Die KI-Pyramide als Bauplan für intelligente Maschinen und Prozesse

Nachdem mittlerweile klar ist, was Künstliche Intelligenz (KI) zu leisten vermag, stehen viele Unternehmen vor der Herausforderung, schnell herausfinden zu müssen, ob KI auch in Kombination mit ihren Maschinen und Prozessen Mehrwert schaffen kann. Und wenn dem so ist, gilt es, die neuen KI-Funktionen so schnell wie möglich produktiv nutzen oder auch marktreif anbieten zu können. 

In diesem Artikel finden Sie den Bauplan, um speziell Maschinen und technische Prozesse mit KI aufzurüsten und unter Industriebedingungen verlässlich zu betreiben.

Die KI-Pyramide, ein Bauplan für alle Fälle

Ob nun Künstliche Intelligenz zur vorausschauenden Qualitätssicherung in der Produktion oder zur Optimierung des Energieverbrauchs in Industrieanlagen, die erforderlichen KI-Komponenten lassen sich nach dem gleichen Schema bauen und betreiben. Diesen Bauplan veranschaulichen wir als KI-Pyramide, da die erforderlichen Schritte aufeinander aufbauen und gemeinsam auf ein übergeordnetes Ziel, den verlässlichen KI Produktiveinsatz, zulaufen.

Stufe 1: Data Engineering

Aufsetzend auf den Daten aus Maschinen, sensorisierten Betriebsmitteln und Prozessen, stellt das Data Engineering sicher, dass diese Daten in KI-taugliche Form gebracht werden. Die Hauptaufgaben, um aus Rohdaten geeignete KI-Trainingsdaten zu erzeugen, sind: 

1. KI-Datenmodell: Die im Datenmodell festgelegten Datenschemata und Datenschnittstellen bestimmen die Art und Weise, wie Daten für KI-Zwecke erfasst und abgerufen werden. Festgelegt werden müssen insbesondere die Datenspeicherung, die Beziehungen zwischen verschiedenen Dateneinheiten sowie der Datenzugriff.
2. Datenvorverarbeitung: Mit dem Ziel, Rohdaten in ein Format zu konvertieren, das für KI-Algorithmen geeignet ist, werden Daten bereinigt (bspw. bei fehlenden Werten), umcodiert (bspw. nicht numerische Daten) und gegebenenfalls auch in ihrer Dimensionalität reduziert (Komprimierung).
3. Labeling: Überwachte Lernmodelle (supervised learning), etwa zur Klassifikation von Fehlerzuständen, benötigen Label. Beim Labeling-Prozess werden Daten mit den richtigen Beschriftungen/Kategorien (Label) versehen, damit das Modell aus diesen Beispielen lernen kann.

Ergebnis des Data Engineering in Stufe 1 sind Daten, die sauber, strukturiert und gegebenenfalls gelabelt sind, sodass sie für das Training von KI-Modellen genutzt werden können.

Stufe 2: AI Engineering

Beim AI Engineering werden aufgabenspezifische KI-Modelle mit den in Stufe 1 erzeugten Trainingsdaten trainiert, evaluiert und feingetuned, bis die KI-Ergebnisse genau genug sind. Die Hauptaufgaben, um qualitativ hochwertige KI-Modelle zu erzeugen, sind:

1. Training mit einer AI Model Factory: Heutzutage werden keine einzelnen KI-Modelle mehr trainiert, sondern ein ganzer Satz potenziell passender Modelle gleichzeitig. Dabei werden Automatisierungstools für die schnelle Entwicklung, das Testen und den Einsatz von KI-Modellen genutzt, um Skalierbarkeit und Effizienz in KI-Entwicklungsprozessen sicherzustellen. Das Nachtrainieren von KI-Modellen im laufenden Betrieb ist ohne eine automatisierte AI Model Factory praktisch unmöglich. 
2. Feature Engineering: Gerade Daten aus komplexen industriellen Prozessen weisen häufig nicht die erforderliche Interpretierbarkeit auf, um damit ohne Weiteres qualitativ hochwertige KI-Ergebnisse zu erzielen. Durch domänenspezifisches Feature Engineering kann die Fähigkeit eines KI-Modells, aus solchen Daten zu lernen, erheblich verbessert werden.
3. Bewertung, Feintuning und Auswahl von KI-Modellen: Die Ergebnisgüte trainierter KI-Modelle lässt sich anhand verschiedener Kriterien bzw. Metriken bewerten. Die präferierte Metrik (bspw. precision oder recall) bestimmt, wie sich die KI später bei konkreten Fragestellungen verhält, bspw. ob sie im Zweifelsfall lieber zu häufig warnt als zu selten. Mit entsprechendem Finetuning, d.h. dem gezielten Experimentieren mit verschiedenen Algorithmen, Features und Hyperparametern, wird die gewählte Metrik optimiert. Das KI-Modell mit der besten Bewertung wird für den Produktiveinsatz ausgewählt.  

Ergebnis des AI Engineering in Stufe 2 ist ein trainiertes KI-Modell, das eine bestimmte Aufgabe unter vorgegebenen Qualitätsstandards erfüllt.

Stufe 3: AI Operations

Für den praktischen Einsatz des in Stufe 2 entwickelten KI-Modells verlagert sich der Schwerpunkt auf dessen Bereitstellung, Verwaltung und Wartung in der Produktivumgebung. Insbesondere im industriellen Einsatz sind dabei folgende Punkte zu gewährleisten:

1. Betrieb als KI-Dienst in Echtzeit: Das trainierte KI-Modell wird als KI-Dienst in die Produktivumgebung eingebettet und kann jederzeit angesprochen bzw. ausgeführt werden. Maschinen- und Prozessdaten werden vom KI-Dienst in Echtzeit zu Diagnosen, Vorhersagen oder Vorschlägen verarbeitet.
2. Verwaltung von KI-Modellen: KI-Modelle haben einen begrenzten Lebenszyklus. In dessen Verlauf müssen sie versioniert, aktualisiert und irgendwann auch ersetzt bzw. außer Betrieb genommen werden. So wird sichergestellt, dass KI-Modelle im Laufe der Zeit effektiv und relevant bleiben.
3. Kontinuierliche Qualitätsüberwachung: Gerade im industriellen Einsatz muss sichergestellt werden, dass KI-Modelle jederzeit wie bei ihrer Abnahme in Stufe 2 funktionieren. Dazu gehört die Überwachung der KI-Ergebnisgüte (Modelldrift) sowie die rechtzeitige Erkennung von Änderungen in den Eingangsdaten (Datendrift). Auf Verschlechterungen muss sofort reagiert werden.
4. Automatisches KI-Retraining: Um Problemen wie Modelldrift und Datendrift entgegenzuwirken, aber auch um KI-Modelle mit einer stetig wachsenden Datenbasis zu verbessern, werden automatische Retraining-Mechanismen eingerichtet. Dadurch wird sichergestellt, dass Modelle regelmäßig aktualisiert werden, um ihre Leistung ohne manuelles Eingreifen aufrechtzuerhalten oder zu verbessern.

Ergebnis eines professionell aufgesetzten AI Operations Frameworks sind stets aktuelle KI-Modelle, die täglich unter Industriebedingungen verlässlich ihre Aufgabe erledigen.

Fehlt da nicht noch etwas?

Ja, zwischen AI Operations Framework und täglichem KI-Einsatz fehlt tatsächlich noch ein Schritt: Ehe die neue KI-Funktion oder das neue KI-Device im Produktiveinsatz genutzt werden kann, ist in der Regel noch eine technische und prozessuale Integration in die bestehende Systemlandschaft erforderlich. Sofern das AI Operations Framework aber als modulare Software-Komponente verpackt ist - wie aiXbrain es mit seinem KI-Betriebssystem Dataray anbietet -  läuft dieser Schritt genauso ab wie bei der Integration herkömmlicher Software- und Automationslösungen und wird damit zur Standardaufgabe.

Gut zu wissen

Die professionelle Umsetzung aller Aufgaben in der KI-Pyramide erfordert einen Expertisenmix, der vielen Unternehmen, die KI nicht als Kerngeschäft betreiben, nicht klar ist: Während im Data Engineering und Feature Engineering insbesondere Kenntnisse in Data Science und Ingenieurwissenschaften benötigt werden, erfordern die Entwicklung qualitativ hochwertiger KI-Modelle sowie deren Betrieb im AI Operations Framework tiefe Kenntnisse in Machine Learning Engineering und Machine Learning Operations (MLOps). Außerdem lässt sich die entwickelte KI ohne entsprechende Expertise in Informatik bzw. Software Engineering nicht als skalierbares Softwaremodul verpacken, integrieren und warten. Und da es in einem typischen KI-Lebenszyklus immer wieder vorkommen kann, dass einzelne Teile oder die KI-Pyramide als Ganzes abgearbeitet werden müssen, ist der erforderliche Expertisenmix bzw. Ressourcenbedarf dauerhaft vorzuhalten. 

Die Umsetzung eines technisch sinnvollen KI Use Case in ein profitables KI-Angebot kann somit auf der Kostenseite schnell ausufern und den zugehörigen Business Case zerstören. Damit das nicht passiert, bietet aiXbrain mit seinen zielgerichteten Dienstleistungen (Data Engineering, AI Engineering, Integration) sowie mit seiner AI Operations Software (Dataray) allen Unternehmen die Möglichkeit, ihre Maschinen und Prozesse wirtschaftlich sinnvoll und nachhaltig mit KI aufzurüsten.