Wettbewerbsvorteile durch KI – Die erfolgreiche Umsetzung von KI-Projekten
Während die Automatisierung schon seit vielen Jahren ein großes Innovationsthema ist, liegt der Schwerpunkt nun immer mehr auf der Autonomie, die über deterministische Regeln hinaus einen Großteil der Steuerung und "Intelligenz" in der Produktion übernehmen wird. Je mehr Standards und technische Möglichkeiten geschaffen werden, desto leichter fällt der Einstieg, diese auch für das eigene Unternehmen zu nutzen. Gleichzeitig wird es immer schwieriger, darauf aufbauend Wettbewerbsvorteile zu schaffen und das Innovationspotenzial der Mittelständler auch auf die sehr komplexe und individuelle Wertschöpfungskette des eigenen Unternehmens zu übertragen. Daher stellt sich die Frage, wie individuell müssen KI-Umsetzungsprojekte sein, um erfolgreich zu sein?
KI als Game-Changer in der Industrie – vorausschauend, selbständig, strategisch
Für die digitalen Geschäftsmodelle und -prozesse in deutschen Unternehmen sind neue, intelligente KI-Anwendungen gefragt wie nie. So spielen u. a. Text-, Muster- und Sprach-Erkennung von Daten, sowie Bild- & Video-Erkennung eine immer größere Rolle. Gerade die Auswertung und gezielte Nutzung von Daten hat in den letzten Jahren durch die Faktoren Big Data und Machine Learning einen enormen Schub erhalten. KI-Architekturen sollten mittlerweile durchgehend für ganz verschiedene Datenklassifizierungen und -analysen (historisch, real time, predictive) ausgelegt sein und folgende Aspekte berücksichtigen:
- Verarbeitung in verteilten, cloud-basierten Umgebungen [1],
- Schwerpunkt auf vorausschauende Ergebnisse und Darstellungen,
- Hohes Volumen (Petabyte-Bereich) und Vielfalt von Daten (verschiedene Quellen, unstrukturierte Daten),
- Neue Datenquellen: Geo, Kontext, Web, Sensoren/ Aktoren und
- Neue Ergebnisse und Vorhersagen führen potenziell zu einem hohen Geschäftswert.
Aus der Vielfalt von technologischen Einsatzmöglichkeiten durch KI ergibt sich ein sehr breites Spektrum an Use Cases und Geltungsbereichen. Der Footprint insbesondere von Industrie-Unternehmen im Kontext von KI erstreckt sich häufig nicht nur über einen, sondern mehrere Use Cases. Eine Tendenz der Einsatzbereiche lässt sich jedoch schon erkennen – so fokussieren sich die KI-Aktivitäten vieler Unternehmen primär auf den Service- und Produktionsbereich (KI-basierte Vorhersagen – Predictive Maintenance), sowie der Messung sämtlicher Prozessaktivitäten (KI-basierte Steuerung – Selbständige Optimierung von Parametern & KI-basiertes Erkennen der Qualität).
In diesem Sinne gehören diese beiden Bereiche – Digital-Service-Prozesse und digitale Produktionsprozesse – zu den heute am stärksten verfolgten Use Cases im Branchen-Querschnitt für KI. Viele der heutigen PoCs und projektierten Lösungen haben es bereits in den produktiven Einsatz geschafft. So sollen vornehmlich der Autonomiegrad in der Fertigung erhöht sowie die Wartungs- und Servicekosten in den nachgelagerten Prozessen reduziert werden, um letztendlich die Profitabilität zu erhöhen [2]. Darüber hinaus sind KI-Systeme auch in der Lage, die Vermarktung der Waren/Produkte zu steuern. So zum Beispiel bei dem Welser Profile Creator, einer Plattform, die es den Kund:innen ermöglicht, ein gewünschtes Produkt in kurzer Zeit selbst zu erstellen, ohne selbst nennenswerte CAD-Kenntnis zu besitzen [3].
KI-Evolution – von Commodity bis individuell
Wirft man einen Blick auf die Entwicklung auf dem Gebiet der Künstlichen Intelligenz, stellt man fest, dass es bereits eine Vielzahl Open-Source-Frameworks wie Spark, TensorFlow oder PyTorch gibt. Durch diese Entwicklung wird es immer einfacher, State-of-the-art-KI-Projekte auszuprobieren und umzusetzen. Damit stellt sich auch zunehmend die Frage, ob KI nun zum De-facto-Standard für alle IT-Anwendungen bzw. zur Commodity wird und sämtliche KI-Anwendungen zukünftig von der Stange zu bekommen sind.
In gewissen Bereichen mag das heute schon so sein, wenn wir uns die Entwicklung nun genauer anschauen. Geht es um Internet-AI wie zum Beispiel Recommendations und Search Ads der frühen 2000er oder um Enterprise-AI wie Fraud Detection oder Logistik- & Transport-Anwendungen – hier lässt sich gut auf Standards zurückgreifen.
Auch was den Einsatz der Hyperscaler angeht, gibt es eine Vielzahl an Anwendungen, die man relativ schnell für einzelne Anwendungsbereiche einsetzen kann. Geht es aber um die Umsetzung von mehreren komplexen Natural-Language-Processing-, Computer-Vision-, Data-Science- und Deep-Learning-Projekten, kommt es gerade im Kontext von Cognitive AI & Autonomous AI auf einen wesentlichen Faktor an, den es zumeist nicht standardisiert gibt – Daten! [4]
In der realen Welt gehen Daten oft verloren, und Daten sind oft alles andere als sauber bzw. passen nicht zum beabsichtigten Datenmodell. Ein Großteil der Arbeit in einem KI-Projekt besteht darin, das Problem formal zu spezifizieren, dann die Daten dafür zu "minen" und zu bereinigen und schließlich nützliche Auswertungen der Ergebnisse vorzunehmen. Darüber hinaus ist die Integration von KI-Komponenten sehr komplex, wenn diese einmal geschrieben oder trainiert wurden. Die Formalisierung von Problemen und die Vorbereitung von KI-Algorithmen, sowie die Integration der Ergebnisse in Arbeitsabläufe innerhalb eines Unternehmens sind die wichtigsten und komplexesten Punkte eines KI-Projekts.
Das Going-Live mit dem KI-Modell ist der letzte und am wenigsten komplizierte Schritt. Dabei ist Standard-Technologie bei solchen Projekten nur die halbe Miete. Am wichtigsten ist, dass erfolgreiche KI-Projekte erfahrene Expert:innen erfordern, die das Wissen besitzen, wie man die Technologie anwendet, um das Beste aus den verfügbaren Daten zu machen.
Wo Standardisierung von KI hilft…
Standards sind somit da sinnvoll, wo Technologien und Use Cases einer Vielzahl von Unternehmen bereits im Einsatz sind und häufig als Lösungen verwendet und erprobt werden. Gerade dann kann die Commoditisierung von KI wirklich helfen, wenngleich KI einfach zu adaptieren ist und diese bezahlbar ist. Es muss dafür aber das Bewusstsein herrschen, dass kein großer Wettbewerbsvorteil erzielt werden kann.
Standards, ja – aber wie differenziert man sich?
Gerade wenn neue und teilweise spezialisierte Technologien und Services auftreten bzw. vollständig neue Innovationen, die noch nicht im Einsatz erprobt sind (häufig im Prototyp- oder PoC-Stadium), können diese zur Differenzierung im Wettbewerb führen.
Das bedeutet für Industrieunternehmen:
- KI-Projekte werden zunehmend komplex und finden auf strategischer, operativer und technischer Ebene besondere Bedeutung,
- KI-Projekte müssen programmatisch, aber agil und flexibel umgesetzt werden,
- Industrieunternehmen werden Standards adaptieren und einsetzen,
- Gleichzeitig werden sie gezielt nach Wettbewerbsvorteilen auf der Prozess- und Produkt-Ebene suchen,
- Es werden Konsortien & "Kartelle" entstehen, die KI-Projekte und Plattformen gemeinsam vorantreiben,
- KI-Projekte werden im "Co-Creation-Modus" umgesetzt, um den technischen Erfolg sicherzustellen und den Kompetenzaufbau zu fördern und
- KI wird endgültig Teil des digitalen Technologie-Stacks der Industrieunternehmen.
- Cloud Native: Entwicklung und Betrieb
- Produktion effizient und sicher gestalten
- Welser Profile Creator
- Künstliche Intelligenz und Daten
