Künstliche Intelligenz

Adaptiv zum wahren Mehrwert

17. Dezember 2021, 9:00 Uhr | Interview: Diana Künstler | Kommentar(e)
Chamäleon
© fs-fotolia

Das Datenaufkommen nimmt zu und Unternehmen unterschiedlichster Branchen und Größen stehen vor der Herausforderung, daraus einen individuellen Nutzen zu ziehen. Doch sogenannte Data Scientists sind rar im Markt. An diesem Punkt kommt der Anbieter IS Predict ins Spiel.

funkschau: Frau Hilt, wie genau hilft IS Predict dabei, Daten nutzbringend zu verwerten?

Britta Hilt: Wir beschäftigen uns seit gut zehn Jahren mit Künstlicher-Intelligenz-Analyse für Industrieunternehmen. Was wir immer wieder feststellen: Es kommt – natürlich – auf die Daten an, ob gewünschte Ergebnisse erreicht werden können.

Britta Hilt, IS Predict
Ein Interview mit IS Predict Geschäftsführerin und Mitbegründerin Britta Hilt über den Unterschied von Big und Smart Data und warum der Beruf des Data Scientist so schnell kein Auslaufmodell ist. Britta Hilt beschäftigt sich seit knapp zehn Jahren mit der Anwenderseite von Künstlicher Intelligenz, hauptsächlich im produzierenden Gewerbe, aber auch in der Logistik, im Energiesektor sowie in der Finanzwirtschaft. Software-Anbieter IS Predict ist auf Automatisierung von Data Science für Industrie 4.0 sowie erklärende KI spezialisiert.
© IS Predict

Aber wie beim Maurer auch sind es nicht nur die Steine und weitere Materialien, die die Mauer stabil entstehen lassen, sondern es ist auch das Fachwissen und die Erfahrung. Hier haben wir gesehen, dass es – gerade in komplexen Datenstrukturen und Prozessen – umso mehr auf das Know-how und sogar auch auf die Kreativität des Menschen ankommt, der vor dem Computer sitzt. Schon aus Eigeninteresse, dieses Know-how innerhalb der eigenen Mannschaft zu teilen und zu nutzen, haben wir KI-Algorithmen entwickelt, die zeitintensive Arbeiten eines Data Scientists automatisieren. Wir haben also die KI auf eine höhere Stufe gehoben: KI-Algorithmen automatisieren zum Teil KI-Analysen. Unsere selbstlernenden und erklärenden KI-Lösungen werden in der Prozessindustrie genauso angewendet wie in der stückorientierten Fertigung.

funkschau: Mit Blick auf eine solche Lösung könnte man annehmen, dass der Beruf des Data Scientist ein Auslaufmodell ist. Wie sehen Sie das?

Hilt: Nein, das glaube ich nicht. Natürlich hört es sich beim ersten Blick so an; denn es wird ja was automatisiert. Aber einerseits bin ich der festen Überzeugung, dass es immer noch Data Scientists geben muss, da wir Menschen – zumindest auf absehbare Zeit nicht – nicht nur mit Siri, Alexa oder Cortana sprechen wollen. Wir wollen also mit Menschen, mit Data Scientists, sprechen, die uns auch überzeugen sollen, dass „diese KI“ das ordentlich gemacht hat. Vielleicht wird diese Überzeugungsarbeit irgendwann mal nicht mehr notwendig sein, da wir der KI in allen Lebensbereichen mehr Vertrauen schenken werden, also beispielsweise beim autonomen Fahren, bei der individuellen Medikation zur Heilung von Krankheiten, beim Suchen von passenden Wohnungen, dem passenden Auto oder passendem Partner et cetera.

Dies vorausgesetzt, kann nur eine Teilautomatisierung uns alle Weiterbringen, denn wie Sie selber sagen: Daten wird es immer mehr geben; das ist nicht mehr zu stoppen. Und das ist auch gut so. Wenn nun also eine „Hand voll“ von Mathematikern oder Physikern mit dieser Datenflut arbeiten müsste; die würden im wahrsten Sinne des Wortes überschwemmt, wenn sie so vorgehen würden, wie es derzeit Standard ist. Die Data Scientists wären überlastet und viele Unternehmen blieben auf der Strecke, was intelligente Datenanalyse angeht. Schauen Sie doch mal auf Stepstone und ähnlichen Portalen. Derzeit werden allein in Süddeutschland über 3.000 Stellen angeboten. Zwar sind es doppelt so viele offene Stellen für Sales Accounts. Aber man muss bedenken, dass die Vertriebsarbeit von vielen unterschiedlich qualifizierten Menschen durchgeführt werden kann. Wohingegen Data Scientists ein solides mathematisches oder physikalisches Wissen aufzeigen müssen; das schränkt also potenziellen Bewerber doch deutlich ein. Ich bin der festen Überzeugung, dass wir nur mit Automatisierungsunterstützung weiterkommen. Sonst wird der „War of Talents“ in die Spitze getrieben und nur die großen Firmen bekommen Data Scientists, die die höchsten Gehälter oder sonstige Vorteile anbieten können.

„Wir haben KI-Algorithmen entwickelt, die das digitale Abbild immer wieder gegen die sich ändernde Wirklichkeit prüfen und dann – eigenständig – einschreiten. Also das digitale Abbild wird ständig angepasst durch sogenanntes kontinuierliches Lernen. Dies ist in komplexen Prozessen mit dynamischen Einflussfaktoren ein Muss. Sonst haben Sie nicht lange Spaß an Ihrer KI-Lösung.“

funkschau: Daten bilden die Grundlage für Künstliche Intelligenz. Doch Daten um der Daten willen – Stichwort Big Data – sind nicht immer zielführend. Was ist ihr Rat: Wie können Unternehmen ihre Daten „fit für KI“ machen?

Hilt: Big Data ist natürlich in aller Munde – ich selber mag dieses Schlagwort nicht so und bevorzuge Smart Data. Was ist der Unterschied? Lassen Sie es mich erklären: Sie können einen riesen See haben, aber leider können Sie ihn nicht sinnvoll nutzen: Zum Tauchen ist er zu trübe, die falsche Sorte Fisch hat sich durchgesetzt und jagt erfolgreich Ihre präferierten Speisefische. Sie stecken viel Arbeit rein in den See, also Fische hinzusetzen, Algen entfernen et cetera. Aber sie bekommen einfach nicht den gewünschten Mehrwert. So ist das auch in der digitalen Welt. Es wird sehr viel Geld im Rahmen der IoT-Strategie investiert, um große Datenmengen anzubinden. Wenn der Data Lake steht, dann fragt man sich oft: Was ist jetzt der Mehrwert? Also werden Datenanalyseprojekte gestartet. Manchmal stellt sich heraus, dass man nicht die richtigen Daten hat oder die Daten in einer Auflösung speichert, die für die Auswertungen zu grob sind.

Besser ist es, mit gezielten Fragestellungen an die Sache ranzugehen, so dass man direkt prüfen kann, ob die möglichen Daten auch so sinnvoll nutzbar sind beziehungsweise wie man die Datenerhebung ändern sollte. Ein ganz wichtiger Aspekt ist es auch zu verstehen, welche Daten sind denn wirklich relevant? Ein Beispiel: Ein Kunde von uns stellt Baumaterialien her. In der Produktion fallen circa 5.000 Datenpunkte an, also beim Mischer angefangen, über die Presse und Säge bis hin zum Ofen und der End-of-Line-Prüfung. Nun wollte der Kunde wissen, warum manchmal schlechtere Qualität produziert wird. Hier konnte unsere KI – im Gegensatz zu neuronalen Netzen, die diese Transparenz leider nicht bieten – aufdecken, dass es 20 Parameter in bestimmten Konstellationen sind, die zu Minderqualität führen. Folglich können verbesserte Datenmessungen fokussiert für diese 20 Einflüsse realisiert werden. Natürlich muss ich gestehen, dass wir trotzdem froh sind, wenn Daten da sind, auch wenn viel zu viele in einem Data Lake. Denn lieber zu viele Daten, als keine Daten. Aber was ich sagen will, ist: Sogenannte „erklärende KI“ deckt die relevanten Parameter auf, so dass sich die Datenerhebung auf diese konzentrieren kann, anstatt viele Tausend Datenpunkte zu managen.


  1. Adaptiv zum wahren Mehrwert
  2. Der „digitale Schatten“

Das könnte Sie auch interessieren

Verwandte Artikel

funkschau

Künstliche Intelligenz

Anbieterkompass