Was muss passieren, um künstliche Intelligenz in Deutschland zum Erfolgsmodell zu machen?
Professor Claus Oetter: Zu allererst müssen wir endlich etwas tun und uns nicht durch die oft heraufbeschworene German Angst lähmen lassen. Wir sollten nicht versuchen, an runden Tischen alles zu prüfen und alle Möglichkeiten sowie Eventualitäten in der Theorie im Detail auszuarbeiten. Wenn wir alle Risiken im Vorfeld erkennen wollen, um uns vorauseilend gegen sämtliche Horrorszenarien abzusichern, werden wir – wie so oft in der Vergangenheit – zu langsam sein.
In einigen Bereichen bauen wir bereits auf bestehende KI-Anwendungen auf und können damit weitere Anwender überzeugen. Wo sehen Sie die größten Erfolge?
Prof. Oetter: Die Initialzündung und zugleich Mutter aller KI-Anwendungen stammt aus der Bildverarbeitung, etwa in der Robotik beim Pick&Place, die mittels KI umgesetzt wird. Hier hat sich eine akzeptierte Technologie entwickelt und diese kann in andere Bereiche diffundieren. Im Maschinen- und Anlagenbau sehen wir sehr gute Voraussetzungen für KI-Anwendungen durch Machine Learning. Ich trainiere das System auf bestimmte Fähigkeiten. Und nach der Trainingsphase wendet die Maschine das Erlernte im Produktivbetrieb an. Das Wissen des Systems bleibt allerdings genau auf den antrainierten Umfang begrenzt und kann nicht einfach erweitert werden. Das ist für viele Bereiche absolut ausreichend. Machine Learning ersetzt die traditionelle Programmierung, die in Folge der Datenflut an ihre Grenzen stößt.
Was muss man wissen, um Machine Learning richtig einzusetzen?
Prof. Oetter: Hier genügt eine einfache Regel: Je besser trainiert wird, umso besser ist das Ergebnis. Dafür sind jedoch viele Daten notwendig. Und genau hier liegt der Knackpunkt, der zwei zentrale Probleme mit sich bringt: Wie kann ich die Qualität der Daten überprüfen und gegebenenfalls verbessern? Wie lässt sich eine hinreichend große Menge hochwertiger Daten erzeugen? Für die Unternehmen stellt das die größte Herausforderung dar, denn es bedeutet eine intensive Einarbeitung und kostet sehr viel Zeit. Die Daten können selbstverständlich auch durch eine Simulation erzeugt werden. Aber auch eine Simulation muss der Realität entsprechen. Gerade das ist bei komplexen Produktionsprozessen problematisch.
Welche KI-basierten Technologien gibt es, die den Menschen bereits unterstützen und in Zukunft noch mehr unterstützen können?
Prof. Oetter: Prädiktive Instandhaltung gehört sicher zu den Anwendungen, die bereits heute viel genutzt werden. Der Erfolg ist schnell sichtbar. Genau das brauchen wir, um Barrieren abzubauen. In der Instandhaltung kann KI in einen bestehenden Prozess eingebracht werden. Der Vorteil der Mustererkennung durch Algorithmen und damit die frühzeitige Möglichkeit, in die Produktion einzugreifen und Ausfälle zu verhindern, wird sofort jedem klar. Ein anderes Beispiel kommt aus der Logistik: Die Erkennung von Gepäckstücken beim Transport an Flughäfen. Hier kann die KI helfen, die Anzahl verloren gegangener Gepäckstücke zu verringern. Geht ein Gepäckstück dennoch einmal verloren, können KI-Anwendungen dafür sorgen, dass es alleine und ohne menschliches Zutun den nächstbesten Flug auswählt und zu seinem Bestimmungsort gelangt.
Dann sehen wir in Zukunft immer mehr KI-Anwendungen?
Prof. Oetter: Es gibt wirklich viele gute Ansätze, die bereits in der Anwendung sind. Das Spannende dabei: Viele Unternehmen wissen gar nicht, für welchen Anwendungsfall KI relevant ist und für welchen nicht. Wenn ich als Unternehmen gerne eine KI einsetzen würde, heißt das übrigens nicht unbedingt, dass dies der beste Ansatz ist. Die Analyse zur Frage: ‚Wann bringt KI etwas für mein Geschäftsmodell?‘ ist eine große und nicht zu unterschätzende Aufgabe. Hier werden die ‚richtigen‘ Menschen gesucht: Das sind Personen, die Technologien einschätzen können und trotzdem den Kontext zum Prozess oder Produkt im Auge haben. Da Ingenieure und Informatiker selten in Personalunion auftreten, sind das idealerweise Teams mit Ingenieuren, Elektrotechnikern und Informatikern. Deren unterschiedliche Denkansätze müssen zusammenkommen, sich gegenseitig anerkennen und eine gemeinsame Sprache finden. Das Denken in Lösungen muss bereits in der Schule, spätestens jedoch an den Universitäten und Hochschulen gefördert werden.
Brauchen wir umso mehr Kommunikation, je mehr KI wir haben?
Prof. Oetter: Ja, denn gerade mit den neuen Technologien und den großen Möglichkeiten, die Technologien einzusetzen, bekommt die Kommunikation der Menschen untereinander einen neuen Stellenwert. Je komplexer die IT- und Software-Baukästen werden, umso wichtiger wird es, gemeinsam an Lösungen zu arbeiten.
Wo sehen Sie den größten Nutzen KI-basierter Systeme in nächster Zeit?
Prof. Oetter: Die richtigen und wichtigen Unterstützungstools, die wir heute bereits in der Forschung, aber noch nicht in der Anwendung sehen, werden noch kommen. Auf Systeme, die adaptiv auf den Menschen eingehen können, müssen wir noch etwas warten, aber dann wird das KI-Potenzial richtig sichtbar werden, beispielsweise bei individueller Unterstützung durch den Roboter. Die Mensch/Technik-Kooperation kann durch KI schneller und individueller an den Menschen angepasst werden. Bei Störungen in der Produktion werden die Assistenzsysteme dem Bediener deutlich mehr Unterstützung bieten können und Ausfallzeiten reduzieren. Die Mustererkennung in Datensätzen wird ganz neue Erkenntnisse über Zusammenhänge und Abhängigkeiten der Produktionsprozesse liefern können. Gerade durch die exponentiell steigende Zahl von Sensoren ist dies ein Segen für die Analyse.
Wo wird KI in Deutschland schon genutzt?
Prof. Oetter: Bereits seit 15 Jahren werden moderne Algorithmen in deutschen Unternehmen eingesetzt. Manche Unternehmen des Maschinen- und Anlagenbaus haben Produkte gekauft und sie eingesetzt, haben aber nicht gewusst, dass hier schon KI im Spiel ist. Der Einsatz von KI wird in deutschen Unternehmen diskutiert, dabei ist sie an einigen Stellen längst integriert. Als Beispiele sind hierbei Lagersysteme, die Beschaffung oder CRM-Systeme zu nennen. Wir müssen aufpassen, dass wir bei KI nicht dieselben Fehler machen, die uns schon mit anderen, neuen Technologien passiert sind. Die Grundlagen zu Deep Learning wurden im Jahr 1991 in einer Diplomarbeit in München von Sepp Hochreiter gelegt. Diese Arbeit war die Voraussetzung für das Machine Learning, mit dem Google, Amazon und Co heute arbeiten – und sehr viel Geld verdienen. Die Ideen waren also schon früh da, die Rechenpower und die Datenmengen seinerzeit noch nicht. Die US-amerikanischen Unternehmen verfügen aktuell über die ausgereiftesten Tool Sets, aber sie brauchen auch die Anwendung – und die haben wir in Deutschland.
Welche Widerstände müssen überwunden werden?
Prof. Oetter: Auf eine Formel gebracht: Change ist notwendig! Kommunikation ist das A und O! Geschwindigkeit zählt mehr denn je! Die Unternehmen müssen das allerdings selbst erkennen, selbst initiieren und umsetzen. Erst ein Lastenheft formulieren, dann ein Pflichtenheft aufsetzen und anschließend ein IT-Projekt umsetzen – das ist in einer agilen Umwelt wahrscheinlich nicht mehr zeitgemäß. Die Frage: ‚Wie kann IT oder KI in Produkte und Anlagen integriert werden?‘ muss neu gestellt und beantwortet werden. Eine Mischung aus traditionellen Vorgehensmodellen und agilen Ansätzen ist hier der Schlüssel.
www.vdi.de
