In unserer Miniserie mit drei Teilen beleuchten wir den aktuellen Stand des Einsatzes von Künstlicher Intelligenz in den Unternehmen. Betrachtet werden dabei im Schwerpunkt Anwendungsfälle aus der Logistik, aber auch der Produktion. Im Fokus steht die Frage, welche Hürden KMU nehmen müssen, um KI einzusetzen und inwieweit Künstliche Intelligenz überhaupt in mittleren Unternehmen Sinn macht.
Teil 1: Umfrage zur KI und welche Umsetzungsprojekte es gibt
Martin Friedrich, Senior Scientist, Verkehrslogistik, Fraunhofer IML, stellt zunächst den aktuellen Stand des Einsatzes Künstlicher Intelligenz in den Unternehmen anhand einer Umfrage dar: "Wir haben Unternehmen befragt, wie relevant Maschinelles Lernen (ML) bei ihnen derzeit ist. 35 Prozent haben eingeschätzt, dass Maschinelles Lernen für sie sehr relevant ist. Das Thema ist demnach schon bei einem Drittel der Unternehmen angekommen. Über 60 Prozent sagen, dass Maschinelles Lernen in den nächsten drei Jahren sehr relevant wird und dass sie in der Logistik Projekte umsetzen möchten."
Hemmnisse sehen 50 Prozent der Unternehmen laut Friedrich darin, dass das fehlende Know-how über die Einführung beziehungsweise die Umsetzung ein großes Problem ist. Weitere 50 Prozent sagen, es fehlen die personellen Ressourcen, der Nutzen des Maschinellen Lernens sei unklar und die Daten seien nicht vorhanden.
Dreiteilige Serie über Künstliche Intelligenz in KMU
- Teil 1: Umfrage zur KI und welche Umsetzungsprojekte es gibt
- Teil 2: Aus dem Lab in die Organisation – Operationalisierung von Machine Learning-Projekten
- Teil 3: Etablierung von Data Science in Organisationen: Eine Orientierungshilfe für das unbekannte Land
Einführung, Umsetzung, personellen Ressourcen und intelligente Daten
"Genau auf diese vier Punkte gehe ich ein. So möchte ich die Angst vor fehlendem Know-how nehmen, indem ich zeige, wie sich Umsetzungsprojekte in der Logistik gestalten lassen. Das Thema fehlende personelle Ressourcen ist natürlich gravierend. Aber da haben sich vor allem die Universitäten einiges auf die Fahnen geschrieben. Es werden derzeit eine Vielzahl an Studiengängen etabliert, die sich explizit mit dem Thema Maschinelles Lernen oder auch Data Science beschäftigen, um diese Lücke zu schließen", erläutert Friedrich.
Der unklare Nutzen wird nachfolgend anhand von Praxisbeispielen beiseite geschaffen, auch auf das Thema Daten wird eingegangen.
Wenn ein Unternehmen vorhat, ein Projekt im Bereich des Maschinellen Lernens durchzuführen, dann sollte es sich auf die vier oben genannten Hauptpunkte konzentrieren, wie Friedrich wissen lässt: "Zuerst benötige ich Daten. Ich brauche Trainingsdaten in einer Vielzahl von Variationen sowie entsprechende Hintergrund-Daten. Diese Daten müssen problembezogen sein. Ich brauche Anwendungswissen, aber nicht nur über das Maschinelle Lernen, sondern ich brauche auch Anwendungswissen über den logistischen Problemfall, den ich lösen möchte."
Auf den Punkt gebracht: Künstliche Intelligenz in KMU
Frage an Martin Friedrich: Ist denn dieses Thema KI oder Maschinelles Lernen auch für ein mittleres Unternehmen relevant und kann ein KMU auch vielleicht mit begrenzten Ressourcen oder auch mit einer etwas geringeren Datenverfügbarkeit KI umsetzen?
Friedrich: "Gerade bei kleinen mittelständischen Unternehmen führt Künstliche Intelligenz oder auch Maschinelles Lernen oftmals zu einer enormen Effizienzsteigerung, wenn man sich das richtige Anwendungsproblem raussucht und dann entsprechend auch den richtigen Lösungsfokus hat. Wir haben eine Vielzahl von Projekten aus dem Bereich der Produktion, nicht nur aus dem Bereich der Logistik, begleitet, wo man wirklich zum Teil KI einsetzen kann. Man kann aber auch die ganzen Projekte beziehungsweise die Möglichkeiten, die das mittelständige Digitalzentrum bietet, auch dafür nutzen sich vorzubereiten, indem man sich anschaut: Wie baue ich meine Datengrundlage auf? Was müsste ich ab jetzt für Daten sammeln, dass ich dann in ein, zwei Jahren Künstliche Intelligenz bei mir einsetzen kann?"
Rechenleistung für KI-Technologien in mittleren Unternehmen
Friedrich betont das Zusammenspiel in den Projekten, "die wir bearbeiten oder begleiten, zwischen logistischen Anwendern und Dienstleistern. Weil es ganz wichtig ist, dass diese logistische Expertise weitergegeben wird und genutzt wird, um das Ganze in ein maschinelles Lernprojekt einzuführen und um damit dann auch im fertigen Projekt arbeiten zu können."
Notwendig ist auch ein gewisses Maß an Rechenleistung, wobei das sehr problemspezifisch ist. Es gibt Probleme, die sich laut Friedrich schon relativ leicht mit wenig Rechenaufwand lösen lassen. "Maschinelles Lernen ist auch auf kleineren Rechnern möglich. Für die Ausführung benötige ich Frameworks, womit ich das ganze Thema Training und Ausführung entsprechend umsetzen kann."
Dann stellt sich aber immer noch die Frage in so einem Projekt, "wie ich starte - wir empfehlen in ganz kleinem Rahmen zu starten. Das heißt, ich suche für meinen Anwendungsfall ein kleines Beispiel raus - etwa für ein maschinelles Lernprojekt im Bereich der Mengenprognose", erläutert Friedrich.
Lernende Systeme auch in kleinen Unternehmen
Das bedeutet, dass der Unternehmer in sechs Monaten wissen möchte, welche Bestellmenge er zu erwarten hat. "Dann würde ich damit beginnen, mir zuerst einen Artikel beziehungsweise eine Artikelgruppe zu suchen, womit ich diese Thematik angehe. Ich versuche also, ein maschinelles Lerntool zu entwickeln, das für diese Artikelgruppe die Möglichkeit bietet, im Zeitraum von sechs Monaten zu prognostizieren. Danach erhöhe ich schrittweise die Komplexität, erhöhe somit den Umfang der Daten, bis ich ein Tool habe, das die komplette Absatzmenge beziehungsweise Bestellmenge berücksichtigt", verdeutlicht Friedrich.
Nun gilt es, die zur Verfügung stehenden Daten zu interpretieren erklärt Friedrich: "Schließlich habe ich mir den Problemfall selbst ausgesucht und natürlich sehr viele Kenntnisse darüber. Danach beginne ich mit der Data preparation. Ich bereite die Daten so vor, dass ich mit ihnen arbeiten kann, denn zum Teil müssen sie maschinenlesbar gemacht werden, anderweitig aufbereitet werden oder es müssen vielleicht externe Daten hinzugefügt werden."
Erst dann steht der Bereich Maschinelles Lernen an. Da geht es um Modelling und die Evaluation, das heißt, "ich baue ein ML-Modell auf und bewerte die Ergebnisse. Oftmals stellt sich heraus, dass da noch nicht die hundertprozentige Lösung gefunden wurde. Dann gilt es zu klären, warum das Tool noch nicht die Werte ausgegeben hat, die ich erwartet habe."
Laut Friedrich muss man dann noch einmal in diesen Fall rein, um auch alle Spezialfälle zu verstehen. "Diesen Kreislauf durchläuft man x-mal. Das ist ein Zirkel, den man sehr oft durchlaufen muss, weil immer wieder neue Spezialfälle auftauchen, die für dieses Tool noch nicht abgebildet werden."
Wo Sie Unterstützung für die Einführung von KI bekommen
Gerade für kleine und mittelständische Unternehmen gibt es verschiedene Forschungsausschreibungen, auf die Sie sich bewerben können. Das sind KI für KMU oder auch die Forschungsausschreibung KMU innovativ, die alle sechs Monate Einreichungsfristen haben. Dort können Sie sich mit guten Ideen bewerben und eine gewisse Förderung bekommen. Es gibt aber auch die Mittelstand 4.0 Kompetenzzentren, die ursprünglich im Rahmen der Digitalisierung ins Leben gerufen wurden. Derzeit sind über 20 Zentren deutschlandweit verteilt. Dort kann man sich als kleines mittelständisches Unternehmen kostenfrei zum Thema Digitalisierung informieren und seit einigen Jahren auch zum Thema KI. Es entstehen gemeinsame Gestaltungsworkshops und Planungen, die für Unternehmen ebenfalls kostenfrei sind.
Daten für die digitale Transformation
Ins Thema Daten will Friedrich nochmals tiefer eintauchen, da es ein ganz essentielles im Bereich des Maschinellen Lernens ist. "Wenn ich ehrlich bin, dann ist die Selbstwahrnehmung der Unternehmen bezüglich ihrer Daten sogar noch besser, als die Daten tatsächlich sind. Das heißt, wenn von sehr guten Daten gesprochen wird, dann ist es meistens so, dass sie für IT-Zwecke oftmals nur gut nutzbar sind. Aber trotzdem ist das kein Grund, nicht mit Maschinellen Lernen zu beginnen", weiß Friedrich.
Doch wo kommen die Daten her? Prinzipiell kommen diese aus dem Realsystem. Entweder aus dem ERP-System oder aus den Maschinen. "Ich habe aber auch noch die Möglichkeit, die Daten entsprechend synthetisch zu erzeugen und auf Manipulationen von Realdaten zurückgreifen, beispielsweise durch Bilderkennung", so Friedrich.
KI-Technologien für die Objekterkennung
Demnach lassen sich Bilder von Objekten verändern, indem sie beispielsweise gedreht, gefilter oder miteinander verschmolzen werden. "Das bedeutet, dass ich aus einem Bild viele verschiedene Bilder erstellen und in das System eingeben kann, damit das System entsprechend lernen kann, mit solchen Veränderungen umzugehen und auch neue Trainingsdaten zu bekommen", weiß Friedrich.
Das Thema Daten nimmt laut Friedrich übrigens mit knapp 80 Prozent die Hauptzeit ein. "Das ist zum einen die Datenerweiterung aber auch die Datenkennzeichnung und -bereinigung. Die Thematik maschinelles Lernprojekt ist weniger zeitaufwändig, weil es eine Vielzahl von existierenden Frameworks schon gibt. Es ist wirklich so, dass ich eine hervorragende Datengrundlage schaffen muss, damit ich maschinelle Lernprojekte umsetzen kann", erklärt Friedrich. Ist diese Datengrundlage aber geschaffen, lassen sich maschinelle Lernprojekte relativ schnell und einfach umsetzen.
Anlernen der Künstlichen Intelligenz
Nachfolgend beschreibt Friedrich ein Bilderkennungsbeispiel aus der Verpackungslogistik. Da gibt es ein System, das zeigt, wie die Ladungsträgererkennung mit dem Smartphone und damit dann auch mit entsprechender KI funktioniert. Dazu wurden ein Ladungsträger - eine Palette - ausgesucht und Daten gesammelt, in dem Fotos und Videos von den Paletten in den Unternehmen aufgenommen worden sind.
"Im nächsten Schritt muss auf einem Foto markiert werden, wo jetzt die Palette ist, um damit die KI anzulernen, Paletten zu erkennen. Dann wurden aus einem Bild bis zu vier weitere Bilder erstellt, das heißt, das Bild wurde gedreht, der Kontrast geändert oder nur ein Ausschnitt genommen. Damit wurde nachfolgend ein neuronales Netz angelernt. Dieses neuronale Netz wurde dann exportiert und getestet und in einer App hinterlegt, die dann genau diesen Ladungsträger auf verschiedenen Fotos entsprechend zählt", berichtet Friedrich.
Automatisierte Dokumentenverarbeitung
Anhand der automatisierten Dokumentenverarbeitung ist hervorragend zu sehen, wie aufwändige Arbeiten mit KI vereinfach umgesetzt werden können, wie Friedrich betont: "Verschiedene Rechnungen, Bestellungen oder Ähnliches lassen sich einscannen und die KI erkennt die verschiedenen Textbausteine - sogenannte Entitäten. Somit können aus verschiedenen Rechnungen wichtige Informationen wie Telefonnummern, E-Mail-Adressen, Kosten, Bestellpunkte und dergleichen herausgelesen werden. Diese lassen sich den Mitarbeitern vorlegen, dieser kann alles kontrollieren und dann entsprechend per Knopfdruck ins ERP-System integrieren."
Das bedeutet eine Erleichterung für die Mitarbeiter, die sonst zum Teil tagelang die Rechnungen und Bestellungen abtippen mussten.
Im Vorfeld abklären, ob KI-Systeme Sinn machen
Schließlichs gibt es noch die Möglichkeit des Predictive Analytics Quickchecks. Viele Unternehmen wissen nicht, ob ihre Daten geeignet sind. "Wir haben das Tool am Fraunhofer Institut entwickelt, das die Daten der Unternehmen überprüft, ob sie auf das oben genannte Beispiel für Mengenprognosen oder Prognosen von Zeitreihen geeignet sind. So wissen Unternehmen sofort, ob ihre Daten für Mengenprognosen eine ausreichende Qualität haben und ob es sich lohnt, ein entsprechendes Projekt aufzusetzen", erläuter Friedrich.
Oder man gewinnt die Erkenntnis, ob die Datengrundlage oder auch die Qualität der Daten verbessern werden muss. "So müssen die Unternehmen nicht ins kalte Wasser springen und direkt ein maschinelles Lernprojekt starten, sondern können erst einmal eine Aussage treffen, ob das entsprechende Projekt mit ihren Daten auch umsetzbar ist", verdeutlicht Friedrich.