Machine Learning auf dem Vormarsch
Der Wegbereiter für Industrial Intelligence

Wer die aktuelle Berichterstattung über Künstliche Intelligenz (KI) – engl. = Artificial Intelligence (AI) – und Maschinelles Lernen (Machine Learning – ML) verfolgt, dem wird einiges an mentaler Kondition abverlangt. Alles scheint möglich. Genau darin liegt die Crux. Potenzielle Anwender aus dem industriellen Umfeld fragen sich zum Beispiel, welche konkreten Möglichkeiten es gibt, KI-Ansätze gewinnbringend einzusetzen – und zwar hier und heute. Denn sollte sich die Einschätzung führender Experten bewahrheiten, besteht dringender Handlungsbedarf. Auch der sprunghafte Anstieg der Verbreitung von KI in den kommenden 1,5 Jahren spiele dabei eine nicht unerhebliche Rolle. Für Erkundigungsexpeditionen in ferne Galaxien bleibt da keine Zeit. Vor diesem Hintergrund haben wir alles Wichtige zum Thema hier für Sie zusammengefasst.

Künstliche Intelligenz versus Machine Learning

Vielfach werden „Künstliche Intelligenz“ (KI) und „Machine Learning“ (ML) synonym verwandt. Doch ganz korrekt ist das nicht. So steht KI für Anwendungen, wo IT-Systeme und Maschinen, wie beispielsweise Roboter, unter Zuhilfenahme antrainierter Intelligenz Leistungen erbringen. Machine Learning hingegen ist praktisch eine – wenngleich entscheidende – Teildisziplin von KI. Im Fokus stehen hierbei das (industrielle) Internet der Dinge (IoT) sowie die Ambition Anlagen – vereinfacht ausgedrückt – so zu unterrichten, dass sie beginnen, eigenständig zu lernen und dabei auch das exorbitante Datenvolumen des IoT einbeziehen.

Beim Thema „Deep Learning“ hingegen geht es darum, die erworbenen Fähigkeiten stetig weiterzuentwickeln. Vorstellung ist, dass Maschinen, die bereits ein gewisses Intelligenz-Niveau erreicht haben, anhand verfügbarer Informationen und Algorithmen in Eigenregie sich wiederholende Muster erkennen, Analysen vornehmen und Rückschlüsse ableiten. In letzter Konsequenz sind die Geräte in der Lage, in möglichst kurzer Zeit nicht nur geeignete Lösungswege zu finden, sondern auch aus gemachten Fehlern zu lernen und sich hierbei kontinuierlich selbst zu optimieren. Damit dies gelingt, ist der Mensch im Vorfeld aufgefordert, u.a. entsprechende Algorithmen sowie Regeln für die Musteridentifikation vorzugeben.

Welche Technologiesprünge forcieren die Weiterentwicklung?

Mit „Predictive Maintenance“, der proaktiven Instandhaltung, haben bereits viele Unternehmen der produzierenden und verarbeitenden Industrie erste Schritte unternommen, die Transformation hin zur „Smart Factory“ zu vollziehen. Doch das ist praktisch nur ein weiterer logischer Schritt, wenn man bedenkt, dass es sich beispielsweise bei Pick-by-Voice, der sprachgestützten Kommissionierung, bereits um eine KI-basierte Anwendung handelt. Möglichkeiten der Sprach- und Texterkennung werden seit geraumer Zeit auch für weitere digitale Assistenten genutzt. Hinzu kommen Gesten- oder Gesichtserkennung (Pick-by-Motion) oder auch automatisch generierte Kaufempfehlungen, wie wir sie von Amazon & Co. kennen. Darüber hinaus lassen sich schon heute mittels ML- basierter Handlungsvorschriften selbstlernende Regelkreise in das Manufacuring Execution System (MES) integrieren.

Machine-Learning-Algorithmen werden also seit geraumer Zeit schon intensiv genutzt. Ihr Einsatz empfiehlt sich überall dort, wo bestehende Geschäftsprozesse weiter automatisiert werden sollen. Angesichts vorhandener Big Data-Technologien können selbst gewaltige Mengen an Informationen zielsicher aufbereitet und entsprechend zugeführt werden. Stützenhilfe in bis dato unerreichtem Ausmaß leistet hier zum Beispiel die hochperformante In-Memory-Datenbank SAP HANA. So ist es unter anderem möglich, auf operativer Prozessebene eine auf Deep-Learning-Algorithmen basierende Bildanalyse und -überwachung zu implementieren. Darüber hinaus lassen sich in elektronischen Dokumenten enthaltene Texte und Grafiken extrahieren und auswerten. De facto sind lernende Maschinen wesentlich leistungsfähiger als der Mensch, wenn es darum geht, aus großen Datenmengen zuverlässige Vorhersagen abzuleiten. Für Anwender derartiger Technologien bedeutet dies, dass sie aus einer bis dato nie dagewesenen Lösungsqualität schöpfen und kontinuierlich neues Wissen aufbauen können.

Typische Anwendungen im industriellen Umfeld

In der Industrie lassen sich die Potenziale von Artificial Intelligence (AI) und Machine Learning (ML) speziell in den Bereichen Monitoring, Qualitätssicherung, Logistik und Energiemanagement nutzen. Mittels ML sind Verantwortliche beispielsweise stets über das Verhalten und den Zustand (bis ins kleinste Detail) ihrer Maschinen informiert. Bei Abweichungen vom regulären Status werden entsprechende Warnungen ausgelöst. Darüber hinaus sind Prognosen hinsichtlich der Güte eines Produkts möglich – und das bereits in einem sehr frühen Fertigungsstadium. Auch fungiert ML als Schlüsseltechnologie einer automatisierten Intralogistik. Befähigt zum „Deep Learning“ übernehmen zum Beispiel fahrerlose Transportsysteme (FTS) die Just-in-Time-Versorgung der Montagelinien mit den benötigten Bauteilen. Während der Fahrt beziehungsweise des Transports lokalisieren sie ihre Umgebung und navigieren als eine sich selbst organisierende Flotte sicher, ggf. parallel zum Menschen, auf ihrem Parcours. Nicht zuletzt lässt sich mithilfe von Machine Learning das Beschaffungswesen auf dem Energiemarkt optimieren. So können anhand von Verbrauchsmustern der Vergangenheit kommende Bedarfs- und Preisschwankungen nivelliert werden.

Wie disruptiv ist Machine Learning (ML)?

„Machine Learning revolutioniert Geschäftsmodelle“, zu diesem Ergebnis kommt eine aktuelle Studie (29.08.18) von SAP und der Economist Intelligence Unit. Darin ist auch festgehalten, dass ML Eigenschaften einer disruptiven Technologie aufweist. So könnten Maschinen auf Basis gewonnener Daten und in Verbindung mit intelligenten Algorithmen stetig lernen und in Folge Schlüsse daraus ziehen, ähnlich der Fähigkeit des Menschen. Zudem soll Machine Learning die Effizienz von Geschäftsprozessen „exponentiell“ steigern, ohne dass erhöhter Aufwand damit einhergeht. Denn die Automatisierung setze sowohl personelle als auch monetäre Ressourcen frei. Last but not least schaffen Künstliche Intelligenz (KI) und Machine Learning (ML) die Voraussetzungen, Wissen zu vervielfachen und Prognosen zu treffen, die hinsichtlich ihrer Trefferquote bislang undenkbar schienen. Auf dieser Basis steigen die Chancen, neue tragfähige Geschäftsmodelle entwickeln zu können, die den Kunden einen eindeutigen Mehrwert bieten.

SAP Leonardo – Enabler für Industrial Intelligence-Applikationen

Big Data, Blockchain, Internet der Dinge (IoT), Analytics, Machine Learning, Data Intelligence – diese Innovationsfelder bedient SAP Leonardo, das zentrale „Digital Innovation System“, welches die Walldorfer nach dem italienischen Universalgelehrten Leonardo Da Vinci benannt haben. Die auf das Machine Learning abgestimmten, integrierten Funktionen und Services in SAP Leonardo sind allerdings nicht so neu, wie man vermuten könnte. Sie wurden vielmehr durch SAP kontinuierlich an wachsende Anforderungen angepasst. Im Kern umfassen die ML-Komponenten die Applikationen SAP Predictive Analytics, HANA Predictive Analytics Library und Leonardo Machine Learning Foundation.

SAP Predictive Analytics wird wahlweise als Cloud-Anwendung sowie als On-Premise-Ausführung angeboten. Letztere kann lizenziert als autarke Softwarelösung genutzt werden. Parallel besteht die Möglichkeit die In-Memory-Datenbank SAP HANA anzubinden. Kennzeichnend für SAP Predictive Analytics ist eine grafisch orientierte Nutzeroberfläche, über welche Funktionen von SAP HANA Library genutzt werden können. Diese wiederum vereinfachen das Training von ML-Piloten, um anschließend direkt mit dem Einsatz in der Praxis zu starten.

Sie sind spätestens jetzt überzeugt, dass Künstliche Intelligenz (KI) und Machine Learning (ML) in SAP auch Ihrem Unternehmen deutliche Vorteile verschaffen kann? Dann sprechen Sie uns gerne an. Das Team der IGZ bewertet gemeinsam mit Ihnen, welche Produktionsprozesse positive Effekte durch die Implementierung von Industrial Intelligence versprechen und unter welchen Voraussetzungen eine möglichst rasche und sichere Umsetzung auf Basis der „SAP Leonardo Machine Learning Foundation – Functional Services“ möglich ist. Auch informieren wir Sie gerne über das Potenzial eines „Digital Twin“ in der Cloud mit SAP Manufacturing Execution System (SAP MES).