Industrie 4.0 : AI und das Problem fehlerhafter Daten
AI ist in aller Munde – besonders in der Industrie. Sie sei die Zukunft, wird gerne gesagt. Und dabei vergessen manche, sie in die Gegenwart zu holen.
Denn künstliche Intelligenz hat Potenzial für eine große Bandbreite an Einsatzorten. Trotzdem wird sie in vielen Bereichen noch kaum verwendet. Eine Befragung durch Deloitte von 200 Experten auf dem Gebiet ergab: Nicht ganz die Hälfte der Unternehmen nutzen AI für ihre IT-Abteilung und gut ein Fünftel für ihre Cyber Security.
Danach kommt schon ein steiler Abstieg. Da und dort wird KI schon in der Produktion, sowie in der Logistik oder im Kundenservice angewendet. Doch im Finanzbereich, im Einkauf und in der Strategieentwicklung liegen die Nutzerzahlen bei nicht einmal zehn Prozent. Ob sich künstliche Intelligenz hier einfach weniger eignet? Ganz sicher nicht.
Im Juni gibt es den Deep Dive Meet-Up der Industrie zum Thema Industrial AI. Hier geht es zum ganzen Programm, Kontakt und Tickets.
Scheitert AI an den Datenproblemen?
Auch mangelndes Vertrauen in den Mehrwert oder fehlendes Commitment des Betriebs sind eher selten der Fall. Vielmehr sind laut der Deloitte-Umfrage die größten Hürden: das Risikomanagement, die Integration und Implementierung, hohe Kosten, sowie Datenprobleme.
Stichwort Daten. Datenschutz ist hier oft das vorrangige Problem, doch auch die mangelhafte Qualität des Datenbestandes fällt immer wieder auf. Mit einer trainierten KI große Datenmengen zu bewältigen, sei ein guter Ansatz, meint Johanna Schmidt, studierte Informatikerin und Forschungsgruppenleiterin am VRVis. Aber die Stufe davor sei unerheblich.
Die Stufe davor ist die Harmonisierung, um saubere Ergebnisse zu erzielen. „Es bringt wenig, die KI auf einen noch fehlerhaften Datenbestand loszulassen.“
Wenn Datenqualität übersehen wird
Und auch in Anwenderfällen mangelt es oft an der nötigen Datenqualität, erklärt Manuel Hausjell, Consultant beim Softwareentwickler TietoEvry. Das kann vor lauter Freude über die AI regelrecht übersehen werden, wenn die Vernetzung bei Use Cases wie Predictive Maintenance schon so gut klappt.
Zur Selbstoptimierung fehlt noch einiges – etwa bei Steuerdaten gerade bei älteren Anlagen. „Anwender sollten beim Anlagenkauf die Rückschreibbarkeit von Steuerdaten einfordern“, rät Hausjell.
Das könnte Sie auch interessieren: Kann Industrial AI seine Versprechen halten?
„Fehlerhafte Bestände bringen wenig“
Was es braucht, sind natürlich mehr Spezialisten. „Gerade bei der Kombination mit unstrukturierten Daten im Data Lake als auch strukturierten Daten im Data Warehouse“, so Hausjell. Rund ein Viertel der Unternehmen suchte vergangenes Jahr Data Scientists, KI-Researcher oder Transformationsexperten, um Kompetenzlücken zu schließen.
Dieser Artikel erschien erstmals 2021. Aufgrund seines nach wie vor relevanten Inhalts haben wir ihn gerne für Sie aus dem Archiv geholt und geupdatet!