Anwendung von Künstlicher Intelligenz im Betrieb

Die Künstliche Intelligenz (KI) hat bereits heute einen enormen Einfluss auf unser tägliches Leben. In unserer Arbeitswelt wird sie in den kommenden Jahren eine noch größere Bedeutung erlangen als jede andere technologische Innovation bisher. Unternehmen werden sich daher verstärkt mit KI-Anwendungen befassen müssen, um für diesen technologischen Wandel gerüstet zu sein. Aus diesem Grund wurde dieser Beitrag dem Thema KI und dessen Anwendungsmöglichkeiten im Betrieb gewidmet. Bevor wir uns jedoch mit der Anwendung von KI beschäftigen, wollen wir zunächst besser verstehen, was mit Begriffen wie Künstliche Intelligenz, Maschinelles Lernen (ML) oder auch Deep Learning (DL) gemeint ist, die sehr häufig und fälschlicherweise als Synonyme verwendet werden. Grundsätzlich können wir sagen, dass es sich bei diesen drei Begriffen um unterschiedliche Konzepte auf verschiedenen Ebenen handelt. Im Allgemeinen ist Deep Learning ein Teilbereich des maschinellen Lernens, und maschinelles Lernen ist wiederum ein Teilbereich der Künstlichen Intelligenz.

Die Künstliche Intelligenz beschäftigt sich mit der Entwicklung von intelligenten Maschinen und Systemen. Ein klares Ziel ist die Entwicklung von Maschinen, die die menschliche Intelligenz nachahmen können. Durch KI ist ein Computersystem in der Lage, Aufgaben auszuführen, die normalerweise menschliche Intelligenz erfordern, z.B. die visuelle Wahrnehmung, die Spracherkennung, die Entscheidungsfindung und die Übersetzung von Sprachen. Obwohl die Künstliche Intelligenz per Definition ein Zweig der Informatik ist, gibt es inzwischen kaum einen Bereich, der nicht durch diese Technologie beeinfluss wird.

Maschinelles Lernen ist ein Teilbereich der KI. Das heißt, alle maschinellen Lernverfahren gelten als KI, aber nicht jede KI gilt als maschinelles Lernen. So können beispielsweise regelbasierte Algorithmen, Expertensysteme und Wissensgraphen alle als KI bezeichnet werden, ohne dass es sich dabei um maschinelles Lernen handelt. Regeln können beispielsweise als ein Buchhaltungssystem mit Kenntnissen über die Steuergesetzgebung betrachtet werden, das basierend auf eingegebenen Informationen und mittels statischer Regeln den Betrag der fälligen Steuer als Ergebnis nennt. Ein Aspekt, der das maschinelle Lernen auch von Wissensgraphen und Expertensystemen unterscheidet, ist die Fähigkeit sich ständig weiter zu entwickeln, wenn mehr Daten zur Verfügung stehen. Das maschinelle Lernen ist dynamisch und imstande zu lernen sowie genaue Vorhersagen zu treffen. Dabei verwendet ML grundsätzlich strukturierte Daten, wie Tabellen oder Datenbanken.

Deep Learning ist ein Teilbereich des maschinellen Lernens und dessen nächste Entwicklungsstufe. DL-Algorithmen orientieren sich grob an den Informationsverarbeitungsmustern des menschlichen Gehirns. Wann immer wir eine neue Information erhalten, versucht das Gehirn, sie mit einem bekannten Element zu vergleichen, bevor es ihr einen Sinn gibt - das ist dasselbe Konzept, das Deep-Learning-Algorithmen verwenden. Wenn man von Deep Learning spricht, meint man in der Regel tiefe künstliche neuronale Netze. „Tief“ bezieht sich dabei auf die Anzahl der Schichten in einem neuronalen Netz, wodurch auch unstrukturierte Daten (Texte, Bilder, Töne, Videos) verarbeitet werden können.

Potenzielle Anwendungen von Künstlicher Intelligenz

KI findet in nahezu allen Bereichen des Unternehmens seine Anwendung. KI-Technologien werden beispielsweise in der Produktentwicklung in Form von „generative design“-Systemen angewandt, um optimierte Design-Lösungen für die additive Fertigung zu ermitteln. KI-Design-Assistenten sind in der Lage, Muster im menschlichen Entwurfsprozess zu erkennen und damit zur schrittweisen Automatisierung des Produktentwicklungsbereichs beizutragen. Im Bereich der Geschäftsprozesse können unstrukturierte Datenquellen wie das Internet nach Kriterien untersucht werden, die dem der eigenen Kunden mit dem höchsten Deckungsbeitrag am nächsten kommen und somit eine gezielte Kundenakquise erleichtern. Eine der klassischen Anwendungen von KI in der Produktion liegt in der bildbasierten Qualitätserkennung. Durch das Einlernen von Fehlerkriterien mittels einer Vielzahl an Daten bez. fehlerhafter Teile können KI-Systeme automatisch und integriert im Produktionsprozess eventuelle Fehler erkennen und schadhafte Teile aus der Produktion ausschleusen. Eine weitere häufige Anwendung liegt im Bereich der vorausschauenden Wartung. Mittels KI-basiertem „condition monitoring“ werden Maschinen und Anlagen überwacht und mögliche Ausfälle bereits vorhergesagt bevor diese effektiv eintreten. Damit werden Stillstände reduziert und zum anderen unnötige präventive Wartungsarbeiten vermieden, solange keine effektive Notwendigkeit vorliegt. Ein weiterer Anwendungsfall liegt in der Automatisierung von Produktionsprozessen. Durch KI-Lösungen können Robotersysteme kognitive Fähigkeiten erlangen wodurch sie sicherer in der Zusammenarbeit mit dem Menschen werden und zudem auch komplexe Aufgaben, wie die Entnahme von losen Bauteilen aus einer Kiste, autonom durchführen können. KI-basierte Werkerassistenzsysteme können zudem den Mitarbeiter oder Schichtleiter in der Entscheidungsfindung unterstützen und stellen Informationen dann bereit, wenn ein Problem oder der Bedarf dafür auftritt.

Herausforderungen bei der Einführung von KI im Unternehmen

Eine der größten Herausforderungen in der Einführung von KI im Unternehmen ist der Mangel an spezifischen Fähigkeiten und qualifiziertem Personal. KI-Lösungen sind derzeit alles andere als von der Stange erhältlich. Vielmehr gilt es in den meisten Fällen die spezifischen Anwendungsfälle in den Betrieben zu untersuchen und gezielt KI-Anwendungen zu entwickeln. Dies erfordert von den Unternehmen sich frühzeitig mittels Forschungs- und Entwicklungsaktivitäten mit Künstlicher Intelligenz auseinanderzusetzen und für deren Entwicklung mit Technologiepartnern zusammenzuarbeiten. Auch wenn die Anzahl von KI-Dienstleistern am Markt rasant ansteigt, bleibt die Expertise externer Partner zum Technologietransfer häufig ein entscheidender Faktor für die erfolgreiche Umsetzung von KI-Projekten. Ist der externe Partner erst einmal gefunden gilt es auch intern im Unternehmen die Voraussetzungen zu schaffen, um KI-Lösungen im Unternehmen zu betreiben und langfristig auch weiterzuentwickeln. Damit werden Fachkräfte im Bereich der Digitalisierung und KI im industriellen Umfeld zu einer Mangelware am Arbeitsmarkt. Die Strahlkraft großer internationaler Unternehmen erschwert zudem das Recruiting von KMUs in derart neuen und gesuchten Berufsprofilen fähige Mitarbeiter zu finden.

Autor

Prof. Dominik Matt, Professor an der Fakultät für Naturwissenschaften und Technik an der Freien Universität Bozen und Direktor von Fraunhofer Italia Research