Gastbeitrag | Autoren: Dr. Olaf Enge-Rosenblatt, Gruppenleiter Datenanalysesysteme, Andy Heinig, Abteilungsleiter Effiziente Elektronik & Andreas Brüning, Chief Engineer | Fraunhofer IIS, Institutsteil Entwicklung Adaptiver Systeme EAS 

Das Thema Künstliche Intelligenz (KI) ist derzeit überall präsent, selbst Nachrichten- und populärwissenschaftliche Sendungen berichten darüber. Die Möglichkeiten von KI-Methoden zur Unterstützung des Menschen bei der Entscheidungsfindung entwickeln sich immer weiter. Das ist vor allem drei Punkten zuzuschreiben: erstens der Entwicklung von neuen Methoden der KI (Deep Learning, Reinforcement Learning), zweitens der ständigen Weiterentwicklung der Hardware-Möglichkeiten, drittens der wachsenden Verfügbarkeit von umfangreichen und gut strukturierten Trainingsdaten. Dadurch lassen sich für die KI immer neue Anwendungsbereiche erobern.

Aber wie ist die Sicht eines KI-Anwenders? Wann lassen sich KI-Methoden sinnvoll einsetzen? Was sind die Voraussetzungen dafür und wie geht man die Sache richtig an? Diese und weitere Fragen beschäftigen jeden, der gedanklich seinen Verantwortungsbereich durchgeht, um Use cases für einen vorteilhaften Einsatz von KI-Methoden zu finden.
Die Erfahrung aus verschiedenen durchgeführten Projekten zur Einführung von KI in der industriellen Produktion lehrt, dass aus Anwendersicht zunächst fünf Herausforderungen bestehen, die der Reihe nach angegangen werden müssen: der Business Case, das Team-Building, die Algorithmik, die Implementierung und schließlich die firmenübergreifende Zusammenarbeit. Allerdings können diese Herausforderungen oftmals nicht separat betrachtet werden, da die jeweiligen Informationen sich gegenseitig beeinflussen, so das über alle Herausforderungen mehrmals iteriert werden muss.

Strategische Schritte und Teamstruktur

Die allererste und wichtigste Frage bei der Einführung von KI ist die nach dem Business Case. Die Frage nach der Amortisation des schätzungsweise notwendigen finanziellen Mittel sollte positiv beantwortet werden können. Andernfalls muss die Entscheidung gefällt werden, ob die geplante KI-Einführung für das Unternehmen von strategischer Bedeutung ist. Das Thema Team-Building zerfällt in zwei Bereiche: das Kern-Team und die involvierten Unternehmensbereiche. Zum Kern-Team sollten immer neben den Datenanalysten (es geht ja um KI) auch Prozessexperten und Software-Experten einbezogen werden. Das folgt zwingend aus der Art und Weise der Entwicklung einer KI. Andere wichtige Unternehmensbereiche sind: die IT, die entsprechende Entscheidungsebene, das Marketing usw. Hinsichtlich der Algorithmik ist zu untersuchen, inwieweit das Anwenderproblem vermutlich mit KI lösbar ist (Machbarkeit) und ob ausreichendes Domänen- und Prozesswissen im Unternehmen vorhanden ist, um eine KI trainieren und deren Ergebnisse bewerten zu können. Bei der Algorithmik spielen vor allem die verfügbaren Daten die wesentliche Rolle. Die firmenübergreifende Zusammenarbeit ist notwendig, um ergänzende eventuell notwendige Daten von Zulieferern oder Kunden einbeziehen zu können.

Edge oder Cloud?

Beim Thema KI denkt jeder Anwender zunächst an große Computersysteme, Neuronale Netze und intelligente autonome Systeme. Das stellt aber nur einen Teil der Systeme dar, bei denen KI zum Einsatz kommt. Das sind vor allem Netze im Bereich von Warenhaus-Applikationen (z.B. personalisierte Werbung oder Produktplatzierung nach vorherigen Käufen) oder im Bereich Social Media (wo Empfehlungen für weiteren Content ausgesprochen werden). In Bereichen, in denen reale Daten erfasst werden müssen, zeigt sich der deutliche Trend hin zu einer verteilten KI, die teilweise in einer Cloud, teilweise auf einem Edge-System und möglicherweise (und hier wird es besonders interessant) teilweise auch auf einem einzelnen Chip ihren Dienst verrichtet. Auf diese Weise kann einerseits die zur Kommunikation erforderliche Datenmenge optimiert werden. Andererseits können eher zeitkritische Entscheidungen „weit vorn“ in der Hardware-Kette getroffen werden, während die eher langfristig angelegten und meist recht komplexen Datenanalysen dann oftmals in der Cloud durchgeführt werden.

Aus Anwendersicht ist es erst einmal unbedeutend, ob die KI in der Cloud oder auf einem Edge-System ausgeführt wird. Allerdings führen die Randbedingungen dazu, dass sich die eine oder andere Variante letztendlich dann doch deutlich besser eignet. Beim Thema Latenz sind Lösungen, die große Teile der KI auf einem Edge-System ausführen, deutlich besser. Auch beim Thema Datenhoheit sind Edge-Lösungen zu bevorzugen. Auf der anderen Seite kann die größere Rechenleistung in der Cloud deutlich besser angeboten werden. Vor allem können in der Cloud die Prozesse besser noch Priorität und Rechenleistung auf die Cloud-Rechner verteilt werden.

Diese Optimierung muss beim Aufsetzen der Lösung berücksichtigt werden, damit der Anwender die beste Performance unter den beschriebenen Gesichtspunkten erhält. Zunächst wird der einzelne Anwender sich jedoch kaum mit der konkreten Realisierungsform der ihm zur Verfügung gestellten KI-Lösung beschäftigen, solange sie ihn erfolgreich in der Entscheidungsfindung oder anderen Aufgaben unterstützt. Allerdings wird unter Berücksichtigung der mit der Zeit sicherlich stark anwachsenden Datenvolumina und der letztlich notwendigen Entscheidungsgeschwindigkeit die Optimierung hin zur besten Performance eine wachsende Bedeutung verzeichnen.