Mit KI-Engineering Unternehmensprozesse weiterentwickeln

In der 55. des Smart Innovation ist Dr. Thomas Usländer von Fraunhofer IOSB mein Gesprächspartner. Wir unterhalten uns über CC-King und die Möglichkeiten, wie mit KI-Engineering Unternehmensprozesse besser verstanden & weiterentwickelt werden können. Wir unterhalten uns auch über das PAISE Vorgehensmodell für KI-Engineering.

Thomas Usländer
(c) Thomas Usländer

KI-Engineering will den Brückenschlag zwischen künstlicher Intelligenz und Ingenieurdisziplinen schaffen. Dabei soll die Verbindung zwischen der KI Forschung und etablierten Ingenieurdisziplinen hergestellt werden um den Einsatz von ML/Machine Learning Verfahren in der Praxis zu erleichtern. Fraunhofer IOSB, das Forschungszentrum Informatik am KIT und das Karlsruhe Institut für Technologie KIT bieten dazu eine Reihe von Möglichkeiten, die in der Forschungsfabrik Karlsruhe angesiedelt sind. Über eine Reihe Transfer Maßnahmen, unter Anderem den geförderten Quickchecks und dem Transferchecks wird der Start gerade für mittelständische Unternehmen erleichtert. Das Land Baden-Württemberg fördert das Projekt großzügig.

Dr.-Ing. Thomas Usländer, Abteilungsleiter Informationsmanagement und Leittechnik Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB in Karlsruhe.

Podcast abonnieren

Den Smart Innovation Podcast abonnieren, anhören & eine Empfehlung geben:

Apple
Podcasts
Spotify
Google
Podcasts
Amazon
Music
Youtube

in dieser Episode erwähnt

vom Zuhören ins Machen kommen

Wir gehen ab ca. Min. 21:24 im Podcast auf angebotenen Checks ein.

Transkript

Das Transkript wurde manuell erstellt.

Klaus Reichert: Mein Gesprächspartner heute ist Doktor Thomas Usländer. Er ist Abteilungsleiter Informationsmanagement und Leittechnik am Frauenhofer Institut für Optronik, Systemtechnik und Bildauswertung, kurz die IOSB, in Karlsruhe. Wir unterhalten uns darüber, wie mit KI-Engineering Unternehmensprozesse besser verstanden und weiterentwickelt werden können.

Klaus Reichert: Innovation weiterdenken und Zukunft einfach machen. Hallo, Klaus Reichert hier, ich bin unabhängiger Unternehmensberater und Business Coach für Innovation und Business Design. Ich begleite engagierte Unternehmer und Unternehmerinnen sowie ihre Teams mit Smart Innovation, auf dem Weg von der Vision zu enkeltauglichen Leistungen. Meine Mission ist es, Unternehmen und seine Menschen kreativer und innovativer zu machen. Ich arbeite remote von Baden-Württemberg aus. Im Smart Innovation Podcast spreche ich mit engagierten und kreativen Menschen über Innovation, Innovationsmanagement, Unternehmertum und Verantwortung, gerade im Kontext des Klimawandels. Zuhörer können bei den Live-Aufnahmen mitmachen und Fragen stellen, so wird Innovation lebendig und leicht umsetzbar. Die Live-Aufnahmen sind mittwochs, Episoden erscheinen montags. Ein Newsletter, Termine, sowie alle Folgen mit Transkript sind auf klausreichert.de/podcast zu finden. Bleiben Sie auf dem Laufenden und folgen Sie der Show, wo immer Sie Ihre Podcast oder auf klausreichert.de/linkedin. Und denken Sie dran, es gibt kein Ende von Innovation, nur Starts.

Klaus Reichert: Hallo Thomas, vielen Dank, dass du dir heute die Zeit nimmst für den Podcast.

Thomas Usländer: Ja, hallo Klaus und danke für die Entführung. Ja, gerne nehme ich mir die Zeit, das ist ein ganz wichtiges Thema, das wir hier besprechen und ich freue mich auf den Austausch.

Klaus Reichert: Bevor wir da einsteigen, erzähl doch kurzen bisschen was zu dir, zu Frauenhofer, auch zur Forschungsfabrik, in der ihr eingebettet seid.

Thomas Usländer: Ja, also Fraunhofer besteht aus ganz, ganz vielen Instituten, ganz viele Fraunhofer-Institute, es sind insgesamt 76 an der Zahl, in ganz Deutschland verteilt sind, zusammengeführt, zusammengefasst in der Fraunhofer Gesellschaft für angewandte Forschung. Und der Name ist hier Programm, wir machen angewandte Forschung, das heißt, wir versuchen, Ergebnisse aus der Grundlagenforschung, Ergebnisse, die auch von der universitären Forschung kommen oder von Max-Planck-Instituten oder weltweit gesehen, möglichst so umzusetzen und in die Praxis zu bringen, dass die Industrie und die Wirtschaft was davon hat oder auch die öffentliche Hand. Das heißt, wir machen den Technologietransfer, sind also genau zwischen der universitären Grundlagenforschung und der Industrie angesiedelt, das ist unsere Mission. Und damit es auch richtig funktioniert, ist auch das Finanzierungsmodell entsprechend gegliedert. Das heißt, wir bekommen nur einen Teil unseres Budgets vom Staat, das sind ungefähr 20 bis 30 Prozent. 30 Prozent aus Sicht der Zentrale, 20 aus Sicht einer Abteilung, das heißt, der Rest muss dann wirklich erwirtschaftet werden durch Vertragsforschung, durch Aufträge von der Industrie. Und daran sieht man schon, wir sind kein gewöhnliches Forschungsinstitut, keine gewöhnliche Forschungseinrichtungen, sondern wir denken wie ein Forschungsunternehmen. Insgesamt, wie gesagt, sind es ganz viele Institute, aber die alle aufzuzählen, wäre jetzt hier mühsam. Ich bin beim Fraunhofer IOSB und der lange Name, ich glaube, den hast du schon genannt.

Klaus Reichert: Aber ihr macht das sehr viel mit der Forschungsfabrik in Karlsruhe, das ist ja ein wichtiges Thema, auch für euch.

Thomas Usländer: Richtig, das ist für uns jetzt auch wirklich Teil dieser Brückenfunktion zwischen Forschung und Industrie, weil, wir laden die Industrie ein, wirklich ihre forschungsnahen Themen bei uns ganz praxisnah, zusammen mit Wissenschaftlern, auch das Frauenhofer oder vom KIT, vom Karlsruher Institut für Technologie, umzusetzen und bei uns Maschinenparks aufzubauen, Produktionsanlagen aufzubauen, um daran zu forschen. Die Spezialität geht dahin, dass man sogenannte unreife Prozesse betrachtet. Das muss ich erklären, also unreife Prozesse sind Prozesse, die man vom Grundsatz her, ja, weiß, wie man die aufbauen möchte, aber nicht komplett versteht. Das heißt, da kommt kein optimales Ergebnis raus, die Produktqualität ist vielleicht noch nicht gut genug, die Geschwindigkeit ist nicht gut genug, die Verfügbarkeit ist nicht gut genug. Und die Frage ist, wie bekommt man das jetzt möglich schnellst soweit hin, dass man eine Produktionsreife hat, das ich also wirklich dann sehr schnell in die Produktion einsteigen kann. Und der Ansatz geht dahin, dass man überinstrumentiert, man packt also zusätzliche Sensorik dran, bekommt dadurch sehr viel mehr Daten über das Produkt, das entsteht oder über den Produktionsprozess und kann dann mit modernen Verfahren der künstlichen Intelligenz, und da sind wir dann auch sehr schnell beim Thema, dann vielleicht auch mehr Wissen generieren und dadurch dann wiederum die Anlage optimieren. Dazu laden wir die Industrie ein, sich hier zu engagieren und dies zusammen mit uns dann umzusetzen.

Klaus Reichert: Da kann man direkt Projekte mit euch zusammen hand´s on in diesem Forschungsfabrikgebäude eben machen?

Thomas Usländer: Richtig, ja. Das Gebäude selbst ist angesiedelt am KIT-Campus Ost, also in Karlsruhe, nicht weit von unserem Institut weg. Und natürlich muss das gezahlt werden, also wir können ja, wie ich es vorhin erläutert habe, nur dann agieren, wenn wir auch ein Projekt haben dazu. Das heißt, entweder so ein Experiment mit einer realen Anlage ist Teil einer kooperativen Forschung, eines Forschungsprojektes, zum Beispiel gefördert vom Land oder vom Bund oder der EU und wir können das dort pilothaft ausbauen oder die Industrie finanziert dieses Vorhaben direkt mit uns. Oder es gibt auch dann Zwischenformen, also dass zum Beispiel auch Mitarbeiter aus der Industrie, die eigentlich ganz gerne noch wissenschaftlich arbeiten möchten, vielleicht auch trotz ihrer Tätigkeit bei der Industrie noch ihre Promotion machen möchten, dass diese auch mit uns zusammen halt dort arbeiten können. Und das ist das Intelli-Scientist-Modell, das Fraunhofer hier anbietet.

Klaus Reichert: Finde ich ein spannendes Modell, das werden wir in jedem Fall in den Shownotes auch verlinken, damit man das noch mal nachlesen kann. Jetzt haben uns vorgenommen, über KI-Engineering zu sprechen, ihr habt da ein eigenes Programm dafür, eine Vorgehensweise entwickelt, ihr wollt, KI für Ingenieure beherrschbarer machen, nutzbarer machen. Und bevor wir da einsteigen und erklären, was das ist, sollten wir vielleicht kurz erklären, was KI und Engineering in diesem Kontext für euch bedeutet.

Thomas Usländer: Ja, gerne. Also KI ist für uns fast ein bisschen zu hochgestochen, also es geht eigentlich gar nicht unbedingt um künstliche Intelligenz. Also wir wollen jetzt nicht nur eine Maschine bauen, die wirklich in dem Sinne so intelligent ist, dass sie den Menschen ersetzen kann oder übertreffen kann. Darum geht es gar nicht zu holen, wir wollen, dass der Produktionsprozess in diesem Fall optimiert wird. Und so wie ich vorhin gesagt habe, da fallen eine Unmenge an Daten an und der Mensch ist völlig überfordert, diese ganz Daten vielleicht sogar in Echtzeit dann auszuwerten und daraus Entscheidungen abzuleiten. Da kann die Maschine helfen, die kann helfen mit diesen maschinellen Lernverfahren, das sind also Methoden, die als Teilgebiet, Teilforschungsgebiet der künstlichen Intelligenz angesehen werden, diese können helfen, Muster zu erkennen in diesen strukturierten oder unstrukturierten Datenmengen und, ja, daraus dann Entscheidungshilfen für den Menschen ableiten. Jetzt, die große Frage ist, wie verlässlich ist das, kann ich mich darauf verlassen? Und da muss man jetzt ganz klar sehen, es geht hier um technische Systeme, die auch eine gewisse Kritikalität haben. Sprich, der Ausfall dieser Systeme hat Konsequenzen, entweder für Leib und Leben oder er kostet einfach Geld oder die Produktqualität stimmt nachher nicht. Das heißt, das ist ein bisschen anders wie bei zum Beispiel E-Commerce-Systemen, wenn da halt das System vorschlägt, was man alles noch Tolles kaufen könnte, nachdem ich jetzt dieses gekauft habe, dieses Produkt und wenn diese Entscheidung oder wenn dieser Vorschlag nicht stimmt, dann geschieht da eigentlich nichts Gravierendes. Dann habe ich vielleicht ein anderes Produkt umsonst gekauft, aber ich kann es ja auch wieder zurückschicken, das ist da vielleicht ein wirtschaftlicher Schaden und ressourcenmäßig auch nicht so toll, aber ansonsten passiert da nicht viel. Wenn ich jetzt aber eine technische Anlage habe und ich muss da vielleicht den Druck einer Rohrleitung erhöhen, dann, ja, kann das gravierende Konsequenzen haben. Und deshalb muss man den Einsatz von Methoden der künstlichen Intelligenz, ich nenne das jetzt mal als Gesamtbegriff, aber meistens, wie gesagt, sind es maschinelle Lernverfahren, neuronale Netze, die dann die ML-Verfahren umsetzen, dann muss sich die anders behandeln.

Klaus Reichert: Also das heißt, wir sprechen von dem Entstehen eben von neuen Methoden, neuen Möglichkeiten, die Ingenieure und Ingenieurinnen eben anwenden können. Was aber auch eben, nicht, weil man jetzt einfach in der Tabelle nachschlagen kann und irgendwelche Werte sich rausholen kann eben, sondern mit einem, ich sage mal, lernenden System eben zu tun hat, seine Fallstricke hat. Und das ist etwas, wo ihr sozusagen dran arbeitet, dass das vermittelt wird.

Thomas Usländer: Ja und, genau die Fallstricke, die liegen eigentlich darin, dass der Ingenieur oder die Ingenieurin eigentlich schon ganz gerne ein bisschen mehr verstehen möchte, wie das System arbeitet und wie verlässliche es ist. Und die aktuellen Methoden der KI, die liefern dieses nicht. Die liefern zwar sehr gute Ergebnisse und erstaunlich gute Ergebnisse, je mehr Daten, je besser die Daten sind, desto besser sind auch nachher die Ergebnisse, aber was ich nicht habe ich so was wie ein quantifizierbares Ergebnis, das ich weiß zu 98,5 Prozent, ist diese Entscheidung richtig? Ingenieure sind gewohnt, dass sie zum Beispiel nach Lastenheften arbeiten. Da gibt es Ausschreibungen, da steht drin, Verfügbarkeit muss so hoch sein, der Durchsatz muss so hoch sein, die Fehlerquote muss bei 0,3 Prozent liegen und solche Sachen, daran hat man sich gewöhnt und manchmal kommt ja nachher auch irgendeine Wertnahmeprozedur durch den TÜV oder durch Dekra oder andere Auditoren, die dann sagen hier, das System darf in dieser Form in den Betrieb gehen. Und wenn da jetzt so eine datengetriebene Methode, so heißt ja auch, im Gegensatz zu so modellgetriebenen Methoden, wenn da eine datengetriebene Methode drin ist, dann kann ich solche Aussagen eigentlich nicht mehr guten Gewissens treffen und deshalb muss man da was tun. Und wir denken, das ist nicht einfach so erzielbar, dass ich sage, gut, ich muss halt die Disziplin KI beherrschen, sondern man muss da selbst was wissenschaftlich erarbeiten, damit das überhaupt funktioniert. Und dann kann ich halt Fragen der Ingenieure auch beantworten über die Nachvollziehbarkeit der Entscheidungen. Das ist unser Ziel, das man auch die Sicherheit des Systems gewährleisten kann, ich sage jetzt mal, trotz des Einsatzes von KI und ML-Methoden. Und ich muss auch Aussagen treffen über die Resilienz eines Systems. Ein netter Begriff, der überall heutzutage vorkommt, der aber hier auch hochrelevant ist, resilient ist ja auch kein Status, sondern ist quasi im Prozess. Das System muss sich auch unerwarteten Eingaben, Änderungen im Kontext, in der Umgebung gegenüberstellen und muss sich vielleicht anpassen im Verhalten.

Klaus Reichert: Du, lass uns doch gerade mal in so ein, zwei Beispiele einsteigen, dass es ein bissen greifbarer wird, wo das greift, worüber wir gerade sprechen.

Thomas Usländer: Also ein Beispiel, wo wir KI-Engineering wirklich erfolgreich umgesetzt haben, ist die Firma Dieffenbacher. Dieffenbacher stellt Anlagen her Holzverbundwerkstoffplatten. Also Platten, die man nachher kaufen kann im Baumarkt, klar, die bestehen aus Holz, aber das Holz hat immer wieder eine andere Qualität. Und je nachdem, wie die Zusammensetzung des Holzes ist, da ist auch Altholz mit dabei, da ist recyceltes Holz dabei, die Zusammensetzung ist immer wieder anders und dann brauche ich vielleicht eine andere Mischung des Klebers, ich brauche andere Konfigurationseinstellungen und so weiter. Und das Problem ist, der Prozess ist sehr kompliziert, auch sehr groß und lang, das sind mehrere 100 Meter, so eine Anlage. Und ich mache natürlich da oder die Firma Dieffenbacher und auch die Betreiber machen da immer dann Qualitätsprüfungen, aber nur als Stichproben. Dann nehmen sie Platten raus und prüfen die auf Festigkeit, auf Bruchfestigkeit, auf die Oberflächeneigenschaften und so weiter. Wenn da ein Fehler festgestellt wird, dann kann ich reagieren, aber dann ist halt die Produktion schon weitergelaufen, dann habe ich hält vielleicht mehrere, mindestens Minuten, wenn nicht gar Stunden verloren und das, was ich in der Zeit produziert habe, ist Ausschuss. Wenn ich hier jetzt in der Lage wäre, durch mehr Daten, durch mehr Sensorik, durch Auswertung, durch intelligente Auswertung der Daten, eine Qualitätsprognose zu machen, dann könnte ich schon im Vorfeld reagieren und könnte sagen, halt mal, ich muss hier was ändern, sonst läuft mit der Produktionsprozess aus dem Ruder. Und das haben wir gemacht, zusammen mit der Firma Dieffenbacher und, ja, die Ergebnisse sind sehr vielversprechend. Dieffenbacher wird dieses jetzt auch einsetzen in ihren weiteren Produktionsanlagen, quasi als zusätzlichen Service auch den Kunden anbieten.

Klaus Reichert: Okay, verstanden. Das heißt, an dieser Stelle kommen ja auch große Datenmengen ins Spiel, Dinge, die ich schnell auswerten muss natürlich, von denen ich ein Verständnis haben muss, was es bedeutet, damit ich möglichst schon vorher weiß, dass ein Fehler eintritt oder eine Veränderung eben eintritt. Jetzt lernt da so ein System ja dann auch laufend dazu, ist das etwas, was vielleicht noch eine extra Herausforderung ist in dem Kontext?

Thomas Usländer: Auf jeden Fall, also gerade bei solchen Prozessen, da gibt es immer wieder Änderungen, da werden auch Sensoren ausgetauscht, da gibt es eine neue Generation von Sensoren, die sich vielleicht anders verhalten. Das heißt, die Daten, die ich in Betrieben bekomme, weichen eventuell ab von den Daten, die ich in den ganzen Testläufen, also beim Trainieren dieser maschinellen Lernverfahren zur Verfügung gestellt hatte. Und, ja, eine Herausforderung ist, dieses zu erkennen, dass es da eine Abweichung gibt, das ist der sogenannte Distributional Chip im Betrieb. Das heißt, die Datenverteilung ist anders als im Trainingsbetrieb und dann muss ich nach trainieren oder, ja, ich muss da anders konfigurieren, ich muss auf jeden Fall handeln.

Klaus Reichert: Ihr wendet euch an Ingenieure und Ingenieurinnen, da geht es um einen Entwicklungsprozess natürlich, da geht es um Produktionsprozesse, da gibt es natürlich am Ende doch sehr viel, was man auch den Menschen sozusagen transportieren muss, wo es sehr viel Zusammenarbeit auch notwendig ist. Wir hatten eingangs schon über die Forschungsfabrik gesprochen, über verschiedene Themen, die ihr da abdeckt, Möglichkeiten. Aber ihr macht doch auch noch weitere Sachen, um hier so einen Transfer zu Gewähr leisten was, was macht ihr denn da alles?

Thomas Usländer: Ja, auf jeden Fall, also die Forschungsfabrik ist ja quasi nur ein Gebäude, ein Gebäude, das ideal geeignet ist, um solche Experimente zu machen. Ich kann da Sensorik beliebiger Art rein hängen, ich habe ein leistungsfähiges Rechenzentrum mit dabei, ich habe auch von der Gebäudestatik her Möglichkeiten, da richtige Maschinen reinzustellen. Wir brauchen natürlich auch eine Dienstleistung und in einem Nahen, sprich, Zentrum und das ist das sogenannte Kompetenzzentrum KI-Engineering, wir kürzen das ab mit CC-King.

Klaus Reichert: Ja, toll, so ein Name für ein solches Projekt, wirklich.

Thomas Usländer: Ja, genau. CC für Kompetenzzentrum und KI, also King, da steckt KI drin, aber auch Engineering. Und, ja, wo wir auch sehr stolz sind, ist, da steckt auch Karlsruhe drin. Also das K kann ich auch für Karlsruhe sehen. Weil, dieses Kompetenzzentrums CC-King wird getragen von drei Forschungseinrichtungen, vom Fraunhofer IOSB in Karlsruhe, dort von zwei Abteilungen, meiner Abteilung Informationsmanagement und Leittechnik und der Abteilung kognitive industrielle Systeme, dann aber noch andere Abteilungen, die Anwendungsbeispiele bearbeiten. Zweiter Partner ist das Forschungszentrum Informatik und der dritte Partner das KIT, also das Karlsruher Institut für Technologie, alle drei arbeiten zusammen, alle bringen ihre Stärken ein. Es geht dann auch nicht nur um Produktionssysteme, sondern es geht auch um andere Anwendungsdomänen, wie zum Beispiel Mobilität, ist auch in den spannendes Thema. Dieses Kompetenzzentrum wird gefördert vom Ministerium für Wirtschaft, Arbeit und Tourismus Baden Württemberg, seit mittlerweile zweieinhalb Jahren. Im Sommer 2020 haben wir begonnen und, ja, wir sind noch lange nicht am Ende. Also wir haben jetzt als erstes ein Vorgehensmodell erstellt in den letzten ein, zwei Jahren, das wirklich systematisch jetzt den Ingenieuren und auch den Projektleitern sowas wie Richtlinien, Guidelines an die Hand gibt, wie sollten sie denn überhaupt vorgehen, um so ein teilbasiertes Projekt, KI-orientiertes Projekt umzusetzen. Und da müssen ganz viele zusammenarbeiten, es gibt hier die Ingenieure, das können Maschinenbauer sein, Elektrotechniker, Chemieingenieure, Verfahrenstechniker.

Klaus Reichert: Also keine IT an dieser Stelle, sondern richtig die Fachingenieure dann auch, ja.

Thomas Usländer: Richtig, das ist ganz, ganz wichtig, weil, nur die verstehen da wirklich, was Sache ist sozusagen. Die KI-Experten, die werden ja auch als Datenwissenschaftler bezeichnet, Data Scientist, die sind sehr versiert in der ganzen Mathematik, in den mathematischen Grundlagen, den statistischen Grundlagen, die kennen die Algorithmen, kennen die Programme, um die Algorithmen wirklich zum Leben zu erwecken, sind aber normalerweise, ja, keine Experten im Bereich des Maschinenbaus oder der Produktion. Also die sind schon mal zusammenarbeiten und letztendlich muss aber auch ein informationstechnische System erstellt werden, ich brauche eine saubere Systemarchitektur, ich muss Software entwickeln, auch rund um die KI-Verfahren muss ich die ja irgendwie sichtbar machen, ich brauche eine Oberfläche. Ich brauche sehr viel, ja, Know How im Bereich der Frage, wie kann ich denn die Sensordaten überhaupt da aufbereiten, Ausreißer herausfischen und so weiter? Das ist klassische Informatik, das heißt, ich brauche auch die IT-Experten, ich brauche die Informatiker dazu und alle drei müssen eigentlich interdisziplinär zusammenarbeiten, und deshalb glauben wir, dass man da einen anderen Ansatz braucht. Wir gehen sogar so weit, dass wir sagen, ja, KI-Engineering, wie wir dann das Ergebnis nennen, das könnte auch mal eine eigenständige ingenieurwissenschaftliche Disziplin werden, die ich vielleicht sogar studieren kann. Ich kann vielleicht als Maschinenbauer ein Bachelor-Studium machen und dann setze ich ein Master-Studium KI-Engineering drauf.

Klaus Reichert: Da ist die, ich sage mal, die Wissenschaft am Anfang erst.

Thomas Usländer: Richtig.

Klaus Reichert: Okay. Das heißt, da muss man viel kommunizieren, da muss man natürlich neben all den kommerziellen Angeboten, die ihr habt, die wir auch schon aufgezählt haben, natürlich Workshops, Konferenzen, Transfermöglichkeiten schaffen. Ihr habt ja auch Einstiegsmöglichkeiten in das Thema mit euren Checks, die ihr anbietet. Für den Podcast ist ja wichtig, dass wir vom Zuhören ins Machen kommen können, dass es da einen schnellen Weg gibt, mal anfangen zu können. Wie startet denn ein Unternehmen am besten in der Zusammenarbeit mit euch, was machen die Checks zum Beispiel?

Thomas Usländer: Richtig, wir haben zwei Transferinstrumente etabliert in diesem Kompetenzzentrum, das erste Instrument sind die sogenannten Checks und das zweite sind die Transfer-Checks. Was ist der Unterschied? Beim Quickcheck kommt ein Unternehmen auf uns zu und sagt, ich hab hier ein Problem, das zu lösen, Ist es also eher so die Ingenieurssicht oder die Geschäftsführersicht, ich habe hier einen Produktionsprozess, der funktioniert zwar, aber die Produktqualität ist nicht sehr gut und dadurch verlieren wir sehr viel Geld. Könnte man durch den Einsatz von maschinellen Lernverfahren oder anderen KI-Methoden diesen Prozess verbessern? So und mehr muss ich gar nichts an uns herantragen, ich fühle einfach ein Formular aus auf der Webseite des CC-King, gebe noch meine Stammdaten dazu, Kontaktinfo und dann läuft das los. Und dann dürfen wir mit Projektmitteln aus CC-King diese Fragestellungen mit ungefähr drei bis fünf Personentagen bearbeiten.

Klaus Reichert: Also man kann mit euch anfangen zu arbeiten, es muss ein ernsthaftes Thema sein, ist schon klar und hat da erst mal keine Ausgaben?

Thomas Usländer: Richtig, außer, dass man natürlich das Personal dann auch bereitstellen muss, um das Problem dann genauer zu besprechen. Wir können ja nicht einfach dann so eine offene Frage dann alleine beantworten, sondern man muss das Problem erst mal genauer verstehen.

Klaus Reichert: Natürlich, ja.

Thomas Usländer: Und da braucht man dann auch die Experten in den Unternehmen, um die Problembeschreibung zu verbessern und zu detaillieren. Und oftmals sieht man, dass das Problem vielleicht an einer ganz anderen Stelle liegt, man sieht vielleicht auch, ja, okay, grundsätzlich könnte man jetzt mit maschinellen Lernverfahren das Problem lösen, aber es fehlen doch noch eine ganze Menge an Grundvoraussetzungen. Vielleicht habe ich da auch nicht die geeigneten Daten. Ich brauche noch zusätzliche Sensorik, um Daten zu gewinnen oder die Daten sind zwar zur Verfügung, aber in einer mangelnden Qualität. Oder, ja, die sind gar nicht so leicht zusammenzuführen, weil vielleicht die zeitliche Synchronisation nicht passt. Die alten Daten, die werden in Realzeit erhoben, die anderen bekomme ich bloß alle zwei Stunden in einem Protokollfile und habe vielleicht eine ganz andere zeitliche Zuordnung, also solche Dinge muss ich erst mal analysieren. Und das ist es, was wir machen können mit diesen Quickchecks und daraus dann mittels dieses Vorgehensmodells, also ein Paise, dann wirklich, ja, ein Projekt aufzusetzen, dem Kunden zu empfehlen, ihr könntet jetzt so und so und so vorgehen. Das ist dann außerhalb von CC-King, weil, dürfen mit den Projektmitteln natürlich nicht direkt die Kundenprobleme lösen.

Klaus Reichert: Ja, auch, welche Themen da wie aufpoppen, dass man dann sagen kann, dass man einzelne Wege entsprechend auswählt, wie man da dann weiter macht. Ist ganz klar, dass damit noch nicht alles gelöst es in den meisten Fällen.

Thomas Usländer: Ja. Jetzt haben wir aber auch dann, ich habe es ja schon erwähnt, diese Transferschecks, da drehen wir den Spieß ein bisschen rum und sagen, okay, wir haben hier Methoden, wir haben auch Software-Werkzeuge, wir haben auch dieses Vorgehensmodell und wir suchen jetzt ganz gezielt Anwendungsbeispiele, wo wir das testen können. Und die Partner, die wir dann da suchen, sind meistens nicht die Endkunden, sondern das sind dann Systemindikatoren. Das sind Ingenieurbüros, die letztendlich als Multiplikatoren dienen, um Lösungen in die Praxis zu bringen. Und so haben also eine Möglichkeit, dann auch unsere eigenen Verfahren, dann mit bisschen mehr Ressourcen auch, wirklich anhand von Praxisbeispielen zu evaluieren und selbst wieder zu optimieren.

Klaus Reichert: Okay, verstanden. Also ihr habt eine Reihe von wirklich handfesten Möglichkeiten geschaffen, um ins Arbeiten zu kommen, um Ergebnisse zu produzieren, ihr macht darüber hinaus auch eben Veranstaltungen, Konferenzen und so weiter. Finde ich toll, da hat man gute Anknüpfungspunkte. Wir werden die Links, die Kontaktdaten dann in den Shownotes dann auch publizieren, sodass man eben leicht findet. Jetzt das Vorgehensmodell, du hast es gerade schon genannt, lass uns da vielleicht zum Ende noch drauf zu sprechen kommen, was ist das Was ist das Paise-Vorgehensmodell, was macht das aus?

Thomas Usländer: Also Paise steht für Process Model for AI Systems Engineering. Im Englischen sagen wir bei KI-Engineering, es geht um AI Systems Engineering, um auch zu verdeutlichen, letztendlich ist eine Ausprägung, eine Spezialisierung des Systems Engineering. Es geht nicht nur um die KI-Methoden selbst, sondern es geht ständig um die Frage, wie ich diese als Subsysteme betrachte in einem Gesamtsystem? Und wie ich dieses Gesamtsystem engineere, wie ich da eine Zieldefinition mache und die Anforderungen beschreibe, das wird über das Paise-Vorgehensmodell dann genauer beschrieben. Jetzt kann man sich fragen, naja, gut, Vorgehensmodelle gibt es doch wie Sand am Meer, das ist gar nicht neu, das mache ich schon seit Jahrzehnten. Da gab es doch immer dieses wasserfallartige Vorgehen, ich mache erst mal meine Ziele und dann leite ich Anforderungen ab und dann werden die Anforderungen nach und nach umgesetzt, wieder zusammengebaut und dann kommt ein lauffähiges System dabei raus, dieses, was auch dann standardmäßig als V-Modell bezeichnet wird. Da gibt es auch einen DIN-Standard, glaube ich, dazu und auch das, was wirklich bei hochkritischen technischen Systemen eingesetzt das, gibt es doch schon. Dann kam die Welle, wo gerade so aus dem Bereich des Software-Engineering Leute gesagt haben, es ist doch alles viel zu statisch, oft ändern sich doch die Anforderungen im laufenden Betrieb. Und, ja, oftmals kann man gar nicht alle Anforderungen umsetzen und das dauert alles viel zu lange, ich muss doch sehr viel schneller Kontrollpunkte haben und antastbar sein und Flexibilität einbauen.

Klaus Reichert: Ja, auch in so einem Bereich, wo sich so viel so schnell verändert, dass man da dieses Ding, diese Veränderung quasi schon mit einbaut ins Modell.

Thomas Usländer: Richtig. Wer weiß denn schon, wenn so ein Projekt drei Jahre geht, geplant ist, ob ich in zwei Jahren noch die gleichen Software-Werkzeuge verwenden möchte, die heute brauche, das Ganze sehr schnelllebig. Also hat man gesagt, ich muss agil vorgehen, Agilität ist Trumpf. Ich setze mir einfach kürzere Meilensteine und in sogenannten Springs lege ich dann fest, wer was macht und dann schaue ich hat es funktioniert. Ich habe dann auch immer gleich wieder ein lauffähiges System und wenn aber dann die Anforderungen nicht erfüllt werden oder etwas nicht funktioniert hat, dann kann ich ja selbst die Anforderungen wieder ändern. Und im Software-Bereich funktioniert das wunderbar und man kommt dann schrittweise doch sehr viel verlässlicher ans Ziel, wie bei so einem Wasserfallmodell, wo ich erst ganz am Ende weiß, ob es funktioniert hat oder nicht. So, beides hat Vor- und Nachteile und jetzt, bei solchen technischen Systemen haben es meistens mit einer Kombination aus Hardware-Komponenten und Software-Komponenten zu tun. Ich habe auch vielleicht mal eine Maschine, die ich kaufen muss, ich habe Sensoren, die ich kaufen muss. Ich muss irgendwann Entscheidungen treffen, die nicht reversibel sind oder nicht so leicht reversibel, weil einfach, wenn ich mir hier eine Maschine für mehrere Millionen kaufe, dann kann ich jetzt nicht einfach zu meinem Chef sagen, sorry, ich habe jetzt einen Meilenstein erreicht, ich habe gesehen, ich brauche den anderen Maschinentyp. Ja, das geht halt in den meisten Fällen nicht und deshalb ist die Spezialität dieses Paise-Vorgehensmodell so, dass ich eine Kombination habe aus einem wasserfallartigen, zielgerichteten, phasenorientierten Vorgehen und einer agilen Entwicklung der Subsysteme, die sich dafür eignen für die Agilität. Und gerade die KI-Methoden eignen sich da sehr gut dazu, weil, da muss ich ja Daten aufnehmen, ich muss die Daten nutzen als Trainingsdaten und für meine maschinellen Lernverfahren. Und das muss ich in mehreren Zyklen machen, das läuft nicht auf einen Schlag, da erkennt man dann auch, okay, ich brauche mehr Daten, ich brauche andere Daten. Das heißt, das läuft sehr gut agil, wenn ich sowas als Subsysteme betrachte. Und auch die Daten selbst, das Datenmanagement selbst, die sind als Subsysteme zu betrachten, die ich ja brauche, um die ML-Verfahren dann zu trainieren und im Betrieb brauche ich nachher vielleicht die Trainingsdaten gar nicht mehr. Das sind also nur in Enable-Systeme, das sind Befähigungssysteme, die ich im Betrieb nachher gar nicht brauche. Darauf, auf diese Spezialitäten ist das Paise abgezielt, man macht also die Subsystementwicklung agil, da wo es geht, betrachtet die Daten auch explizit als Subsysteme und für das Ganze über Checkpoints zusammen. Und wenn ich dann ein gewisses Level an Anforderungen erfüllt habe, dann kann ich sagen, jetzt habe ich ein Minimum Viable Product, ein MVP und mit dem kann ich schon mal arbeiten und das übergebe ich an meinen Kunden.

Klaus Reichert: Da steckt noch viel mehr drin, das können wir jetzt hier auch gar nicht alles ausführen, habe ich verstanden. Wenn man da die Fragen dazu hat, kann man sich ja dann auch an euch wenden. Thomas, vielen Dank, dass du dir heute die Zeit genommen hast für unser Gespräch. Ich fand es jetzt sehr spannend, vielen Dank nochmals.

Thomas Usländer: Gerne, Klaus. Dieses Thema, ja, Training, Ausbildung, Weiterbildung, ja, das ist auch was, was uns umtreibt und das kann jetzt heute hier der Anfang sein für so was, das CC-King bietet auch solche Trainingsumgebungen. Und wir müssen letztendlich die deutsche Industrie fit machen, auch wenn wir jetzt nicht die Lösung schon komplett haben, aber wir müssen die deutsche Industrie fit machen für diese Veränderungen.

Klaus Reichert: Vielen Dank.

Thomas Usländer: Gerne, ja, vielen Dank für das sehr nette Gespräch.

Klaus Reichert: Das war der Smart Innovation Podcast, er wurde mit einem interessierten Publikum live aufgenommen. Vielen Dank fürs dabei sein und zuhören. Diese Episode gibt es auch zum lesen, der direkte Link ist in den Shownotes. Noch kein Abonnent? Die Show ist überall zu finden, wo es Podcasts gibt. Weitere Informationen zum Podcast und meine Kontaktdaten sind bei klausreichert.de/podcast, dort gibt es auch eine Übersicht der nächsten Liveaufnahme-Termine. Ich bin Klaus Reichert und das war der Smart Innovation Podcast.

Episoden abonnieren

Neueste Episoden, Beiträge und Nachrichten direkt im Posteingang!

In Arbeit…
Alles klar, das hat geklappt!

Kommentar schreiben

Warenkorb
Scroll to Top