Herr de Vos, beim Verpackungsmaterial-Hersteller Cheer Pack haben Sie mithilfe maschinellen Lernens, kurz ML, die Flotte von mobilen MiR-Robotern optimiert. Wo lagen die Herausforderungen?

Die größte Herausforderung war nicht die Nutzung neuer Technologien, sondern die Auswirkung der Technologie auf die Prozesse und die Menschen. Im Hinblick auf die Prozesse musste Cheer Pack zum Beispiel die Art und Weise ändern, wie Mitarbeiter Daten erfassen, die für die Ausführung eines Geschäftsauftrags erforderlich sind. Wenn die Prozesse selbstständig laufen, sind andere Parameter und Einstellungen erforderlich. Und bei den Menschen ist die größte Herausforderung der Widerstand gegen die neue Lösung. Viele Mitarbeiter waren besorgt, dass die Roboter ihre Arbeit übernehmen könnten. Stattdessen hat Cheer Pack jeden einzelnen betroffenen Mitarbeiter auf eine höher qualifizierte Stelle umgeschult. Aber natürlich dauerte es eine Weile, bis das verstanden und akzeptiert wurde.

Was konnten Sie konkret optimieren, wie haben Sie optimiert und wie half KI dabei?

Es geht nie darum, einen einzelnen Schritt zu optimieren. Stattdessen haben wir immer den gesamten Prozess im Blick. Das war auch bei Cheer Pack der Fall. Eines der Projektziele war, die Produktion zu optimieren, indem sichergestellt wird, dass das Rohmaterial bei Bedarf immer an den Arbeitsplätzen verfügbar ist. In diesem Prozess haben wir uns mit der Optimierung der auszuführenden Tätigkeiten beschäftigt – beispielsweise wann Material vom Lager zur Arbeitsstation transportiert werden muss – und wie diese Aufgaben effizienter und kostengünstiger von autonomen Robotern übernommen werden können. Einige dieser Schritte kann KI unterstützen. Allerdings übernimmt die KI keinen gesamten Prozess, sondern wird punktuell dort eingesetzt, wo sie nützlich ist, zum Beispiel durch die Verwendung von ML-Algorithmen zur Optimierung der Fertigungsplanung oder durch die Verwendung von ML-Algorithmen in den Robotern, um autonom in der Fabrik zu fahren. Andere Schritte lassen sich hingegen besser mithilfe von Geschäftsregeln optimieren.

Was sind wesentliche Unterschiede zu Projekten, die ohne KI umgesetzt werden?

Einerseits gibt es keinen allzu großen Unterschied. In beiden Fällen sind Change-Management und gute Konzeptausführung immer noch die wichtigsten Aspekte, um Projektziele zu erreichen. Wenn wir uns jedoch innerhalb eines solchen Optimierungsprojekts speziell auf die KI-Lösung konzentrieren, gibt es einige große Unterschiede.

Erstens ist nicht immer im Voraus bekannt, wie das Ergebnis des Projekts aussehen wird. In der Regel haben wir eine Vorstellung davon, was das Ziel des Kunden ist. Aber ob es möglich ist, dies zu erreichen oder wie das Ergebnis qualitativ aussehen wird, ist zu Beginn eines Projekts häufig unbekannt. Das ist spannend, birgt aber auch ein gewisses Risiko.

Ein weiterer Unterschied ist, dass wir oft nicht wissen, warum und was innerhalb der KI-Anwendung passiert ist. Dies erschwert die Akzeptanz des Ergebnisses und damit das Change-Management. Erklärbare KI ist bei der Bewältigung dieser Herausforderung sehr hilfreich und daher für den langfristigen Erfolg der KI von entscheidender Bedeutung.

»Es geht nie darum, einen einzelnen Schritt zu optimieren. Stattdessen haben wir immer den gesamten Prozess im Blick.«

— Bas de Vos, IFS

Was sind die entscheidenden Erfahrungen gewesen, die sie bei der Umsetzung Ihrer KI-Projekte bisher sammeln konnten?

Obwohl KI für viele Unternehmen bereits einen echten Mehrwert bietet, stehen die meisten Unternehmen bei der Umsetzung immer noch am Anfang. KI ist auch keine Wunderwaffe, daher ist ein klares Verständnis dessen, was sie im Kontext des zu lösenden Problems tun kann und was nicht, der Schlüssel für eine erfolgreiche Implementierung. Unternehmen und Führungskräfte, die KI erfolgreich einsetzen, verstehen in der Regel, dass der ROI aufgrund der veränderten Denkweise und Infrastruktur, die mit der KI-Implementierung einhergehen müssen, anders gemessen werden muss als bei ›normalen‹ IT-Projekten.

Die Zusammenarbeit zwischen Fachexperten und Datenwissenschaftlern zu vereinfachen ist der erste Schritt zum Erfolg, ebenso wie ein klares Verständnis des Problems und wie es dargestellt werden kann. Der Zugriff auf relevante Daten und ein zielgerichteter Ansatz für das Change-Management können den Unterschied ausmachen zwischen einem teuren und fruchtlosen Pilotprojekt und einem erfolgreichen ML-Modell, das in kritische Vorgänge eingebunden ist.

Noch in diesem Jahren wollen Sie Machine-Learning-Services anbieten. Was werden diese beinhalten?

Der Ansatz von IFS, die Automatisierung durch maschinelles Lernen und künstliche Intelligenz voranzutreiben, basiert darauf, auf möglichst einfachem Weg ML-Modelle bereitzustellen, die die Geschäftsprozesse unserer Kunden unter- stützen. Zu diesem Zweck müssen wir zu- nächst die Komplexität von Machine Learning beseitigen, die in der Modellerstellung und Bereitstellung besteht. Dies erreichen wir durch einen Machine-Learning-Service, der aus einer End-to-End-Pipeline besteht. Das bedeutet, dass Lernmodelle auf Daten aufbauen, die bereits im Unternehmen vorhanden sind. Ein weiterer Faktor ist die einfache Bedienbarkeit: Mitarbeiter im Unternehmen müssen nicht über datenwissenschaftliche Kenntnisse verfügen, um die Lösung zu nutzen. Ziel ist, alle Aspekte des Machine-Learning-Prozesses zu automatisieren, von der Datenvorverarbeitung über die automatisierte Modellschulung und -optimierung bis hin zur Modellbereitstellung und kontinuierlichen Überwachung.

Der ML-Service hostet auch vorgegebene Modelle für Anwendungsfälle, bei denen keine spezifischen Kundendaten erforderlich sind. Das erste Beispiel dieser Art wird ein ML-Modell sein, das die Reisedauer in bestimmten Gegenden zu bestimmten Tages- und Jahreszeiten vorhersagt.

Mit der Kombination von ML-Modellen von der Stange und der Hilfe beim Erstellen maßgeschneiderter Modelle wird der ML-Service Kunden in einer Vielzahl von Anwendungsfällen unterstützen und die Kernlösungen von IFS ergänzen.

Mit KI lassen sich Muster und Strategien identifizieren, die dem menschlichen Auge entgehen können. Können Sie uns aus Ihren bisherigen Erfahrungen hier ein paar Beispiele geben, wie das aussehen kann?

Immer dann, wenn ein Geschäftsproblem als Vorhersage- oder Klassifizierungsproblem formuliert werden kann, besteht eine gute Chance, dass KI helfen kann. Insbesondere kann KI große Mengen unterschiedlicher Daten viel effizienter analysieren, und häufig Muster und Regeln erkennen, die für Menschen nicht offensichtlich, aber ausschlaggebend für genaue Vorhersagen sind.

Je komplexer das Szenario oder die Datenquellen sind, desto aussagekräftiger ist der Beitrag, den ML leisten kann. Ein gutes Beispiel ist die Anwendung von ML-Modellen auf die Bedarfsprognose in der Fertigung. Ein komplexes Problem aufgrund vieler externer Faktoren wie Lieferantenmerkmale, Klima und gesetzlicher Vorschriften. Ein ML-Modell, das auf einer Kombination aus historischen Nachfragedaten, produktspezifischen Daten und externen Daten wie der Beschreibung des Einzelhändlers, Wetter, Werbeaktionen und Veranstaltungen trainiert wurde, kann genaue Vorhersagen über die Nachfrage liefern und die Planer bei Entscheidungen unterstützen, die sich auf die gesamte Lieferkette auswirken.

Wenn ich ein Unternehmer wäre, der sich überlegt, ob er KI einsetzen soll und für welche Prozesse: Was würden Sie mir raten? Worauf sollte ich achten?

Es ist leicht, auf den KI-Hype hereinzufallen. Deshalb sollten Unternehmen die erforderlichen Grundlagen sorgfältig abwägen, bevor sie ein KI-Projekt starten. KI ist eine grundlegende Funktion, die in vorhandene Prozesse eingebettet werden muss – und kein schnelles Produkt, das an bestehende Prozesse und Infrastrukturen angefügt werden kann.

Sobald sinnvolle Anwendungsfälle identifiziert sind, ist eine Analyse der Datenbestände und der Architektur notwendig. Welche Parameter müssen dabei berücksichtigt werden? Werden sie bereits im richtigen Format gespeichert? Welche externen Datenquellen können die Vorhersagekraft eines ML-Modells erhöhen? Unternehmen sollten dann auch nach ERP-Lösungen suchen, die alle Daten in eine einheitliche, zentralisierte Ansicht integrieren können, die wertvolle Erkenntnisse ermöglicht.

Unternehmen und Geschäftsführer müssen sich schnellstmöglich eine ›KI-Mentalität‹ aneignen, wenn sie nicht ins Hintertreffen geraten wollen. Das Potenzial ist groß, aber mit der zunehmenden Akzeptanz von KI wächst auch die Notwendigkeit, den Wandel gut zu managen: Die Mitarbeiter müssen ihre Rolle bei der Transformation der KI verstehen; Kunden und andere Stakeholder müssen geschult und auf das vorbereitet werden, was da kommt.