8-2018

Editorial
Von der Information zur Wertschöpfung
mit Machine Learning
Klaus Löckel, Managing Director
EuroCentral, Dassault Systèmes
Wir erleben heute, wie die digitale Transformation über konkrete Anwendungen
in Industrie und Wirtschaft hinaus unseren Alltag verändert. Sie verändert die Art
und Weise, wie wir unsere Berufe ausüben, wie wir miteinander und mit Maschinen
interagieren. Aber sie stellt uns auch Fragen zur Datensicherheit, wie wir mit unseren
Daten umgehen und wer davon profitiert. Und sie fragt uns, wie wir ihre Technologien
nutzen, wo sie uns unterstützen und entlasten kann.
Künstliche Intelligenz (KI) ist dabei ein Gebiet, das besonders starke Emotionen
hervorruft. Es werden teils verstörende Zukunftsszenarien heraufbeschwört.
Gleichzeitig werden Pilotprojekte präsentiert, die beeindruckende, aber nicht
notwendigerweise praxisreife Anwendungen für KI demonstrieren. Das alles kann
Berührungsängste schüren. Dabei könnte man das Thema genauso gut von der
anderen Seite betrachten und im Kleinen anfangen. Machine Learning (ML) ist ein
Aspekt von KI, der ganz pragmatisch zeigt, wo die Technologie heute schon und ganz
konkret ein Gewinn sein und zur Wertschöpfung beitragen kann.
Maschinelles Lernen bedeutet, dass Programmierer nicht mehr alle Eventualitäten
der Anwendung eines Systems bedenken und basierend darauf jeden einzelnen
Arbeitsschritt einer Maschine codieren müssen. Stattdessen programmieren sie
Lernmethoden. So werden Maschinen in die Lage versetzt, selbstständig Wissen
aus Erfahrungen aufzubauen. Sie erkennen automatisch Muster und Korrelationen
in großen Mengen von Daten und leiten daraus Regeln und letztendlich auch
Vorhersagen ab. Die Maschine führt dadurch ihre Arbeitsschritte in einer komplexen
Umwelt immer besser aus. Was es dazu braucht sind Informationen. Sämtliche
Daten müssen entlang der Wertschöpfungskette gesammelt, integriert und analysiert
werden. Idealerweise geschieht dies auf einer zentralen Business-Plattform, welche
relevante Informationen aus allen Teilen der Wertschöpfungskette bündelt und die
passenden Tools zur Auswertung bereitstellt. Bei einer Plattformnutzung in der Cloud
entfallen zudem aufwändige IT-Infrastrukturinstallationen, welche die Analyse großer
Datenmengen erfordern würde.
Die Chancen von ML werden anhand von Predictive Maintenance besonders
deutlich. Auf Basis der Regeln, die eine Maschine gelernt hat, ist sie in der Lage,
abweichende Statusmeldungen zu erkennen, noch bevor sich ein Defekt ankündigt. Je
größer die Datenbank von Ausfällen angelegt ist, welche der Maschine zum „Lernen“
gefüttert wurden, desto genauer kann sie den Defektablauf berechnen und den
optimalen Wartungszeitpunkt bestimmen. Letztendlich werden so die Prozessabläufe
optimiert und die Effizienz der Produktion gesteigert.
Die Bild- und Spracherkennung sind neben Themen wie Programmiersprachen
oder Algorithmen die wichtigsten Funktionen von ML. In der Produktionshalle hilft
die Analyse von Bildern, fehlerhafte oder falsch eingefärbte Komponenten auf
Fließbändern zu erkennen. Auch hier werden die Analysen umso präziser, je mehr
Bilder solcher fehlerhaften Teile das System bereits kennt.
Doch ML schafft nicht nur Chancen zur Effizienzsteigerung. Die Technologie hat
das Potential, völlig neue Geschäftsmodelle zu ermöglichen. Die Auswertung und
Aufbereitung von Daten schafft sogenannte smarte Produkte, die ihre „Intelligenz“
aus einem großen Erfahrungsschatz an Daten schöpfen. Beispielsweise berechnen
Mobilitätsdienstleister auf den User zugeschnittene, optimierte Reiserouten, welche
die Präferenzen für bestimmte Wege und Fortbewegungsmittel berücksichtigen.
Diese Geschäftsmodelle entfernen sich immer weiter vom klassischen Produkt und
konzentrieren sich stattdessen darauf, dem Nutzer in Echtzeit maßgeschneiderte
Erfahrungen zu bieten und letztlich positive Erlebnisse.
Trotz des disruptiven Potentials von ML wird anhand der Anwendungsbeispiele
deutlich, dass man nicht das eigene Geschäftsmodell neu erfinden muss, um die
Möglichkeiten von ML und KI gewinnbringend für sich zu nutzen. Die Digitalisierung
und ihre Potentiale entfalten sich auch und erst recht in einer Implementierung
in kleinen Schritten. ML bietet zahlreiche Möglichkeiten, schon heute mit der
Optimierung von Produktions- und anderen Prozessen zu beginnen.
Klaus Löckel, Dassault Systèmes, www.3ds.com
PC & Industrie 8/2018 3