Ist Ihre KI-Strategie realistisch oder nur ein Wunschtraum?

Luke Durcan, Director of EcoStruxure bei Schneider Electric, schildert ein Gespräch mit einem Executive eines Industrieunternehmens, der sagte: „Wir wollen etwas KI machen. Wir wollen so schnell wie möglich KI in unseren Prozess bekommen.“

Als Durcan fragte: „Wann?“, antwortete der Executive: „Wahrscheinlich Juli.“

Durcan beobachtete, dass dem Executive offensichtlich ein tiefes Verständnis der Prozesse, Mechanismen und Anforderungen fehlte, die für KI-Integration notwendig sind. Er merkte an, dass in vielen industriellen Kontexten „KI“ oft als Buzzword statt als konkrete Fähigkeit verwendet wird.

Experten für industrielle Analytik und Data Science sind sich einig über einen disziplinierten, schrittweisen Ansatz: Daten kontextualisieren, dann Analytik, Machine Learning und Deep Learning Techniken anwenden, um echte Geschäftsergebnisse zu erzielen.

Atif Kureishy, Leiter von Teradatas KI- und Deep-Learning-Initiative, definiert KI als Suite unterstützender Techniken – Analytik, Machine Learning, Deep Learning – zugeschnitten auf die Lösung spezifischer Geschäftsprobleme. „Zum Beispiel ermöglicht Deep Learning – mit neuronalen Netzen, GPU-basierter Computation und hochdimensionalen Daten – zunehmend präzise Vorhersagen“, erklärt Kureishy.

Branchen, die diese Techniken früh adoptierten, umfassen Consumer Tech, Finanzdienstleistungen und Versicherungen. Einzelhandel, Telekommunikation und Automotive folgen dicht. In der Fertigung ist der Automobilsektor unter den schnellsten Adoptern, getrieben durch seinen Fokus auf autonome Fahrzeuge.

Durcan hebt die Öl-und-Gas-Industrie als Pionier in Prozesssektoren hervor. „Diese Organisationen haben seit Jahrzehnten in Daten, Infrastruktur und Technologie investiert, weil es konsistent Wert geliefert hat“, sagt er.

Weiter auf der Reifekurve zeigen Consumer Packaged Goods, Materialien, Mineralien und Bergbau stetigen Fortschritt, während diskrete Hersteller – wie Elektronikproduzenten – bereits recht fortgeschritten sind.

Was also sollten nachzüglernde Industrieunternehmen tun, um im Zeitalter von Industrie 4.0, Smart Factories und KI aufzuholen? Und welche nächsten Schritte sollten Mid-Tier-Unternehmen unternehmen?

Der erste Schritt ist ein Selbst-Audit, um ein robustes Data-Science-Fundament sicherzustellen. Teradata unterstützt Kunden oft beim Aufbau der fundamentalen Elemente, die seinen Bankkunden 30 Jahre gedient haben. Viele Industrieunternehmen müssen die kontextuellen Daten identifizieren, die sie besitzen, Sensoren kalibrieren und sich auf „Data Science 101“ fokussieren – Talent, Tooling und Environment.

Laut Gartners 2023-Forschung weisen mehr als 87 % der Organisationen aller Sektoren niedrige Business-Intelligence- und Analytik-Reife auf.

Am Anfang kann ein Hersteller ein Sensornetzwerk across seinen Betrieb deployen, um die Bedingungen zu erfassen, die ein Material während der Produktion erfährt. Mit kontextuellen Daten in der Hand kann das Unternehmen Anomalien detektieren, die Defekten und Ausschuss vorausgehen. „Das ist noch keine volle Vorhersage, aber es ist eine bessere Charakterisierung des Prozesses“, merkt Kureishy an.

Durcan betont, dass Technologie mit Menschen und Prozessen integriert werden muss. „In einer typischen Brownfield-Anlage halten erfahrene Mitarbeiter unschätzbares Prozesswissen. Ihre KI-Tools müssen diese Expertise ergänzen und inkrementellen Wert liefern“, sagt er.

Sobald ein Unternehmen ein solides Data-Science-Fundament hat, kann es fortgeschrittenere Techniken wie neuronale Netze erkunden. Mit wachsender Reife verschiebt sich der Fokus von der Beschreibung von Ereignissen zur Korrelation von Variablen und Etablierung von Kausalität. „Wenn A passiert, tritt B ein, also wissen wir, dass C materialisieren wird“, erklärt Kureishy. „Dieser prädiktive Insight ermöglicht proaktives Eingreifen.“

Weitere Raffinesse ermöglicht präskriptive Empfehlungen zur Optimierung oder Reparatur von Prozessen. Der Gipfel dieser Reise ist vollautomatische Anomalieerkennung und -auflösung – im Grunde ein automatisierter „Terminator“ von Defekten, wie Kureishy scherzte.

Durcan warnt, dass die KI-Reise kein finales Ziel hat. „Es gibt kein Nirwana am Horizont; die Landschaft entwickelt sich weiter“, sagt er.

Schließlich müssen Industrieentscheider Datenintegration priorisieren. Daten allein sind nur der Startpunkt für prädiktive oder analytische Modelle. Das Verständnis der Asset-Hierarchie, des Modells und des Kontexts ist kritisch. Davon ausgehend können Organisationen detaillierte Datenflüsse und Infrastruktur aufbauen, die deskriptive Visualisierungen und operative Reaktionen ermöglichen. „Das ist, wofür 90 % der Leute Daten nutzen“, fügt Durcan hinzu. „Der erste Schritt ist der härteste.“