Das war der 2. Tag der Predictive Analytics World for Industry 4.0

Dieser zweiteilige Beitrag berichtet von den Höhepunkten der Predictive Analytics World for Industry 4.0 im Mai 2019 in München.

Home / Veranstaltungen / Das war der 2. Tag der Predictive Analytics World for Industry 4.0

Im ersten Teil haben Sie unter anderem von Beschleunigern und Transformatoren im Kontext von prädiktiver Analyse und künstlicher Intelligenz gelesen. Sie konnten erfahren, was davon Sie schneller von der Idee zur Anwendung bringt. Auch am zweiten Tag gaben erfahrene Anwender von maschinellem Lernen Einblicke, was es braucht, damit es nicht nur beim Proof of Concept bleibt.

Lassen Sie keine Hühner mit Enten sprechen.

„It’s key to close the knowledge gap: The engineer and the data scientist need to talk a common language when it comes to data science. Therefore, training is inevitable. Don’t let chickens talk to ducks. A hybrid is needed.” – Richard Lim, Manufacturing Strategist, HP

In seiner leidenschaftlichen Keynote „Try Fast, Fail Fast & Adjust Fast: HP’s Philosophy Towards its Industry 4.0 Efforts“ brachte Richard Lim, Manufacturing Strategist bei HP, dem Auditorium die Philosophie von HP auf der Reise Richtung Industrie 4.0 näher. „Try fast, fail fast“ und vor allem „adjust fast“, als selbstauferlegte Philosophie, war dabei der Schlüssel, um die Welt der Ingenieure aus der Produktion mit den Softwareentwicklern aus der Data Science zusammenzubringen.

Nachdem anfänglich die (zu) großen Erwartungen, was mit künstlicher Intelligenz erreicht werden kann, enttäuscht wurden, näherte man sich danach Schritt für Schritt Anwendungsfällen wie Predictive Maintenance oder Predictive Quality. Fundamental sei dabei gewesen, Nicht-Data-Scientists wie beispielsweise Produktionsingenieure in Data Science-Grundlagen zu trainieren. Damit ausgestattet, konnten beide Gruppen auf Augenhöhe über die Umsetzung von Anwendungsfällen diskutieren.

Die Wichtigkeit dieser gemeinsamen Sprache bzw. eines T-Shaped Skill-Set betont auch Programmdirektor Martin Szugat von Datentreiber immer wieder in seinen Seminaren zur Datenstrategie-Entwicklung. Data Science kann nur dann Nutzen in einem Unternehmen stiften, wenn der Sweet Spot von fachlicher Expertise zum Geschäftsmodell respektive der Industrie und der Expertise zu den Werkzeugen der Data Science gefunden wird. Selbstverständlich bedarf es dann auch der technischen Kompetenz für die Umsetzung.

Planen Sie Zeit zum Aufbau von Vertrauen ein.

Die erwähnte Thematik des gemeinsamen Verständnis zog sich durch mehrere Beiträge des zweiten Tages. In unterschiedlichen Varianten.

Beim Vortrag „Automated Evaluation of Machine Wear and Tear in Manufacturing at EMAG” von Rico Knapper, Chief Data Scientist bei anacision, wurde klar, dass ohne das tiefe Eintauchen in den Produktionsprozess keine Lösungsentwicklung möglich gewesen wäre.

„It’s not only about the algorithm.” – Rico Knapper, Chief Data Scientist, anacision

Bereits bei der Sammlung der Daten musste in bestehende Prozesse eingegriffen werden. Dies war nötig, um überhaupt strukturierte Daten für die Analyse zu bekommen. Hauptergebnis war schlussendlich ein sogenannter „machine fingerprint“, welcher den Abnutzungsgrad von Maschinenbauteilen bewertete.

Zur Datensammlung war also Verständnis notwendig. Damit das Datenprodukt dann auch tatsächlich genutzt wurde, bedarf es zusätzlich Vertrauen, welches im Laufe der Zeit aufgebaut werden muss: Obwohl der machine fingerprint nachweislich korrekt ist, wird dieser zusätzlich noch von einem technischem Experten, einem menschlichen Mitarbeiter, überprüft.

Noch wichtiger ist Vertrauen, wenn tonnenschwere Maschinen autonom ihre Arbeit verrichten sollen. Jussi Sainio, Head of AI Control bei Curious AI, deutete in seinem Vortrag “Self-Learning AI for Machinery Control at Sandvik Mining and Rock Technology” an, wie wichtig die Erklärbarkeit von Modellen für deren Erfolg sein kann. Gerade bei Blackbox- bzw. hochkomplexen Modellen (in diesem Fall ein modellbasiertes Reinforcement Learning-Modell), muss das Vertrauen in das Modell über die Zeit gewonnen werden. Bis dahin fahren die Maschinen immer noch unter Aufsicht eines menschlichen Aufsehers in ihrer abgesperrten Zone.

Wichtig ist, dass Sie die Reise starten und das Ziel nicht vergessen.

„Start small, do not wait until everything e.g. the whole technical infrastructure is in place. The analytics journey is a learning journey.” – Dr. Michael Soucek, Manager Data Science / Applied Intelligence, Accenture

Wenn sich ein Riese wie Bayer auf Reisen begibt, ist klar, dass einiges in Bewegung gesetzt werden muss. Herausforderungen auf dem Weg sind vorprogrammiert. Davon berichteten Silja Salge, Product Supply Controlling Strategy & Development Lead bei Bayer und Dr. Michael Soucek, Manager Data Science / Applied Intelligence von Accenture im Rahmen ihres Vortrags „Using Machine Learning to Predict Product Supply Interruptions at Bayer“.

Bei der Entwicklung eines Vorhersagemodells für Risiken in der Supply-Chain war von Anfang an klar, dass nicht die gesamte notwendige technische Infrastruktur im angestrebten Zeitraum zur Verfügung stehen würde. Trotzdem wurde gestartet, jedoch ohne darauf zu vergessen, dass nicht ein Prototyp das Ziel ist, sondern eine produktive Anwendung, die ein geschäftsrelevantes Problem löst und skaliert werden kann.

„Find a use case based on a business problem and not for a technology. Think about the last mile of analytics: How to get from an experiment to an operational running application.” – Silja Salge, Product Supply Controlling Strategy & Development Lead, Bayer

Da die Anwender entscheidend für die Operationalisierung der entwickelten Anwendung sind, wurden diese sowohl während der Entwicklung, als auch im laufenden Betrieb durch gezielte Maßnahmen eingebunden bzw. betreut. Diese reichten von Change Management-Aktivitäten bis zu entsprechendem Training.

Technologie ist meistens nicht das Problem.

Auf der diesjährigen Predictive Analytics World für Industry 4.0 gab es noch zahlreiche weitere spannende Beiträge zu Anwendungsfällen von Firmen wie Vodafone, der Deutschen Bahn oder Bossard. So unterschiedlich diese und die darin verwendeten Technologien auch waren, so oft wurde auch eine gemeinsame Botschaft deutlich: Die erfolgreiche Anwendung von Prädiktiver Analyse, Künstlicher Intelligenz bzw. Maschinellem Lernen ist nicht nur ein technologisches Problem, sondern es bedarf einer weitsichtigeren Herangehensweise.

Verpassen Sie keinen Beitrag mehr.

Registrieren Sie sich für den Datentreiber-Newsletter und erhalten Sie monatlich die neuesten Beiträge und weitere Neuigkeiten.

So bleiben Sie auch immer auf dem Laufenden zu den Predictive Analytics World-Konferenzen in Deutschland. Noch bis zum 5. Juli profitieren Sie vom Super Early Bird Tarif bei der Registrierung für die Predictive Analytics World Business vom 18.-19. November 2019 in Berlin und es gibt auch schon einen Termin für die Predictive Analytics World for Industry 4.0 2020: Diese wird vom 11.-12.05.2020 wieder in München stattfinden.

Mit dem Klicken auf ‚Für den Newsletter anmelden’ stimmen Sie zu, dass wir Ihre Informationen im Rahmen unserer Datenschutzbestimmungen verarbeiten.

Anmerkung: Dieser Beitrag wurde von unserem Gastautor Martin Raffeiner, Geschäftsführer von datenbotschafter consulting, verfasst.

'
Abonnieren Sie unseren Newsletter:

Erhalten Sie alle relevanten Blogartikel, neue Seminartermine, spezielle Konferenzangebote und vieles mehr bequem per E-Mail.

Mit dem Klicken auf ‚Für den Newsletter anmelden’ stimmen Sie zu, dass wir Ihre Informationen im Rahmen unserer Datenschutzbestimmungen verarbeiten.

Wir treiben Ihr Unternehmen voran.