Mobile-Menu

Erfolgsfaktor Data Governance Künstliche Intelligenz in der Fertigung richtig nutzen

Von Anže Mis 4 min Lesedauer

Anbieter zum Thema

BE-terna GmbH
NTT DATA Deutschland SE
PSI Software SE | Business Unit Discrete Manufacturing

Essenziell für den Erfolg von KI in der Produktion ist die Verlässlichkeit der Ergebnisse, da Nacharbeiten die Effizienz mindern. Neben hochwertigen Daten ist eine durchdachte Data Governance nötig.

Mit einer soliden Data Governance schaffen Unternehmen die besten Voraussetzungen, um in KI-Szenarien eine höchstmögliche Ergebnisqualität zu erzielen. Dabei ist es nie zu spät, die entsprechenden Maßnahmen umzusetzen. (Bild: © peopleimages.com/stock.adobe.com)
Mit einer soliden Data Governance schaffen Unternehmen die besten Voraussetzungen, um in KI-Szenarien eine höchstmögliche Ergebnisqualität zu erzielen. Dabei ist es nie zu spät, die entsprechenden Maßnahmen umzusetzen.
(Bild: © peopleimages.com/stock.adobe.com)

Korrekte KI-Ergebnisse, die keine Nachbearbeitung mehr erfordern, optimieren dabei nicht nur den KI-Nutzen. Mit dem Aufkommen von Agentic AI gewinnen sie noch aus einem weiteren Grund stark an Bedeutung: KI-Agenten erstellen nicht nur Text oder geben Zahlen aus, sondern führen auf Basis ihrer Berechnungen autonome Handlungen aus. Fehlentscheidungen können damit deutlich weitreichendere Konsequenzen nach sich ziehen.

EU AI Act fordert verantwortungsvollen Umgang mit KI

Falsch dimensionierte Materialbestellungen etwa können handfeste finanzielle Folgen für ein Unternehmen mit sich bringen, inkorrekte Ratschläge im Support zu Schadensersatzansprüchen führen. Hinzu kommen steigende Konsequenzen beim Verstoß gegen gesetzliche Vorgaben im KI-Bereich: Der EU AI Act etwa fordert einen verantwortungsvollen Umgang mit KI und regelt dabei ganz klar, dass Fehlverhalten auch mit hohen Strafen geahndet werden kann.
 Um Risiken wie diese zu vermeiden, wird ein gewisses Maß an Kontrolle und Prüfung durch menschliche Mitarbeitende auf absehbare Zeit unerlässlich bleiben. Sind die Ergebnisse dann jedoch zumindest in nahezu allen Fällen von vornherein korrekt, ergibt sich eine Win-Win-Situation für Unternehmen: Sie gewinnen Sicherheit, während gleichzeitig keine zusätzliche Zeit in die Nachbearbeitung der Ergebnisse investiert werden muss.

Drei Schritte zur Data Governance

Datengetriebene Neben dem jeweils genutzten KI-Ansatz hängt die Qualität der Ergebnisse in signifikantem Maß von den Daten ab, mit denen die KI gefüttert wird. Korrekte und saubere Datenbestände sind hier die Grundvoraussetzung, doch echte KI-Eignung geht darüber hinaus. Entscheidend ist auch, dafür zu sorgen, dass die KI nur aus gewünschtem Wissen lernt sowie dass bei unerwünschten Trainingselementen schnell eingegriffen werden kann. Eine stichhaltige Data Governance für einen bestmöglichen KI-Erfolg umfasst mehrere Maßnahmen.

auf dem weg zur Data Governance

1. Datensätze säubern: Im ersten Schritt sollten Unternehmen ihren bestehenden Datenfundus auf Aktualität, Korrektheit und Konsistenz prüfen. Insbesondere bei Kunden- oder Produktstammdaten besteht häufig Nachholbedarf: So finden sich nicht selten zu ein und demselben Kunden mehrere Stammdatensätze, die sich möglicherweise durch verschiedene Schreibweisen eines Namens unterscheiden. In solchen Fällen ist es vor einer Nutzung durch KI erforderlich, die Daten zu säubern und bei Bedarf in einer einheitlichen Struktur zu konsolidieren. Dabei können in der Praxis spezialisierte Tools zum Einsatz kommen, die eine strukturierte Prüfung und Bereinigung selbst großer Datensätze ermöglichen.

 2. Sensible Daten schützen: „What’s been seen, can not be unseen” – das gilt insbesondere für den Wissenserwerb einer KI. Um zu verhindern, dass diese an Wissen gelangt, das sie gar nicht haben darf, muss bereits vor Beginn einer KI-Implementierung definiert werden, auf welche Datensätze die intelligente Technologie Zugriff erhalten darf und auf welche nicht. Besondere Vorsicht ist unter anderem geboten bei personenbezogenen Daten, vertraulichen Finanzzahlen oder wertvollem geistigem Eigentum wie etwa Bauplänen oder Rezepturen. Eine vorausgehende Klassifizierung der Daten ist demnach unerlässlich. Nur so lässt sich verhindern, dass die entsprechenden Informationen in den Wissensfundus der KI einfließen und so potenziell in die Hände Unbefugter geraten.

 3. Für Nachverfolgbarkeit sorgen: Nicht immer wird ein Datenelement in der Form genutzt, in der es ursprünglich erstellt wurde. Die Sensordaten einer Maschine etwa werden vielleicht vor einer Auswertung gefiltert und später zur Berechnung von Durchschnittswerten genutzt. Während die verarbeiteten Daten für die tägliche Arbeit genügen, gewinnt eine KI-Analyse möglicherweise durch die Rohdaten an Genauigkeit. Für eine bestmögliche Qualität der Ergebnisse ist es daher entscheidend, stets den gesamten Lebenszyklus eines Datenelements zu betrachten. Diesen zuverlässig zu dokumentieren, ist zudem aus Qualitätsgründen wichtig: Wird etwa ein fehlerhaftes Datenelement bekannt, das die KI-Ergebnisse verfälschen könnte, ist es entscheidend, unmittelbar zu wissen, woher das Element stammt und in welche Datensätze oder Auswertungen es eingeflossen ist – um schnellstmöglich Gegenmaßnahmen ergreifen zu können.

Damit sich Daten für den KI-Einsatz eignen, bedarf es einer durchdachten Data Governance. (Bild: © Galeanu Mihai/iStock)
Damit sich Daten für den KI-Einsatz eignen, bedarf es einer durchdachten Data Governance.
(Bild: © Galeanu Mihai/iStock)

Was nicht ist, kann noch werden

Mit einer soliden Data Governance schaffen Unternehmen die besten Voraussetzungen, um in KI-Szenarien eine höchstmögliche Ergebnisqualität zu erzielen. Dabei ist es nie zu spät, die entsprechenden Maßnahmen umzusetzen. In den meisten Fällen besteht auch nachträglich noch die Möglichkeit, Datensätze für den KI-Einsatz fit zu machen. Entscheidend hierfür ist ein geplantes Vorgehen, bei dem stets der konkrete Use Case im Zentrum stehen muss.
 Welches Ziel soll mithilfe der KI erreicht werden? Welche Daten werden hierfür tatsächlich benötigt, welche sind weniger relevant? Wer Fragen wie diese nicht vor Beginn des KI-Projekts klärt, riskiert, Zeit und Aufwand in die Aufbereitung von Datenquellen zu investieren, die letztendlich gar nicht benötigt werden. Besteht Unsicherheit, kann die Unterstützung eines externen KI- oder Beratungsspezialisten hilfreich sein, der auf Basis seiner Erfahrung bei der Selektion und richtigen Aufbereitung der Datenquellen unterstützen kann.

Falsch dimensionierte Materialbestellungen können handfeste finanzielle Folgen für ein Unternehmen mit sich bringen, inkorrekte Ratschläge im Support zu Schadensersatzansprüchen führen.

Verlässliche Daten, verlässliche Ergebnisse

Damit Unternehmen tatsächlich im Praxisalltag von den umfassenden Effizienzversprechen der intelligenten Technologie profitieren können, ist ein sauber gepflegter, geeigneter Datenfundus die zentrale Grundlage – wenn auch nicht die einzige. Neben hoher Datenqualität sind auch eine sorgfältige Kennzeichnung für bestmöglichen Datenschutz sowie eine lückenlose Rückverfolgbarkeit zur Qualitätssicherung unerlässlich.
 Ein überlegtes Vorgehen zahlt sich dabei in jedem Fall aus: Wer vor Beginn eines KI-Projekts im Zweifelsfall ein wenig mehr Zeit in eine durchdachte Data Governance investiert, vermeidet später teure KI-Fehler – auch und gerade in Zeiten von Agentic AI.

Anže Mis ist Data Analytics & AI Director bei der BE-terna Group.

Jetzt Newsletter abonnieren

Verpassen Sie nicht unsere besten Inhalte

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung. Die Einwilligungserklärung bezieht sich u. a. auf die Zusendung von redaktionellen Newslettern per E-Mail und auf den Datenabgleich zu Marketingzwecken mit ausgewählten Werbepartnern (z. B. LinkedIn, Google, Meta).

Aufklappen für Details zu Ihrer Einwilligung

Weiterführende Inhalte