Sie sind hier: HomeTelekommunikation

O-Ton: Mensch-Maschine-Kollaboration

Die Menge an Daten, die durch vernetzte Geräte erzeugt wird, steigt unaufhörlich. Wo der Mensch angesichts der Datenflut den Überblick verlieren würde, kann Maschinelles Lernen helfen. Hendrik Nieweg, Head of Solution Management bei Device Insight, erklärt, worauf es ankommt.

Mensch-Maschine-Kollaboration Bildquelle: © alphaspirit - fotolia

Bereits seit den 1960er-Jahren beschäftigen sich Wissenschaftler mit dem Thema Künstliche Intelligenz (KI). Neue Entwicklungen in diesem Bereich lösten regelmäßig Hype-Wellen aus. Bisher flaute das Interesse an der Thematik jedoch schnell wieder ab, gab es doch keinerlei ausgereifte Technologie. Mit Chatboots, autonomem Fahren und Sprachassistenten wie Siri oder Alexa hat sich das nun geändert: Künstliche Intelligenz und der Spezialbereich des maschinellen Lernens (ML), der gerade für die Industrie von Bedeutung ist, haben im privaten und geschäftlichen Alltag Einzug gehalten. Doch was bedeutet das für hochkomplexe IoT-Systeme?
Mit dem Wachstum des Internet of Things (IoT) steigt die Menge der generierten Daten unaufhaltsam an. Bei 80 Milliarden vernetzten Geräten bis 2025 würde Schätzungen von PwC (PricewaterhouseCoopers) die Datenmenge von 4,4 Zettabytes auf 180 Zettabytes anwachsen. Analytics-Technologien gelten als Schlüssel zur Beherrschung dieser Datenflut – Unternehmen können mit ihrer Hilfe fundiertes und nützliches Wissen erzeugen. Dabei dienen IoT-Plattformen als Brücke zwischen der virtuellen und der realen Welt: Mit ihnen können Unternehmen die Vernetzung ihrer Assets, Geräte und Anlagen steuern und die Erkenntnisse aus den Daten wertschöpfend in verbesserte Betriebsprozesse oder eine höhere Verfügbarkeit und Produktivität von Maschinen umwandeln.

Apropos Maschinen: Wo der Mensch angesichts von Big Data den Überblick verlieren würde, sollen sie künftig übernehmen. Maschinelles Lernen versetzt Systeme in die Lage, ihre Umgebung zu verstehen, Handlungen zu planen sowie auf Hindernisse zu reagieren und mit Menschen zu kommunizieren. Dabei lernen Maschinen, anhand von Betriebsdaten und intelligenten Algorithmen eigenständig wiederkehrende Muster und Objekte zu erkennen. Das erlernte Wissen kann anschließend auf unbekannte und unsortierte Daten angewandt werden. So lassen sich Fehlerquellen identifizieren, Prozesse optimieren und Prognosen erstellen.

Hendrik Nieweg, Head of Solution Management bei Device Insight Bildquelle: © Device Insight

Hendrik Nieweg, Head of Solution Management bei Device Insight

Für eine erfolgreiche Implementierung spielen mehrere Faktoren eine Rolle: Die Art der erhobenen Daten, das erhoffte Ergebnis und der Ort der Datenverarbeitung. Muss die KI in Echtzeit Entscheidungen fällen, wie beim autonomen Fahren, ist sie vor Ort unersetzlich. Werden hingegen für den Anwendungsfall zusätzliche Umgebungsinformationen benötigt, bietet sich ein zentrales ML-Modell an.

Doch wie immer trägt der Mensch einen Großteil zum Erfolg der Technologien bei:  Das gesamte Team – sowohl interne als auch externe Stakeholder – muss an Bord geholt werden. Schulungen und eine offene Kommunikation sind der Grundstein für die Akzeptanz unter den Mitarbeitern. Für kleine und mittlere Unternehmen bieten bereits einfache Anwendungsfälle wie Service- und Lebensdauerprognosen einen großen Mehrwert – allerdings nur, wenn den Mitarbeitern bewusst ist, dass effizient eingesetzte ML-Modelle ihren Alltag erleichtern und nicht ihren Arbeitsplatz übernehmen sollen.

Auch bei der Kundenansprache gilt: Das Vertrauen muss an erster Stelle stehen! Neben einer ausreichenden Prüfung, ob der adressierte Markt und die Kundschaft dem Thema tolerant gegenüberstehen, müssen Unternehmen auf eine gezielte Kommunikation setzen und den Mehrwert der KI darlegen. Entsteht beim Kunden der Eindruck einer Bevormundung oder trifft die KI nicht nachvollziehbare Entscheidungen, kann dies schnell zu einem Vertrauensverlust in Produkt und Marke führen.

So gilt auch weiterhin das Bonmot, dass selbst die intelligentesten Maschinen für den Menschen da sind – und nicht umgekehrt. Den Nutzen neuer Technologien rund um Big Data und KI mithilfe von IoT Analytics zu operationalisieren, ist allerdings eine Aufgabe, die die meisten Unternehmen noch vor sich haben.

Hendrik Nieweg ist Head of Solution Management bei Device Insight