In drei Stufen zum erfolgreichen KI-Projekt

Dass KI gerade für die Industrie immer wichtiger wird, liegt vor allem daran, dass sich die Anwendungsgebiete für die Mensch-Maschine-Interaktion und -Kollaboration zunehmend konkretisieren. Dazu gehören die Fernüberwachung oder auch Fernsteuerung von Produktionsprozessen, die mit modernen Augmented- und Virtual-Reality-Applikationen vereinfacht und beschleunigt werden. Gleichzeitig fürchten viele Verbraucher, es könne durch KI zu einer "Roboterapokalypse" kommen, die die Arbeitsplätze von Millionen von Menschen vernichtet.

So rechnet die Unternehmensberatung PricewaterhouseCoopers vor, dass 35 Prozent der beruflichen Tätigkeiten in Deutschland bis 2030 automatisierbar sind, vor allem im Bereich Transport und Logistik, Produktion und Verkauf. Dem steht ein Mangel von bis zu vier Millionen, meist hochqualifizierten Arbeitskräften entgegen, doch genau hier bietet die KI wiederum auch Perspektiven. Prognosen gehen davon aus, dass digitale Technologien künftig völlig neue Jobarten entstehen lassen, die wir heute noch nicht kennen.

Hohe Erwartungen, hoher Aufklärungsbedarf

„Maschinen können zwar viel, aber sie werden wohl auch in naher Zukunft nicht in der Lage sein, eine Intuition zu entwickeln oder kreativ zu sein“, betont Hendrik Nieweg, Head of Solution Management beim Münchner IoT-Plattformanbieter Device Insight. Die Erwartungen der Industrieunternehmen seien hoch, so Nieweg weiter, doch müsse man durchaus erklären, dass künstliche Intelligenz und maschinelles Lernen kein Allheilmittel sind und es besser ist, mit einfachen Algorithmen und klar definierten Anwendungsfällen anzufangen, statt gleich den ganz großen Wurf zu wagen.

Predictive Maintenance: ein klarer Fall für maschinelles Lernen

Das maschinelle Lernen als Teilbereich der KI eröffnet Industrieunternehmen neue Möglichkeiten und nutzt mathematische Algorithmen, um Muster zu erkennen und daraus neue Handlungsmöglichkeiten abzuleiten. Ein prominenter Einsatzbereich für das maschinelle Lernen ist Predictive Maintenance. Die über Sensoren gelieferten Betriebs- und Produktionsdaten in einer IoT-Plattform zu erfassen, zu speichern und mit ML-Algorithmen auszuwerten, um kritische Maschinenzustände genauer vorhersagen und Wartungsintervalle bedarfsgerechter planen zu können, zählt zu den Kernkompetenzen von Device Insight. Dabei gilt: Je umfangreicher die Datenbasis, desto genauer lässt sich vorhersagen, wann zum Beispiel ein Servicefall oder das "End of Life" eines Bauteils eintritt.

IoT und maschinelles Lernen in drei Stufen

Der Münchner IoT-Spezialist Device Insight arbeitet mit einem dreistufigen ML-Ansatz: Dabei geht es im ersten Schritt darum, Daten zu erfassen und Handlungsbedarf aufzuzeigen, um im zweiten Schritt die gewonnenen Erkenntnisse in eine Rule Engine umzusetzen. Schließlich werden im dritten Schritt mit statistischen Methoden und ML-Algorithmen Prozesse automatisiert und Vorhersagen über Wartungseinsätze getroffen.

Wie das Ganze im konkreten Anwendungsfall funktioniert, erfahren Sie im Whitepaper "Künstliche Intelligenz in der IoT-Praxis – Use Cases und Erfolgsfaktoren". Hier zeigt Device Insight, wie Unternehmen besser mit einfachen Algorithmen und klar definierten Use Cases starten, um ihre Prozesse zu optimieren.

Sie haben Interesse an weiteren Anwendungsfällen oder einem Gespräch mit unserem Experten Hendrik Nieweg, Head of Solution Management? Kommen Sie gerne auf uns zu – wir stehen für Fragen jederzeit zur Verfügung.

Weitere Informationen finden Sie auch hier:

[*] Künstliche Intelligenz: Apokalypse oder Megatrend? Das steckt dahinter
[*] Künstliche Intelligenz & Maschinelles Lernen sind kein Allheilmittel
[*] Wie Sie mit einfachen Algorithmen & klar definierten Use Cases starten