Körber Digital Connyun

Die Stunde der Wahrheit: Im Meeting wird die Frage, was Data Science im Anwendungsfall konkret leisten kann, präzise beantwortet und im Team diskutiert. - Bild: Körber Digital

„Was kann eine umfassende Data Science in meinem Unternehmen leisten?“ Viele Verantwortliche stellen sich aktuell diese Frage, so deutet es zumindest eine Studie der Commerzbank aus dem letzten Jahr an. Demnach halten immerhin 97 Prozent der Befragten „Big Data“ für relevant. Die Leistungsfähigkeit der dazugehörigen Data Science hängt dann allerdings nicht zuletzt von der vorhandenen Datenqualität ab. Sie wird zu Beginn des Entwicklungsprozesses umfassend analysiert. Darauf aufbauend kommt es zur Entwicklung von verschiedenen Machine-Learning-Modellen, deren Möglichkeiten den Unternehmensverantwortlichen in einer Ergebnispräsentation vorgestellt wird.

Wahrscheinlichkeitsrechnung im Zentrum

Somit ist genau dieses Meeting so etwas wie die Stunde der Wahrheit: Hier wird die Frage, was Data Science im Anwendungsfall konkret leisten kann, präzise beantwortet und im Team diskutiert. Idealerweise sind Produktionsverantwortliche und Bediener gleichermaßen anwesend.

„Es geht auch und vor allem darum, mit welcher Wahrscheinlichkeit das entwickelte KI-Modell eine bestimmte Aussage treffen und Entscheidungen vornehmen kann“, betont Sven Warnke, IoT Engineer Data Science bei Körber Digital. Mit anderen Worten: Wahrscheinlichkeitsrechnung gehört untrennbar zu jeder KI-Anwendung – und ist auf der anderen Seite nicht jedermanns Sache. Folglich sind Data Scientists an dieser Stelle als „Kommunikatoren“ gefordert. Sie müssen Chancen und Risiken anschaulich erklären. „Dabei gilt es auch, die Leistungsfähigkeit und Trefferquote des Algorithmus unter verschiedenen Gesichtspunkten zu betrachten. Wir bereiten alles visuell auf und stellen es schnell erfassbar unseren Kunden vor. Dadurch können sie den praktischen Wert der Lösung einschätzen“, so Warnke.  

Wie eine solche Ergebnispräsentation praktisch abläuft, zeigt eine aktuelle Aufgabenstellung der Daten-Spezialisten von Körber Digital bei einem Tissue-Produzenten. Hier sollte die „Downtime“ eines bestimmten Maschinenmodells verkürzt werden – die Maschine im Problemfall also schneller als bisher wieder zum Laufen gebracht werden. In der Praxis stellt sich dabei immer die Frage, ob ein Bediener das Problem selbst beheben kann oder ob er Hilfe durch einen bestimmten Instandhaltungs-Experten benötigt.

Deshalb waren die Verantwortlichen auf der Suche nach einem System, das konkrete Ursachen eine Maschinenstillstandes benennt und so dafür sorgt, dass die „richtige“ Hilfe möglichst schnell an der Maschine ist. Vor diesem Hintergrund entstand ein KI-Modell, dass die jeweilige Stillstands-Ursache mit einer gewissen Wahrscheinlichkeit benennen kann – mit einer „Trefferquote“ von ca. 75 Prozent. Eine 100-prozentig richtige Vorhersage war angesichts der Datenqualität nicht möglich – wie in quasi allen Data-Science-Projekten.

„Folglich diskutierten wir mit dem Kunden, ob eine solche Genauigkeit ausreicht und bereits zu einer signifikanten Verbesserung der KPIs beiträgt. Diese Beurteilung hängt immer vom Anwendungsfall ab.“ Anschließend macht das Data-Science-Projekt unter Umständen auch einen Schritt zurück: Es werden neue oder andere Daten erhoben, mit denen letztlich eine höhere Vorhersagewahrscheinlichkeit möglich ist.

Jedes Unternehmen profitiert

Übrigens verdeutlicht das Beispiel auch, dass Unternehmen von jedem Data-Science-Projekt profitieren, weil sie wertvolles Daten-Know-how ansammeln. Diese Expertise führt zu einer umfassenderen Datennutzung und damit zu „besseren“ Daten – im Beispielfall des Toilettenpapier-Herstellers wurden etwa die Instandhaltungs-Experten dazu verpflichtet, eine Dateneingabe bei jedem Maschinenstillstand vorzunehmen, um auf diese Weise die vorhandene Datenqualität sukzessive zu erhöhen. „Grundsätzlich ist Data Science keine Einbahnstraße, sondern basiert auf einem iterativen Prozess. Man nähert sich also schrittweise und in wiederholbaren Teilprozessen der Lösung an“, sagt Warnke dazu.

Folglich ist das weitere Vorgehen nach der Ergebnispräsentation offen. Das gilt auch mit Blick auf die Frage, ob eine KI-Lösung überhaupt implementiert wird – schließlich existiert das KI-Modell zum Zeitpunkt der Präsentation nur auf den Rechnern der Data-Science-Experten von Körber Digital. Erst im nächsten Schritt kommt es zur Entwicklung eines Codes für den Einsatz in der Produktionsumgebung.

Lesen Sie demnächst mehr dazu im fünften Teil dieser Data-Science-Artikelreihe.

Wissen, was die Industrie bewegt!

Alles zu Industrie 4.0, Smart Manufacturing und die ganze Welt der Technik.

Newsletter gratis bestellen!