Mitarbeiter sitzt in der BMW-Fertigung an einem Touch-Bildschirm

Mithilfe eines Labeling-Tools sollen BMW-Mitarbeiter am Band bestimmte Bauteile für das Anlernen der KI-Algorithmen katalogisieren. (Bild: BMW)

Jeder spricht davon, doch nur die wenigsten wissen, welche Potenziale künstliche Intelligenz (KI) und Machine Learning (ML) wirklich in sich tragen und wie diese in der Realität zu heben sind. Keine Frage, KI-Algorithmen verlassen zusehends die Entwicklungslabore und verbessern in zahlreichen Unternehmensbereichen schon heute Systeme und Prozesse. In einer aktuellen Befragung der Marktforscher von IDG geben fast die Hälfte der deutschen Firmen (48 Prozent) an, KI- beziehungsweise ML-Technologien bereits im Einsatz zu haben. Im Fokus steht dabei vor allem die Optimierung der Prozesse: Fast zwei Drittel der Großunternehmen ab 1.000 Mitarbeitern wollen mit Machine Learning effizientere Abläufe erreichen.

KI-Wissen ist Mangelware

Die IDG-Studie zeigt jedoch zugleich, dass eine der größten Hürden bei der Umsetzung von KI- und ML-Anwendungen fehlende Expertise in dem neuartigen Technologiefeld ist. Vor allem Fachabteilungen bewerteten mangelndes KI-Knowhow (39 Prozent) als größtes Hemmnis, IT-Fachleuten wiederum führten unzureichende Programmier- (28 Prozent) und Statistik-Kenntnisse (26 Prozent) als Hindernisse an. Vor allem in der Autoindustrie scheint der KI-Wissensmangel zu grassieren, wie eine Studie von Bitkom Research und Tata Consultancy ans Licht brachte: Demnach geben sechs von zehn Automotive-Unternehmen an, dass es intern an Expertise fehle, um die Potenziale von KI voll auszuschöpfen.

BMW-Mitarbeiter sitzt vor Computer
Bei BMW sollen KI-Algorithmen beispielsweise die korrekte Position der Modellbezeichnung am Heck überwachen. (Bild: BMW)

Ein Problem, das sich noch deutlich verstärken wird, sollten Anwendungen der künstlichen Intelligenz endlich in der Breite ankommen. Denn das mangelnde Wissen kann nicht unbedingt durch ein Überangebot an KI-Fachleuten und Data Scientists – gerade in Deutschland – ausgeglichen werden. Doch vielleicht ist ein Mehr an KI-Experten gar nicht unbedingt vonnöten, wenn man das bestehende Fachpersonal stärker befähigt. Hilfe zur Selbsthilfe bei schlauen Algorithmen sozusagen.

Neuronale Netze selber bauen

Genau dieses Credo hat man sich auch bei BMW in der Produktion auf die Fahnen geschrieben. Die Münchner haben ihre Initiative dabei unter das anspruchsvolle Motto der „Demokratisierung von KI“ gestellt, durch die das Thema Machine Learning aus dem Elfenbeinturm der hochqualifizierten Data Scientists geholt werden soll. Konkret wird dieser Ansatz auf dem Shopfloor in den BMW-Werken: Im Bereich der Bilderkennung kommt seit kurzem das sogenannte Labeling Tool Lite zum Einsatz, mit dem Mitarbeiter in der Produktion einfach Merkmale auf Fotos markieren können, beispielsweise die Modellbezeichnung am Heck eines Fahrzeugs. Die dem Tool zugrundeliegende KI-Software soll nach wenigen Stunden bereits in der Lage sein, auf Basis der eingegebenen Labels zwischen richtig und falsch zu unterscheiden. Durch den Abgleich mit den Live-Bildern aus der Produktion soll die Computer-Vision-Anwendung schneller als bei der konventionellen Objektdetektion erkennen, ob die Werker die korrekten Teile verbaut haben.

„Wir wollen Mitarbeiter befähigen, neuronale Netze im Self-Service aufzubauen“, betont Matthias Schindler, Clusterverantwortlicher Smart Data Analytics bei der BMW Group auf dem automotive production summit 2020. „Die KI-Algorithmen stehen dabei jedem Werker zur Nutzung zur Verfügung, ohne dass er auf spezielle Programmierkenntnisse zurückgreifen müsste.“ Schindler ist bei BMW für sämtliche KI-Aktivitäten im Bereich der Fertigung verantwortlich. Er will den Selbstservice in naher Zukunft auf so viele Werke und Einsatzzwecke wie möglich ausweiten. Dabei geht es ihm vor allem darum, die Einstiegshöhe beim Thema KI zu senken. „KI soll nicht länger als Expertentechnologie verstanden werden, die vielleicht von nur ein paar hundert Data Scientists bedient werden kann.“ Unter dem Label „No-Code-AI“ sollen Produktionsmitarbeiter für simple KI-Anwendungsfelder befähigt werden und gleichzeitig von lästigen Routineaufgaben wie der Nachkontrolle befreit werden, betont Schindler.

Einen vergleichbaren Ansatz verfolgt auch Volkswagen in Wolfsburg. Im dortigen Smart Production Lab arbeitet man seit einigen Jahren mit Technologien der künstlichen Intelligenz, ähnlich wie BMW mit dem Fokus auf Industrial Computer Vision. Auch hier sollen Mitarbeiter im konkreten KI-Anwendungsfall in die Lage versetzt werden, intelligente Algorithmen anzulernen, indem diese mit ausreichend optischen Daten gefüttert werden. Bei Porsche in Leipzig fotografieren Bandmitarbeiter mit dem Smartphone an den Fahrzeugen angebrachte Etiketten, die über bestimmte Fahrzeuginfos Auskunft geben. Eine App überprüft die Bilder in Echtzeit auf den richtigen Inhalt und Sprache und gibt Feedback, ob alles in Ordnung ist. So entsteht kurzerhand ein relativ robustes neuronales Netz. Noch in diesem Jahr soll die Computer-Vision-Anwendung über die Industrial Cloud auf mehrere Standorte ausgerollt werden.

Frau zeigt mit Smartphone auf Etikett am Fahrzeug
Bei der VW-Tochter Porsche in Leipzig nehmen Bandmitarbeiter Fotos von Etiketten am Fahrzeug auf, die dann von einer KI überprüft werden. (Bild: Volkswagen)

Einheit aus Fachwissen und Innovation

Solche relativ simplen Einsatzmöglichkeiten für Machine Learning können jedoch nur entstehen, wenn die jeweiligen Fachbereiche von Beginn an mit in den Entwicklungsprozess eingebunden werden. Das weiß auch der Leiter des Smart Production Lab von Volkswagen, Matthias Behrens: „Letztlich müssen die Systeme, die wir entwickeln, auch dort verstanden werden, wo sie im Einsatz sind. Das schafft Vertrauen in die Technologie und ermöglicht es, Wissen um neue Technologien nachhaltig nutzbar zu machen.“ Nur wenn Fachkompetenz und technologische Innovation zusammengeführt würden, entstünde tatsächlicher Mehrwert beispielsweise für die Kollegen auf dem Shopfloor, sagt Behrens.

Ohne Zweifel sind dies nur erste Vorstöße, künstliche Intelligenz und Machine Learning in der Breite innerhalb von Unternehmen nutzbar, aber vor allem auch nachvollziehbar zu machen. Doch nur wenn KI auf derlei Art in den Alltag integriert wird und Mehrwerte sichtbar werden, kann langfristig das volle Potenzial dieses Prozessbeschleunigers in Industrieunternehmen ausgeschöpft werden.

 

Sie möchten gerne weiterlesen?