Ist Ihre KI-Strategie realistisch oder eine Treppe zum Himmel?

Luke Durcan, Direktor von EcoStruxure bei Schneider Electric, ruft zurück Eine Führungskraft eines Industrieunternehmens sagt etwas in der Art:„Wir wollen KI machen. Wir möchten so schnell wie möglich etwas KI in unseren Prozess integrieren.“

"Wann?" fragte Durcan.

„Wahrscheinlich Juli“, erinnerte sich Durcan an den ungenannten Vorgesetzten. „Ja, wir wollen bis Juli etwas KI bekommen.“

„Man sieht sich den Typen einfach an und merkt dann, dass er den Prozess wirklich nicht versteht. Er versteht die zugrunde liegenden Mechanismen und Anforderungen wirklich nicht, um dorthin zu gelangen“, sagte Durcan. „Und die Realität ist, dass es im industriellen Kontext so etwas wie KI nicht gibt. Es ist Marketing.“

Während Industrie- und Datenwissenschaftsexperten eine Vielzahl unterschiedlicher Meinungen zu vagen Begriffen wie KI und ihrer Verbindung zu einer fast magisch anmutenden künstlichen allgemeinen Intelligenz haben, sind sie sich einig, dass eine schrittweise und disziplinierte Datenkontextualisierung und der Einsatz von Techniken wie Analytik, maschinelles Lernen und dergleichen.

Atif Kureishy, ​​der die KI- und Deep-Learning-Initiative von Teradata leitet, beschreibt KI als eine Reihe von unterstützenden Techniken, einschließlich Analysen, maschinellem Lernen und Deep Learning, die zur Unterstützung eines Geschäftsergebnisses verwendet werden. „Wenn man sich beispielsweise Deep Learning ansieht, das eine Teilmenge des maschinellen Lernens ist, werden neuronale Netze, große GPU-basierte Berechnungen und eine hohe Dimensionalität von Daten angewendet, um immer genauere Vorhersagen zu treffen“, sagte Kureishy.

Welche Branchen solche Techniken am schnellsten angenommen haben, sind die "üblichen Verdächtigen", sagte Kureishy, ​​darunter Verbrauchertechnologie, Finanzdienstleistungen und Versicherungen. Einzelhandel und Telekommunikation seien Teil einer Gruppe, die als nächstes an der Reihe sei, sagte er. In Bezug auf die Fertigung ist der Automobilsektor einer der Sektoren, in dem Techniken wie maschinelles Lernen und Computer Vision am schnellsten eingesetzt werden, da die Branche an autonomen Fahrzeugen interessiert ist.

Durcan sagte, die Öl- und Gasindustrie sei ein Vorreiter in der Prozessindustrie. „Diese [Öl-und-Gas-]Organisationen investieren seit vielen, vielen Jahren in Daten, Infrastruktur und Technologie, weil sie für viele, viele Jahre von Wert sind“, erklärte er.

Weiter unten auf der Reifekurve in der Prozessfertigung befinden sich die Konsumgüter- und Werkstoff-, Mineralien- und Bergbausektoren, während eine Reihe von diskreten Fertigungsunternehmen wie Elektronikhersteller „ziemlich weit fortgeschritten“ sind, sagte Durcan.

Was also tun, um Nachholbedarf bei Industrie 4.0-, Smart Factory- oder KI-Strategien – oder wie auch immer man den Begriff präferiert – nachzuholen? Und was sollten diejenigen in der Mitte des Rudels als nächstes tun?

Beginnen Sie zunächst mit einer Selbstprüfung und stellen Sie, falls erforderlich, sicher, dass Ihr Unternehmen über solide datenwissenschaftliche Grundlagen verfügt. Ein Großteil der Arbeit von Teradata mit Industrieunternehmen umfasst den „Aufbau der grundlegenden Aspekte, in die beispielsweise unsere Bankkunden in den letzten 30 Jahren investiert haben“, sagte Kureishy. Viele Industrieunternehmen arbeiten daran, zu verstehen, welche Arten von Kontextdaten sie haben, kalibrieren Sensoren und konzentrieren sich auf „Data Science 101“-Aspekte in Bezug auf Talent, Werkzeuge und ihre Umgebung.

Das ist nicht auf Industrieunternehmen abzustellen. Im vergangenen Jahr stellte Gartner fest, dass mehr als 87 % der Unternehmen – branchenübergreifend – einen geringen Reifegrad im Bereich Business Intelligence und Analytics aufweisen.

In einem frühen Stadium hat ein Hersteller möglicherweise eine Reihe von Sensoren in seinen Betriebsabläufen instrumentiert, um die Bedingungen, denen ein Material im Herstellungsprozess ausgesetzt ist, besser zu verstehen. Sobald diese Organisation ihre Daten im Kontext verfolgen kann, kann sie Anomalien erkennen, die einem Herstellungsfehler vorausgehen, der zu Ausschuss führt. „Das ist noch keine wirkliche Vorhersage, aber das heißt:‚Hey, ich kann jetzt besser charakterisieren, was in diesem Herstellungsprozess passiert“, sagte Kureishy. „Da ich all diese Telemetriedaten bekomme und sie verarbeiten und analysieren und zusammenfügen kann, kann ich quantitativ besser charakterisieren, was schief gelaufen ist.“

In einer frühen Phase wie dieser und während des gesamten Prozesses betonte Durcan, wie wichtig es ist, sich auf Mensch und Prozess sowie auf Technologie zu konzentrieren. „In einer typischen Industriebrache gibt es Leute, die seit 20, 30 oder 40 Jahren dort sind und wahrscheinlich viel mehr über den Prozess wissen, als Sie es jemals tun werden“, sagte er. „Und dann ist da noch der Prozess selbst, der wiederum eine Entwicklung im Laufe der Zeit ist. Sie werden also Wege finden, Ihre Technologie in die People-Process-Umgebung zu integrieren, um einen inkrementellen Mehrwert zu schaffen.“

Industrieunternehmen, die in den Aufbau einer soliden datenwissenschaftlichen Basis investiert haben, können dann damit beginnen, das Potenzial fortschrittlicherer Techniken wie neuronaler Netze zu erkunden. Und mit fortschreitender Reife können sie von der Charakterisierung der Vorgänge in ihren Operationen zur Korrelation der Variablen, die in dieser Umgebung auftreten, übergehen und schließlich eine Kausalität zwischen Variablen feststellen. „Das heißt:‚Wenn A passiert, passiert B, also weiß ich, dass C eintreten wird“, erklärte Kureishy. „Das bringt Sie in eine bessere Vorhersageposition. Sie können anfangen zu sagen:„Ich fange an, diese Anomalien zu sehen. Wenn Sie nicht auf irgendeiner Ebene eingreifen, weiß ich, dass diese Bedingung C eintreten wird.’“

Die nächste Stufe erweitert die Raffinesse. „Sie können auf präskriptive Weise eine wirklich eindeutige Empfehlung abgeben, um einen Prozess zu reparieren oder zu optimieren“, fügte Kureishy hinzu. Auf der obersten Ebene wird der gesamte Prozess der Erkennung von Anomalien und deren Behebung, bevor sie größere Probleme verursachen, vollständig automatisiert. „Wir reden über Terminator“, scherzte Kureishy.

Industrieunternehmen sollten vermeiden, den Schluss zu ziehen, dass ihre KI-Strategiereise ein definitives Ziel hat. „Es gibt kein Nirvana über dem Hügel“, sagte Durcan. „Das wird immer komplizierter.“

Schließlich sollten Branchenführer verstehen, dass „die Integration von Daten von größter Bedeutung ist, aber Daten allein sind nur der Anfang eines Vorhersagemodells und eines analytischen Modells“, fügte Durcan hinzu. Es ist von entscheidender Bedeutung, dass diese Fachleute ihre Asset-Hierarchie, ihr Asset-Modell und ihren Asset-Kontext verstehen. „Dann können Sie damit beginnen, detailliertere Informationen über den Datenfluss und die Dateninfrastruktur in Ihrem Unternehmen zu erstellen“, fügte Durcan hinzu. Von dort aus können sie die Daten für anschauliche Visualisierungen und betriebliche Reaktionen nutzen. "90% der Leute werden es dafür verwenden", fügte er hinzu. „Aber man muss den ersten Schritt auf dem Weg dorthin machen.“