KI - Herausforderungen

Wie bereits im Kapitel 3 beschrieben benötigen die Algorithmen zur erfolgreichen Anwendung des maschinellen Lernens in der Produktionstechnik eine möglichst hohe Zahl an Gutdaten. Unter Gutdaten versteht man Daten deren Werte grundsätzlich möglichst korrekt sind. Dies betrifft sowohl deren mathematischen Wert zur Beschreibung einer physikalischen Größe, als auch der zeitlich stetigen Korrektheit des Zustands eines jeweiligen Datums, auch ob es nach wie vor eine relevante Einflussgröße auf die definierte Zielgröße ist. Ferner ist die Zahl der vorliegenden Gutdaten entscheidend. Je mehr Daten dieser Datenqualität vorliegen, desto höher ist die spätere Funktionsgüte der “künstlichen Intelligenz“ als zentrales Steuerinstrument einer autonomen Produktion. Dies kann dadurch erläutert werden, dass die Algorithmen zur Erlernung einer unternehmenstypischen Produktionsverhaltens möglichst auf eine gute Lernbasis zurückgreifen sollten, ähnlich wie beim Lernprozess eines Menschen. Je qualitativer seine Ausbildung ist, desto höher sein späterer Bildungsstand. Dabei entscheidet maßgeblich die Güte seiner Ausbildungsinformationen (Lerninhalte) die spätere Güte seines Könnens.

In einer Produktionsumgebung bestehen zumindest zwei relevante Arten von Datenfamilien. Einerseits die Gruppe aller technischen Sensorinformationen, auch die der Produktqualitätsüberwachung, der in der Produktionsperipherie installierten Sensoren, sowie andererseits die Gruppe der betriebswirtschaftlichen Informationen in Form von berechneten Daten aus bestehenden Softwaresystemen, wie beispielsweise ERP- und Buchhaltungs-Systemen. Die Verfügbarkeit dieser beiden Datenfamilien (Technik und Betriebswirtschaft) erlaubt es einer künstlichen Intelligenz bereits möglichst zutreffende Aussagen zur Wirtschaftlichkeit der betrachteten Produktionsumgebung machen zu können. Bei der Auswahl der zu berücksichtigenden Daten ist darauf zu achten, dass man die Menge an Gutdaten zum Training des mathematischen Modells der künstlichen Intelligenz maximiert.

Ein weiterer Faktor ist die zeitliche Verzögerung der Informationsverfügbarkeit. Beispielsweise gelingt es recht einfach eine physikalische Größe aus der Produktionsumgebung in Echtzeit zur Verfügung zu stellen, jedoch liegen betriebswirtschaftliche Werte, wie ein Betriebsergebnis aufgrund von möglichen Buchungsverzögerungen oftmals nicht in Echtzeit vor. Wie reagiert nun ein mathematisches Modell auf unvollständige Datensätze? Oder wird aus der Vergangenheit eine statistische Wahrscheinlichkeit errechnet, um den zeitechten Wert betriebswirtschaftlicher Daten möglichst exakt zu prognostizieren? Es besteht demnach also für jede Optimierungsgröße eine gewisse maximal tolerierbare Unschärfe in Bezug auf die Datenqualität. Wo liegen hier die Grenzen, Relevanzen einer derartigen Unschärfe? Existieren genügend genaue Bewertungsgrundlagen von Prognosemodellen betriebswirtschaftlicher Kenndaten? Im Kontext der autonomen Produktionstechnik wird es daher zweckmäßig sein herauszufinden, mit welcher Unschärfe in der Datengüte ein Optimierungsmodell der künstlichen Intelligenz noch „genügend“ genau arbeitet. Dabei ist die Frage zu klären wie der Begriff einer „genügenden Funktionsqualität“ eines mathematischen Modells bewertet werden kann. Hierzu gibt es verschiedenste Ansätze der mathematischen Modellvalidierung, die in diesem Artikel jedoch nicht näher erläutert werden sollen.

Damit besteht auch hier ein Wirtschaftlichkeits-Optimum in Bezug darauf, Daten so gut wie nötig bereits zu stellen und nicht so gut wie möglich.