Bilderkennung, Chatbots oder das (teil)autonome Auto - immer mehr Firmen setzen auf Künstliche Intelligenz (KI) und Machine Learning (ML). Die wohl wichtigste KI-Anwendung in der Industrie ist derzeit die vorausschauende Wartung von Maschinen (Predictive Maintenance). Ziel ist es dabei, die Zeiten für Reparaturen und Stillstand zu minimieren. Firmen werten dazu die Sensordaten der Maschinen mit Hilfe von Algorithmen und Methoden des maschinellen Lernens aus. Dadurch können sie Fehlermuster oder technische Mängel vorhersehen und vorbeugende Aktivitäten einleiten, bevor größere Schäden entstehen.
Foto: Sergey Tarasov - shutterstock.com
Künstliche Intelligenz ist grundsätzlich der Oberbegriff für Technologien wie maschinelles Lernen und Deep Learning. Beim maschinellen Lernen "lernt" ein Rechner mit Hilfe von mathematischen und statistischen Modellen aus Beispieldaten. Nach dieser Lernphase kann ein ML-System vergleichbare Muster erkennen und daraus Regeln ableiten. Beim Deep Learning kommen künstliche neuronale Netzwerke zum Einsatz - sprich mathematische Modelle, die das Verhalten eines menschlichen Gehirns simulieren. Spezielle Algorithmen extrahieren dabei selbstständig Muster aus Rohdaten und verbessern im Laufe der Zeit ihre Fähigkeiten.
Proof of Cocept als KI-Testszenario
Die Einsatzszenarien für KI sind vielfältig. Doch welcher Use Case wird die besten Resultate erzielen, und wie kommen Firmen zu einem erfolgreichen Ergebnis? Ein Proof of Concept (PoC) beantwortet diese Fragen. Im Prinzip handelt es sich dabei um eine Machbarkeitsstudie, einen Prototypen, beziehungsweise eine funktionierende Lösung, die sich nach klaren Kriterien evaluieren und testen lässt - vom Anforderungsprofil bis hin zur erfolgreichen Umsetzung.
Firmen können im PoC für jedes KI-Projekt Hardware, Software und Service-Optionen testen, potenzielle Datenengpässe identifizieren oder die Auswirkungen auf die IT-Infrastruktur und das gesamte Unternehmen aufzeigen. Bei einem Erfolg stärken sie das positive Bild von KI und das Vertrauen der Nutzer. Fünf Schritte führen zum Proof of Concept:
1. Business Case und Nutzen
Entscheidend sind der konkrete Anwendungsfall, der Business Case und der jeweilige Nutzen für das Unternehmen. Was ist das Ziel des KI-Projekts? Es geht darum, Nutzen, Kosten und Risiken der Lösung zu bestimmen. Firmen müssen zunächst herausfinden, in welchen Bereichen eine KI-Lösung ein klar definiertes Problem lösen oder einen zusätzlichen Mehrwert bieten kann. Hierbei helfen folgende Fragen weiter:
Welches Problem soll gelöst werden? Welche besonderen Anforderungen stellen sich? Wie lässt sich der Erfolg messen?
Sind die notwendigen technischen Ressourcen, finanziellen Mittel und Datenquellen vorhanden?
Rechnet sich der Aufwand? Sind die Vorteile größer als die Kosten?
Sind die Geschäftsbereiche vollständig in die Lösung des Problems involviert? Wie sieht es mit der Unterstützung durch das obere Management aus?
Ist der zeitliche Rahmen angemessen?
Gibt es eine umfassende Data-Science- und/oder KI-Strategie? Sind die Infrastruktur und das Fachwissen im Bereich Data Science vorhanden?
Wie geht es nach einem erfolgreichen PoC weiter? Gibt es finanzielle Mittel zur Wartung oder Skalierung der Lösung?
2. Technische Fragen klären
Im zweiten Schritt sind wichtige technische Fragen zu klären, etwa zur Auswahl des Herstellers, zum Sinn einer Cloud-Lösung, zur aktuellen prozentualen Auslastung des Rechenzentrums, zum benötigten Datenvolumen für das Training der Algorithmen oder zur Informationssicherheit.
3. Entwicklung und Betrieb der Lösung
Anschließend geht es an die Entwicklung und den Betrieb der Lösung. Zum Technologie-Stack gehören die Hardware-Systeme, KI-spezifische Software, geeignete KI-Frameworks sowie Tools für die Visualisierung. Dabei sollten Unternehmen insbesondere auf einen konstanten, hochwertigen Datenfeed achten, um die Datenmodelle sinnvoll erstellen, trainieren und anpassen zu können.
Das Erstellen, Trainieren und Anpassen von Modellen ist die Kernaufgabe Künstlicher Intelligenz. Data Scientists nutzen dazu die Trainingsdaten und verwalten Parameter, um iterative Testläufe durchzuführen und zu prüfen, mit welchen Parametern ihre Modelle mit den verfügbaren Trainingsdaten am effizientesten konvergieren. Diese KI-Workflows sind sehr rechenintensiv und aufwändig.
4. Geschäftlichen Nutzen evaluieren
Bringt der KI-Prototyp beziehungsweise Proof of Concept den erwarteten geschäftlichen Nutzen? Dafür lassen sich folgende Evaluationskriterien anwenden: Liefert die Lösung korrekte Ergebnisse und sind diese wiederholbar? Nutzt die Lösung alle Datenquellen korrekt? Lässt sich die Lösung skalieren, wenn das Datenvolumen und die Zahl der Anwender steigen? Ist die Lösung offen für die Integration von externen Datenquellen und -diensten? Lässt sie sich anpassen, falls sich die Daten oder Modelle ändern? Lassen sich falsche Ergebnisse einfach aus einem trainierten Modell beseitigen?
Zuletzt müssen Firmen die Lösung auf Basis der Qualität von Entscheidungen evaluieren ("Erklärbarkeit", "Explainability"). Hier geht es im Prinzip auch um ethische Fragen: Hat das KI-System ein voreingenommenes Bild der Welt, das auf Mängeln des Trainingsmodells, der Daten oder der Zielfunktion basiert? Sind die Entscheidungen des Systems fair? Ist der Weg zu den Ergebnissen transparent?
5. Skalieren des PoC
Ist ein PoC erfolgreich, kann er die Grundlage für eine umfassendere KI-Strategie bilden. Damit dies gelingt, muss die Infrastruktur der KI-Lösung skalierbar sein, um auch bei großen Datenmengen und aufwändigen Rechenoperationen Engpässe zu vermeiden und Echtzeit-Analysen liefern zu können. Im Laufe der Zeit werden Unternehmen ihre Proof-of-Concept-Lösung trainieren und optimieren, mit neuen Datenmodellen experimentieren und bei Erfolg auf andere Geschäftsszenarien ausweiten.
Mit überschaubaren KI Projekten beginnen
Intel empfiehlt, beim Thema Künstliche Intelligenz mit überschaubaren Projekten zu beginnen, um die Erfolgschancen zu steigern und schnell einen Mehrwert zu erzielen. Dadurch sind die Ziele klar und von Anfang an geschäftsorientiert. Intel selbst unterstützt seine Kunden im Rahmen eines großen Partner-Netzwerks mit verschiedenen Lösungen dabei, das Potenzial von KI zu nutzen.
Dazu gehört leistungsfähige Hardware wie die skalierbaren Intel Xeon Prozessoren um die Projekte schnell umsetzen zu können. Hinzu kommt als Teil der Intel AI-Hard- und Software-Plattform der Intel Nervana Neuronal Network Processor (NNP-L). Dieser befindet sich in der Entwicklung und wird zukünftig das Training von komplexen neuronalen Netzen erheblich beschleunigen. Zudem hat Intel beliebte KI-Frameworks wie TensorFlow oder Theano für seine Architektur optimiert, um KI-Anwendungen zu beschleunigen. Ergänzt wird das Angebot durch Referenzdesigns oder auch die Beratung durch erfahrene Data Scientists.
Weitere Informationen zum Thema, Leitfäden und Beispiele aus der Praxis finden Sie hier.