Menü

Was ist Künstliche Intelligenz?

Künstliche Intelligenz

Künstliche Intelligenz (KI) und Big Data sind Schlagwörter, die aktuell in Fachmedien sehr präsent sind. Doch was genau ist eine KI und wofür wird sie eingesetzt? Welche Verbindung besteht zwischen Big Data und KI?

Dieser Beitrag stellt die grundlegende Funktionsweise von KI vor. Es werden Beispiele für KI im Alltag, sowie Möglichkeiten der Anwendung von KI in Wertschöpfungsnetzwerken aufgezeigt und welche Verbindung zwischen KI und Big Data besteht.

Künstliche Intelligenz (KI)

Im Jahre 1950 skizzierte Alan Turing einen Test zur Prüfung einer KI. Dabei führt ein Proband ein Gespräch via Chat mit zwei Teilnehmern, von denen ein Teilnehmer eine KI, der andere Teilnehmer ein Mensch ist. Kann der Proband nicht zwischen KI und Mensch unterscheiden, so gilt der Test für die KI als bestanden. Es wurden bereits zahlreiche Turing Tests durchgeführt, wobei die beste KI mit einer Quote von 59 % nicht als solche identifiziert wurde.

Grundsätzlich wird zwischen schwacher KI und starker KI unterschieden. In Industrie und Wirtschaft kommt ausschließlich schwache KI zum Einsatz, die sich dadurch kennzeichnet, dass sie für eine spezifische Anwendung entwickelt wurde und konkrete Probleme unter definierten Rahmenbedingungen lösen kann. Die Herangehensweise an das Problem ist immer gleich und die KI optimiert dabei lediglich Ihr Ergebnis und reduziert die Fehlerquote. Wenn heute im Fachkreis von KI die Rede ist, so ist immer die schwache KI gemeint.

Doch künstliche Intelligenz ist keine Erfindung der Neuzeit. Im Jahr 1956 wurde in den USA das „Summer Research Project on Artificial Intelligence“ von John McCarthy ins Leben gerufen, an dem weitere führende Forscher im Bereich der Informationstechnologie (IT) teilnahmen. Der aktuelle Hype um das Thema KI ist auf den Fortschritt der IT-Infrastruktur und der gesteigerten Rechenleistung zurückzuführen. Durch das Internet und die Erfindung der Cloud ist quasi eine unbegrenzte Rechenleistung und Speicherkapazität abrufbar.

Big Data

Gleichzeitig werden rund um die Uhr Daten generiert. Smartphone Apps sammeln die Daten der Nutzer, Wertschöpfungsketten erzeugen große Datenmengen und analoge Medien werden zunehmend digitalisiert. Die Größe der Datenmenge im Netz steigt jeden Tag stetig an. In einer Studie von seargate aus dem Jahr 2018 wird die globale Datenmenge auf 33 Zettabytes geschätzt. Ein Zettabyte entspricht einer Trillionen Gigabytes. Prognostiziert wird ein Anstieg auf 175 Zettabytes bis zum Jahre 2025. Wollte man diese Datenmenge auf DVDs sichern, so würde sich ein Stapel ergeben, der 23-mal von der Erde bis zum Mond reicht.

Menschen sind mit der Auswertung dieser Datenmengen überfordert, da sie unser Vorstellungsvermögen übersteigt. Doch der gezielte Einsatz von Rechnern ermöglicht die Analyse dieser Daten durch explorative Verfahren aus der Statistik. Dank erweiterbarer Rechenleistung durch Dienste wie Infrastructure-as-a-Service (IaaS) kann künstliche Intelligenz auch große Datenmengen nutzbar machen. Aber wo genau findet künstliche Intelligenz in unserem Alltag Anwendung?

KI im Alltag

KI wird in der Regel für sehr spezifische Anwendungen entwickelt. Sie ist in unserem Alltag längst angekommen und meist unsichtbar für den Anwender. Hier einige Beispiele:

  • Analyse des Einkaufverhaltens von Kunden
  • Sprachsteuerung von Geräten
  • Automatische Gesichtserkennung
  • Diagnose von Röntgenbildern und MRT-Aufnahmen
  • Digitale Sprachassistenten
  • Autonomes Fahren
  • Berechnung von Bewässerungsmengen für Nutzpflanzen

Damit beispielsweise digitale Assistenten wie Siri, Alexa und Cortana funktionieren können, müssen sie in der Lage sein, innerhalb kürzester Zeit die Frage des Nutzers zu interpretieren. Dazu gehört auch die Erkennung des Kontextes der Frage und quasi zeitgleich die Suche nach passenden Antworten. Dies erfordert die schnelle Untersuchung von großen Datenmengen. Durch die regelmäßige Nutzung sind die Assistenten in der Lage, zu lernen und sich selbst zu optimieren.

Wodurch unterscheidet sich KI von klassischer Programmierung?

Computerprogramme bestehen klassischerweise aus einem Quellcode, in dem verschiedene Funktionen vorgegebene Programmpfade abarbeiten und in diesen Pfaden Abfragen und Berechnungen durchführen. Klassische Programmierung ist daher für Anwendungen wie die Spracherkennung nicht geeignet. Es müssten unzählige „wenn – dann“ Abfragen in einem Quellcode erfolgen, die einzelne Frequenzen aufnehmen, auswerten und mittels Synthese Wörter erkennen. Aber selbst dann bleiben Sprachweise, Betonung und Dialekt des Sprechers nicht berücksichtigt.

Die KI hat einen grundsätzlich verschiedenen Lösungsansatz: künstliche neuronale Netze.
Künstliche neuronale Netze sind nach dem Beispiel des menschlichen Gehirns entwickelt und bestehen aus Knoten und Kanten (Abbildung 1). Jeder Knoten ist über mehrere Kanten mit anderen Knoten verbunden. Der Eingang des Netzes wird durch die Knoten und Kanten der versteckten Ebenen geleitet und in einen Ausgang transformiert. Durch die Veränderung der Gewichtung der Kanten und beliebige mathematische Operationen entlang der Kanten kann das Netz das Ergebnis der Ausgangsseite selbst optimieren. Dieser Vorgang wird mit Machine Learning oder Deep Learning bezeichnet.

Mehr Informationen über Machine Learning finden Sie auch im DGQ-Fachbeitrag „Künstliche Intelligenz – der schlaue Helfer in der Produktion“ von Nina Schaaf und Janek Stahl.

 

Künstliche Intelligenz

Abbildung 1: Schema eines künstlichen neuronalen Netzes (eigene Darstellung)

Es gibt verschiedene Arten neuronaler Netze. Ein bekanntes Framework ist Googles Tensorflow. Hier sind die Knoten nicht einzelne Werte, sondern mehrdimensionale Tabellen, die Werte beinhalten (Tensoren). Entlang der Kanten werden mit den Werten der Eingangsseite verschiedene Operationen ausgeführt und die Tensoren dadurch modifiziert, bis auf der Ausgangsseite schließlich ein oder mehrere Ziel-Tensoren entstehen, deren Werte durch klassische Abfragen interpretiert werden können.

KI in Wertschöpfungsnetzwerken

Es existieren verschiedene Plattformen, die KI-Dienste anbieten, wie z.B. Google Cloud, Microsoft Azure oder IBM Watson. Zahlreiche Anbieter stellen KI-Dienste auch für Unternehmen zur Verfügung.

Das Anwendungsgebiet von KI in Unternehmen ist vielfältig und sehr breit gefächert. KI kann nicht nur in der Produktion angewendet werden, sondern ganze Wertschöpfungsnetzwerke miteinander vernetzen und optimieren. Dies setzt allerdings eine Digitalisierung der Wertschöpfungskette voraus. Daten müssen in kurzen Zeiten zur Verfügung stehen und die entsprechende Infrastruktur für die Telekommunikation muss nahezu lückenlos vorhanden sein, auch während Transitzeiten von Gütern auf Transportmitteln. So können z.B. während des Transports Daten aus Temperatur- oder Beschleunigungssensoren, die mit dem Internet verbunden sind (IoT), ausgewertet werden, um Wahrscheinlichkeiten für einen Warenschaden auszurechnen und das jeweilige Prüflevel für die QS festzulegen.

Künstliche Intelligenz

Abbildung 2: Wertschöpfungsnetzwerk und Machine Learning (eigene Darstellung)

Abbildung 2 zeigt die Vernetzung eines Wertstroms mit übergeordneter IT-Infrastruktur, die an eine KI-Cloud Plattform angebunden ist. Die aufgenommenen Daten aus dem MRP/ERP System werden durch leistungsstarke IT vor Ort oder durch Cloud-Dienste weiterverarbeitet. Künstliche Intelligenzen für verschiedenste Applikationen nutzen diese Daten zur Entscheidungsfindung. So können Prognosen für erwartete Nachfragen, geschätzte Qualitätskosten, Kundenreklamationen und vieles mehr getroffen werden. KI kann darauf trainiert werden, alle Unternehmensdaten wie Prozessdaten, Kosten, Umsatz, Reklamationen und Lieferzeiten zu kombinieren und auszuwerten.

Die Menge der Daten, die die KI auswertet, kann dabei sehr groß sein. Die KI ermöglicht somit die Auswertung von Daten, die in Volumen und Komplexität für einen Menschen nicht erfassbar sind.

KI wird auch zur Vorhersage von Maschinenausfällen eingesetzt. Dabei werden die vergangenen Störungs- und Wartungsdaten zum Training der KI verwendet. Auf Basis dieser Daten erstellt die KI optimierte Wartungspläne. So kann der Aufwand für turnusmäßige Wartungen reduziert werden, was zu einer Erhöhung der Maschinenkapazität führt und sich positiv auf den Deckungsbeitrag der Maschinen und die Produktivität auswirkt.

Jegliche Berechnungen und Auswertungen der KI können in das ERP System zurückgeführt und genutzt werden. Denkbar sind auch konkrete Handlungsanweisungen zur Optimierung des Wertstroms im Unternehmen und zwischen Unternehmen im Bereich des Supply Chain Managements.

Fazit

KI ist schon jetzt in zahlreichen privaten und industriellen Anwendungen zu finden. Der jüngste Fortschritt von KI-Anwendungen ist auf drei Aspekte zurückzuführen:

  • Die Fähigkeit, große Datenmengen aufzunehmen und zu verarbeiten
  • Gesteigerte Rechenleistung der Prozessoren und Virtualisierung
  • Neuartige Methoden des maschinellen Lernens

Die Aufnahme von großen Datenmengen (Big Data), die in Echtzeit analysiert werden, bietet große Optimierungspotenziale für Unternehmen in der Zukunft. Auch wenn aktuell nur schwache KI-Anwendungen existieren, die bestimmte spezifische Probleme lösen, sind die Einsatzmöglichkeiten von KI vielfältig. Der Einsatz von KI zur Optimierung von Wertschöpfungsnetzwerken wird in nicht allzu ferner Zukunft flächendeckend möglich sein.

  1. Buxmann & H. Schmitt (Hrsg). 2019. Künstliche Intelligenz. Mit Algorithmen zum wirtschaftlichen Erfolg. Darmstadt: Springer Verlag.

Verdi: https://www.verdi.de/themen/arbeit/++co++373425f4-1687-11ea-8e0b-525400b665de (07.04.2020, 13:20)

Seagate: https://www.seagate.com/files/www-content/our-story/trends/files/idc-seagate-dataage-whitepaper.pdf (09.04.2020, 16:41)

Fraunhofer: https://www.iais.fraunhofer.de/content/dam/bigdata/de/documents/Publikationen/KI-Potenzialanalyse_2017.pdf (15.04.2020, 15:01)


Über den Autor:

Hartmut Winkler ist seit 2016 selbstständiger Unternehmensberater bei Q-Future mit den Schwerpunkten Qualitätsmanagement, Prozessoptimierung und Digitalisierung. Nach seinem Studium der Mechatronik arbeitete er über 10 Jahre im QM der Automobilindustrie und der Luft- und Raumfahrt. Seit 2014 ist er in der akademischen Lehre tätig. Er ist DGQ-Trainer für statistische Fähigkeitsnachweise und Prozessregelung. Seit 2018 ist er Mitglied im Team der DGQ-Regionalkreisleitung Frankfurt am Main.

Webinar: Python Hands-on Workshop – KI in der Qualitätssicherung

Erfahren Sie, anhand eines Praxis Beispiels, welche Vorteile Ihnen die Open Scource-Sprache Python im Vergleich zu Ihren bewährten Tools und Methoden bringt.

Mehr Details

E-Training: Digitalisierung in QM und QS – wie Sie erfolgreich Ihren Projektplan entwickeln

Definieren Sie anhand von
Use Cases Ihren Projektplan
für sinnvolle Digitalisierungsprojekte
in QM und QS.

Mehr Details