02.10.2017 Datenanalyse in der Industrie

Watson heißt nicht unbedingt KI

In der betrieblichen Praxis stecken hinter Projekten für Künstliche Intelligenz (KI) noch oft klassische Predictive-Modelle oder fortgeschrittene Data-Science-Analysen strukturierter Daten, kommentiert Wolfgang Schmidt, Geschäftsführer bei X-Integrate.

Wolfgang Schmidt, X-Integrate

Wolfgang Schmidt, X-Integrate

Es war ein Coup für IBM, als die KI-Software Watson im Jahr 2011 in der US-Show Jeopardy! alle menschlichen Ratekandidaten hinter sich ließ. Die Faszination am kognitiven Verstehen menschlicher Sprache und an der Analyse unstrukturierter Informationen ist groß und das Thema Künstliche Intelligenz seitdem noch präsenter in der Öffentlichkeit. Watson wurde zum Synonym dafür, in welcher Geschwindigkeit und Qualität heute Computer menschliche Sprache verstehen, auswerten und binnen Sekundenbruchteilen richtige Antworten geben können.

Angewandte Künstliche Intelligenz gab es freilich schon zuvor. In der industriellen Praxis wertet man große Mengen an strukturierten Informationen seit vielen Jahren in Echtzeit mittels selbstlernender Algorithmen aus. Dadurch können dann z.B. Wartungsprozesse automatisiert werden. Für solche Aufgaben kommen heute zumeist noch klassische Technologien wie Predictive-Modelle (SPSS) zum Einsatz. In jüngerer Zeit nun hat IBM unterschiedliche Techniken für die Analyse strukturierter und unstrukturierter Daten unter dem Markennamen „Watson“ zusammengefasst. Ein Teilbereich sind automatische Übersetzungen oder Sentimentanalysen zum Erkennen von Stimmungen in Texten.

Keine klar abgegrenzte Definition

Daneben gibt es Services, die Predictive Maintanance, Predictive Quality und Predictive Warranty sowie Internet-of-Things-Konnektivität beinhalten, Analysen mit SPSS oder der freien Programmiersprache R für statistische Berechnungen (wird in der neuen Data-Science-Plattform von IBM mittels einer IDE genutzt), B2B-Lösungen von Sterling Commerce u.v.a. Für die Zukunft ist diese Zusammenfassung sicher sinnvoll, aber aus heutiger Sicht macht sie eine klar abgegrenzte Definition, was Watson bedeutet, schwierig.

IBM selbst setzt die Kombination von strukturierter und unstrukturierter Datenanalyse zum Beispiel im Gesundheitswesen ein. In Referenzanwendungen unterstützt Watson Ärzte bei der Krebsvorsorge und -diagnose. Im Industrieumfeld wächst die Bedeutung selbstlernender Algorithmen ebenfalls, jedoch weniger für unstrukturierte Daten und Sprachanalyse. Schwerpunkt dort ist vielmehr die Entwicklung prädiktiver und präskriptiver Lösungen zur vorausschauenden Wartung im Bereich großer Datenmengen, die aktuell noch in nur geringem Umfang für Erkenntnisgewinne genutzt werden. Projekte dieser Art laufen unter dem Etikett Watson, doch verbergen sich daher nicht selten klassische Predictive-Modelle, gepaart mit mathematischen Optimierungslösungen mittels CPLEX zur automatisierten Entscheidung.

Bei einem süddeutschen Maschinenbauer wurde ein solches Szenario realisiert. SPSS-Modelle sind direkt an den Fertigungsmaschinen vor Ort beim Anwender installiert, erhalten Maschinendaten über IoT-Dienste und analysieren diese, finden darin Muster und identifizieren über einen Data-Mining-Algorithmus jene Parameter, die für aktuelle und künftige Wartungsvorhersagen relevant sind – eine typische Predictive-Maintenance-Situation zur Verbesserung der Qualitätsprozesse im Rahmen der Fertigung. Die Algorithmen und neuronale Netze der SPSS-Modelle ähneln denen von Watson, ihre Funktionalitäten sind sogar noch ausgereifter als im Watson-Modell. Es ist davon auszugehen, dass IBM in der näheren Zukunft immer mehr SPSS-Funktionalitäten in einzelne Watson-Dienste integrieren wird. Heute können bereits in der Watson-Cloud prädiktive SPSS-Modelle gerechnet werden.

Predictive Maintenance als Geschäftsmodell

Skaliert man das Szenario in die Cloud, nähert man sich dem eigentlichen Gedanken von Watson. Denn als cloud-basiertes KI-System kann Watson zum einen viel größere Datenmengen in die Analyse einbeziehen: Maschinendaten einer Vielzahl von Anwender sowie weitere Informationen, von denen aktuell noch gar nicht bekannt ist, wie sie die Wartung beeinflussen könnten. Über Watson-Services kann der Maschinenbauer diese bei den Maschinen seiner Kunden anfallenden Daten gleichzeitig beobachten und analysieren. Dadurch gewinnt er Informationen, mit Hilfe derer er die Modelle aller Kunden verbessern kann. Denn es liegen mehr Daten vor, die in die Verbesserung der Modelle eingehen. So kann er Wartungszyklen der einzelnen Maschine vor Ort treffsicher vorhersagen, ohne deren originäre Daten zu kennen. Predictive Maintenance wird damit zum neuen Geschäftsmodell.

Watson umfasst sowohl reine Bewertungsalgorithmen für strukturierte Daten als auch die Analyse und Verarbeitung von unstrukturierten Informationen, eben Sprache und Bild. Darin liegt dann der eigentliche Mehrwert im Vergleich zu reinen SPSS-Methoden. Es gibt dafür in der Praxis schon heute Ansätze, wenn zum Beispiel eine Versicherung eingehende Kundenkorrespondenz auf ihren Inhalt hin untersucht und daraufhin nachfolgende Bearbeitungsketten automatisiert. Oder ein Produktionsbetrieb Kunden-Feedbacks aus Twitter analysiert und die Ergebnisse direkt in den Produktionsablauf einspeist. Hier sind noch viele weitere Möglichkeiten denkbar, wie sich strukturierte mit unstrukturierter Analyse kombinieren lässt.

Daraufhin zielt auch IBM in seiner öffentlichen Kommunikation ab und hat damit begonnen, alle Funktionalitäten unter einem Brand zusammenzufassen. Ob nun wirklich schon alles technisch konsolidiert wurde, ist dabei gar nicht entscheidend. Auch ohne kognitives Verstehen menschlicher Sprache sind mit Watson – und damit unter dem Label „Künstliche Intelligenz“ – heute bereits smarte Dienste möglich, indem Predictive-Modelle (SPSS oder R) mit mathematischen Optimierungsalgorithmen (CPLEX) verbunden werden und Unternehmen damit einen konkreten Nutzen verschaffen.

©2017 Alle Rechte bei MEDIENHAUS Verlag GmbH