Machine Learning entschlüsseln: Praktische Einblicke für Industrie-Führungskräfte

Machine Learning (ML) kann für Unvertraute undurchdringlich wirken. Fehlendes Verständnis, was ML ist und was es für die Fertigungsindustrie bedeutet, führt manchmal zu abwegigen Ideen über intelligente Maschinen, die die Menschheit übernehmen. Aber ML ist im Grunde ein großer Fortschritt in der IT-Entwicklung. Funktionsweise und Grenzen müssen von denen, die es zum vollen Nutzen ihrer Organisationen einsetzen wollen, vollständig verstanden werden.

ML erfordert zweifellos spezifische statistische und IT-Skills, die wenige in der Fertigung bisher hatten oder brauchten. Doch seine Prinzipien sind einfach – und sogar intuitiv zu erfassen. Für mich war ein einst als eher banal angesehener Online-Übersetzungsdienst – Google Translate – der die transformative Kraft von ML verdeutlichte.

Einfach erklärt: Sprachübersetzungssoftware basierte lange auf Programmierung von Wörterbüchern, Grammatikregeln und deren zahlreichen Ausnahmen – ein erheblicher Aufwand.

Von „regelbasiert“ zu „datengesteuert“

• Die neue Methodik entsprang einer einfacheren Idee: Regeln und lexikalische Tabellen nicht von Grund auf definieren, sondern Software sie „entdecken“ lassen. Millionen bereits übersetzter Seiten werden von internationalen Organisationen gesammelt.

• Nutzer reicht Text zur Übersetzung ein, Software zerteilt ihn in Basiselemente und sucht identische/ähnliche in derselben Sprache innerhalb der übersetzten Seiten.

• Die wahrscheinlichste Extraktion wird als Vorschlag gemacht.

Relevante statistische Muster in den Daten ersetzen also Übersetzungsregeln. Statt mühsam programmiert, werden sie automatisch vom Software „gelernt“. Der Kostenvorteil gegenüber dem traditionellen Ansatz ist evident – besonders da Ergebnisqualität meist auf Augenhöhe liegt.

In der Fertigung werden Produktivitätsgewinne durch substanzielle Qualitätsverbesserung verstärkt. Wer Automatisierungsprozesse spezifiziert hat, weiß: Wie komplex es ist, alle möglichen Situationen vorherzusehen, die Software in Produktion bewältigen muss – selbst mit funktionalen Domänenexperten. Funktionsregeln basieren auf Annahmen, die auf begrenzten Beobachtungen beruhen. Realität erweist sich oft als weit komplexer – Automatisierung wird suboptimal oder erfordert teure Korrekturen.

Machine Learning hingegen absorbiert und entwickelt sich mit allen verfügbaren Daten, unabhängig vom Volumen. Das Risiko, dass Muster oder Use Cases ausgeschlossen bleiben, ist begrenzt.

Menschen müssen die Kontrolle behalten

Die Maschine vermeidet auch menschliche „kognitive Verzerrungen“, die in unvollkommene Datenselektion und unangemessene Entscheidungen münden.

Gutes Beispiel: Automatisierte Kreditantragsbearbeitung bei Banken. Algorithmus prüft Kreditnehmer-Schlüsselinfo und Rückzahlungsinfo. Hebt wahrscheinliche Beziehung zwischen Kreditnehmerprofil und Ausfallrisiko hervor. Auf neuen Antrag angewendet, prognostiziert Algorithmus mit ausreichender Genauigkeit, ob Kreditnehmer zurückzahlt. Risiko schlechter Entscheidungen durch Vorurteile oder Laune des Bankmitarbeiters wird eliminiert.

Dennoch: Menschen müssen ultimative Entscheidungsträger bleiben.

Erstens: Software ist offensichtlich nicht perfekt. Sie wird durch menschliche Einstellungen gesteuert. Beispiel: Optimiert auf Vermeidung von „False Positives“ (Kredit an Ausfallkandidat) – lehnt daher bestimmte Anträge eher ab. Nutzer muss prüfen, ob Empfehlungen legitim sind, notfalls ablehnen. System lernt neue Kriterien, um ähnliche Profile künftig zu akzeptieren.

Zweiter Schlüsselgrund: Nur Menschen sollten ethische Standards sicherstellen, besonders bei Entscheidungen über individuelle Rechte.

Data über alles

Es ist essenziell, ein algorithmisches Modell zu wählen und einzurichten, das zum Fertigungsprozess und Datentyp passt. Automatisierungsperformance hängt von zwei Imperativen ab: Datenqualität und Repräsentativität des Trainingsets – Automatisierung ist effizienter, wenn ML auf unvoreingenommenen Beobachtungen basiert.

Datenzugriff ist entscheidend für ML-Erfolg, denn letztlich wird keine algorithmische Raffinesse je einen schlechten Datensatz ausgleichen.

Mit wachsender Computerleistung und Digitalisierung ist es möglich und wahrscheinlich essenziell geworden, datengesteuerte Ansätze für effizientere automatisierte Fertigungsprozesse zu nutzen. Neben erforderlichen wissenschaftlichen Skills liegt der Erfolg dieser Lösungen in Sammlung relevanter Daten und Überwachung ihrer Operationen durch Menschen. ML tendiert dazu, willkürliches Verhalten zu verwerfen. Es liegt an uns, sicherzustellen, dass es diese nicht durch unangemessene Überverallgemeinerungen ersetzt.

Von Jean-Cyril Schütterlé, VP Product & Data Science bei Sidetrade.