So optimiert KI den Maschinenbau

Künstliche Intelligenz (KI) kann den Maschinenbau beflügeln - wenn Unternehmen das richtige Setup dafür aufsetzen. Wie das aussieht, schildert ein Webcast der Computerwoche. Florian Baumann, CTO bei Dell Technologies, führt aus, wie Maschinenbauer Netzwerk, Storage und Rechner zusammenführen müssen, um den größten Nutzen aus KI zu ziehen. Er spricht mit seinem Kollegen Dorian Gast, Head of Business Development IoT, über konkrete Use Cases.

Fachjournalist Sven Hansel von der Computerwoche moderiert den Webcast und startet gleich mit einer Survey: "Was treibt die Disruption in ihrem Unternehmen wirklich an?", so seine Frage an die Webcast-Zuschauer. Er bekommt mehrere Antworten: 56 Prozent nennen als Erstes die Marktanforderungen. Mit 52 Prozent liegen die Kunden auf Rang zwei und 48 Prozent der Zuschauer nennen auch technische Trends. Dagegen geben nur acht Prozent unternehmensinterne Faktoren wie die Produktentwicklung an. Gast kommentiert: "Das zeigt, dass die Unternehmen zu wenig aus eigenem Antrieb heraus tun." Als Key Faktoren der digitalen Transformation nennt er Stichworte wie ADAS/AD und Smart Mobility. "Wir stecken mitten in der vierten Phase der Industriellen Revolution", schließt der Dell-Manager.

Eine sechsstufige Pyramide macht die Logik sichtbar

In der Bewertung dessen zeigt Gast sich optimistisch: "Produktionsstätten, Knowhow und Menschen sind da, jetzt müssen Geschäftsprozesse durch Daten optimiert werden". Was komplex klingt, beinhaltet bei genauem Blick einen logischen Aufbau. Dell skizziert das anhand einer sechsstufigen Pyramide: ganz unten bewegt man sich auf dem Field Level. Über das Control Level, Operations Level, Management Level und Analytics Level geht es stufenweise hoch bis ins Business Level. Technologisch gesehen geht es um Sensorik, Control System, Operating System, Control Center und Data Lake bis ganz oben in das Enterprise Ressource Planing (ERP).

"Das ganze Thema KI bedingt einen hohen Datenaufwand", betont Gast. Hier unterstützt Edge Computing, definiert als der Einsatz von Compute Power vor Ort. (Also nicht wie in der Cloud, wo die Rechenleistung in RZ des Anbieters bereitgestellt wird.) Doch die zentrale Frage lautet immer: "Was will der Kunde tun? Wo will er seine Daten erheben?" Dell stellt die entsprechenden Ressourcen bereit, so die Experten. In Workshops wird gemeinsam mit dem Kunden eruiert, was das Unternehmen braucht, und Proof of Concept erstellt.

Wo aber sehen die Webcast-Zuschauer die größten Herausforderungen bei der Implementierung neuer digitaler Technologien? Moderator Hansel startet auch dazu eine Umfrage - mit klaren Ergebnissen: 52 Prozent haben nicht genug Fachkräfte/Fachwissen, 45 Prozent sprechen von Budget-Schwierigkeiten.

In seiner Praxis beobachtet Baumann beim Einsatz von Künstlicher Intelligenz (KI) sechs große Herausforderungen: Powerful Compute, Compute und Analytics am Edge, High-Performance Storage und Data Production, Multicloud Operating Models sowie Software-definded Infrastruktur und DataMobility. Daraus leitet der Experte konkrete Fragen ab: "Wie baue ich das entsprechende Ecosystem auf? Wie werde ich Production-ready? Arbeiten meine Teams nach agilen Methoden? Wie erreiche ich die nötige Skalierbarkeit?"

"Machine Learning ist keine Magie!"

Wer mit ML/DL/Analytics starten will, braucht Data Scientisten und muss das IT-Team mit ins Boot holen, so die Empfehlung von Baumann. "Dann muss ich Daten sammeln, etwa Logs, Systemdaten, Projektdaten und Weiteres." Er rät, einen kleinen Proof-of-Concept zu machen und dann Schritt für Schritt mehr Komplexität zu bewältigen.

Kundenbeispiele zeigen sich in den Branchen Automotive (Qualitätskontrollen), Galvanisierung (Optimierung), Maschinenbau (Predictive Maintenance) oder Abfüllanlagen (Asset Monitoring). "Die IT soll transparent machen, was ich im Feld habe und was ich optimieren kann", kommentiert Baumann. Ein weiterer Use Case stammt von MAN Energy Solutions. Hier geht es um einen Hersteller von Schiffsmotoren, das Ziel lautete "Connectivity first". Wartungszyklen sollten vorausschauender sein, Wartungsintervalle besser planbar. "Im Idealfall bekommt der Kunde, also der Reeder, von der Wartung gar nichts mehr mit", erklärt Baumann.

Unabhängig von Branche und Unternehmen aber gilt immer: "Der Kunde muss ein ungefähres Zielbild und eine Roadmap haben", so Gast und Baumann. Denn "Machine Learning ist keine Magie. Wenn ich nicht weiß, was ich will, weiß es der Algorithmus auch nicht!"

Hier den Webcast ansehen