Intelligente Softwarelösungen für nahtlose Vernetzung

Künstliche Intelligenz soll bei Continental alles verbessern: von der Fahrzeugvernetzung bis zur Verkehrssteuerung. (Bild: Continental)

Künstliche Intelligenz (KI) entwickelt sich immer stärker zu einer Art Allzweckwaffe gegen die Langsamkeit des Fortschritts. In immer mehr Anwendungen spielt sie eine dominante Rolle – von Amazons Sprachsteuerung Alexa bis zur Erkennung von Fußgängern durch automatisch fahrende Autos. Und nun also Continental: Das Hannoveraner Unternehmen will KI in Zukunft für alle möglichen IT-Prozesse nutzen. Nein, nicht nur einfach nutzen: „Continental wird eine AI-empowered Company“, verkündet das Unternehmen. Künstliche Intelligenz soll sich in allen möglichen Bereichen nützlich machen, von der Produktentwicklung bis zur Prozessautomatisierung, vom Abbiegeassistenten bis zur Qualitätssicherung. Dazu sollen zusätzlich zu den bereits vorhandenen 400 weitere 300 KI-Experten eingestellt werden. Erst kürzlich eröffnete das Unternehmen in Budapest ein weiteres Entwicklungszentrum für Aufgaben rund um KI. Gleichzeitig will man die Zusammenarbeit mit der Forschungslandschaft intensivieren: Continental unterhält Partnerschaften mit so renommierten Instituten wie dem DFKI, der Universität Oxford und dem DeepDrive-Center der Universität Berkeley in Kalifornien. Mit ihrem forcierten KI-Kurs liegen die Hannoveraner durchaus im Mainstream. Einer Umfrage des IT-Beratungsunternehmens Crisp Research zufolge denkt wohl die große Mehrheit der deutschen Unternehmen über den Einsatz von KI nach, 59 Prozent haben bereits Erfahrungen damit gesammelt. Das Spektrum der Anwendungsmöglichkeiten reicht von der Implementierung von Bots bis zur Bild- und Videoanalyse.

Ähnlich breit gefächert soll auch das Themenspektrum in Sachen KI bei dem niedersächsischen Automobilzulieferer werden. Demetrio Aiello, Chef von Contis Forschungsbereich für künstliche Intelligenz und Robotik, hat sich ehrgeizige Ziele gesetzt. Zu seinen Vorbildern zählt kein geringerer als etwa Sebastian Thrun, der einst die elektronische Steuerung des autonom fahrenden Siegerautos in der legendären Darpa Grand Challenge entworfen hatte und später maßgeblich am Aufbau von Googles KI-Labor beteiligt war. „Thrun entwickelte in Stanford eine KI-gestützte Analyse zur Erkennung von Hautkrebs, die eine bessere Performance als ein Facharzt aufwies – und das in nur sechs Monaten“, berichtete Aiello auf Continentals KI-Kongress AIR Day im November. Die Abkürzung AIR steht für Artificial Intelligence and Robotics. Der große interdisziplinäre Bogen Thruns – vom autonomen Fahren bis hin zur Diagnose gefährlicher Krankheiten – ist der Stoff, der KI-Experten beflügelt. Für das Geschäft von Continental sieht Aiello vor allem zwei große Einsatzgebiete: die Entwicklung innovativer Produkte und Dienstleistungen einerseits und die Automatisierung interner Prozesse andererseits. Welcher Prozesse? Igor Neiva Camargo, Leiter des Machine Learning Labs im Continental-AIR-Team, gibt eine selbstbewusste Antwort. „Im Prinzip alle“, sagt er. Sein Team hat bereits eine Reihe von Pilotprojekten gestartet, einige stehen kurz vor der Industrialisierung.

Cockpit Vision 2025 Advertisment Continental

Beispiel Personalverwaltung und -entwicklung: Dort hilft künstliche Intelligenz, unstrukturierte Daten wie Textdokumente und eingescannte Formulare oder Zertifikate zu erfassen und zu verstehen. „Wenn sich der Familienstand eines Mitarbeiters ändert, müssen wir heute die entsprechenden amtlichen Dokumente von Hand in unsere Datenbanksysteme einpflegen. Solche Prozesse kann man mit KI deutlich vereinfachen“, sagt Camargo. Ein weiteres, bereits recht weit fortgeschrittenes Projektbeispiel der KI-Truppe befasst sich mit Supply Chain Management. In diesem Bereich hat sich Continental sogar ein definiertes Ziel gesetzt: Die „Vision Fast Forward“ sieht vor, bis 2030 die vorhandene lineare Supply Chain in ein autonomes Supply Network zu überführen. Damit will der Konzern unternehmensweit eine Art „gläserne Supply Chain“ schaffen. „Wir wollen die vollständige Transparenz“, erläutert Simon Tschöke, Data Scientist im Supply Chain Management des Konzerns. „Das heißt: Wir wollen jederzeit wissen, wo sich alle bestellten Teile gerade befinden. Sind sie auf dem Weg vom Lieferanten zu uns? Sind sie im Lager? Erfüllen sie unsere Qualitätsvorgaben?“, so Tschöke. „Wir wollen diese Transparenz, um die Lieferkette effizient steuern zu können.“ KI kann dabei helfen, dieses Ziel zu erreichen. Neuronale Netze werten kontinuierlich die Inhalte sozialer Netze aus, um die Liefersituation zu beobachten. Tritt eine Störung auf – etwa durch ein Erdbeben in der Region des Lieferanten –, lassen sich die Auswirkungen leichter und vor allem schneller einschätzen als auf herkömmlichem Weg. Nicht nur Transparenz wird so angestrebt. Die KI-Fachleute wollen sogar eine Art Wettervorhersage für die Supply Chain erreichen, die Einkäufer bei ihrer Planung unterstützt. „Wir müssen für die Produktion kontinuierlich zigtausende Rohmaterialen und Zwischenprodukte einkaufen“, schildert Camargo die Motivation. „Eine genaue Vorhersage auf Wochen- und Monatsbasis und auch darüber hinaus ist sehr wichtig. Teilweise müssen wir sechs Monate oder mehr im Vor­aus disponieren.“ Eine präzise Vorhersage des Materialbedarfs für die Produktion erfordert viel Erfahrung. Mit Deep Learning lassen sich aus historischen Bestelldaten komplexe Zusammenhänge herausdestillieren. Daraus wiederum erstellen die Datenfachleute Modelle, die die Vorhersage um ein Vielfaches verbessern können. Nicht nur die Produktion könne davon profitieren, sondern auch die Logistik.

Die Entwicklungsprozesse für solche KI-Modelle unterscheiden sich etwas von den konventionellen Methoden. Die Anregungen für neue Anwendungen kommen teils von den KI-Experten selbst, teils aus den Fachabteilungen. In einem ersten Schritt geht es immer darum, sich Sample-Daten für das Training der neuronalen Netze zu besorgen. Als Nächstes setzen sich die Fachabteilungen mit den KI-Experten zu Workshops und Hackathons zusammen. „Dabei versuchen wir, erste Ideen produktiv umzusetzen – eine Art Rapid Prototyping“, erklärt Igor Neiva Camargo. Während bei einer konventionellen Entwicklung – agil gilt hier bereits als konventionell – der Code versioniert und dann iterativ und nach agilen Prinzipien weiterentwickelt wird, sind bei Data Science, wie die KI-Entwickler ihre Disziplin nennen, noch zusätzliche Probleme zu lösen. „Die Qualität der Daten muss stimmen. Lernende Systeme sind datenhungrig und Artefakte bereiten uns viel zusätzliche Arbeit“, sagt Camargo. Außerdem gelte es, die richtige Infrastruktur für Aufnahme, Speicherung und Verwaltung der Daten aufzustellen. Die KI-Entwickler können in manchen Fällen auf die Daten von über zehn Jahren zurückgreifen. Dabei handelt es sich um sehr heterogenes Material: Bestelldaten, Prozessdaten, Bilder aus der automatisierten Qualitätssicherung „Wir nutzen alles, was wir kriegen können“, lacht Igor Neiva Camargo.

Sie möchten gerne weiterlesen?