Empolis ist vor allem für ihre Wissensmanagement-Lösungen bekannt. Was leistet künstliche Intelligenz bei der Analyse von Big Data und schwach strukturierten Daten?
Strukturierte Informationen aus großen Mengen unstrukturierter Daten zu gewinnen ist eine hervorragende Aufgabe für künstliche Intelligenz. Seit einigen Jahren verstehen darunter aber viele Leute einfach, dass man die Daten einem neuronalen Netz in die Hand drückt und dann sofort ‚Insights‘ bekommt. Das funktioniert tatsächlich für einige Arten von Daten gut, wenn man genau die Frage hat, die das neuronale Netz auch beantworten kann. Unsere Kunden möchten jedoch aus ihren Daten meistens Dinge in Erfahrung bringen, für deren Erkennung es noch gar kein neuronales Netz gibt. Meistens gibt es dafür auch nicht annähernd genug Trainingsdaten, um ein solches Netz zu bauen. Gerade im Maschinen- und Anlagenbau handelt es sich um komplexe Produkte, die in ihrem Wirkzusammenhang wissensintensiv sind, aber nicht immer ausreichend Daten zur Verfügung stellen, um Machine-Learning-Verfahren einzusetzen. So gibt es von manchen Störfällen überhaupt keine oder nicht ausreichend Daten, gerade weil man sie vermeiden möchte. Etwa im Automobilbereich, bei Seilbahnen oder im Flugverkehr, wenn Ausfälle Menschenleben in Gefahr bringen könnten. Es trifft aber auch auf Anlagen zu, die es so nur einmal gibt oder die in unzähligen Konfigurationsvarianten verfügbar sind, sodass die erzeugten Daten nicht generalisierbar sind. Das bedeutet, man muss neben reinen Machine-Learning-Verfahren auch sogenannte wissensbasierte KI-Verfahren einsetzen. Wir gehen damit auf zweierlei Wegen um: Zum einen setzen wir hier ganz klassische regelbasierte Verfahren der künstlichen Intelligenz ein. Diese sind ungemein effizient und auch bei wenigen Trainingsdaten schnell einsetzbar. Zum anderen bauen wir speziell für Daten aus dem technischen Service auch eigene Trainingskorpora auf und nutzen bspw. Verfahren aus dem Transfer Learning, um häufig auftretende Muster aus der Servicedomäne auch in selbstlernenden Verfahren erkennen zu können, zum Beispiel den Zusammenhang zwischen Fehlersymptomen, Ursachen und notwendigen Wartungshandlungen. Dann spielen auch Knowledge-Graphen eine wichtige Rolle, weil sie den Rahmen vorgeben, in den sich die Informationen aus den Daten einfügen müssen und in dem sie validiert werden können.
Bild: Empolis Information Management GmbH
Warum haben Sie Intelligent Views nach langjähriger Zusammenarbeit erworben?
Während Intelligent Views mit der Knowledge-Graphen-Technologie die intelligente Modellierung und Repräsentation umfangreicher und komplexer Wissensstrukturen beherrscht, vervollständigt Empolis das Leistungsangebot mit seinem langjährigen KI-Know-how sowie den leistungsfähigen Analyse- und Suchverfahren in großen Datenmengen und schwach strukturierten Daten. Einfach ausgedrückt: Mit der Kombination beider Lösungen können Unternehmen Zusammenhänge in ihren Daten besser erkennen und diese anschließend intelligent und performant durchsuchen. Gerade diese Fähigkeiten spielen in der Industrie sowie im wissensintensiven Maschinen- und Anlagebau eine entscheidende Rolle, wenn es um Industrial-IoT-Lösungen, neue digitale Geschäftsmodelle und Smart Services geht.
Ihren Nutzern versprechen Sie nach der Akquisition neue Anwendungsfälle, gerade mit Blick auf Vertrieb und Service. Können Sie bereits konkreter werden?
Vertrieb und Service sind im Bereich von Maschinen und Anlagen ausgesprochen wissensintensive Bereiche. Wenn wir hier digitalisieren wollen, müssen wir auch das Wissen rund um die Produkte digital abbilden, z.B. in einem Knowledge-Graph. Mit diesem vernetzten Produktwissen können Hersteller erklärungsbedürftiger Produkte auch in den digitalen Kanälen besser auf ihre Kunden zugehen. Dieser beschreibt beispielsweise seinen Anwendungsfall und der Knowledge-Graph identifiziert die passende Maschine, schlägt passendes Zubehör vor oder erlaubt es dem Kunden, die optimale Konfiguration der Maschine direkt durchzuspielen. Das Wichtige dabei: Alle Instrumente der Kundeninteraktion, egal ob Selektoren, Konfiguratoren und Chatbots werden so aus einer zentralen Quelle, aus dem digitalen Zwilling des Produkts, heraus gefüttert. Genauso hilfreich ist der digitale Zwilling im Service – ob wir eine individualisierte, genau auf eine spezifische Maschine zugeschnittene Inbetriebnahme-Anleitung generieren, einen Wartungseinsatz vorab simulieren oder im Störungsfall die Ursache diagnostizieren. Gerade der Service ist sehr darauf angewiesen, dass alles Wissen aus vorherigen Phasen des Product Lifecycle punktgenau zur Verfügung steht: Wie ist die Maschine aufgebaut? Welche möglichen Ursachen für den vorliegenden Fehler sind bereits bekannt, welche kommen häufig vor? Welche Teile von welchen Lieferanten sind unter welchen Einsatzbedingungen anfällig? Welche Komponenten wurden bereits ausgetauscht oder ersetzt und welche Auswirkung hat das auf mögliche Fehlerbilder beim Service einer Maschine?
