SAMSON AKTIENGESELLSCHAFT

In industriellen Prozessen muss ein Umdenken stattfinden: Schon jetzt sieht ein Großteil der Branche KI als wettbewerbskritischen Faktor an.

Bild: iStock, piranka

Unternehmensvertreter zu KI Umfrage: Welche Herausforderungen sehen Sie bei Künstlicher Intelligenz?

17.09.2020

Deutsche Unternehmen betrachten Künstliche Intelligenz als wesentlichen Faktor für nachhaltigen Geschäftserfolg. Zu diesem Ergebnis kommt eine kürzlich herausgegebene Deloitte-Studie. Doch der Einsatz von KI ist alles andere als trivial. Wo sehen Unternehmen hier die wesentlichen Herausforderungen? Wir haben nachgefragt.

Sponsored Content

Laut einer Deloitte-Studie sehen 79 Prozent der befragten Unternehmen KI schon heute als sehr bedeutend oder erfolgskritisch. Die Technologie wird vor allem dann eingesetzt, wenn ein Mehrwert erzeugt werden soll – möglichst in kurzer Zeit.

Doch das ist leichter gesagt als getan: Künstliche Intelligenz effektiv einzusetzen, bringt einige Herausforderungen mit sich. Wir haben bei Prozessunternehmen nachgefragt, wie sie das Thema angehen. Die Antworten nachfolgend in unserer Bildergalerie.

Bildergalerie

  • Dr. Michael Bolle, Mitglied der Geschäftsführung, Robert Bosch: Künstliche Intelligenz hat nichts mehr mit Science-Fiction zu tun – sie ist bereits fester Bestandteil unseres Alltags. Sie verändert unsere Art zu fahren, zu arbeiten, zu lernen, einzukaufen und zu reisen fundamental. Bei Bosch wird sie auch zunehmend Bestandteil der Produkte, die wir herstellen – Produkte, die uns helfen und unterstützen und uns das Leben insgesamt erleichtern. Ob in der Produktion, im Smart Home oder beim automatisierten Fahren: Uns geht es immer darum, KI für die Menschen sicher, robust und nachvollziehbar zu machen, getreu unserem Motto „Technik fürs Leben“.

    Bild: Bosch

  • Eckard Eberle, CEO der Business Unit Process Automation, Siemens: Für die Prozessindustrie bietet KI großes Potenzial, stellt die dazugehörigen Branchen aber auch vor ernstzunehmende Herausforderungen. Bei Anlagen für beispielsweise chemische oder Bioprozesse ist alles miteinander verbunden und vernetzt. Einzelne Prozesse wirken sich mittelbar oder unmittelbar aufeinander aus, was, natürlich auch noch abhängig von der Gesamtgröße der Anlage, eine hohe Komplexität der Anlage zur Folge hat. Im Vergleich zu einer einfachen Maschine, die für sich allein betrachtet werden kann, ist es hier also auch deutlich schwerer, das ganze System zu verstehen. Genau hier ist ein Ansatzpunkt der KI, die uns bei diesem Verständnisproblem helfen kann. Schließlich spielen Daten für die Unternehmen eine immer wichtigere Rolle, um die Prozesseffizienz zu erhöhen, Standzeiten zu reduzieren und Wartung und Service zu optimieren. Dazu muss KI jedoch angelernt werden, was uns vor die nächste Herausforderung stellt. Denn es gibt zwar unzählige Prozessanlagen weltweit, aber die meisten Anlagen sind sehr spezifisch, teilweise genau nach Kundenvorgaben gebaut, sprich mehr oder weniger Unikate. Ihre Daten lassen sich nicht 1:1 auf alle Anlagen übertragen. Durch diesen Mangel an Wiederholraten von Aggregaten, die limitierte Anzahl an Sets, die geringe Vergleichbarkeit sowie Verfügbarkeit historischer Daten mit ausreichender Dokumentation aufgetretener Fehler gestaltet sich das Anlernen künstlicher neuronaler Strukturen als schwierig. Aber nicht unmöglich. Ausgangslage ist, dass uns zwar viele Daten – auch relativ gut sortiert – vorliegen, die jedoch insofern unstrukturiert sind, als dass nur eine limitierte Semantik dahinter liegt. Ein standardisiertes Verständnis für diese Semantik ist allerdings Grundvoraussetzung für den Erfolg, und dazu arbeiten wir bereits intensiv mit der Namur an Lösungen.

    Bild: Siemens

  • Reinhard Knapp, Leiter Global Strategies, Aucotec: In der Prozessindustrie fehlt bisher der Zugang zu den umfangreichen Daten, auf die KI angewiesen ist: zum Beispiel Simulations- und Betriebsdaten oder Daten aus Störfallanalysen. Hier fehlen entweder die digitale Grundlage oder einheitliche Formate. Da es sich oft um sensible Daten handelt, ist deren Zugang natürlich generell erschwert. Sobald KI aktiv in das Verhalten der Anlagen eingreifen würde, bestehen berechtigte Bedenken bezüglich der Zuverlässigkeit beziehungsweise Haftung im Schadensfall, ähnlich wie beim autonomen Fahren, nur mit möglicherweise noch dramatischeren Auswirkungen. Durch den Selbstlern-Aspekt von KIs ist eventuell nicht mehr nachvollziehbar, wie Ergebnisse zustande kommen. Im industriellen Umfeld ist Nachvollziehbarkeit jedoch unbedingt notwendig.

    Bild: Aucotec

  • Nabil Alsabah, Bereichsleiter Künstliche Intelligenz, Digitalverband Bitkom: Es gibt in den Unternehmen in Deutschland bei KI kein Erkenntnis-, sondern ein Umsetzungsproblem. Dafür nennen die Manager vor allem zwei Gründe: keine Zeit und kein Know-how. Es muss in den Unternehmen ein Umdenken geben, dass die Beschäftigung mit KI keine Kür, sondern eine Pflichtaufgabe ist. Die Lösung kann nur sein, sich die Zeit für die Zukunft des eigenen Unternehmens zu nehmen – und beim Know-how auf die zahlreichen Beratungsangebote zurückgreifen oder Kooperationen mit Start-ups eingehen. Und wir müssen es schaffen, mehr KI-Fachkräfte für die Wirtschaft auszubilden. Dabei muss man nicht Informatik studiert haben, um KI entwickeln zu können. Man kann sich das Fachwissen auch über Online-Kurse, Fachseminare und interaktive Tutorien aneignen.

    Bild: Bitkom

  • Dr. Henrik Hahn, Chief Digital Officer, Evonik Industries: Ein verantwortungsvoller Einsatz von Technologien gleich welcher Art ist selten trivial und kann es auch nicht sein. Im Grunde genommen hilft KI dabei, Tätigkeiten zeitsparender und Entscheidungen treffsicherer zu erledigen. Letzter Punkt wirft auch in der betrieblichen Anwendung von KI regelmäßig die Frage nach Transparenz und Nachvollziehbarkeit auf – bis hin zu entsprechenden nationalen und europäischen Regulierungsabsichten. Die erste Herausforderung besteht schon darin, die beiden Begriffe Transparenz und Nachvollziehbarkeit zu konkretisieren. Sonst können entsprechende Forderungen schnell in Innovationshemmnisse umschlagen. Da der Mensch aber zu jeder Zeit die Entscheidungshoheit behält, ist Balance und Gelenkigkeit im Umgang mit KI gefragt.

    Bild: Evonik

  • Dr. Wolfgang Hildesheim, Leiter Data Science & Artifical Intelligence DACH-Region, IBM: KI wird häufig mit vielversprechender datenbasierender Automatisierung gleichgesetzt. Häufige Bremsfaktoren sind dennoch weiterhin unzureichende Erfahrungen oder Kenntnisse für die erfolgreiche Umsetzung. Kleine Schritte gehen und aus ihnen lernen – das ist wichtig. Zudem kommen auf der technischen Seite Datensilos und fehlende Werkzeuge für die KI-Entwicklung hinzu. Ein weiterer wesentlicher Aspekt zeigt sich auch beim Thema Vertrauenswürdigkeit – KI-Lösungen müssen nachvollziehbar sein. Das bedeutet: eine transparente KI-Entwicklung für erklärbare Entscheidungswege. Letztendlich geht es auch darum, KI als eine „Mensch mit Maschine“-Lösung zu verstehen, und nicht etwa als „Mensch gegen Maschine“.

    Bild: IBM

  • Dr. Dr. h. c. Attila Bilgic, CEO, Krohne-Gruppe: Die größten Herausforderung sind Digitalisierung und Mindset. KI-Lösungen funktionieren nur mit Daten, deren Beschaffung mitunter schwierig sein kann. Operationen auf Daten sind vergleichsweise einfach. Das gilt auch für KI, da hier umfassende Softwarebibliotheken zur Verfügung stehen. Wenn Sie etwa eine Zielgröße haben, gegen die Sie optimieren können, dann braucht es gar keine vertieften KI-Kenntnisse, um auch für menschliche Experten überraschende Erkenntnisse zu erhalten. Dies haben wir am Beispiel Flaschenabfüllung selbst so erfahren. Oft fehlt es an Chancenbewusstsein hinsichtlich des Nutzens, Fantasie hinsichtlich der Einsatzmöglichkeiten und bei komplexeren Aufgaben auch an der Bereitschaft, Daten organisationsübergreifend auszutauschen. Technisch ist alles eher einfach. Bitte anfangen und einfach machen!

    Bild: Krohne

  • Dulaan Punsag-Odefey, SAM Guard Consultant, Digitale Transformation, Samson: Die Nutzung von KI in der Prozessindustrie lässt bereits frühzeitig Abweichungen und Störungen im Produktionsprozess erkennen, indem historische Anlagendaten durch Machine Learning analysiert werden. Jedoch kann ein auf dem reinen Lern-Algorithmus beruhender Ansatz statistische Anomalien nicht von relevanten Meldungen unterscheiden. Damit das gelingt, müssen Daten kontextbezogen analysiert werden. Deshalb modelliert unsere Analysesoftware SAM Guard die Anlage unter Einbeziehung des Prozess-Know-hows der Spezialisten. Durch die Kombination aus menschlicher und Künstlicher Intelligenz begrenzen sich die Softwaremeldungen auf relevante Ereignisse und versetzen das Anlagenpersonal in die Lage, Fehler zu beheben und Prozesse zu optimieren.

    Bild: Samson

  • Dr. Felix Hanisch, Head of Process & Plant Safety bei Bayer und Vorstandsvorsitzender der Namur: Künstliche Intelligenz ist ein Werkzeug, das es ja eigentlich schon recht lange gibt. Es ist in den letzten Jahren aber mächtiger und einfacher in der Anwendung geworden. Wir bei der Namur, dem Verband der Prozessautomatisierer, wissen, dass KI, wie andere datengetriebene Modelle auch, nur so gut sein kann, wie die Daten, auf denen sie trainiert wird. Von daher sehen wir als wesentliche Herausforderung einmal die Verfügbarkeit und Konsistenz von Daten aus der Produktion. Das adressieren wir mit der Namur Open Architecture (NOA) – also Produktionsdaten sicher und preiswert verfügbar machen. Und wie jedes Werkzeug muss ich KI anwenden können, also Menschen die Scheu nehmen und mit der Nutzung vertraut machen.

    Bild: Namur

  • Bijoy Sagar, Chief Information Technology and Digital Transformation Officer, Bayer: Mithilfe Künstlicher Intelligenz lässt sich die Gesundheit der Menschen entscheidend verbessern: Sie unterstützt dabei, Krankheiten früher zu erkennen und schneller neue Medikamente und Therapien zu entwickeln, die auf den individuellen Patienten abgestimmt sind. KI spielt auch eine wichtige Rolle, um die Ernährung einer wachsenden Weltbevölkerung sicherzustellen. Landwirte können damit auf nachhaltigere Weise höhere Ernteerträge erreichen, wenn das richtige Saatgut sowie Wasser, Düngemittel und Pflanzenschutz besser auf den Boden und sich ändernde Wetterbedingungen abgestimmt werden. Bayer will digitale Lösungen ethisch voranbringen – für eine bessere Gesundheit und Ernährung der Menschen.

    Bild: Bayer

  • Dr. Andreas Braun, Applied Intelligence Lead, Accenture: Leistungsfähige KI verlangt nach passenden Daten, der richtigen Analytik beziehungsweise dem Algorithmus und aus den Ergebnissen abgeleiteten Aktionen. In der Praxis mangelt es vor allem an Punkt eins und drei: Der Erfolg von Projekten ist abhängig von Eignung, Qualität und Menge der vorhandenen Daten, Algorithmen hingegen nehmen wenig Einfluss auf den Ausgang. So sind Daten auf eine Art tatsächlich „das neue Öl“ – auch sie müssen raffiniert werden, um Wert zu entfalten. Dafür braucht es Experten, ein Aufbrechen vorhandener Datensilos und oft externe Anreicherung. Inwiefern dann nutzbringende Aktionen aus einem Modell (Daten + Algorithmus) abgeleitet beziehungsweise ausgelöst werden können, hängt sehr von dem Grad der Digitalisierung der vorhandener Prozesse ab. Der Cloud schließlich kommt die Rolle des „Enablers“ zu: Sie vereint Daten, KI und API-ausgelöste Aktionen.

    Bild: Accenture

  • Dr. Wilhelm Otten, Mitglied des Namur-Vorstands und Senior Project Manager bei Evonik Operations: Im Prinzip sind Systeme der Künstlichen Intelligenz Systeme, die aus den Vergangenheitsdaten Zusammenhänge „erlernen“ und damit Voraussagen für die Zukunft machen können. Sehr erfolgreich sind diese Systeme im „Consumer-Bereich“. Im Produktionsumfeld ist der erfolgreiche Einsatz noch überschaubar, unabhängig davon, dass klassisch Methoden wie mehrdimensionale Regressionen in der Prozessindustrie seit Jahrzehnten etabliert sind. Das liegt unter anderem daran, dass wir in der Prozessindustrie im Wesentlichen mit komplexeren Zusammenhängen und „verrauschten“ nicht exakten Daten, zum Beispiel Messwerten, zu tun haben. So geht heute noch der größte Teil des Aufwands in die Datenbeschaffung und Datenaufbereitung, um sicherzustellen, dass die Daten konsistent sind und die relevanten Inputgrößen enthalten. Auf der anderen Seite haben wir sehr gute deterministische physikalische Modelle, beispielsweise Simulationsmodelle unserer Anlagen. Daher sehen wir die Zukunft in der Kombination dieser Modelle mit KI-Ansätzen in den Bereichen, in denen diese Modelle nicht zur Verfügung stehen.

    Bild: Namur

  • Lisa Schrader, Data Scientist, Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS: Wer sich mit dem Einsatz von KI – etwa in der Produktion – beschäftigt, ist davon getrieben, etwas völlig Neues zu erschaffen und darf gleichzeitig nichts übersehen: Kann die KI versagen? Wie erreiche ich größtmögliche Absicherung? Sind Funktionsweise und Entscheidung der KI nachvollziehbar? Welche ethischen Standards muss ich berücksichtigen? Gleichzeitig hängt der Einsatz von KI auch von internen Faktoren ab: der Qualität der Daten und des Datenmanagements, der Expertise der Mitarbeitenden, der Erwartung des Managements hinsichtlich schneller Erfolge. Das wichtigste Hilfsmittel für erfolgreiche KI-Lösungen ist eine nachhaltige KI-Strategie inklusive einer klaren Roadmap und einem gemeinsamen Verständnis über die Ziele.

    Bild: Fraunhofer IAIS

Verwandte Artikel