Industrielle KI-Anwendungen – Jenseits des Prove of Concept (Poc)
Häufige Fallstricke bei der Anwendung von KI im industriellen Kontext
Die Fortschritte der KI in verschiedenen Bereichen unseres Lebens machen sie heute zu einer der am meisten geschätzten Technologien. Es wurden beeindruckende Erfolge erzielt, und die Erwartungen steigen ständig. Auch in diesem Bereich ist eine Tendenz zur Übertragung von Technologien aus dem Verbraucherbereich auf industrielle Anwendungen zu beobachten. Laut mehreren Analystenpapieren kommen industrielle KI-Projekte jedoch in etwa 75 % der Fälle nie über einen PoC hinaus. Warum ist das der Fall?
Wenn man begeistert auf dem Erfolg von KI im Consumer-Bereich aufbaut, werden oft einige wichtige Eigenschaften von industriellen Anwendungen übersehen. In diesem Artikel führen wir einige industrielle Herausforderungen auf, die für den Erfolg eines KI-Projekts berücksichtigt werden müssen.
Index
Die Bedeutung der Daten
Bei der Technologie, die als KI bezeichnet wird, handelt es sich heute meist um neuronale Netze (siehe auch: Maschinelles Lernen). Ohne ins Detail zu gehen, kann man sie als mathematische Funktionen betrachten, die eine Ausgangsvariable aus einem Satz von Eingangsvariablen durch ein trainiertes Netzwerk annähern.
Um dieses Netz zu trainieren, wird ein großer Datensatz mit markierten Daten benötigt. Dabei handelt es sich um Datenpaare, bei denen die mit einer Eingabe verbundene Ausgabe bekannt ist. Das Netzwerk zwischen Eingabe und Ausgabe wird dann so angepasst, dass diese bekannte Ausgabe entsteht. Da neuronale Netze eine große Anzahl interner Variablen haben können, ist eine große Anzahl von Trainingsdatensätzen erforderlich, um zufriedenstellende Ergebnisse zu erzielen. Sobald das Netz trainiert wurde, können neue Eingabedaten verwendet werden, und das Netz erzeugt eine von den Trainingsdaten abgeleitete Ausgabe.
Im Gegensatz zu anderen Formen von Software ist die Funktionalität eines neuronalen Netzes kaum durch den Programmiercode definiert, der den Algorithmus beschreibt. Die Algorithmen neuronaler Netze sind generisch. Die Art des Problems, das ein neuronales Netz löst, wird durch die Daten definiert, mit denen es trainiert wurde.
Die Qualität einer KI-Lösung hängt daher vollständig von der Verfügbarkeit und der Qualität der Trainingsdaten ab. Das bedeutet, dass das Netz nur in der Lage ist, Daten zu approximieren, die im Trainingsdatensatz enthalten sind. Wenn ihm Bilder von Katzen und Hunden vorgelegt werden, kann es sagen: „Das ist wahrscheinlich eine Katze“, aber es wird niemals einen Elefanten erkennen. Außerdem gibt es keine Garantie dafür, dass das Netz einen bestimmten Datensatz auflöst, selbst wenn er aus dem Bereich stammt, auf den es trainiert wurde.
Bei Verbraucheranwendungen sind diese Datensätze meist verfügbar, oft in den Datenbanken der großen Technologieunternehmen. Und bei den meisten KI-Anwendungen für Verbraucher sind einige falsch beschriftete Ergebnisse in Ordnung. Wenn 500 Katzenbilder richtig erkannt werden und nur eine Handvoll nicht, ist das gut genug. Bei industriellen Anwendungen sieht das anders aus. Warum?
Bei industriellen Anwendungen können KI-gestützte Entscheidungen einen erheblichen Einfluss auf die industrielle Produktion haben. Andererseits ist die Beschaffung ausreichender Informationen recht schwierig und möglicherweise auch teuer. Wenn die Ergebnisse des KI-Systems falsch sind, können sie zu Verlusten oder sogar zu Schäden oder Schlimmerem führen. Eine gelegentliche Fehlinterpretation eines KI-Systems ist meist nicht akzeptabel. Hier sind ein paar Hinweise, was bei industriellen KI-Projekten zu beachten ist.
Initiierung – Vor dem Start eines AI-Projekts
Bevor ein KI-Projekt gestartet wird, müssen zunächst einige Fragen geklärt werden. Die erste und wichtigste Frage, die – überraschenderweise – oft übersehen wird, lautet: Welches Problem wollen Sie lösen, und warum. Dieses Problem muss relevant genug sein, um den Aufwand zu rechtfertigen, d. h. es müssen einige grundlegende Überlegungen zum Geschäftsfall angestellt werden. Die nächste Frage ist, welche Technologie zur Lösung des Problems eingesetzt werden soll. KI kann die beste Lösung sein, muss es aber nicht. Ein wichtiger Grund, warum dies nicht der Fall ist, ist der Mangel an Daten, was zu der damit zusammenhängenden Frage führt, ob wir Daten über das zu lösende Problem haben.
Und schließlich muss die Lösung in die Praxis umgesetzt werden. Dazu gehört sehr oft auch eine Vergrößerung. Es ist daher hilfreich, wenn Sie sich frühzeitig überlegen, ob Sie nicht nur Daten von einer einzigen Maschine für den PoC haben, sondern ob es möglich sein wird, die Daten auch von anderen Maschinen zu erhalten, wie es Ihr Geschäftsfall erfordert.
Die Suche nach dem richtigen Problem ist eine geschäftliche Entscheidung, lassen Sie uns daher die anderen Fragen etwas genauer betrachten.
Informationen – Daten für KI-Anwendungen
Industrieanlagen erzeugen eine große Menge an Daten. Zur Steuerung eines Roboters, eines Stahlwerks oder eines anderen industriellen Prozesses werden Sensoren eingesetzt, um die Geräte so zu steuern, dass sie sich wie vorgesehen verhalten. Die meisten dieser Daten werden sofort wieder verworfen. Aber sie werden erzeugt und könnten aufgezeichnet werden. Es sollten also genügend Daten vorhanden sein, um KI zu trainieren?
Die Herausforderung bei der Nutzung der Daten besteht darin, ob sie die erforderlichen Informationen enthalten. Wenn man Ausfälle vorhersagen will, muss man Daten über Ausfälle haben. Da Industrieanlagen nur selten ausfallen, reicht es wahrscheinlich nicht aus, Daten von nur einer Maschine zu sammeln. Dazu braucht man Daten von vielen Anlagen, bei denen Ausfälle aufgetreten sind. Wenn Sie Ihre eigenen Fabriken betreiben, verfügen Sie vielleicht nicht über die erforderliche Anzahl von Maschinen, wenn Sie ein Lieferant sind, wissen Sie vielleicht, wo und warum Maschinen ausgefallen sind, aber Ihre Kunden geben Ihnen die Daten vielleicht nicht. Um an die Daten zu gelangen, müssen Sie Ihrem Kunden ein Wertversprechen geben, warum er das tun sollte.
Außerdem ist der Einsatz von KI zur Reproduktion von Informationen, die Sie bereits haben, nicht effizient. Da Prozessdaten mit der Physik des Prozesses korreliert sind, kann das Training des KI-Systems mit Rohdaten diese physikalischen Gesetze aufdecken. Aber diese sind bekannt, sie wurden bei der Entwicklung der Anlage angewandt. Sie möchten KI einsetzen, um die Effekte zu erkennen, die sich nicht ohne weiteres durch Ihre technischen Daten erklären lassen. Sie müssen also das Bekannte aus den Daten entfernen, um das Netz auf das zu trainieren, was Sie nicht wissen.
Zusammenfassend lässt sich sagen: Um KI erfolgreich einsetzen zu können, benötigen Sie Daten, die die richtigen Informationen für das gewünschte Ziel enthalten. Diese Daten können sich an verschiedenen Orten und in verschiedenen Formaten befinden. Wenn sie nicht ohne Weiteres verfügbar sind, sollten Sie sich darüber im Klaren sein, dass ihre Beschaffung leicht einen Großteil des Budgets Ihres KI-Projekts verschlingen wird.
Auswirkungen – Ergebnisse von AI
KI kann beeindruckende Ergebnisse erzielen, aber auch zu überraschenden Misserfolgen führen. Und im Gegensatz zu herkömmlicher Software ist sie schwer zu testen. Selbst geringfügige Veränderungen der Eingabedaten können zu völlig anderen Ergebnissen führen, und die Natur eines neuronalen Netzes gibt keinen Aufschluss darüber, warum sich das Ergebnis geändert hat. Es gibt auch keinen Grund dafür an, warum es zu der richtigen Schlussfolgerung gekommen ist.
Wenn Sie KI in einem industriellen System einsetzen, müssen Sie sich ihrer Unzulänglichkeiten und Risiken bewusst sein und diese mit anderen technischen Mitteln abmildern. Seien Sie sich bewusst, dass weder falsch-positive noch falsch-negative Ergebnisse ausgeschlossen werden können, was bei der System- und Prozessgestaltung berücksichtigt werden muss. Ein konventionelles Überwachungs- oder Sicherheitssystem, das sicherstellt, dass der KI-Anteil innerhalb vernünftiger betrieblicher Grenzen bleibt, ist notwendig.
Zusammenfassend lässt sich sagen: Setzen Sie KI dort ein, wo sie ihre Stärken hat, und versuchen Sie nicht, sie dort zu überfordern, wo sie ihre Schwächen hat. Seien Sie sich dieser bewusst und decken Sie sie mit alternativen Verfahren und Technologien ab.
Implementierung – Anwendung von AI
Sobald die ersten Trainingsdaten verfügbar sind, können Sie loslegen. Die Chancen stehen gut, dass Ihr PoC funktionieren wird. Die Umwandlung in ein produktives System birgt jedoch noch einige Herausforderungen.
Eine wichtige Frage ist die Gesamtarchitektur: Wie bereits erwähnt, erfordert das Training des Systems eine große Datenmenge und eine hohe Rechenleistung. Für diese beiden Anforderungen sind Cloud-Lösungen in vielen Fällen gut geeignet. Die Anwendung des trainierten Netzes ist jedoch viel weniger komplex und kann lokal erfolgen, vielleicht sogar auf speziellen KI-Chips. Geschwindigkeit, Datenverfügbarkeit, Sicherheit, Datenschutz und möglicherweise weitere Parameter müssen Ihre Architekturentscheidung bestimmen.
Wenn Sie aus dem Betrieb lernen wollen, muss Ihr neuronales Netz gelegentlich neu trainiert werden, die Modelle müssen aktualisiert werden usw. Dies kann zusätzliche IT-Ressourcen erfordern, die im PoC nicht erforderlich waren.
Eine unangenehme Eigenschaft von KI-Systemen ist die Tatsache, dass nicht garantiert ist, dass die Trainingsdaten aus dem PoC ein Netzwerk erzeugen, das in einer ähnlichen, aber leicht veränderten Umgebung funktioniert. Die Übertragung einer Lösung auf eine andere Installation birgt daher einige Herausforderungen, mit denen sich die Forschung derzeit befasst.
Das System kann robuster gegenüber solchen Schwankungen sein, wenn Eingabedaten aus einer Vielzahl von Anlagen zum Training herangezogen werden. Um auf eine frühere Aussage zurückzukommen: Überlegen Sie sich dies in einem frühen Stadium Ihres Projekts, denn Sie riskieren, den hohen Aufwand für die Datenerfassung und -bereinigung beim nächsten Kunden erneut zu betreiben, während Sie den geringen Aufwand für das Training der KI wiederverwenden können.
Schlussfolgerungen
Wir können nicht genug betonen, dass gute, repräsentative Trainingsdatensätze, die die für Ihre Lösung benötigten Informationen enthalten, der Schlüssel zu einer erfolgreichen KI-Lösung sind. Stellen Sie sicher, dass Sie über diese Daten verfügen, sowohl zu Beginn als auch während des Lebenszyklus Ihrer Lösung. Am wichtigsten ist jedoch, dass Sie sich darüber im Klaren sind, welche Aufgaben Ihre Lösung erfüllen soll. Setzen Sie KI dort ein, wo sie geeignet ist, und kombinieren Sie sie mit anderen Komponenten, die diese Aufgabe effizienter erledigen können.
Die Kommentarfunktion ist geschlossen.