer Vorteil ist, dass Chatbots nicht
an feste Arbeitszeiten gebunden sind.
Vom Chatbot zum Kollegen
Durch Technologien aus dem Bereich der
Künstlichen Intelligenz (KI) – etwa Rein-
forcement Learning oder anderen For-
men des maschinellen Lernens – entwi-
ckelt sich die dialogbasierte Benutzer-
oberfläche in Zukunft hin zu einer Art
Kollegen, der dann weitgehend selb-
ständig agieren kann. Auf dem Weg
dahin geht es unter anderem darum, die
Fehlertoleranz in der Sprach- oder Text-
eingabe zu verbessern. Bisher ist der
Mensch dem Computer in diesem Be-
reich noch weit überlegen. Ein Chatbot
allein macht noch keinen durchgängig
automatisierten Prozess. Vielmehr geht
es zunächst darum, klar abgegrenzte
Aufgabenbereiche und Services zu defi-
nieren, die ein Bot in der erforderlichen
Geschwindigkeit und Qualität bewälti-
gen kann. Im Falle einer Chatbot-Lösung
für die Buchhaltung erledigt dann zum
Beispiel ein Konto-Bot den Download
und die Archivierung der Kontoauszüge.
Den Cash-Flow hingegen überwacht ein
weiterer auf diesen Aufgabenbereich
spezialisierter Bot. Er registriert Unregel-
mäßigkeiten, wie einen fehlenden Zah-
lungseingang, und stößt – je nach Höhe
des offenen Betrages und Status des
Kunden – entweder einen Mahnungs-
vorgang an oder benachrichtigt einen
Mitarbeiter. Unabhängig vom Einsatzbe-
reich gilt, dass jeder Chatbot eine tiefe
Integration in die Datenbanken und
Transaktionssysteme des Unternehmens
benötigt, sowie eine zielführende Struk-
tur des Dialogs. Denn erst die Kombina-
tion aus den Leistungen unterschiedli-
cher Chatbots führt zu durchgängig auto-
matisierten Prozessen. Dabei spielt auch
die Abgrenzung zwischen unterschiedli-
chen Chatbots und ihre Zusammenarbeit
in komplexen Unternehmensanwendun-
gen eine wichtige Rolle. Das gilt in der
Lagerverwaltung sowie in der Produkti-
onsplanung und -steuerung ebenso wie
in der Buchhaltung und im Vertrieb.
Der Nutzen entscheidet
Ausschlaggebend für die Praxistauglich-
keit eines Chatbots ist nicht das Ausmaß
seiner künstlichen Intelligenz, sondern
der Nutzen, den er Menschen verschafft,
die für das Unternehmen wichtig sind.
Nutzen entsteht vor allem dann, wenn
Mitarbeiter und Kunden einfacher und
schneller bekommen, was sie in ihrer je-
weiligen Situation brauchen. Das kann
ein Service-Ticket ebenso sein wie eine
Aussage zu Preis und Verfügbarkeit einer
bestimmten Produktkonfiguration oder
eine Auftragsänderung. ■
Der Autor Rainer Downar ist
Executive Vice President bei Sage.
www.hellopegg.iowww.sage.de
| KÜNSTLICHE INTELLIGENZCHATBOTS
- Anzeige -
COSMO CONSULT Gruppe
Intelligente Businesslösungen von COSMO CONSULT
Als europaweit führender Anbieter von Microsoft-basierten
End-to-End-Unternehmenslösungen für Auftrags- und Prozess-
fertigung, Handel und Dienstleistung ist COSMO CONSULT einer
der Pioniere beim Thema künstliche Intelligenz im Business-
Umfeld. Mit über 950 Mitarbeitern an 40 internationalen Stand-
orten – davon 13 in Deutschland – begleitet COSMO CONSULT
Unternehmen aller Größen bei der Digitalisierung und bietet
intelligente, zukunftsweisende Industrie 4.0-Lösungskonzepte.
Unsere Stärke liegt darin, unseren Kunden auf der Basis
vorhandener Daten einen vollkommen neuen Blick auf das
eigene Unternehmen zu ermöglichen. Durch die Integration
ausgefeilter Algorithmen und systemgestützter Entscheidungs-
modelle in das umfassende Microsoft Dynamics-Ökosystem
sowie in das COSMO CONSULT-Lösungs- und Serviceportfolio
haben unsere Kunden bereits heute die Möglichkeit, KI-Techno-
logien zu nutzen, die den Weg in die Zukunft intelligenter
Business-Software weisen.
Die durch digitale Technologien und künstliche Intelligenz auf uns zu kommenden Veränderungen sind so
fundamental, dass sich Geschäftsmodelle, Unternehmen und sogar ganze Industrien verändern werden.
Es kommt darauf an, das Potenzial dieser Entwicklung nicht nur zu nutzen, sondern aktiv mitzugestalten
und dafür zu sorgen, dass die Menschen in den Unternehmen davon profitieren – denn es geht um die
Menschen, die mit ihrer Kreativität und Leidenschaft den Erfolg eines Unternehmens ausmachen.
KontaktCOSMO CONSULT GruppeSchöneberger Str. 1510963 BerlinTel: +49 30 343815 0 • Fax: +49 30 343815 [email protected] • www.cosmoconsult.com
IT&Production 3/2018