Datenanalyse in der praxis

So bringt Künstliche Intelligenz den Mittelstand nach vorne

Sollten sich auch kleine und mittlere Unternehmen an das Thema Künstliche Intelligenz (KI) heranwagen? Wer wirklich will, kann das schaffen und einen Automatisierungssprung vollziehen.

  • Digitales Gehirn

    Zu den Anwendungsbereichen von KI gehören als große Kategorien neben dem maschinellen Lernen auf Basis tiefer neuronaler Netze, Deep Learning genannt, auch Robotik, Bildverarbeitung und Spracherkennung.

  • Oliver Bracht, Eoda GmbH

    „Es ist wichtig, dass sich Mittelständler frühzeitig mit KI befassen – das erfordert auch eine Lernkurve in der Organisation, die ihre Zeit braucht.“ Oliver Bracht, Eoda GmbH.

  • Dr. Dirk Hecker

    „KI ist Automatisierung auf Stereoiden“, glaubt Dr. Dirk Hecker vom Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS.

Künstliche Intelligenz sei für kleine und mittlere Unternehmen genauso relevant wie für die Großen, die Automatisierungsbedürfnisse unterscheiden sich nicht, meint Dr. Dirk Hecker, Geschäftsführer der Fraunhofer-Allianz Big Data und stellvertretender Institutsleiter am Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS. „Jede repetitive Aufgabe wird in Zukunft durch KI automatisiert: KI ist Automatisierung auf Stereoiden.“ So könnten künftig KI-Tools Angebote, Verträge oder Maschineneinstellungen prüfen und die Produktion kann in Abhängigkeit zu Angebot und Nachfrage automatisch justiert werden. Durch Automatisierung werden Prozesse perspektivisch günstiger.

„Eine gute Herangehensweise an das Thema KI besteht darin, sich zu überlegen: Welche Informationen würden mir helfen, wenn ich sie schon vorab hätte?“, rät Oliver Bracht, CEO und Chief Data Scientist bei der Eoda GmbH. Wichtig sei, nicht mit der Technologie anzufangen, sondern danach zu schauen, welche Daten vorhanden sind. Erst im nächsten Schritt gehe es um die technische Umsetzung. „KI wird beispielsweise im Bereich der betriebswirtschaftlichen Daten in ERP- und CRM-Systemen interessant“, meint Wolfgang Graßhof, Vorstand des auf KI spezialisierten IT-Dienstleisters Wogra AG. Bei ordentlich gepflegten Systemen könnten Unternehmen ab etwa 200 Mitarbeitern auf Basis dieser Daten mit neuronalen Netzen viel erreichen. „Es ist einfacher, hier mit neuronalen Netzen z.B. auf Basis von Tensorflow zu arbeiten anstatt mit traditionellen Datenanalyse-Tools, deren komplexe Logiken man mit sehr vielen Regeln füttern muss, um zum Ergebnis zu kommen“, so Graßhof. Ein KI-Tool lernt demnach automatisch aus den vorhandenen Daten, wo das Unternehmen in der Vergangenheit gewachsen ist, welche Projekte mit welchen Parametern erfolgreich waren. Neuronale Netze werden auch mit anderen Daten trainiert, z.B. von Branchendatenanbietern, dem Bundesamt für Statistik oder den Industrie- und Handelskammern. Die KI filtert dann aus gekauften Adressdaten heraus, bei welchen Unternehmen sich eine Ansprache lohnt. Graßhof zufolge konnte in einem Projekt mit einem Mittelständler aus Ulm der Aufwand bei der Kundenakquise um 20 Prozent reduziert werden, während die Anzahl der Projekte stieg.

Zu den KI-Praxisprojekten von Eoda gehörte die Umsetzung eines Systems, mit dem ein mittelständischer Spezialmaschinenbauer mit hoher Genauigkeit einschätzen kann, ob es sich lohnt, ein aufwendiges Angebot zu erstellen. „Das Modell liest an den Anforderungen des potentiellen Kunden ab, mit welcher Wahrscheinlichkeit ein Auftrag kommen wird. So kann sich das Unternehmen auf Projekte konzentrieren, die die besten Chancen haben, realisiert zu werden“, erklärt Bracht.

Zu den Anwendungsbereichen von KI gehören als große Kategorien neben dem maschinellen Lernen auf Basis tiefer neuronaler Netze, Deep Learning genannt, auch Robotik, Bildverarbeitung und Spracherkennung. Letztere schlägt sich in den vielen Sprach-Bots nieder, die etwa den Kunden bei der Auswahl beraten, den IT-Service-Desk ersetzen oder Mitarbeiter durch komplizierte Prozesse navigieren. Ein Trend, der sich derzeit abzeichnet, ist der Einsatz von Robotic Process Automation (RPA) in Verbindung mit KI. Wiederkehrende Prozesse, die sich über verschiedene Systeme erstrecken, werden damit komplett an Software-Programme übertragen und lernen mittels KI, menschliche Zwischenschritte zu übernehmen. Die RPA-Hersteller bezeichnen ihre mit KI ergänzten Bots als „digitale Mannschaft“.

Traditionelle Datenanalyse überspringen?

Besonders relevant könnte vor allem für produzierende Unternehmen KI in der Qualitätsprüfung werden. Mit der Bildanalyse lassen sich beispielsweise automatisiert Bruchfestigkeit oder leichte Mängel an produzierten Elementen erkennen. Beim Thema Bilderkennung, z.B. eben beim Qualitätsmanagement, könnten mit günstigen Werkzeugen wie OpenCV, einer Programmbibliothek für Bildverarbeitung und maschinelles Sehen, schnell gute Ergebnisse erreicht werden, meint Graßhof.

Im Bereich von Machine Learning, KI und Big Data lasse sich heute fast alles mit Open-Source-Werkzeugen wie den Programmiersprachen R und Python und KI-Bibliotheken wie Tensorflow von Google oder Caffe2 von Facebook lösen, berichtet Bracht. „Damit kann man sehr gut Anwendungsfälle umsetzen, weil man mit absolut hochwertigen Algorithmen, die frei verfügbar sind, extrem viel erreichen kann“, so der Experte. Zwar gibt es auch im Big-Data-Analytics-Bereich viele Open-Source-Lösungen, die Resonanz ist aber häufig bei kleinen Unternehmen noch verhalten. „Im Mittelstand ist das Thema Big Data Analytics noch nicht angekommen, viele Unternehmen haben auch keine BI-Tools, sondern nutzen die Auswertungen aus dem ERP-System“, so Graßhof. Aus seiner Sicht ist die Arbeit mit klassischen Datenanalysewerkzeugen aber keine Voraussetzung für den Einstieg in die KI.

Vom Fachkräftemangel ausgebremst
Für die IDC-Studie „Künstliche Intelligenz und Machine Learning in Deutschland 2018“ wurden 350 Unternehmen ab 50 Mitarbeiter zum Thema KI befragt. Immerhin 69 Prozent der Teilnehmer planen die Umsetzung eines neuen KI-Projekts innerhalb eines Jahres. Knapp 60 Prozent wollen damit ihre Produktivität und Effizienz verbessern. Zugleich gaben über 80 Prozent an, dass der Mangel an Fachkräften ihre Pläne ausbremst. Rund 30 Prozent der befragten Unternehmen planen, eigene Entwickler für KI auszubilden. Treiber für KI-Projekte sind vor allem die Fachabteilungen, weniger die IT.

Denn so kompliziert sei es gar nicht, mit einem Tool wie Tensorflow gute Ergebnisse zu erzielen. „Die KI-Branche mit den hoch bezahlten und umkämpften Data Scientists vermittelt zwar, dass alles superkomplex ist. Das mag bei Themen wie dem autonomen Fahren auch so sein, gerade im betriebswirtschaftlichen Bereich und bei Predictive Maintenance ist es aber nicht der Fall“, findet Graßhof. Interessierte Mitarbeiter mit IT-Background oder Informatikstudium hätten gute Chancen, sich die Werkzeuge zu erschließen und nach einer Einarbeitungszeit auch vernünftige Ergebnisse zu erzielen. „KI-Projekte scheitern eher an den Datenmengen und der Datenqualität als an der Technologie“, meint der Experte. „Wenn es einen interessierten IT-Mitarbeiter gibt, kann er sich weiterbilden. Aber es ist nicht ganz so trivial“, meint Bracht. Auch wenn Dienstleister helfen können, sei es wichtig, sich eigene Kompetenzen aufzubauen und das Feld nicht Externen zu überlassen.

Doch es gibt auch Skepsis. Als größte Herausforderung sieht Hecker den „War for talents“ um gute Data Scientists, bei dem die großen Player meist die bessere Position haben. „Es ist sinnvoll, in eigene Mitarbeiter zu investieren, die Prozess-Know-how des Unternehmens mitbringen und Interesse haben, sich in KI und Maschinelles Lernen einzuarbeiten“, sagt Hecker. Dennoch bleibe auch dieser Ansatz eine echte Herausforderung. „Ein mit KI-Techniken vertrauter Data Scientist weiß, welche neuronalen Netze für welche Fragestellung besonders gut geeignet sind. Man muss diese neuronalen Netze in der Praxis gut kennengelernt haben, um sie zügig zu justieren“, erklärt Dirk Hecker. Schließlich seien die Machine-Learning-Tools wirklich nur Werkzeuge, die an die jeweiligen Anforderungen angepasst werden. Ohne erfahrene Data Scientists sei das schwierig.

Herausforderungen beim Datensammeln

Häufig treffe man in mittelständischen Unternehmen auf die erhofften, großen Datenmengen, allerdings lasse sich meist nur ein Bruchteil für Machine Learning oder KI nutzen, meint Dirk Hecker. Auch müssen die Trainingsmengen für das Deep Learning richtig aufbereitet sein. Es darf z.B. nicht zu viele Lücken im ursprünglichen Datensatz geben und es müssen ausreichend Beispiele für die Phänomene vorhanden sein, die automatisch erkannt oder vorhergesagt werden sollen. Gerade in der Industrie würden die Daten oft aus Ingenieurssicht erfasst, nicht aus der Sicht der Datenanalysten.

Beim Fraunhofer-Institut setzt man auf sogenannte „hybride KI“, dabei werden gesammelte Daten zusammengebracht mit dem Fachwissen etwa von Produktionsleitern, die manchmal schon am Geräusch einer Maschine hören, ob etwas nicht stimmt. „Solche Informationen sind bisher nicht in Datentöpfen abgelegt. Wenn Expertenwissen in KI integriert wird, ist viel gewonnen“, so Hecker. Auch durch Simulation können zusätzliche Daten erzeugt werden, sodass Mittelständler letztlich doch auf die nötigen Datenmengen für das Training neuronaler Netze kommen. „Unternehmen, die sich mit KI auseinandersetzen wollen, müssen herausfinden, welche Daten sie brauchen und wie sie die Daten vernünftig sammeln. Blind draufloszusammeln, ist wenig sinnvoll. Wichtig ist z. B. ein Zeitstempel, der für Zeitreihenanalysen wichtig ist“, erklärt Wolfgang Graßhof.

Nicht immer muss es gleich „echte“ KI sein, meint Bracht: „Beim Deep Learning sind sehr viele Daten nötig, da besteht die Gefahr, dass man als Mittelständler sagt: , so viele Daten haben wir gar nicht’.“ Es gebe aber beispielsweise das Klassifikationsverfahren Random Forest, das sich ebenfalls für Prognosen eignet, aber nicht so viele Daten braucht. Ein Random Forest besteht aus mehreren unkorrelierten Entscheidungsbäumen. „Oft kommt man mit relativ einfachen Methoden schon sehr weit“, sagt Bracht, der KI als eine Methode unter vielen sieht.

Schwierig, aber nicht unmöglich

Auf dem Enterprise Innovation Campus des Fraunhofer IAIS können Spezialisten in Teams mit den Fraunhofer-Experten innovative Ansätze ausarbeiten, um das KI-Know-how ins Unternehmen zu tragen. Außerdem unterstützt das Institut kleine und mittlere Unternehmen mit Workshops bei der Findung von geeigneten Anwendungsfälle, indem die Unternehmensprozesse auf Automatisierungsansätze und neue Geschäftsideen hin durchgecheckt werden.

 „Es ist wichtig, dass sich Mittelständler frühzeitig mit KI befassen – das erfordert auch eine Lernkurve in der Organisation“, stellt Oliver Bracht fest. Zwar haben kleine und mittlere Unternehmen weniger Ressourcen, doch er ist überzeugt: „Sie haben gegenüber Konzernen eine viel höhere Geschwindigkeit – vor allem wenn die Geschäftsführung vom Thema begeistert ist.“ Bracht verweist zudem auf das Programm „go-digital“ des Bundeswirtschaftsministeriums, das Proof-of-Concept-Projekte für Mittelständler finanziert. So würden auch Workshops für 5.000 Euro mit der Hälfte des Betrags gefördert, bei denen im Team Ideen identifiziert und dann die Vorgehensweise erarbeitet wird, z. B. die Erhebung weiterer notwendiger Daten.

Wie ein kleines Unternehmen mit KI sortiert
 Das junge Unternehmen Refind Technologies AB aus dem schwedischen Göteborg hat sich zum Ziel gesetzt, für mehr Nachhaltigkeit zu sorgen. Dafür entwickelt es Maschinen, die automatisch Batterien oder elektronische Kleingeräte wie Handys, Leiterplatten oder Katalysatoren sortieren. Im Umfeld von Batterie- und Elektromüll sind Menschen bei den Sortierprozessen Gefahren ausgesetzt, die ihnen durch die automatisierte Sortierung abgenommen werden.

Grundlage ist ein intelligentes Bildverarbeitungssystem, das Zugriff auf Millionen Bilder hat, um die Objekte für die Wertstoffgewinnung zu erkennen. „Wir verwenden eine Familie von Methoden des maschinellen Lernens, die wegen ihrer Fähigkeit, komplexe, tiefe Hierarchien von Konzepten zu erlernen, allgemein als Deep Learning bezeichnet werden“, berichtet Rasmus Johansson, KI-Spezialist von Refind Technologies. Dabei kommen auch neuronale Netzwerke zum Einsatz. Weil diese Methoden Dinge tun können, die bis vor Kurzem nur einem Menschen möglich waren, gehören sie für Johansson klar zur KI.

Dabei vergleichen die Refind-Systeme nicht einfach ein Bild mit anderen Bildern, sondern sie lernen, worauf sie achten müssen, um einen Gegenstand richtig zu klassifizieren. „Das erfordert eine Vielzahl von Beispielbildern, um daraus zu lernen. Das Erstellen dieser Bilder ist immer die größte Herausforderung bei einer neuen Anwendung“, stellt Johansson fest. Solche Sortieralgorithmen haben aber den Vorteil, dass Kriterien bei Bedarf schnell geändert werden können: Das geht einfacher, als Mitarbeiter neu zu schulen. „Der Algorithmus vergisst nichts, sein Wissen kann einfach auf weitere Maschinen repliziert werden, während es schwieriger ist, neue Mitarbeiter anzulernen“, sagt Rasmus Johansson. Selbst am Sortieren von Fischsorten mithilfe von KI haben sich die Schweden erfolgreich versucht.

Bildquelle: Thinkstock/iStock

©2018Alle Rechte bei MEDIENHAUS Verlag GmbH

Unsere Website verwendet Cookies, um Ihnen den bestmöglichen Service zu bieten. Durch die weitere Nutzung der Seite stimmen Sie der Verwendung zu. Weitere Infos finden Sie in unserer Datenschutzerklärung.

ok