KI-Einführung in Unternehmen: „Zielloser Aktionismus wird kein Problem lösen“
Künstliche Intelligenz findet zunehmend Eingang in die Industrie. Aber sind deutsche Unternehmen bereits reif für das Thema? Und wie sieht es um Fach- und Nachwuchskräfte in Deutschland aus, wenn es um Trendtechnologien geht? Ein Interview mit Steffen Kuhn, Head of Digital Engineering Center bei Detecon International.
Anbieter zum Thema

Geht es nach Branchen- und Marktbeobachtern wie Gartner, wird künstliche Intelligenz in den kommenden Jahren als eines der beherrschenden Technologiethemen die Industrie prägen. Doch wenn es um den Stand der künstlichen Intelligenz in Deutschland geht, sind die stimmen schon verhaltener. Laut einer Umfrage des VDE unter 1300 Mitgliedern hängt der Standort im internationalen Vergleich hinterher, zu wenig Förderung und zu wenig Fachkräfte stünden bereit. Ist das wirklich so? Wie können sich Unternehmen für künstliche Intelligenz fit machen? Sind sie es womöglich bereits, ohne es zu wissen?
Steffen Kuhn ist Head of Digital Engineering Center und Practice Leader Innovation & Special Assets bei der Detecon International GmbH, eine der führenden deutschen Management- und Technologieberatungen. Das Unternehmen macht Firmen für die digitale Transformation fit und berät und begleitet Kunden bei der Einführung neuer Technologien. Wir haben ihn um eine Einschätzung für den deutschen Markt gegeben.
Herr Kuhn, welche Ziele verfolgt Detecon?
Detecon gehört zu den führenden deutschen Management- und Technologieberatungen, mit dem Schwerpunkt auf digitale Transformation und Innovation. Wir haben unseren Hauptsitz in Köln, sind aber weltweit aktiv. Schon seit 40 Jahren helfen wir Kunden in unterschiedlichen Branchen – ob Mobility, Automotive, Industrial Manufacturing, Healthcare, Finance oder Telekommunikation – mit unserer Expertise: Wie soll die Organisation in der Zukunft aussehen? Welche zukünftigen Geschäftsmodelle sind tragfähig und welche Technologien enablen sie? Welche IT-Strategien und -Prozesse werden verfolgt? Diese Kompetenz kommt heute in der Industrie besonders zum Tragen, wenn es darum geht, Kunden beim Thema Digitalisierung zu beraten – von der Strategie bis zur Umsetzung.
ung.
Ein Thema, das die Industrie derzeit stark beschäftigt, ist die Einführung von künstlicher Intelligenz in Unternehmensprozesse. Laut Umfragen sehen viele Unternehmen und Hochschulen Deutschland gerade bei der Anwendung von KI im Hintertreffen.
Deutschland braucht sich in der Knowledge-Domäne Künstliche Intelligenz im internationalen Wettbewerb nicht zu verstecken. Wir haben eine ganze Reihe Lehrstühle und Institute, die sich hier durch extrem hohes Fachwissen auszeichnen. Wir sehen auch kontinuierlich, dass sich Firmen der Thematik Künstliche Intelligenz – gerade, wenn es um den Bereich Smart Data geht – annähern. Manche sind da bereits sehr weit vorne – andere wiederum sind noch in der Sondierungsphase.
Sie bieten auch die Begleitung einer KI-Strategie an. Wie sähe das in der Praxis aus?
Bei vielen fangen wir erst im Awareness-Modus an: Wir fragen den Kunden, wofür er überhaupt Künstliche Intelligenz nutzen möchte, oder schlagen vor wo wir in seinem Umfeld Potential sehen – für die Prozess- oder Produktionsoptimierung, für die Entwicklung neuer Geschäftsmodelle, oder welche Möglichkeiten es sonst geben könnte. Ist bereits die nötige Awareness vorhanden, können wir in die Konzeptionsphase gehen. Hierbei bestimmen wir einen Use Case und legen konkrete Ziele fest, die die Einführung von KI bringen soll; zum Beispiel eine um 10% schnellere Produktion, oder eine um 20% reduzierte Fehlerrate. In dieser Konzeptionsphase hören wir nicht auf, sondern begleiten das Unternehmen weiterhin, um den Prozess mit Hilfe von entsprechenden Data Scientists und KI-Architekten umzusetzen.
Es ist also nicht damit getan, nur eine schöne Powerpoint-Präsentation mit Plänen zu erstellen: Es geht darum, mit den Algorithmen zu arbeiten, Machbarkeitsstudien und Prototypen zu erstellen, und auf diesem Weg zu ermitteln was funktioniert, und wo iterativ eingegriffen werden muss.
Welche Schwierigkeiten ergeben sich dabei, diese Ansätze in bestehende Prozesse zu integrieren? Was sind hier die Herausforderungen?
Eine Herausforderung ist in jedem Fall, dass wir klassischerweise nicht auf einer grünen Wiese starten, sondern dass es bereits eingeschliffene, existierende Prozesse gibt. Wir beginnen das Projekt mit einem Data Readiness Assessment – das umfasst einen strukturierten Leitfaden mit Fragebogen und tiefgehende Interviews. Für unsere Arbeit ist es wichtig, das Unternehmen kennenzulernen und zu erfahren, über welche Skills und Talents sie bereits verfügen, z.B. ob sie Data Scientists oder KI-Experten im Haus haben. Außerdem sehen wir uns die (IT-)Architektur genau an: Ist diese bereits datenzentriert, gibt es schon geeignete Plattformen, besteht im Unternehmen praktische Erfahrung mit Tools und wurden schon Use Cases umgesetzt.
Auf diese Weise ermitteln wir den Status Quo im Unternehmen. Wenn wir den haben, können wir darauf aufsetzen und beginnen, die gesetzten Ziele und notwendigen Maßnahmen in die bestehenden Prozesse einzuflechten. Was genau getan werden muss, ist von Kunde zu Kunde völlig unterschiedlich – kein Unternehmen ist da mit dem anderen vergleichbar.
„Man muss sich dem Thema Künstliche Intelligenz sachlich, inhaltlich und praktisch nähern“
Was bei der Einführung von KI nicht funktioniert, ist, mit pauschalen, allgemeingültigen Ansätzen zu arbeiten. Die passen in der Regel nicht – es muss mindestens eine gemeinsame Absprungbasis gefunden werden. Ein One-size-fits-all-Ansatz ist nicht treffsicher.
Wie verhalten sich Unternehmen gewöhnlich, wenn es um das Thema künstliche Intelligenz geht?
Zunächst muss man sagen, dass es das Thema Künstliche Intelligenz ja schon eine ganze Weile gibt. In der Forschung werden hier schon jahrzehntelang beständig Fortschritte gemacht. Aber jetzt wird das Thema, auch getrieben durch Analysten, zum aktuellen, neuen Buzzword. Manche Firmen bekommen dadurch das Gefühl, ohne KI ginge es nicht mehr. Dabei haben manche Unternehmen mit dem, was viele Analysten jetzt als KI bezeichnen, schon lange gearbeitet, oder befinden sich bereits auf einer Art Migrationspfad. Andere verfallen in eine Art vorschnellen Aktionismus und haben das Gefühl, jetzt irgendwie die neue Technologie einsetzen zu müssen – ohne genau zu wissen, wozu eigentlich. Das Gleiche passiert übrigens aktuell auch mit dem Thema Blockchain.
Man muss sich sachlich, inhaltlich und praktisch der Sache nähern und daraus ableiten, was überhaupt relevant ist. Kunden treten oft mit dem Wunsch an uns heran, irgendwie eine KI-Lösung umzusetzen. Wenn wir dann an die eigentliche Problemstellung herangehen, stellt sich heraus, dass sich das Problem auch ohne KI lösen lässt.
Deshalb erarbeiten wir mit jedem Unternehmen die Frage: Was wollen wir eigentlich erreichen? Und dann sehen wir uns zusammen an, was an Know-How, Infrastruktur, Tools bereits vorhanden ist. und fragen uns, ob sich das wahrgenommene Problem nicht bereits damit bewältigen lässt. Zielloser Aktionismus wird kein Problem lösen.
Sie hatten auch das Thema Prototypen angeschnitten. Wie begleiten Sie da die Unternehmen, können Sie da ein exemplarisches Beispiel anführen?
Nehmen wir als Beispiel einen Kunden aus der Geräteteileproduktion. In seinem aktuellen Herstellungsprozess hat er – vereinfacht ausgedrückt – ein Verhältnis von 70% guten und 30% schlechten Teilen. Es ist klar, dass der Fehler im Prozess liegt. Aber er weiß nicht genau wo.
Sagen wir, der Produktionsprozess umfasst 10 Produktionsstufen. Teile werden eingeschmolzen, in Formen gegossen, und so weiter. Über diesen gesamten Prozess findet eine Sichtkontrolle statt: Es wird gelegentlich die Temperatur ermittelt, oder mit einer Schieblehre nachgemessen. Wenn sich dann herausstellt, dass aus einer Produktionspalette falsche Teile hervorgegangen sind, wird oft die ganze Palette vernichtet werden, da es sehr aufwändig ist jedes Teil einzeln nachzuprüfen.
Wir haben uns diesen Produktionsprozess angesehen und uns gefragt, wie wir alle Vorgänge darin digital, also datenzentrisch, erfassen können. Bei uns nennt sich das Digital Process Redesign. Alles was erfasst wird – Temperaturen, Maßangaben, und so weiter – wird in Werte aufgenommen, damit man weiß, wie der Regelfall aussehen soll. Dann haben wir uns gefragt: Ausgehend von diesen Daten, wie lässt sich der Prozess verbessern?
Im vorliegenden Fall hat eine intelligente Image Recognition Lösung geholfen, bei der eine hochauflösende Kamera eingesetzt wird und Bilder der einzelnen Produktionsschritte aufnimmt. Diese Bilder laufen in ein dezentrales Machine Learning System, auf das über die Cloud zugegriffen werden kann. Dann muss klar definiert werden: Was ist eine gute Qualität, was ist eine mittlere Qualität, die noch repariert werden kann und was ist eine schlechte Qualität, die aussortiert werden muss? Auf diese Weise kann die Bibliothek, auf der die KI aufsetzt, trainiert werden, das System wird von Produktions- zu Produktionsschritt immer schlauer.
Dadurch ergeben sich letztendlich zwei Vorteile. Erstens: Das Unternehmen weiß quasi in Echtzeit über die Qualität jedes einzelnen Prozessschritts Bescheid, hat vom ersten Prozessschritt an eine klare Transparenz, welche Qualitäten es liefert und kann Defekte bereits aussortieren, ehe sie den nächsten Prozessschritt erreicht haben. Und zweitens: Das Unternehmen kann dezentral über ein Dashboard überwachen, was auf welchem Band in welchem Werk gerade produziert wird, kann die Werte vergleichen und so herausfinden wie es sein kann, dass bei zwei gleichen Werken mit den gleichen Maschinen und Rohstoffen unterschiedliche Ausfallquoten entstehen. So kann das Unternehmen langfristig seine Produktion optimieren.
„Es besteht definitiv ein Nachwuchsbedarf“
Für einen solchen Optimierungsprozess haben wir einen portablen Demonstrator gebaut: Das ist ein Proof-of-Concept, bestehend aus einem PC mit einer KI-Lösung, einem Display, einer Kamera und einem Laufband, das komplett in einen Reisekoffer passt, quasi KI to go. Wenn das Band läuft, kann ich auf dem Display meine Teile überwachen; die KI sagt mir, wie gerade die Qualität ist, und über ein Dashboard kann ich mir anzeigen lassen, welche Qualität gerade auf einer Produktionsstraße an einem anderen Ort produziert wird. So kann ich die beiden Standorte direkt miteinander vergleichen. Das wäre ein Beispiel für Digitalisierung mit Hilfe von KI: Prozessautomatisierung, beziehungsweise Prozessoptimierung.
Es gibt noch eine ganze Reihe von KI-basierten Prozessoptimierungen, um beispielsweise per Überwachung durch Predictive Maintenance festzustellen, ob irgendwo ein Merkmal auftritt, das darauf hinweist, dass eine Maschine in Kürze ausfallen könnte um den idealen Zeitpunkt für Wartungszwecke zu bestimmen, ohne dass meine Produktion darunter leidet. Prescriptive Maintenance geht noch einen Schritt weiter und liefert zusätzlich Handlungsempfehlungen, so dass sich die Maschine quasi selbst repariert bzw. dass es gar nicht zu einem Ausfall kommen muss.
Solche Sachen sind immer ein Learning. Wie gesagt, wir begleiten den Kunden nicht nur in der Konzeptions- sondern auch in der Umsetzungsphase. Ein Proof-of-Concept hilft da enorm, die Lage realistisch einzuschätzen. Wir haben schon Projekte nicht umgesetzt, weil sich herausgestellt hat, dass sie nicht den gewünschten Effekt liefern. Genau dazu liefert der Proof-of-Concept bereits eine gute Einschätzung, weil man da bereits testen und sehen kann ob das versprochene Ziel erreichbar ist. Ich nenne den Prozess gerne Applied AI, angewandte KI, in dem Data Scientists die Algorithmen nutzen, auf die Daten ansetzen, um dann daraus ein praktisches Modell zu entwickeln.
Sie sagten Eingangs, dass Sie immer prüfen, was an Know-how bereits im Unternehmen vorhanden ist. Wie sieht es denn da allgemein in der Industrie aus: fehlt es momentan eher an Kompetenz für die Einführung von Künstlicher Intelligenz, beziehungsweise für Digitalisierungsprozesse? Oder ist es ein natürlicher Prozess, stellt sich die notwendige Erfahrung mit der Zeit von selber ein?
Es ist letzten Endes beides. Es besteht definitiv Nachwuchsbedarf, nicht nur bei Datenwissenschaftlern. Wenn Sie ihre Prozesse digitalisieren, stellt das auch höhere Ansprüche an die Cybersecurity. Jeder größere Mittelständler, der seine Prozesse digitalisieren will und neue daten-zentrische Geschäftsmodelle etablieren will, braucht zukünftig mehr als nur einen IT-Admin, der die klassischen Probleme kennt.
Wenn wir die Dinge so betrachten, dann haben wir definitiv zu wenig von diesen Talenten. Und dabei sind sie extrem gefragt: Am Markt herrscht derzeit ein regelrechter „war for talents“. Wenn wir mit Hochschulprofessoren reden hören wir oft, dass Studenten direkt von großen internationalen Playern abgefischt werden. Die letzten fünf, die ich selbst spannend fand, sind bereits zwischen Amazon, Google und Co. unterwegs gewesen. Das ist aber klar: Die Studenten sehen selbst, dass dort eine ganz andere Investitionsfreudigkeit herrscht. Das macht es letztendlich auch interessant, für so ein Unternehmen zu arbeiten, weil die maßgeblich mit unheimlichen Budgets und einem enormen Technologieverständnis aktuelle Themen vorantreiben.
Werden Unternehmen in Deutschland durch die bestehenden Verhältnisse ausgebremst?
Ausgebremst würde ich nicht sagen. Wir müssen einfach Talente fördern! Wir müssen diese Themen – Künstliche Intelligenz, datenzentrische Ansätze, Data Science – noch breiter in die Universitäten bringen. Und wir müssen in den Firmen entsprechende Skills trainieren.
Unternehmen müssen lernen, wie man geeignetes Fachpersonal anlockt
Aber auch unabhängig davon ist es notwendig, seine eigene Mannschaft zu schulen. Man wird nicht automatisch auf dem Markt die notwendige Anzahl an Talenten finden – man muss intern die Kompetenzen aufbauen. Daran führt kein Weg vorbei. Da muss man sich die richtigen Fachleute reinholen, um die eigenen Mitarbeiter fit zu machen. Egal, ob es um KI, Cybersecurity oder Blockchain geht: Das sind alles Themen, die letztendlich die Digitalisierung ausmachen.
Bei der Detecon machen wir beispielsweise eigene Education-Trainings durch, um Mitarbeiter wie Kunden für Digitalisierungsthemen fit zu machen: In unserem Academy Ansatz haben wir quasi zu allen relevanten Digitalisierungsdomänen, wie Cybersecurity, IoT, Data Analytics und KI, oder auch zu Agilisierung, DevOps oder Design- und Data Thinking, Trainings für unterschiedliche Einstiegs- und Fortbildungslevel.
Zudem ist es wichtig, die Auswirkungen auf die firmeneigenen Personalabteilungen zu erwähnen. Auch hier müssen entsprechende Kompetenzen geschult werden. Wenn HR-Mitarbeiter 20, 30 Jahre lang Maschinenbauer eingestellt haben, und das heute noch nach den gleichen Methoden tun, dann bekommen sie zwar jemanden der weiß, wie man Metall bearbeitet. Aber sind sie dann auch in der Lage, geeignete Software Engineers einzustellen, die wissen, wie man Automationssoftware entwickelt und wartet? Oder Data Scientists, die wissen, wie man aus den gewonnenen Daten die richtigen Schlüsse ableitet? Wenn Sie geeignete Mitarbeiter oder Mitarbeiterinnen anlocken wollen, dann müssen die auch eine Stellenausschreibung zu sehen bekommen, die ihnen das Gefühl gibt, in dem Unternehmen gut aufgehoben zu sein. Digitalisierung ist ein Prozess, der nicht nur in der IT stattfindet, sondern das ganze Unternehmen betrifft – einschließlich der Personalabteilung.
:quality(80)/images.vogel.de/vogelonline/bdb/1529600/1529612/original.jpg)
Einführung in Machine Learning: Wozu ist es nützlich – und für wen?
:quality(80)/images.vogel.de/vogelonline/bdb/1427700/1427736/original.jpg)
Künstliche Intelligenz – vom Aufblühen einer alten Disziplin
(ID:45872191)