In vier Schritten zum KI- und Machine-Learning-Einsatz

Exklusiv für Abonnenten

Fehlende Zusammenarbeit

Ein weiterer Grund ist eine fehlende organisatorische Zusammenarbeit: Die Entwicklung der richtigen Trainings- und KI-Algorithmen für Machine Learning erfordert ein ganzheitliches Verständnis der Daten und Prozesse, die automatisiert werden sollen, und zwar über Unternehmensgrenzen hinweg. Dies erfordert die richtige Kommunikation und das Einverständnis innerhalb eines gesamten Unternehmens. Mangelnde Zusammenarbeit führt oft zu einer schlechten Implementierung, minderwertigen Daten und Ablehnung der Anwendungen oder der Automatisierungsprojekte.

Unvollständige Prozesse führen zu lückenlosen Daten

Weiterhin gelten auch unausgereifte IT- und Geschäftsprozesse als Hindernis für eine erfolgreiche Implementierung von KI und ML. Wenn diese Prozesse unvollständig sind, ist es sehr wahrscheinlich, dass Daten lückenhaft sind und die KI/ML-Ausführung unterdurchschnittlich bleibt. Zudem funktionieren KI und Machine Learning am besten durch schnelle Iterationen sowie Verbesserungen der Daten und Algorithmen – das geschieht am effektivsten in einer DevOps-Kultur. Hinzu kommt, dass fehlendes Fachwissen in Mathematik, Algorithmus-Design, Data Science und Engineering eine Behinderung darstellt. Da KI und Machine Learning von qualitativ hochwertigen, aktuellen Daten und gut ausgereiften Algorithmen abhängen, sind solche Fähigkeiten entscheidend. Allerdings bedeutet das Finden und Halten solcher Talente auf dem heutigen Markt eine zusätzliche Herausforderung.

Voraussetzungen für einen erfolgreichen Einsatz von KI und Machine Learning

Mit der richtigen KI/ML-Strategie können alle bisher genannten Schwierigkeiten jedoch überwunden werden.

• • Schritt 1: Das Fundament – Daten und Anwendungen müssen vor der Migration in die richtigen Multicloud- und Datenarchitekturumgebungen vorbereitet werden. IT-Experten sollten die aktuelle Umgebung und deren Anforderungen verstehen, um eine Roadmap für das weitere Vorgehen definieren zu können. Es sollte sichergestellt sein, dass die Datenarchitektur die neuen Anwendungsimplementierungen angemessen unterstützt und dass Ingress-/Egress-Gebühren minimiert und gleichzeitig Leistung und Verfügbarkeit maximiert werden können. Zeitgleich startet die Implementierung von Datenbanktransformationen und Data-Warehouse-Migrationen.
• • Schritt 2: Modernisieren der Datenarchitektur – Die Definition einer modernen Datenarchitektur, eine Strategie und die entsprechende Roadmap leiten den Übergang in die nächste Phase ein. Der Schwerpunkt liegt auf Definition, Design und Aufbau der neuen Datenarchitektur: Dazu gehören Pipelines, die Integration, Datenspeicher und Warehouses sowie eine Analyseplattform.
• • Schritt 3: Die Weichen für mehr Innovation stellen – KI und Machine Learning bereiten ein Unternehmen auf hochwertige Automatisierung und prädiktive Intelligenz vor – und damit auf die nächste Stufe der Innovation. In dieser Phase wird die Data Science definiert, indem Modelle entworfen, trainiert und bereitgestellt werden. Außerdem sollte das Machine Learning operationalisiert werden (MLOps). So kann die moderne Cloud- und Datenarchitektur besser genutzt werden.
• • Schritt 4: Intelligente Anwendungen erstellen – Die IT-Infrastruktur ist nun bereit, strategische Leistungen und Kapazitäten bereitzustellen und so den vollen Wert dieser neuen cloudbasierten Datenstruktur auszuschöpfen. Es können intelligente Anwendungen, Chatbot-Dienste, die Verarbeitung natürlicher Sprache, Machine Vision, Empfehlungsmechanismen oder vorausschauende Wartung eingesetzt und aus IoT-Daten Werte geschöpft werden. Das alles bildet eine neue Grundlage für ein Unternehmen.

Das könnte Sie auch interessieren

Topstory

Carbon Management: Wegbereiter für eine klimaneutrale Zukunft

Carbon Management-Technologien stehen im Fokus, um CO2-Emissionen zu reduzieren und zu managen. Die Rolle des Maschinenbaus und mögliche Entwicklungspfade betrachtet eine neue Studie des VDMA Competence Center Future Business.‣ weiterlesen

Technik

Mit Deep Learning gegen Fehler

Hohe Geschwindigkeit und hohe Erkennungsraten sind die Anforderungen an die Qualitätskontrolle in der Verpackungsbranche. Wie diese Anforderungen erreicht werden können, zeigt das Unternehmen Inndeo mit einem Automatisierungssystem auf Basis von industrieller Bildverarbeitung und Deep Learning.‣ weiterlesen

Technik

Betriebsräte bemängeln Investitionen und fehlende Strategien

Jeder zweite Betrieb investiert laut einer Betriebsräte-Befragung der IG Metall zu wenig am Standort. Demnach verfügen rund 48 Prozent der Unternehmen über eine Transformationsstrategie. Zudem sehen die Betriebsräte ein erhöhtes Risiko für Verlagerungen.‣ weiterlesen

Technik

VDMA gründet Forum Manufacturing-X

Ziel des neuen VDMA-Forums Manufacturing-X ist es, der zunehmenden Bedeutung von Datenräumen als Basis für neue, digitale Geschäftsmodelle Rechnung zu tragen. Wie der Verband mitteilt, soll das Forum auf dem aufbauen, was in der letzten Dekade durch das VDMA-Forum Industrie 4.0 erarbeitet wurde. ‣ weiterlesen

Technik

Lohnt sich ein Retrofit?

Ob es sich lohnt, ältere Maschinen mit neuen Sensoren auszustatten, ist oft nicht klar. Im Projekt 'DiReProFit' wollen Forschende dieses Problem mit künstlicher Intelligenz zu lösen.‣ weiterlesen

Technik

DFKI-Technologie lässt Roboter sehen

Wie kann eine Maschine lernen, sich in unserer Lebenswelt visuell zu orientieren? Mit dieser Frage setzen sich die Wissenschaftler am Deutschen Forschungsinstitut für Künstliche Intelligenz (DFKI) aktuell auseinander – und entwickeln Lösungen.‣ weiterlesen

Technik

Forschungszulage wird im Maschinen- und Anlagenbau zur Erfolgsgeschichte

Die seit 2020 geltende staatliche Forschungszulage etabliert sich im deutschen Maschinen- und Anlagenbau mehr und mehr als Instrument der Forschungsförderung. Ein wachsender Anteil der Unternehmen nutzt die Forschungszulage. Besonders geschätzt werden die verbesserten Finanzierungsmöglichkeiten sowie der erleichterte Zugang zur staatlichen Förderung von Forschung und Entwicklung (FuE).‣ weiterlesen

Technik

Wie Meinungsbildung zu Technikthemen funktionieren kann

Der Nutzen neuer Technologien kommt nur dann zum Tragen, wenn diese von den Menschen mindestens toleriert, besser aber gesamtgesellschaftlich angenommen werden. Dafür braucht es Dialog und Möglichkeiten für gemeinsame Gestaltung. Welche Kommunikationsformate sich hierfür eignen und welche Wirkung sie bei den Beteiligten erzielen, das hat das Acatech-Projekt 'Technologischen Wandel gestalten' bei den Themen elektronische Patientenakte, digitale Verwaltung und Katastrophenschutz untersucht. Jetzt hat das Projektteam die Ergebnisse vorgelegt.‣ weiterlesen

Technik

Der vernetzte Industriearbeiter

Der Fachkräftemangel erfordert einen möglichst intelligenten und flexiblen Personaleinsatz. KI spielt dabei eine wichtige Rolle. Der Industriesoftware-Spezialist Augmentir zeigt sechs Ansatzmöglichkeiten auf.‣ weiterlesen

Technik

Aus wenig viel zaubern – die Digitalisierung in Deutschlands Industrie

Eine aktuelle Studie von Reichelt Elektronik betrachtet den aktuellen Stand der Digitalisierung und stellt die Frage, wie Deutschland im Vergleich zu anderen europäischen Ländern abschneidet.‣ weiterlesen

Technik

KI-gestützte Robotik: Rettung für die Logistik-Branche?

Können Roboter dabei helfen, dem Fachkräftemangel in der Logistik-Branche Herr zu werden? Der Branchenverband IFR meint ja - und zwar mit Hilfe von Robotik, die durch künstliche Intelligenz unterstützt wird.‣ weiterlesen