Schließen TEILEN MIT...

RANKINGS
Schließen
Schließen
Management

Die Maschine denkt mit

Aus der zunehmenden Datenflut können Unternehmen Kapital schlagen. Voraussetzung: Sie nutzen die Chancen, die maschinelles Lernen bietet. Der Zeitpunkt ist günstig.

Bild oben: Foto: ©christian42 _stock.adobe.com
Machine Learn­ing ist ein Teil­bereich der kün­stlichen In­tel­li­genz. Der Be­griff ist nicht neu, bere­its in den 1950er Jahren en­twick­elte der US-amerikanische In­for­matik­er Arthur Sa­muel für IBM ein lern­fähiges Com­put­er­pro­gramm. Doch so richtig Sch­wung in die Sache ist erst in der jüng­sten Zeit gekom­men. Das Vorhan­den­sein im­mer größer­er Daten­men­gen, bessere Tech­nik und höhere Rechen­pow­er sind Treiber der En­twick­lung. Beim maschinellen Ler­nen fin­d­en in­tel­li­gente Pro­gramme selb­ständig Struk­turen in Daten­strö­men, ler­nen da­raus und kön­nen sich so­gar ei­gen­ständig um­pro­gram­mieren. Die Dat­en wer­den et­wa durch Sen­soren ge­won­nen, oder sind als Bilder und dig­i­tale Doku­mente vorhan­den.
Viele mit­tel­ständische Un­terneh­men fra­gen sich der­weil, ob das The­ma für sie über­haupt rel­e­vant ist, und wie maschinelles Ler­nen funk­tioniert. Bish­er schei­nen Uni­ver­sitäten und große US-amerikanische Tech­nolo­gie­un­terneh­men den Ton anzugeben. Doch auch wenn Goo­gle, Ap­ple und Ama­zon Weg­bereit­er sind und die Diskus­sio­nen prä­gen, ist das The­ma längst in der deutschen Wirtschaft angekom­men. Die diesjährige Han­nover Messe hat ein­drucksvoll belegt, dass Ma­chine Learn­ing bere­its heute ein strate­gisch rel­e­vantes The­ma ist, be­son­ders für den deutschen Maschi­nen­bau. „Wir geben jet­zt weit­er Gas, das The­ma ist reif. Nach­dem wir in den let­zten Jahren In­dus­trie 4.0 im Maschi­nen­bau etabliert haben, müssen wir nun auch die Potenziale für Ma­chine Learn­ing er­sch­ließen. Entschei­dend ist hier­bei, dass wir An­bi­eter und An­wen­der zusam­men­brin­gen und die Nutzung von Ma­chine Learn­ing im in­dus­triellen Um­feld in den Mit­telpunkt stel­len“, sagt Rain­er Glatz, Geschäfts­führ­er beim Fachver­band Soft­ware und Dig­i­tal­isierung des VD­MA.
Um von dies­er Zukunft­stech­nolo­gie zu pro­f­i­tieren, müssen Un­terneh­men allerd­ings in der Lage sein, aus­sage­fähige Dat­en zu generi­eren und diese in­tel­li­gent auszuw­erten. Vo­raus­set­zung dafür ist der Auf­bau eines Pools von Nutz­er­dat­en. Der Zu­gang zu den Dat­en muss ein­herge­hen mit der Etablierung von Soft­warekom­pe­tenz. Qual­i­fizierte Soft­wa­reen­twick­ler und In­ge­nieure, die die Al­go­rith­men der KI ver­ste­hen und das nötige Fach­wis­sen mit­brin­gen, sind dabei un­verzicht­bar. Leichter ge­sagt als ge­tan: In­for­matik­er und Busi­ness An­alys­ten sind am deutschen Ar­beits­markt nicht ger­ade in Hülle und Fülle vorhan­den. Auch das The­ma Daten­sicher­heit, be­son­ders die Ver­wen­dung von frem­den Dat­en, ist rechtlich bish­er nicht aus­reichend gek­lärt. Doch davon soll­ten sich Un­terneh­men nicht ent­muti­gen lassen, es ist noch genü­gend Zeit, auf den Trend aufzus­prin­gen. „Hand­lungs­felder für Pol­i­tik, Ge­sellschaft und Forschung lie­gen in der Förderung der Aus­bil­dung von Da­ta Sci­en­tists und der Start-up-Kul­tur in Deutsch­land, aber auch in reg­u­la­torischen und ethischen Fra­gen. Wir ste­hen erst am An­fang ein­er um­fassen­den Diskus­sion“, sagt Dr. Er­ic Mais­er, Leit­er des VD­MA Com­pe­tence Cen­ters Fu­ture Busi­ness.

Soft­ware für maschinelles Ler­nen ste­ht bere­it

Foto: ©christian42 _stock.adobe.com
Fo­to: ©chris­tian42 _stock.adobe.com

Der Ein­stieg ins maschinelle Ler­nen muss nicht zwangs­läu­fig mit ho­hem Res­sour­ce­naufwand ver­bun­den sein. Mithilfe von „Dig­i­tal Lab­s“, Forschungsko­op­er­a­tio­nen mit Star­tups, kön­nen Un­terneh­men ihre IT-Kom­pe­tenz aus­bauen und die dig­i­tale Trans­for­ma­tion vo­ran­treiben, ohne eine ei­gene Abteilung auf­bauen zu müssen. Eine weitere Möglichkeit ist es, auf bere­it­gestellte In­fras­truk­tur von Cloud-An­bi­etern zuzu­greifen. So bi­eten ver­schie­dene Platt­for­men ei­gene Di­en­ste für maschinelles Ler­nen an (IBM Wat­son, Mi­cro­soft Azure ML Stu­dio, Ama­zon Ma­chine Learn­ing). Zu­dem gibt es heutzu­tage eine große Band­breite an Open-Source-Soft­ware im Bereich Ma­chine Learn­ing, auf die En­twick­ler zurück­greifen kön­nen. Al­go­rith­men, mit de­nen sich selb­stler­nende Pro­gramme für ver­schie­dene An­wen­dungs­felder kreieren lassen, sind frei ver­füg­bar.
Und der An­wen­dung von kün­stlich­er In­tel­li­genz sind kaum Grenzen ge­set­zt. In vielen Lebens­bereichen sind bere­its heute in­tel­li­gente Pro­gramme im Ein­satz, ohne dass die Nutz­er dies be­merken. Ob bei der Spracherken­nung auf Mo­bil­tele­fo­nen, der Gesicht­serken­nung von Face­book, dem Such­maschi­nen-Rank­ing von Goo­gle oder Spam-Fil­tern in E-Mail-Pro­gram­men: Ma­chine-Learn­ing-Al­go­rith­men nutzen Big Da­ta zum Vorteil des En­twick­lers, in­dem sie Zusam­men­hänge erken­nen und die Dat­en wirkungsvoll ve­rar­beit­en. So eröffnet die Tech­nolo­gie neue daten­basierte Geschäfts­mod­elle, et­wa bei der per­so­n­al­isierten Wer­bung oder in der Fi­nanzwirtschaft bei der Er­stel­lung von Markt­prog­nosen. Auch autonome Sys­teme wie selb­st­fahrende Au­tos kön­nen nur mit selb­stler­nen­den Pro­gram­men en­twick­elt wer­den.

Von Pre­dic­tive Main­te­nance bis Lo­gis­tik

Foto: ©morganimation_stock.adobe.com
Fo­to: ©mor­gan­i­ma­tion_stock.adobe.com


Die An­wen­dungs­bereiche von Ma­chine Learn­ing sind auch im Maschi­nen­bau vielfältig. Promi­nente Beispiele sind Pre­dic­tive Main­te­nance, in­dus­trielle Bild­verar­bei­tung und Robot­er­s­teuerun­gen, aber auch die Lo­gis­tik in­n­er­halb und außer­halb der Fab­rik. „Ma­chine Learn­ing wird nicht nur der In­dus­trie 4.0 weit­eren Schub ver­lei­hen, son­dern auch die Zusam­me­nar­beit mit Soft­ware­fir­men und Star­tups zum Woh­le neuer Maschi­nen­bau-Geschäfts­felder be­flügel­n“, er­läutert Hart­mut Rauen, stel­lvertre­ten­der VD­MA-Haupt­geschäfts­führ­er.
Der Ver­band sie­ht vor allem im Pre­dic­tive Main­te­nance ei­nen Ser­vice der Zukunft und ein Sch­lüs­se­lele­ment von In­dus­trie 4.0. Dabei ge­ht es darum, mögliche Schä­den in der Fer­ti­gung bere­its im Vor­feld zu erken­nen. Die vo­rausschauende War­tung baut auf dem schon seit Jahren in vielen Branchen üblichen Con­di­tion Mon­i­tor­ing auf, das den Ver­sch­leißzu­s­tand von Bauteilen erken­nt und überwacht. Pre­dic­tive Main­te­nance nutzt die per Con­di­tion Mon­i­tor­ing er­fassten Dat­en, um die vo­raus­sichtliche En­twick­lung des künfti­gen Maschi­nen­zu­s­tan­des vorherzusa­gen und um die Pla­nung von In­s­tand­hal­tungs­maß­nah­men zu un­ter­stützen. Nur ein Beispiel, wie Un­terneh­men die Kun­den­zufrie­den­heit und -bin­dung steigern sowie Kosten re­duzieren kön­nen. Mithilfe von Ma­chine Learn­ing wer­den Dat­en zu einem Schatz, den die Un­terneh­men nur heben
müssen. Alexan­der Kirsch­baum | re­dak­tion@re­vi­er-ma­n­ag­er.de

Ausgabe 06/2017



WEITERE INHALTE