KI im Kontext smarter Produkte erfolgreich einsetzen

KI wird mehr und mehr Commodity – das kennt man aus dem privaten Leben (etwa durch ChatGPT oder Chatbots im Kundenservice), aber zunehmend auch im B2B-Bereich und im Umfeld smarter Produkte. Um neue Use Cases und Projektideen erfolgreich und effizient umzusetzen, empfiehlt sich ein strukturiertes, zielgerichtetes Vorgehen, bspw. anhand des Data Science Life Cycles.

KI macht's möglich

Smarte Produkte sind per se mit einer gewissen Grundintelligenz ausgestattet, ohne die sie ihre Funktion nicht erfüllen können.

Unter Hinzunahme von künstlicher Intelligenz lassen sich jedoch völlig neue Use Cases umsetzen, die Mehrwerte für Hersteller und Betreiber bieten – z. B.:

KI-gestützte Optimierung der Betriebsparameter einer Maschine – etwa zur Qualitätssicherung oder ganz allgemein zum effizienten, nachhaltigen Betrieb der Maschine. KI eröffnet hier neue Möglichkeiten, da zu einem optimalen Betrieb sowohl das tiefe Verständnis der Maschine (das hat nur der Hersteller) als auch das Wissen um die individuelle Einsatzsituation (vor- oder nachgelagerte Prozessschritte, räumliche Umgebung der Maschine etc.), welches nur der Betreiber hat, benötigt werden. Diese beiden Expertisen konzentriert zusammenzubringen ist in der Regel nicht möglich, eine KI gestützte Analyse kann jedoch die Lösung für dieses Problem sein.
Predictive Maintenance für Produkte im Kundeneinsatz: Auch hier geht es darum, individuelle Gesundheits-, Perfomance- und Prozessdaten von beim Kunden betriebenen Maschinen/Produkten in Echtzeit auszuwerten und zu interpretieren – eine Komplexität, die ohne KI schwer bis unmöglich abzubilden ist.

Beide Szenarien können sowohl vom Betreiber als auch vom Hersteller initiiert und technisch sowohl Embedded als auch in der Cloud abgebildet werden.

KI ist also ein probates Mittel, komplexe Problemstellungen zu adressieren – eine komplexe Problemstellung bedeutet aber nicht, dass auch die Umsetzung komplex sein muss. Es stellt sich also die Frage, warum in der Praxis in den Unternehmen KI-Projekte oftmals scheitern oder nur unzureichende Ergebnisse liefern?

Dazu gibt es eigentlich keinen Grund. Denn mit einem strukturierten Ansatz wie dem Data Science Life Cycle und solider Grundlagenarbeit lassen sich auch KI-Projekte zielgerichtet und effizient umsetzen.

Das zeigt die Praxis

„Ein großer Teil eines KI-Projekts beschäftigt sich mit der Grundlagenarbeit. Im Schnitt verbringt man ca. 38% der Zeit mit Daten-Aufbereitung und -Bereinigung. Hinzu kommen dann aber auch noch zentrale Themen wie den Aufbau des Business-Verständnisses und die Daten-Akquisition, die vorgelagert durchgeführt werden müssen, um überhaupt mit dem Ausgangspunkt – den Daten und deren Bedeutung – starten zu können."

Data Science Life Cycle

Business understanding

In dieser Phase klären wir die Grundlagen: Was ist der Use Case oder Business Case? Welches Problem soll gelöst, welcher Prozess optimiert werden? Welche Daten werden benötigt und sind diese bereits verfügbar oder müssen technische Voraussetzungen geschaffen werden? Wo sollen die Daten verarbeitet werden – embedded am Gerät oder in der Cloud? Am Ende dieser Phase wissen wir, welche Daten in welcher Form für den Use Case benötigt werden und wie sie erfasst werden können (ggf. mit zusätzlicher Sensorik).

Data Mining

Diese Phase beschreibt die Daten-Akquisition, also die operative Datenerfassung. Dabei geht es nicht nur um die Daten von einem smarten Produkt selbst, sondern – je nach Use Case - auch um die Hinzunahme von Prozessdaten bzw. um die Bildung von Metadaten – bspw. wenn es darum geht die Betriebsparameter einer Maschine im Kontext eines Fertigungsprozesses zu optimieren.

Data Cleaning

Hier geht es um das Bereinigen der Daten, dem Entfernen von Fehlern, dem Ergänzen von Lücken oder dem Löschen von nicht benötigten Daten, als Resultat des Data Mining Prozesses. Um diesen Schritt erfolgreich umzusetzen, muss ein tiefes Datenverständnis vorhanden sein. Es stellt sich vor allem die Frage: Wie sollte mit fehlerhaften oder fehlenden Daten umgegangen werden, damit sie später die Qualität des ML-Modells nicht beeinträchtigen?

Data Exploration

Phase 4 beinhaltet das klassische Data Analytics – hier geht es um das tiefere Verständnis der Daten. Dazu gehören Korrelationen, das Erkennen von Anomalien und das Prüfen von Hypothesen (Stimmen vorab formulierte Annahmen hinsichtlich der Datenlage) etc.

Feature Engineering

Im Feature Engineering kommt KI zum ersten Mal direkt zum Einsatz: Variablen werden extrahiert, um damit Modelle zu trainieren, neue Werte wie Varianz, Maxima oder Minima werden geschaffen, die später in den Modellen Verwendung finden. Besonders hier muss man auf das Know-How aus dem Business Understanding zurückgreifen, damit in der Folge relevante Features erstellt werden können.

Predictive Modeling

Diese Phase beinhaltet das Aufsetzen von fertig trainierten, KI-gestützten Modellen, die den initialdefinierten Business Case abbilden. Der Irrglaube besteht oftmals, dass hier die größten Aufwände anfallen – Tatsache ist jedoch, dass viele Applikationen und Bibliotheken stark unterstützen und teilweise auch automatisiert verschiedene Modelle trainieren und deren Performance vergleichen (vgl. AutoML).

Data Visualization

In der finalen Phase werden User Interfaces wie Dashboards oder auch Reports gebaut, welche die im Business Case definierten Ziele den Endanwender nutzerfreundlich zur Verfügung stellen. Hier geht es vor allem darum, final zu prüfen, wie das generierte KI-Modell auch produktiv gesetzt werden kann und welche Performance man sich erwarten kann.

In der Praxis wird man oftmals nach dem Data Cleaning ein zweites Data Mining (mit verbesserter Datengrundlage) anstrengen müssen oder gar noch mal auf das Business Understanding bzw. den angestrebten Business Case schauen müssen – insbesondere dann, wenn sich herausstellen sollte, dass das Ziel mit den vorhandenen Daten nicht erreicht werden kann und auch keine zusätzlichen Daten durch weitere Sensorik akquiriert werden können.

Hier gilt wieder: je sorgfältiger in Phase 1 gearbeitet wurde, desto weniger Anpassungsbedarf wird im Nachgang entstehen. BLUE-ZONE GmbH verfügt insbesondere in den Phasen 1-3 über eine umfangreiche Expertise und Projekterfahrung, von der unsere Kunden nachhaltig profitieren.

Gemäß des Data Science Reports von Anaconda, fallen durchschnittlich 38% der Gesamtaufwände eines KI-Projektes allein für die Datenaufbereitung und Datenbereinigung an. Hinzu kommen allerdings auch noch vorgelagerte Tätigkeiten wie die Akquisition der Daten und das Erlangen des Verständnisses für den Case. Gleichzeitig werden hier die Weichen gestellt, wie zielgerichtet und effizient sich das Projekt im Weiteren gestalten wird: Ist das Fundament sauber gelegt, werden in den späteren Phasen weniger Nacharbeiten, Korrekturen etc. erforderlich.

Der Erfolg eines KI-Projektes und auch der damit verbundene Gesamtaufwand hängt, wie beschrieben, zu großen Teilen von sauberen Grundlagen ab, die in den Phasen 1 bzw. 1-3 geschaffen werden.

Unser Angebot für Sie

Investieren Sie 60 Minuten, um im Rahmen eines unverbindlichen Innovationsaustausches ein erstes Grundverständnis für den Aufbau eines KI-Projektes zu schaffen bzw. die Grundlagen für den angestrebten Business Case zu legen – und profitieren Sie im weiteren Verlauf von einem effizienten und zielgerichteten Projektfortschritt.

Ihr Ansprechpartner

Andreas Lehner, MSc

Head of Innovation, Sales

blue-zone GmbH

T +43 7236 78500-25

andreas.lehner@blue-zone.at

Kontaktformular

Unsere Workshops

Jetzt ansehen