Machine Learning in der Industrie: Die Chancen der neuen Technologie

Generell können Unternehmen mit Machine Learning in der Industrie (ML) Kosten reduzieren und ihre Mitarbeiter effektiver einsetzen. Jedoch bringt die Implementierung Herausforderungen mit sich – darunter die Datenaufbereitung, die Bereitstellung des Konzepts oder die Schätzung des ROI. Die komplexe Technologie fordert allerdings interne Experten zur Umsetzung, Projekterfahrung sowie eine realistische Zielsetzung. Daher sollten zuverlässige Partner an Bord geholt werden.

Anwendungsfelder von Machine Learning in der Industrie

Die Industrie und Fertigung können von ML in vielerlei Hinsicht profitieren, zum Beispiel beim Asset Management, Supply Chain Management und der Lagerhaltung. Insbesondere durch Bedarfsprognosen, automatische Bestandskontrolle und Optimierung der Beschaffungsverfahren. Intelligente Routenplanung und Beladung von Fahrzeugen mindern deren Verbrauch. Kosten lassen sich neben dem geplanten und optimalen Einsatz aller Ressourcen auch durch vorausschauende Wartung von Fahrzeugen, digitales Anlagenmonitoring und die Prognose von Anomalien reduzieren. Wie auch mit einer Personalplanung, die rechtzeitig leistungsmindernde Faktoren wie hohe Temperaturen und daraus resultierende Konzentrationsmängel berücksichtigt und so Fehler bereits im Vorfeld zu vermeiden hilft.

Bei der Qualitätssicherung sind zudem das Video-Monitoring von Paket- oder Containerinhalten und die automatische Erfassung von Maßabweichungen bei massenhaft hergestellten Produkten möglich. Versorger können durch ML beispielsweise von der Automatisierung von Routinetätigkeiten wie der Durchleitungskontrolle im Stromnetz profitieren. Das setzt viel Ingenieurpotenzial frei und sorgt zugleich für weniger Störfälle.

Datenqualität ist Grundlage für den Erfolg von ML

Projekte mit Machine Learning in der Industrie scheitern oftmals an der Qualität der zur Verfügung stehenden Daten – sie sind die einzige Quelle für den automatisierten Prozess. Minderwertige Daten führen dann zwangsläufig zu unbrauchbaren Ergebnissen. Eine ideale Datenbasis ist groß (mit 10.000 bis 100.000 Fakten), korrekt, hinreichend umfassend und sachgerecht gekennzeichnet. Obwohl dieser Idealzustand in der Praxis nur selten vorhanden ist, lässt sich dieser durch folgende Maßnahmen erreichen:

Unvollständigkeit: Wenn es nicht möglich ist, ausreichend Inputdaten bereitzustellen, muss die Problemstellung neu eingegrenzt werden. Ähnliches gilt bei zu kleinen Datenmengen in bestimmten Situationen. Zum Beispiel dürfen für eine automatische Routenplanung nicht nur die Daten aus einer bestimmten Region vorliegen, deren spezielles Muster nicht auf andere übertragbar ist.

Falsches Labelling: Alle ML-Algorithmen benötigen zum Training korrekte Antworten auf die gestellte Frage. Die Datensätze müssen also entsprechend gekennzeichnet sein. Das solle jedoch nicht allein dem Technologiepartner überlassen werden, da dieser oft nicht das nötige Expertenwissen besitzt. Schneller und kostengünstiger gelingt das sogenannte Labelling unter Mitwirkung firmeninterner Fachleute.

Datenfehler: Es besteht die Gefahr einer größeren Menge systematischer Fehler, wenn die Grunddaten des ML-Modells manuell gesammelt wurden. Experten sollten daher die Daten im Vorfeld überprüfen und korrigieren. Denn ein ML-Modell verzeiht nur einzelne Fehler ohne gemeinsames Muster.

Machine Learning in der Industrie: Am besten mit Prototypen starten

Bei der Einführung von Machine Learning lässt sich bereits vor der Entwicklungsphase feststellen, wie viel Geld aus den gesammelten Daten gewonnen werden kann und wie viel ein ML-Projekt für das Unternehmen einbringen wird. Mit Hilfe der Erstellung eines Pilotprojekts kann man die Technologie testen und das Potenzial für Anwendungen und Aufgaben erkennen. Dieser Ansatz macht das Projekt nicht zu einem Risiko, sondern zu einer ganz bewussten Investition mit einem prognostizierten ROI.

Vieles spricht demnach dafür, ML-Projekte zunächst als Proof of Concept anzugehen, damit sie gründlich auf Vor- und Nachteile geprüft werden können. Welche Daten repräsentieren oder beeinträchtigen die Zusammenhänge am besten? Welche Trefferquote ist mit dem Modell erreichbar und wie kann sie verbessert werden? Nach welchen Kriterien lässt sich der Erfolg eines Projekts sinnvoll bewerten?

Ein Prototyp kommt zudem mit anonymisierten Datenquellen aus, sprich ohne die Weitergabe sensibler Daten an den Technologiepartner. Partner-Unternehmen bieten die Möglichkeit, solche Pilotprojekte auch kostenlos durchzuführen.

Realistische Erwartungen an Fehlertoleranz und Erfolg

Oft sind die Erwartungen an Zeitersparnis, Trefferquote, Ergebnisqualität und Amortisationszeit von ML-Projekten unrealistisch hoch, während gleichzeitig Problembeschreibung und Daten viel zu ungenau sind. Erfahrene Partner und Prototyping können dabei helfen, die Erwartungen auf ein realistisches Maß zu setzen.

Die Fehlertoleranz des Modells lässt sich zudem besser kalkulieren, wenn der Return on Investment im Vorfeld geschätzt wird. Jedes Prozent mehr an Genauigkeit kann ein Vielfaches an Kosten verursachen. Oft ist es deshalb klüger, ein falsch negativ eingestuftes Ergebnis zu verpassen, als viele falsch positiv gemeldete Ergebnisse teuer bewerten zu müssen. Übrigens kann auch das Nichteintreffen eines erwarteten Ereignisses wertvolle Hinweise auf das Modell geben.

Jedes Projekt braucht zudem den passenden Algorithmus. Oft sind aber die Erstellung teurer und rechenintensiver neuronaler Netze oder der Zukauf von Marktforschungsdaten unnötig. Auch hier sollte man auf die Erfahrungswerte des Technologiepartners vertrauen. Die Umsetzung von ML-Projekten in der Fertigung kann leicht scheitern, wenn sie vom raschen Erfolg getrieben ist, ein falscher Partner gewählt oder ihm der nötige Einblick in Geschäftsprozesse oder Daten verweigert wird. Dagegen sind saubere Daten, Prototyping, realistische Erwartungen und Vertrauen die Voraussetzung für den Erfolg eines Projekts zum Thema Machine Learning in der Industrie.

Der Autor Stanislav Appelganz ist Head of Business Development, Consulting & Smart Customer Solutions bei WaveAccess.

Lesen Sie auch: Industrie 4.0 – Wie setzt man sie eigentlich um?