Künstliche Intelligenz: Große Datenmengen gewinnbringend nutzen

Die große Menge an Daten, welche durch die voranschreitende Digitalisierung in Unternehmen entsteht, kann durch moderne Technologien gewinnbringend genutzt werden. Das Stichwort in diesem Zusammenhang lautet: Künstliche Intelligenz (KI).

Dank großen Fortschritten in der Forschung können nun auch unstrukturierte Daten wie Bilder, Texte, Sprache und Audio automatisch verarbeitet und analysiert werden. Eine künstliche Intelligenz hilft dem Menschen hierbei, ohne die menschliche Arbeit überflüssig zu machen. Doch die Implementierung solcher Prozesse benötigt Expertenwissen und Erfahrung.

Lufthansa Industry Solutions bietet in diesem Zusammenhang ein breites Portfolio, mit dessen Hilfe Unternehmen effizienter arbeiten und so für die Zukunft gerüstet sind. Dabei werden nicht nur Prozesse automatisiert und optimiert, es können sogar ganz neue und digitale Geschäftsmodelle ermöglicht werden. Ganz gleich, ob eine Schadenserkennung durch „Computer Vision“, die maschinelle Bearbeitung von Dokumenten und Texten durch „Natural Language Processing“ oder eine Audio-Analyse im Rahmen der Qualitätssicherung erfolgt: Alle Branchen werden künftig von den Möglichkeiten der Artificial Intelligence (AI) profitieren.

Wie profitieren Unternehmen von Künstlicher Intelligenz?

In der Logistik, bei der Rechnungsprüfung, in der Produktion: Überall kann die Nutzung von Daten und die Weiterverwendung im Rahmen intelligenter Systeme dafür sorgen, dass Ressourcen gespart werden, während die Qualität der Produkte und die Effizienz der Abläufe steigt.

Data Analytics, ML und KI: Der Weg von den Daten bis zur Anwendung

Wird eine Künstliche Intelligenz in Erwägung gezogen, fallen meist auch Begriffe wie Data Analytics und Machine Learning (ML). Doch wie hängen diese Teilgebiete genau zusammen? Eine klare Abgrenzung von Data Analytics und KI ist oftmals nicht möglich, weil beide Disziplinen eng miteinander verwoben sind und in den meisten Fällen sogar aufeinander aufbauen. In beiden Disziplinen müssen effizient große Datenmengen verarbeitet werden. Die Erkenntnisse der Datenanalyse unterstützen oft die Entwicklung einer KI.

Das Ziel von Data Analytics ist es, aus großen Datenmengen Erkenntnisse zu gewinnen. Data Analytics kombiniert Wissen über das jeweilige Anwendungsgebiet (Domänenwissen) mit einer für jeden Datensatz spezifischen Analyse. Die Bewertung der Erkenntnisse erfolgt durch menschliche Experten.

Machine Learning ist eine Disziplin der KI, in der Verfahren und Algorithmen entwickelt werden, die Zusammenhänge in Daten analysieren und verallgemeinern, um Modelle für beispielsweise Vorhersagen oder automatisiertes Entscheiden abzuleiten. Machine Learning fokussiert auf Algorithmen und Methoden, oft ohne explizit Domänenwissen einzubringen.

Eine KI kann als ein System verstanden werden, das Entscheidungen unterstützt oder auch vollständig autonom trifft. Eine KI wird heute meist mittels ML aus Daten angelernt und kann in neuen Situationen in konsistenter Art und Weise angewendet werden. Menschliche Interpretationen von Ergebnissen, wie noch bei Data Analytics, sind im Betrieb einer KI im Normalfall nicht vorgesehen.

Künstliche Intelligenz: Möglichkeiten und Grenzen

Wie jede Technologie hat auch KI Vor- und Nachteile: Während KI-Anwendungen große Potentiale zur Qualitätssteigerung bieten, ist deren Entwicklung und Betrieb gleichzeitig mit Herausforderungen verbunden. Da eine KI heute meist aus Daten angelernt wird, sind Datenqualität und -quantität entscheidend. Eine KI muss nicht komplex sein, je nach Aufgabe kann sich der notwendige Komplexitätsgrad aber durchaus steigern. Das hängt oft von der Problemdomäne ab. Je größer die Anzahl der zu berücksichtigenden Parameter ist, desto mehr Rechenzeit und Speicher wird benötigt. Ob ein KI-Projekt gelingt, kann also auch von den vorhandenen IT-Ressourcen abhängen. Neben insbesondere dem Zugang zu Fachexpertise ist auch die Verfügbarkeit dieser IT-Ressourcen im Vorfeld zu bestimmen.

Was hindert Unternehmen noch am Einsatz von KI?

Laut der Lünendonk-Studie „Künstliche Intelligenz. Eine Studie zum Status quo in deutschen Unternehmen und zu zukünftigen Anwendungsfällen“ aus dem Jahr 2019 sehen 59 Prozent der Unternehmen einen Mangel an Know-how in ihren Reihen für den Bereich der KI. Die größte Herausforderung liegt allerdings mit 71 Prozent in der Datenqualität bzw. in der Datenverfügbarkeit.

Zurzeit folgen die meisten Ansätze jedoch einem Credo: Eine KI wird in der Regel nur für bestimmte Problemfelder entwickelt. Mögliches Wissen, das „links und rechts“ davon liegt, wird von den ML-Algorithmen nicht berücksichtigt. Menschliche Intelligenz kann diese Schwäche ausgleichen und bei der Entwicklung einer KI explizit genutzt werden für die Modellbildung. Gleiches gilt für die ethische Komponente. Überall dort, wo automatisierte Entscheidungen ohne menschlichen Einfluss getroffen werden, müssen zuvor schon mögliche Konsequenzen berücksichtigt und bereits bei der Datengewinnung und -verarbeitung entsprechend bedacht werden. Letztendlich wird eine KI nur das lernen, was ihr in Daten mitgegeben wird. Wenn eine Ungerechtigkeit oder ein Fehler bereits in den Daten vorliegt, so wird die KI womöglich diese Ungerechtigkeit fortleben. Dies muss bei der Entwicklung einer KI adressiert werden.

KI: Fehlerquellen

Bei einer fehlerhaften Modellannahme können Zusammenhänge trainiert werden, welche nicht die Kausalität der Welt widerspiegeln.

Lösung: KI-Experten arbeiten mit Domänenspezialisten zusammen und überprüfen die Modelle und Parameter syntaktisch und semantisch.

Durch omnipräsente Rechenleistung wird eine zu komplexe KI trainiert. Solch eine KI neigt schneller dazu, Daten auswendig zu lernen, anstatt zu verallgemeinern.

Lösung: Die Bedeutungen von Modellannahmen und Hyperparametern müssen verstanden werden, um eine sinnvolle und angemessene Auswahl zu treffen, was durch gut ausgebildete KI-Experten sichergestellt sein muss.

Rohdaten werden domänenagnostisch gehandhabt.

Lösung: Domänenspezialisten und KI-Experten bereiten vorhandene Daten bezüglich semantischer und modellspezifischer Kriterien auf.

Was sollte eine gute künstliche Intelligenz für Firmen leisten?

Damit eine KI die Vorteile vollends ausschöpft, müssen verschiedene Kriterien erfüllt werden. Eine gute KI

  • unterstützt den Menschen nahtlos und nimmt monotone Arbeit ab,
  • erkennt und verallgemeinert eigenständig Zusammenhänge in den Trainingsdaten, um auch neue Datenströme korrekt zu behandeln,
  • ist robust gegenüber Schwankungen in den Datenströmen,
  • kann auf Änderungen der Datenströme adäquat reagieren und die Ergebnisse entsprechend anpassen und
  • trifft Entscheidungen, die nachvollziehbar und begründbar sind.

Bei der Entwicklung einer KI sind

  • Business Cases zu beachten und mit der KI wirtschaftlich zu optimieren,
  • Engpässe in bestehenden Geschäftsprozessen zu mindern,
  • Skalierbarkeit und Elastizität zu berücksichtigen,
  • Betriebskonzepte zu erarbeiten, da eine KI neue Herausforderungen für IT-Abteilungen und Dienstleister im Betrieb darstellt und
  • Betriebskosten für verschiedene Modelle zu berechnen.

Wie lernt eine künstliche Intelligenz?

Eine KI soll Gesetzmäßigkeiten lernen und Muster in Daten erkennen. Diese Daten sollten repräsentativ sein und in den Rohdaten alle für die Ergebnisse notwendigen Informationen enthalten. Um den Lernprozess der KI zu vereinfachen, werden oft mathematisch leicht berechenbare Merkmale von Datenpunkten („Features“) anstelle von Rohdaten verwendet. Aktuell bestimmen meist Data Scientists und Fachexperten diese Features, oftmals können diese aber auch durch die KI selbst berechnet werden.

Eine KI kann auch ohne historische Daten erstellt werden. Dafür entwickeln und konfigurieren Experten mit ihrem Fachwissen direkt die jeweilige KI.

Der Datensatz zum Lernen enthält neben den Eingangsdaten auch Informationen über die erwartete Ausgabe. Ein Lernalgorithmus kann so errechnen, welchen Fehler eine KI bei der Bewertung dieser Daten machen würde und das von der KI verwendete Modell so anpassen, dass dieser Fehler minimiert wird.

Wenn keine oder unvollständige Informationen über eine erwartete Ausgabe zur Verfügung stehen, wird oft mit Annahmen bzw. Anforderungen gearbeitet. Beispielsweise kann man annehmen, dass einander ähnliche Daten eine Gruppe bilden. Neue Datenpunkte können dann auf Basis ihrer Ähnlichkeit einer dieser Gruppen zugeordnet werden. Auf dieser Annahme basieren Clustering-Verfahren. Geht man allgemein von Regelmäßigkeiten in den Datenströmen aus, kann eine KI beispielsweise Anomalien erkennen, ohne dass sie diese zuvor in den Trainingsdaten beobachten konnte.

Wenn eine KI Entscheidungen treffen soll, die während des Lernens bewertet werden können – in einer separaten Trainingsphase oder auch im Live-Betrieb –, kommt oftmals das Belohnungslernen zum Einsatz. Hier lernt die KI ganze Entscheidungsstrategien zur Interaktion mit ihrer Umgebung. Solch eine KI kann im laufenden Betrieb oder durch Simulationen trainiert werden. Beispielsweise lernt sie, Brettspiele zu spielen, Roboter zu steuern oder den Verlaufspreis in einem eCommerce-Shop zu personalisieren. Ein bekanntes Problem wird an dieser Stelle besonders sichtbar: das Abwägen zwischen weiterer Exploration der Umgebung, um die bisher gelernten Entscheidungsstrategie zu verbessern, und dem Ausnutzen des bisher Gelernten („Exploration vs. Exploitation“).

Ziele und Anwendungsfälle für KI

Im Zuge der Digitalisierung und durch Themen wie Data Analytics, Internet of Things (IoT) und Machine Learning sind in den letzten Jahren große Potentiale für Unternehmen aller Branchen entstanden. Prozesse werden effizienter gestaltet, während sich Produkte personalisieren lassen, Schnittstellen zum Kunden durch Chatbots automatisiert werden und die Kommunikation im B2B-Bereich vereinfacht wird. Pionierarbeit haben hier Unternehmen mit B2C-Geschäftsmodellen geleistet, doch gerade im B2B-Bereich gibt es noch große Potentiale, beispielsweise in den logistischen Prozessen und in der Kombination von IoT und KI für die Schadenserkennung oder vorausschauende Wartung. Kein Unternehmen kommt heute mehr ohne digitale Hilfestellungen aus. Bei all diesen Aspekten lässt sich KI gewinnbringend und vorteilhaft einsetzen.

Das Ziel dabei ist es, eine künstliche Intelligenz zu implementieren, welche die menschliche Arbeitskraft in einem bestimmten Problemfeld unterstützt und entlastet. Zu den Aufgaben einer künstlichen Intelligenz zählen zum Beispiel:

  • das frühzeitige Erkennen von möglichen Schäden an Maschinen anhand von Daten aus IoT-Devices, um ungeplante Wartungs- und Instandsetzungsarbeiten zu vermeiden („Predictive Maintenance“)
  • das Erkennen von Schäden – u.a. an Frachtgut
  • das Weiterleiten von E-Mails
  • die Klassierung von schriftlichem Kundenfeedback
  • die Digitalisierung gedruckter Rechnungen und der Abgleich von Rechnungsinformationen
  • das Erkennen von Objekten auf Bildern
  • die Analyse von Unternehmensdaten
  • die Bewertung der Bestandskunden
  • Hilfe bei der Preissteuerung

Das schafft Freiräume durch Entlastung, damit sich Mitarbeiter auf komplexere Aufgaben fokussieren können.

Künstliche Intelligenz: Unser Leistungsangebot

Wir entwickeln KIs zur Unterstützung von Menschen und ihren Arbeitsabläufen und für Anwendungsfälle in der Industrie, die kein Mensch mehr zu leisten vermag:

Als Ausgangspunkt dient immer Ihre spezifische Situation und bestehende Digitalstrategie, die wir in Kooperation weiterentwickeln, um Ihre Visionen umzusetzen. Unser Fokus auf Business Cases ermöglicht es, KI an geeigneten Stellen einzusetzen und auf technologische Spielerei zu verzichten. Maßgeschneiderte KI-Lösungen von uns und/oder von uns konfigurierte und angepasst bewährte branchenspezifische KI-Lösungen integrieren sich nahtlos in bestehende Infrastruktur und setzen auf kosteneffiziente Lösungen. Dort, wo Daten zur Optimierung von Prozessen noch fehlen, erarbeiten wir gemeinsam mit unserem IoT-Team passende Lösungen oder lassen Sie von unseren bereits erstellen Lösungen für Predictive Maintenance, Schadenserkennung, Lokalisierung etc. profitieren.

Künstliche Intelligenz

Was ist künstliche Intelligenz? Was sollte eine gute KI können? Wo liegen ihre Grenzen? Wie lernt eine KI? Und diverse weitere Aspekte sind Thema in unserer Broschüre zur künstlichen Intelligenz. Laden Sie sich die Broschüre hier herunter.

Leitlinien über den Einsatz von Künstlicher Intelligenz in ihren IT-Projekten

Lufthansa Industry Solutions folgt bei der Entwicklung und Nutzung künstlicher Intelligenz in der Praxis den Ethik-Leitlinien der Europäischen Kommission. Demnach zeichnet sich eine vertrauenswürdige KI durch drei Komponenten aus, die während des gesamten Lebenszyklus des Systems erfüllt sein sollten:

  • Sie sollte alle anwendbaren Gesetze und Bestimmungen einhalten,
  • sie sollte die Einhaltung ethischer Grundsätze und Werte garantieren,
  • sie sollte sowohl in technischer als auch sozialer Hinsicht zuverlässig sein.

Die Leitlinien der Lufthansa Industry Solutions im Einzelnen:

KI-Systeme sollten

  • nach allgemeingültigen Vorschriften handeln.
  • sich an menschlichen Werten, Rechten und Solidarität orientieren. 
  • für das menschliche Zusammenleben und der Umwelt von Nutzen sein.
  • das Leben von Menschen erleichtern, aber nicht die Kontrolle durch Menschen ausschließen.
  • verständlich und nachvollziehbar sein.
  • algorithmische Rechenschaftspflicht haben.
  • alle Menschen fair behandeln und nicht diskriminieren.
  • Menschen unterstützen und beteiligen.
  • sicher sein und die Privatsphäre respektieren.
  • zuverlässig und sicher funktionieren.
  • Wir bewerten existierende Prozesse und identifizieren Engpässe, die durch eine KI aufgelöst werden können. Damit können Menschen bei wiederkehrenden Aufgaben unterstützt werden.
  • Unsere Lösungen verbinden kontinuierliche Aktualität, eine hohe Qualität der Vorhersagen bzw. Entscheidungen der KI und eine professionelle Operationalisierung.
  • Wir entwickeln Strategien, um eine operationalisierte KI permanent zu überwachen, zu verbessern, auf neue Rahmenbedingungen anzupassen und für jede Entscheidung auditierbar zu sein.
  • Wir nutzen etablierte Komponenten und erweitern diese bei Bedarf um Eigenentwicklungen unter Berücksichtigung aktueller Fortschritte in der Forschung.
  • Durch den wissenschaftlichen Hintergrund unserer KI-Experten verstehen wir eingesetzte Modelle und Algorithmen im Detail und wählen diese sinnvoll und angemessen aus.
  • Wir nehmen aktiv am wissenschaftlichen Diskurs teil und transferieren Forschungsergebnisse in innovative Lösungen für die Industrie.
  • Sie profitieren von unserer anbieterübergreifenden Expertise mit den führenden Technologien unserer Partner. Dabei berücksichtigen wir Ihre Präferenzen sowie projektspezifische und rechtliche Anforderungen.

Auszeichnung im Bereich Digital Factory

Lufthansa Industry Solutions wurde als maßgeblicher Player in den drei Use-Case-Clustern „Predictive Analytics & Maintenance“,  Traceability“ sowie „Asset & Plant Performance Monitoring von teknowlogy ausgezeichnet. Laut teknowlogy, dem führenden unabhängigen europäischen Marktanalyse- und Beratungsunternehmen für die IT-Branche, hat LHIND bewiesen in diesen Kategorien alle damit verbundenen Anwendungsfälle adressieren zu können.

Mehr zur Auszeichnung im Bereich Digital Factory

Themenbereiche von KI

Bilder werden als Ausgangsbasis genutzt, um Objekte zu erkennen, Größen zu messen, Nutzereingaben auszuwerten oder sogar Rückschlüsse auf die Bedeutung im aktuellen Kontext zu ziehen.

Beispiele: Schadenserkennung an Fahrzeugen, Qualitätskontrolle von Werkstoffen und Produktionsgütern, Sortierung von Stückgut, Objekterkennung in unübersichtlichen Situationen, Bewertung von nutzererstellten Daten

Kontinuierliche Datenströme aus Sensoren (z. B. Audiodaten, Vibrationswerte, Temperatur usw.) werden untersucht, um Muster oder Abweichungen zu identifizieren. Eingehende Signale werden den Anforderungen des Anwendungsfalls entsprechend umgewandelt, um eine effiziente Bearbeitung sicherzustellen

Beispiele: Anomalie-Erkennung bei Störungen, Filtern von Nebengeräuschen, Intelligent Smart Home

Dokumente, E-Mails, Kommentare und Bewertungen in schriftlicher Form werden im aktuellen Sinnzusammenhang verstanden und eingeordnet, um adäquat zu reagieren. Dabei werden neben den direkten Informationen im Satz auch der implizite Kontext und die Intention berücksichtigt.

Beispiele: Stimmungsanalyse von Social-Media-Beiträgen, Klassifizierung von Nutzerkommentaren, Ähnlichkeitsanalysen zwischen verschiedenen Dokumenten, Paraphrasierung von Dokumenten

Unsere KI-Experten arbeiten Hand in Hand mit Domänenspezialisten aus unseren branchenspezifischen Fachabteilungen und stehen in permanentem Diskurs und Informationsaustausch, um neue und innovative Lösungen zu schaffen. Dadurch können wir Synergien zwischen Lösungen verschiedener Branchen schaffen.

Wir begleiten Unternehmen dabei von der ersten Analyse über die Beratung und Schulung bis zur Installation und Konfiguration. Und auch im Anschluss stehen wir für Rückfragen und Nachjustierungen zur Verfügung. Wir entwickeln individuelle Lösungen– passend zu den Problemfeldern, den Datenquellen und den spezifischen Anforderungen unserer Kunden.

Erfahren Sie mehr zu den Themen, die Ihre Branche bewegen

Sie möchten mehr über die relevanten IT-Themen erfahren? Wir informieren Sie aktuell und branchenspezifisch zu Kernthemen wie Big Data, Industrie 4.0, Collaboration Platforms und anderen. Auf Wunsch beraten wir Sie gern persönlich – sprechen Sie uns jederzeit an.

Erfahren Sie mehr über Künstliche Intelligenz in der Sprachverarbeitung