Konzepte und Lösungen von morgen

Künstliche Intelligenz & Machine Learning

Machine Learning ist die nächste Evolutionsstufe der Digitalisierung. Zum ersten Mal wird die Automatisierung des Erkenntnisprozesses auf der Basis von Big Data ermöglicht. Für Unternehmen ergibt sich ein immenses Potenzial zur Steigerung der eigene Produktivität und zur Erschließung neuer Umsatzpotenziale. Das TCW unterstützt Unternehmen mit einem systematisches Vorgehen bei der Implementierung von Lösungsansätzen im Bereich Künstliche Intelligenz (KI) und Machine Learning.

Herausforderung

Was ist Künstliche Intelligenz und Machine Learning?

Maschinelles Lernen heißt, der Computer hat keine Logik einprogrammiert, sondern er erfasst die Umweltdaten und versucht dann in den Daten bestimmte Muster und Gesetzmäßigkeiten zu erkennen. Das Ziel ist es, Daten intelligent miteinander zu verknüpfen, Zusammenhänge zu erkennen, Rückschlüsse zu ziehen und Vorhersagen zu treffen.

Künstliche Intelligenz ist der fundamentalste Schritt des Menschen in seiner bisherigen intellektuellen Evolution. Künstliche Intelligenz ist hierbei der Überbegriff für das Ziel zur Nachbildung menschlicher Entscheidungsstrukturen:

Eigenständige Problemlösung
Problemlösung durch Lernen
Umgang mit unbekannten Problemen
Einbezug von Erfahrungswissen
Umgang mit Unsicherheit, probabilistischen Informationen

Abb. 2: Machine Learning und Künstliche Intelligenz

Die künstliche Intelligenz ist in der Industrie angekommen

Bei richtiger Nutzung der Technologie entstehen erdrutschartige Produktivitätsvorteile. Diese ergeben sich aus zwei Hebeln: Automatisierung und Beschleunigung von Erkenntnisprozessen. Diese Effekte machen sich schon heute zahlreiche Branchen zu Nutze. Mit Hilfe von maschinellem Lernen und neuronalen Netzen lassen sich Netzlasten und die Einspeisung regenerativer Energien prognostizieren. Für intelligente Stromnetze, sogenannte Smart Grids, die auf Erneuerbaren Energien basieren, müssen viele verschiedene kleine Stromerzeuger orchestriert werden. Es gibt viele Einflussfaktoren zu berücksichtigen: Wetter, voraussichtlicher Strombedarf und Speicherkapazitäten. Darüber hinaus finden sich auch Anwendungsfelder im Maschinenbau. Predictive Maintenance – also vorrausschauende Instandhaltung - ist eine Anwendung mit hohem Reifegrad. Ausfallzeiten von Anlagen können durch Echtzeitdiagnostik und einer Mustererkennung aus Betriebsdaten und Ausfallmustern reduziert werden. Der Computer beobachtet dazu eine große Anzahl an Anlagen über eine längere Zeit und lernt ziemlich zielsicher, welche Anzeichen auf einen drohenden Ausfall hinweisen. Mustererkennung ist in einer hochkomplexen Welt ein scharfes Werkzeug zur effizienten Entscheidungsfindung. Der Mensch als letztes Quality Gate wird aber auch weiterhin unersetzlich sein, denn die Ergebnisqualität ist ein entscheidender Punkt bei der Fragestellung, wie blind wir den Empfehlungen einer künstlichen Intelligenz vertrauen können.

„Unternehmen müssen sich überlegen, wie sie die Mustererkennung bestehender Datenstämme zur Produktivitätssteigerung und zur Vermarktung neuer Produkte und Services nutzen wollen.“

Für Unternehmen stellt sich die Frage, welche Ansätze zur Wertsteigerung im eigenen Unternehmen anzuwenden sind und wie diese neuen Technologien zur Dateninterpretation in der eigenen Organisation verankert werden können.

Das TCW Konzept

Die TCW Vorgehensweise gliedert sich in 2 Analyseperspektiven:

Technologien: Welche technischen Möglichkeiten und Algorithmen existieren? Hierzu erfolgt neben einem Screening von Technologien und Methoden eine Analyse externer Best-Practice-Beispiele.
Leistungslücken: Welche Werthebel sind durch Künstliche Intelligenz und Machine Learning beeinflussbar? Zur Beantwortung dieser Frage erfolgt die Identifikation von Kosten- und Werthebeln sowie die Ableitung von Freiheitsgraden und Handlungsbedarfen.

Die Vorgehensweise basiert auf dem Erfahrungswissen aus verschiedenen Branchen und wurde über viele Jahre immer weiter verfeinert. Die einzelnen Projektmodule können dabei passgenau an die jeweils gestellten Anforderungen im Unternehmen angepasst werden. In allen Modulen erfolgt ein enger Einbezug der Mitarbeiter im Unternehmen. So stellen wir den Wissenstransfer in die Organisation des Kunden sicher.

Modul 1: Projektleitfaden – Im Rahmen der Projektleitfadenerstellung werden

Vorarbeiten gesichtet
Handlungsbedarfe identifiziert und
Zielsetzung und Projektorganisation festgelegt

Das Ergebnis dieses Moduls ist ein Projektzeitplan mit abgestimmten Meilensteinen.

Modul 2: Ideengenerierung und Lückenanalyse – Mithilfe einer Analyse der Datenlandkarte im Unternehmen und der Ermittlung von Auffälligkeiten, Defiziten und Leistungslücken wird eine umfassende Einschätzung von Handlungsbedarfen als Grundlage zur Ableitung von Verbesserungsmaßnahmen sowie eine Eingrenzung und Vorbewertung von KI-Ansätzen ermöglicht. Hierzu sind folgende Tätigkeiten notwendig:

Durchführung des Reifegradchecks für die bestehenden Ansätze von Machine Learning und Künstlicher Intelligenz
Untersuchung des Ist-Zustands von Material- und Informationsströmen
Gemeinsame Erarbeitung von Ideen mit dem Unternehmen zur wertschöpfenden Datennutzung
Ableitung der Handlungsbedarfe je Handlungsfeld
Ermittlung der Effizienzhebel und Potentialquellen und möglichen Technologieoptionen

Modul 3: Soll-Konzept – In diesem Modul wird ein maßgeschneidertes Soll-Konzept zum Einsatz von Machine Learning Technologien erarbeitet. In diesem Zusammenhang wird eine Priorisierung der Lösungsansätze vorgenommen sowie Lastenhefte und das Umsetzungskonzept entwickelt. Hauptaufgaben sind:

Erarbeitung geeigneter Konzepte und Lösungsansätze in den verschiedenen Handlungsfeldern
Technische, kosten- und leistungsmäßige Bewertung von Umsetzungskonzepten
Definition der Systemlastenhefte (Datenpool, Auswertelogik, Input-/Outputdaten)
Technologieanbieter-Benchmarking und Auswahl
Überführen und Konsolidieren der Lösungsansätze in ein übergreifendes Soll-Konzept
Erstellung einer Technologieroadmap zur Nutzung von KI und Machine Learning Ansätzen

Am Ende dieses Moduls stehen eine Entscheidungsvorlage für ein Soll-Konzept zur Wertgenerierung mit KI und Machine Learning, verschiedene Business Cases und eine Technologieroadmap.

Modul 4: Implementierungsplanung und Pilotierung – Im vierten Modul steht die Implementierung des erarbeiteten Soll-Konzepts im Vordergrund. Hierzu werden konkrete Implementierungsmaßnahmen anhand ausgewählter Pilotprojekte definiert und das Unternehmen zur Umsetzung kundenspezifischer Geschäftsmodelle befähigt. Dafür sind folgende Tätigkeiten nötig:

Detaillierung der Umsetzungsstrategie, fallweise durch die Pilotierung von definierten Umfängen
Festlegen der Erfolgskriterien, Kennzahlen und Kenngrößen zum Messen der Erfolgspotenziale
Identifikation und Bewertung von Umsetzungsrestriktionen
Detaillierung und Abstimmung der Implementierungsplanung (Aktivitäten, Zeitpläne und Verantwortlichkeiten)
Begleitung der ersten Umsetzungsschritte und Pilotierung
Training und Coaching von Mitarbeitern
Maßnahmencontrolling und Ergebniskontrolle zur Bewertung der Pilotierung und nachhaltigen Potenzialrealisierung

Initiierte Pilotprojekte und ausgewählte, kundenspezifische Geschäftsmodelle zur Umsetzung stellen das Ergebnis des letzten Moduls dar. Darüber hinaus wird ein Messkonzept zum Nachhalten der Potenziale erarbeitet.

Ergebnisse / Potenziale

Machine Learning und Künstliche Intelligenz haben ein breites Anwendungsfeld. Beispielprojekte reichen von Preventive Maintenance in der Instandhaltung, über die Ersatzteilkomissionierung und eine digitale Logistik bis hin zu Geschäftsmodellerweiterungen und völlig neuen Geschäftsmodellen durch digitale Lösungen. Entsprechend unterscheiden sich die Erfolgsgrößen in jedem Projekt. TCW kann Sie dabei unterstützen, ein individuelles Lösungskonzept zu entwickeln.

Das TCW legt großen Wert auf die Umsetzung von geplanten Maßnahmen und die Realisierung nachhaltiger Ergebnisse. Wir begleiten Sie von der Zieldefinition bis hin zum Rollout.

Weiterführende Literatur zum Thema Künstliche Intelligenz & Machine Learning

Neue Geschäftsmodelle in der Industrie 4.0
Leitfaden zur Entwicklung neuer Geschäftsmodelle in der Industrie 4.0
Vernetzte Wertschöpfung
Schlank – Nachhaltig – Digitalisiert
Lean & green & connected – Erfolgsmuster einer vernetzten Wertschöpfung
Tagungsband des Münchner Management Kolloquiums 2016
Roadmapping
Leitfaden zur Planung und Erschließung von Zukunftspotenzialen im Unternehmen