Rubriken
Am naheliegendsten geht es zunächst wohl um die Frage, wie der Anwender nach den ersten Erfahrungen das Thema KI weiter intensivieren kann, oder?
Ja, falls der Anwender nach dem ersten Pilotprojekt und einem lessons-learned zu der Erkenntnis kommt, dass sich die KI in seinem Umfeld lohnt, wird er nach weiteren Anwendungen suchen. Also kommen wir zum Aspekt der Skalierungsmöglichkeiten. Diese hatten wir in einem früheren Blog bereits im Detail besprochen. Diese 3-D-Skalierungsmöglichkeiten betreffen zunächst die Duplizierung auf gleichartige sowie Anpassung auf ähnliche Anwendungen, Produkte und so weiter. In der nächsten Ausbaustufe wird man dann versuchen, einzelne KI-Zellen zu ganzen Bereichen zu verbinden. Wir sprechen dann von ersten KI-Räumen. Parallel dazu lassen sich weitere angrenzende Organisationseinheiten respektive Funktionen im Unternehmen mit einbinden. Dies könnten zum Beispiel die Bereiche Einkauf, Logistik oder Vertrieb sein.
Know-how in Form von physikalischen Modellen und Produktdaten sammeln
Wo sehen Sie hohes Potenzial?
Besonders für den Bereich der Verbindung von Produktentwicklung und Fertigung sehen wir sehr hohes Potenzial, da während der Produktentwicklung sehr viel Know-how in Form von physikalischen Modellen und Produktdaten gesammelt wird, welche bei der Bewertung von Fertigungsergebnissen mit einfließen können. Wir sprechen bei dieser Kombination von physikalischen Modellen mit den Fertigungsdaten von hybriden KI-Modellen.
Kann uns die KI selbst helfen, diese rein manuelle Erweiterung der KI-Anwendungen zu beschleunigen?
In unserer Diskussion in den bisherigen Blogs haben wir uns bei bei den Algorithmen auf den Bereich des überwachten Lernens, dem supervised learning, beschränkt. Das heißt, wir haben Parametern bestimmte Eigenschaften und Labels zugeordnet und damit unser Model generiert. Die nächsten Stufen innerhalb der ML-Methoden wären das unüberwachte Lernen, unsupervised learning genannt beziehungsweise das verstärkende Lernen, reinforcement learning, um diesen Prozess zu beschleunigen respektive zu automatisieren und neues Wissen zu generieren. Ein weiterer Ansatz wäre dann das Thema Deep Learning über neuronale Netze – ein Ansatz mit sehr hohem Potenzial in der Zukunft.
Schritt für Schritt vorgehen
Wir stehen also erst am Anfang dieser Entwicklung?
Diese Annahme ist sicher richtig. Deshalb ist der Einstieg so wichtig! Wir sollten Schritt für Schritt vorgehen und beginnen, die „schmale“ KI umzusetzen, um uns mit der Methode vertraut zu machen, also mit den Algorithmen einzusteigen, die heute verfügbar und erprobt sind. Für den Blick in die Zukunft gilt sicher, dass das gesamte Potenzial der KI-Methoden derzeit noch nicht klar absehbar ist. Auch geht es darum, noch viele Fragestellungen wie zum Beispiel das Thema Sicherheit zu klären. Je weiter wir uns zum Beispiel beim Machine Learning vom supervised learning entfernen, umso stärker müssen die Modelle verifiziert werden. Die Endkunden werden Sicherheitsstrategien erwarten, wie wir sie heute aus den industriellen Bereichen der Luftfahrt, des Automobil- oder Maschinenbaues kennen. Hier herrscht derzeit noch ein großer Entwicklungsbedarf. Es stellt aber eine notwendige Randbedingung dar, um das Vertrauen in die Methoden zu erhöhen und Sicherheitsstandards zu gewährleisten. Als Fazit steht es für uns außer Frage, dass die KI-Methode ein hohes Potenzial im industriellen Umfeld aufzeigt, weiteres Wissen zu generieren und die Wirtschaftlichkeit zu steigern.
Interview: Frank Magdans
Kommentare
Bisher hat noch kein Besucher einen Kommentar hinterlassen.Diskutieren Sie mit uns