AI Readiness in the Industrial Sector - Do’s and Don’ts

Zu unserer ersten Ausgabe der Reihe "The AI Interview" zum Thema AI Readiness in the Industrial Sector.
von
Vendela Jagdt

Paul: Herzlich willkommen! In dieser Ausgabe von The AI Interview freuen wir uns, Gerhard Kreß und Dr. Danny Krautz zu begrüßen zu dürfen. Wir werden uns mit Anwendungen, Hindernissen und die praktischen Dos und Don'ts der Implementierung von KI im Industriesektor beschäftigen. Wir werden uns außerdem mit Analyseanwendungen befassen, die Schwierigkeiten in Fertigungsumgebungen untersuchen und die Notwendigkeiten für effektive Analyseanwendungen erörtern. Um die Dinge in Gang zu bringen, Danny, welche Analyseanwendungen im Industriesektor begeistern dich am meisten?

Danny: Vielen Dank, Paul. Was mich am meisten begeistert, ist die Möglichkeit, die Produktivität zu steigern und Produkte mithilfe von Daten und Analysen zu verbessern. Bei CeramTec, wo wir komplexe Produkte herstellen, ist das Potenzial, Expertenwissen in noch wertvollere Ergebnisse umzusetzen, wirklich aufregend. Wir können durch Daten und Analysen viel Potenzial im Unternehmen freisetzen.

Paul: Gerhard, könntest du die aufregendste KI-Anwendung teilen, die dein Team bei Siemens entwickelt hat?

Gerhard: Eine der aufregendsten Anwendungen, an denen wir gearbeitet haben, war in der Eisenbahnindustrie. Wir haben uns mit der Herausforderung befasst, das Versagen von Weichenstellern vorherzusagen, einer der Hauptgründe für Bahnverspätungen. Anstatt Sensoren zu verwenden, haben wir einen Algorithmus entwickelt, der ausschließlich auf vorhandenen Daten aus Stellwerken basierte. Diese Innovation eliminierte die Notwendigkeit zusätzlicher Sensoren und bot eine kostengünstigere Lösung. Bemerkenswert ist, dass unser Algorithmus Vorhersagen erzielte, die genauso genau oder sogar besser waren als sensorbasierte Methoden. Wir haben auch einen vortrainierten Algorithmus entwickelt, der sich an die verschiedenen Weichensteller anpasst, was die Bereitstellung erleichtert. Dieses Projekt war besonders cool, weil es ein realweltliches Problem im großen Maßstab angegangen hat, den Bedarf für Sensoren beseitigt hat und einen einzigartigen datengetriebenen Ansatz verwendet hat.

Paul: Die Komplexität und der Zeitrahmen für die Entwicklung eines so präzisen Algorithmus müssen ziemlich intensiv gewesen sein?

Gerhard: Auf jeden Fall. Die Entwicklung eines hochgenauen Vorhersagemodells in einer industriellen Umgebung stellt verschiedene Herausforderungen dar. Die benötigte Genauigkeit lag im oberen 98-99% Bereich, was ein tiefes Verständnis der Daten und der mechanischen Aspekte von Weichenstellern erforderte. Weichensteller versagen selten, was historische Daten begrenzt. Darüber hinaus erforderte das Extrahieren von Daten aus sicherheitskritischen Systemen wie Stellwerken eine akribische Handhabung. Das Projekt dauerte etwa zwei bis drei Jahre, um eine ausreichend hohe Genauigkeit zu erreichen, einschließlich Datenengineering, Modellentwicklung und Integration. Es waren Ingenieure mit Fachkenntnissen in Mechanik, Elektrosystemen und Datenanalyse beteiligt. Verträge abzuschließen und die Zustimmung von Kunden wie der SBB oder der Deutschen Bahn zu erhalten, hat eine weitere Ebene der Komplexität hinzugefügt. Am Ende waren die Ergebnisse beeindruckend, aber der Weg war mühsam.

Paul: Danke dir für diese Einblicke, Gerhard. Jetzt richten wir unseren Fokus auf die Hindernisse bei der Implementierung von KI in industriellen Umgebungen. Wenn du die drei wichtigsten Hindernisse identifizieren müsstest, welche wären das?

Gerhard: Erstens kann es schwierig sein, ausreichend hochwertige Daten zu erhalten, aufgrund vielfältiger, oft älterer Ausrüstungen. Das Ausbalancieren von knappen und reichlichen Datenquellen ist entscheidend, um separate Modelle für jede Generation von Ausrüstung zu vermeiden. Zweitens sind diese Systeme oft so konzipiert, dass sie mehr als ein Jahrzehnt halten, was zu begrenzten historischen Fehlerdaten führt. Dies erfordert genaue Vorhersagen, um übermäßige Fehlalarme zu vermeiden. Drittens ist das Gewinnen des Vertrauens der Kunden und die Überzeugung, ihre Prozesse anzupassen, eine erhebliche Hürde. Die Implementierung von KI in industriellen Umgebungen erfordert strenge Genauigkeit und langfristige Verpflichtung.

Paul: Das sind in der Tat erhebliche Herausforderungen. Danny, basierend auf deiner Erfahrung bei CeramTec, welche Erfolgsfaktoren hältst du für entscheidend bei KI-Projekten in industriellen Bereichen?

Danny: Erstens ist es von entscheidender Bedeutung, von Anfang an ein starkes Engagement des Top-Managements zu haben. KI-Projekte im Industriesektor sind langfristige Unternehmungen, die strategische Unterstützung erfordern. Zweitens sind Transparenz und realistische Erwartungen entscheidend. Die Erläuterung, dass die anfängliche Genauigkeit niedrig sein kann und dass KI bestehende Prozesse ergänzen, nicht ersetzen wird, hilft dabei, die richtigen Erwartungen zu setzen. Datenengineering ist ebenfalls grundlegend und wird oft unterschätzt, daher ist die Aufklärung der Stakeholder entscheidend. Schließlich ist es entscheidend, sich auf das Lösen realer Probleme mit einem klaren Verständnis für die Auswirkungen zu konzentrieren und die richtigen Personen einzubeziehen.

Paul: Danke, Danny. Vom Identifizieren von Problemen bis zur Auswahl und Validierung von KI-Anwendungsfällen bei CeramTec, wie navigierst du durch diesen Prozess?

Danny: Bei CeramTec ist ein starkes Engagement des Vorstands ein Ausgangspunkt. KI-Projekte erfordern eine strategische Verpflichtung. Um Anwendungsfälle zu identifizieren, beginnen wir damit, aus der Perspektive des Kunden zu denken und ein ganzheitliches Verständnis für das Problem zu entwickeln. Wir beziehen Stakeholder aus verschiedenen Geschäftsbereichen ein, um eine umfassende Sichtweise sicherzustellen. Mit Design-Sprints und kollaborativer Problemiteration priorisieren wir Ideen und stellen sicher, dass jeder das potenzielle Ausmaß versteht. Wir streben an, transparent über unseren Ansatz zu sein und realistische Erwartungen zu setzen. In kleineren Unternehmen wie CeramTec sind die Ressourcen begrenzt, daher ist es entscheidend, Anwendungsfälle weise auszuwählen und sich darauf zu konzentrieren, greifbare kurzfristige Auswirkungen zu erzielen und gleichzeitig langfristige Ziele im Auge zu behalten.

Paul: Danke, Danny. Wir haben über KI im industriellen Kontext gesprochen, und ich möchte damit beginnen, die Bedeutung eines klaren Prozesses und von Verantwortlichkeiten vor der Implementierung von KI-Lösungen zu diskutieren. Danny, möchtest du deine Gedanken zu diesem Thema teilen?

Danny: Ich denke, es ist entscheidend zu betonen, dass KI ein Werkzeug ist, keine ultimative Lösung. Bevor man sich in KI oder datengesteuerte Ansätze stürzt, ist es wichtig, einen klaren Prozess zu etablieren und Verantwortlichkeiten zuzuweisen. Oft liegt das Problem nicht in fehlender KI oder Daten, sondern im Fehlen eines gut definierten Prozesses oder im Verständnis dafür, wer was tun sollte. Beginne mit Klarheit in deinen Abläufen und identifiziere dann, wo KI diese Prozesse unterstützen kann, nicht umgekehrt.

Gerhard: Ich stimme Danny in diesem Punkt vollkommen zu. KI sollte bestehende Prozesse und Entscheidungen verbessern, sie nicht unnötig komplizieren. Es geht darum sicherzustellen, dass man KI dort einsetzt, wo sie wirklich benötigt wird, und nicht nur Technologie aus Gründen der Technologieadoption übernimmt.

Paul: Das ist ein ausgezeichneter Punkt. Es ist wichtig, die Technologie nicht nur deshalb zu verwenden, weil sie verfügbar ist, sondern ihren Wert innerhalb bestehender Prozesse zu fokussieren. Ein weiterer entscheidender Aspekt, den ihr beide angesprochen habt, ist die Bedeutung der Einbeziehung erfahrener Ingenieure. Wie seht ihr die Rolle erfahrener Ingenieure in KI-Projekten?

Danny: Aus meiner Erfahrung sind Ingenieure mit jahrelanger praktischer Erfahrung unglaublich wertvolle Ressourcen. Sie sprechen möglicherweise nicht die gleiche Sprache wie Datenwissenschaftler, aber sie besitzen tiefes Fachwissen. Oft ist es effizienter, Ingenieure Situationen identifizieren zu lassen, die Aufmerksamkeit erfordern, anstatt sich ausschließlich auf automatisierte Vorhersagen zu verlassen. Wir haben mit diesem Ansatz Erfolg gehabt, bei dem Ingenieure Einblicke liefern und die Relevanz von Warnungen validieren, was zu einer hohen Trefferquote führt.

Gerhard: Ich kann dem nur zustimmen. KI geht nicht immer um vollständige Automatisierung; manchmal geht es darum, die Aufmerksamkeit von Ingenieuren auf die richtigen Bereiche zu lenken. Erfahrene Ingenieure können zwischen banalen Daten und kritischen Erkenntnissen unterscheiden und sicherstellen, dass ihre wertvolle Zeit sinnvoll genutzt wird.

Paul: Lasst uns nun zum Konzept von KI als Entscheidungsunterstützungswerkzeug anstatt eines Automatisierungswerkzeugs übergehen, wie ihr beide erwähnt habt. Gerhard, könntest du diese Idee näher erläutern?

Gerhard: Oft besteht die Vorstellung, dass KI Entscheidungen vollständig automatisieren sollte. In vielen industriellen Kontexten funktioniert KI jedoch am besten als Entscheidungsunterstützungswerkzeug. Es hilft dabei, die richtigen Ressourcen anzufordern, Einblicke bereitzustellen und menschliche Entscheidungsfindung zu leiten. Es ersetzt nicht das menschliche Fachwissen, sondern ergänzt es.

Danny: Ich stimme zu. KI sollte dabei helfen, informierte Entscheidungen zu treffen, indem sie relevante Daten und Erkenntnisse präsentiert, insbesondere in komplexen industriellen Umgebungen. Es geht darum, menschliche Fähigkeiten zu verbessern, sie nicht vollständig zu ersetzen.

Paul: Lasst uns zu den Anwendungsfällen übergehen. Gerhard, könntest du ein Beispiel für einen “immergrünen” Anwendungsfall teilen, der nie zu erfolgreichen Ergebnissen führt?

Gerhard: Im Industriesektor wird die vorausschauende Wartung oft als bahnbrechend gefeiert, aber ihre erfolgreiche Implementierung kann herausfordernd sein. Viele Proof-of-Concepts (PoCs) bei der vorausschauenden Wartung kämpfen aufgrund hoher Fehlalarmraten. Es handelt sich um einen Fall, in dem das Versprechen von KI nicht immer mit der Realität in Einklang steht. Ich habe selten die Kosteneinsparungen gesehen, die einige Berichte behaupten. Es gibt wertvollere Anwendungsfälle.

Paul: Bevor wir zum Ende kommen, Danny, könntest du etwas Licht darauf werfen, wie Organisationen Projektteams für KI-Initiativen zusammenstellen sollten, unter Berücksichtigung sowohl interner als auch externer Ressourcen?

Danny: Wenn es um KI-Projektteams geht, ist es wichtig, ein Gleichgewicht zwischen internen und externen Ressourcen zu finden. Sie sollten das Problem intern besitzen, den Prozess verstehen und die Strategie managen. Datenwissenschaftler und Dateningenieure können extern hinzugezogen werden, insbesondere wenn spezifische technische Expertise erforderlich ist. Kleine, dedizierte Teams mit vielfältigen Fähigkeiten funktionieren am besten, in der Regel bestehend aus Prozessexperten, Dateningenieuren, Datenwissenschaftlern und möglicherweise UX-Spezialisten. Zusammenarbeit und Kommunikation im Team sind der Schlüssel zum Erfolg.

Paul: Danke euch beiden für das Teilen eurer wertvollen Erkenntnisse heute. Es war mir eine Freude, euch dabei zu haben. Auf Wiedersehen.

Jetzt im Merantix Momentum Newsletter anmelden.

Thank you! Your submission has been received!
Oops! Something went wrong while submitting the form.

Weitere Artikel

Die neuesten Branchennachrichten, Interviews, Technologien und Ressourcen.

Von Datenchaos zu Durchbrüchen

Ein Experteninterview mit Dr. Stephan Hegge, VP of Corporate Strategy at HotSpot Therapeutics und Dr. Thomas Wollmann, CTO at Merantix Momentum

Von Datenchaos zu Durchbrüchen

Die Rolle von Künstlicher Intelligenz bei der Identifizierung von Wirkstoffzielen und ungedeckten medizinischen Bedürfnissen.

AI-Driven Compound Optimization in the Large Molecule Space

Ein Experteninterview über die KI-gestützte Optimierung von Wirkstoffen im Bereich großer Moleküle.

Verlässliche und krisenresistente Bestandsoptimierung

Revolutionierung der Lieferkettenoptimierung.

Von Datenchaos zu Durchbrüchen

Ein Experteninterview mit Dr. Stephan Hegge, VP of Corporate Strategy at HotSpot Therapeutics und Dr. Thomas Wollmann, CTO at Merantix Momentum

AI Readiness in the Industrial Sector - Do’s and Don’ts

Paul: Herzlich willkommen! In dieser Ausgabe von The AI Interview freuen wir uns, Gerhard Kreß und Dr. Danny Krautz zu begrüßen zu dürfen. Wir werden uns mit Anwendungen, Hindernissen und die praktischen Dos und Don'ts der Implementierung von KI im Industriesektor beschäftigen. Wir werden uns außerdem mit Analyseanwendungen befassen, die Schwierigkeiten in Fertigungsumgebungen untersuchen und die Notwendigkeiten für effektive Analyseanwendungen erörtern. Um die Dinge in Gang zu bringen, Danny, welche Analyseanwendungen im Industriesektor begeistern dich am meisten?

Danny: Vielen Dank, Paul. Was mich am meisten begeistert, ist die Möglichkeit, die Produktivität zu steigern und Produkte mithilfe von Daten und Analysen zu verbessern. Bei CeramTec, wo wir komplexe Produkte herstellen, ist das Potenzial, Expertenwissen in noch wertvollere Ergebnisse umzusetzen, wirklich aufregend. Wir können durch Daten und Analysen viel Potenzial im Unternehmen freisetzen.

Paul: Gerhard, könntest du die aufregendste KI-Anwendung teilen, die dein Team bei Siemens entwickelt hat?

Gerhard: Eine der aufregendsten Anwendungen, an denen wir gearbeitet haben, war in der Eisenbahnindustrie. Wir haben uns mit der Herausforderung befasst, das Versagen von Weichenstellern vorherzusagen, einer der Hauptgründe für Bahnverspätungen. Anstatt Sensoren zu verwenden, haben wir einen Algorithmus entwickelt, der ausschließlich auf vorhandenen Daten aus Stellwerken basierte. Diese Innovation eliminierte die Notwendigkeit zusätzlicher Sensoren und bot eine kostengünstigere Lösung. Bemerkenswert ist, dass unser Algorithmus Vorhersagen erzielte, die genauso genau oder sogar besser waren als sensorbasierte Methoden. Wir haben auch einen vortrainierten Algorithmus entwickelt, der sich an die verschiedenen Weichensteller anpasst, was die Bereitstellung erleichtert. Dieses Projekt war besonders cool, weil es ein realweltliches Problem im großen Maßstab angegangen hat, den Bedarf für Sensoren beseitigt hat und einen einzigartigen datengetriebenen Ansatz verwendet hat.

Paul: Die Komplexität und der Zeitrahmen für die Entwicklung eines so präzisen Algorithmus müssen ziemlich intensiv gewesen sein?

Gerhard: Auf jeden Fall. Die Entwicklung eines hochgenauen Vorhersagemodells in einer industriellen Umgebung stellt verschiedene Herausforderungen dar. Die benötigte Genauigkeit lag im oberen 98-99% Bereich, was ein tiefes Verständnis der Daten und der mechanischen Aspekte von Weichenstellern erforderte. Weichensteller versagen selten, was historische Daten begrenzt. Darüber hinaus erforderte das Extrahieren von Daten aus sicherheitskritischen Systemen wie Stellwerken eine akribische Handhabung. Das Projekt dauerte etwa zwei bis drei Jahre, um eine ausreichend hohe Genauigkeit zu erreichen, einschließlich Datenengineering, Modellentwicklung und Integration. Es waren Ingenieure mit Fachkenntnissen in Mechanik, Elektrosystemen und Datenanalyse beteiligt. Verträge abzuschließen und die Zustimmung von Kunden wie der SBB oder der Deutschen Bahn zu erhalten, hat eine weitere Ebene der Komplexität hinzugefügt. Am Ende waren die Ergebnisse beeindruckend, aber der Weg war mühsam.

Paul: Danke dir für diese Einblicke, Gerhard. Jetzt richten wir unseren Fokus auf die Hindernisse bei der Implementierung von KI in industriellen Umgebungen. Wenn du die drei wichtigsten Hindernisse identifizieren müsstest, welche wären das?

Gerhard: Erstens kann es schwierig sein, ausreichend hochwertige Daten zu erhalten, aufgrund vielfältiger, oft älterer Ausrüstungen. Das Ausbalancieren von knappen und reichlichen Datenquellen ist entscheidend, um separate Modelle für jede Generation von Ausrüstung zu vermeiden. Zweitens sind diese Systeme oft so konzipiert, dass sie mehr als ein Jahrzehnt halten, was zu begrenzten historischen Fehlerdaten führt. Dies erfordert genaue Vorhersagen, um übermäßige Fehlalarme zu vermeiden. Drittens ist das Gewinnen des Vertrauens der Kunden und die Überzeugung, ihre Prozesse anzupassen, eine erhebliche Hürde. Die Implementierung von KI in industriellen Umgebungen erfordert strenge Genauigkeit und langfristige Verpflichtung.

Paul: Das sind in der Tat erhebliche Herausforderungen. Danny, basierend auf deiner Erfahrung bei CeramTec, welche Erfolgsfaktoren hältst du für entscheidend bei KI-Projekten in industriellen Bereichen?

Danny: Erstens ist es von entscheidender Bedeutung, von Anfang an ein starkes Engagement des Top-Managements zu haben. KI-Projekte im Industriesektor sind langfristige Unternehmungen, die strategische Unterstützung erfordern. Zweitens sind Transparenz und realistische Erwartungen entscheidend. Die Erläuterung, dass die anfängliche Genauigkeit niedrig sein kann und dass KI bestehende Prozesse ergänzen, nicht ersetzen wird, hilft dabei, die richtigen Erwartungen zu setzen. Datenengineering ist ebenfalls grundlegend und wird oft unterschätzt, daher ist die Aufklärung der Stakeholder entscheidend. Schließlich ist es entscheidend, sich auf das Lösen realer Probleme mit einem klaren Verständnis für die Auswirkungen zu konzentrieren und die richtigen Personen einzubeziehen.

Paul: Danke, Danny. Vom Identifizieren von Problemen bis zur Auswahl und Validierung von KI-Anwendungsfällen bei CeramTec, wie navigierst du durch diesen Prozess?

Danny: Bei CeramTec ist ein starkes Engagement des Vorstands ein Ausgangspunkt. KI-Projekte erfordern eine strategische Verpflichtung. Um Anwendungsfälle zu identifizieren, beginnen wir damit, aus der Perspektive des Kunden zu denken und ein ganzheitliches Verständnis für das Problem zu entwickeln. Wir beziehen Stakeholder aus verschiedenen Geschäftsbereichen ein, um eine umfassende Sichtweise sicherzustellen. Mit Design-Sprints und kollaborativer Problemiteration priorisieren wir Ideen und stellen sicher, dass jeder das potenzielle Ausmaß versteht. Wir streben an, transparent über unseren Ansatz zu sein und realistische Erwartungen zu setzen. In kleineren Unternehmen wie CeramTec sind die Ressourcen begrenzt, daher ist es entscheidend, Anwendungsfälle weise auszuwählen und sich darauf zu konzentrieren, greifbare kurzfristige Auswirkungen zu erzielen und gleichzeitig langfristige Ziele im Auge zu behalten.

Paul: Danke, Danny. Wir haben über KI im industriellen Kontext gesprochen, und ich möchte damit beginnen, die Bedeutung eines klaren Prozesses und von Verantwortlichkeiten vor der Implementierung von KI-Lösungen zu diskutieren. Danny, möchtest du deine Gedanken zu diesem Thema teilen?

Danny: Ich denke, es ist entscheidend zu betonen, dass KI ein Werkzeug ist, keine ultimative Lösung. Bevor man sich in KI oder datengesteuerte Ansätze stürzt, ist es wichtig, einen klaren Prozess zu etablieren und Verantwortlichkeiten zuzuweisen. Oft liegt das Problem nicht in fehlender KI oder Daten, sondern im Fehlen eines gut definierten Prozesses oder im Verständnis dafür, wer was tun sollte. Beginne mit Klarheit in deinen Abläufen und identifiziere dann, wo KI diese Prozesse unterstützen kann, nicht umgekehrt.

Gerhard: Ich stimme Danny in diesem Punkt vollkommen zu. KI sollte bestehende Prozesse und Entscheidungen verbessern, sie nicht unnötig komplizieren. Es geht darum sicherzustellen, dass man KI dort einsetzt, wo sie wirklich benötigt wird, und nicht nur Technologie aus Gründen der Technologieadoption übernimmt.

Paul: Das ist ein ausgezeichneter Punkt. Es ist wichtig, die Technologie nicht nur deshalb zu verwenden, weil sie verfügbar ist, sondern ihren Wert innerhalb bestehender Prozesse zu fokussieren. Ein weiterer entscheidender Aspekt, den ihr beide angesprochen habt, ist die Bedeutung der Einbeziehung erfahrener Ingenieure. Wie seht ihr die Rolle erfahrener Ingenieure in KI-Projekten?

Danny: Aus meiner Erfahrung sind Ingenieure mit jahrelanger praktischer Erfahrung unglaublich wertvolle Ressourcen. Sie sprechen möglicherweise nicht die gleiche Sprache wie Datenwissenschaftler, aber sie besitzen tiefes Fachwissen. Oft ist es effizienter, Ingenieure Situationen identifizieren zu lassen, die Aufmerksamkeit erfordern, anstatt sich ausschließlich auf automatisierte Vorhersagen zu verlassen. Wir haben mit diesem Ansatz Erfolg gehabt, bei dem Ingenieure Einblicke liefern und die Relevanz von Warnungen validieren, was zu einer hohen Trefferquote führt.

Gerhard: Ich kann dem nur zustimmen. KI geht nicht immer um vollständige Automatisierung; manchmal geht es darum, die Aufmerksamkeit von Ingenieuren auf die richtigen Bereiche zu lenken. Erfahrene Ingenieure können zwischen banalen Daten und kritischen Erkenntnissen unterscheiden und sicherstellen, dass ihre wertvolle Zeit sinnvoll genutzt wird.

Paul: Lasst uns nun zum Konzept von KI als Entscheidungsunterstützungswerkzeug anstatt eines Automatisierungswerkzeugs übergehen, wie ihr beide erwähnt habt. Gerhard, könntest du diese Idee näher erläutern?

Gerhard: Oft besteht die Vorstellung, dass KI Entscheidungen vollständig automatisieren sollte. In vielen industriellen Kontexten funktioniert KI jedoch am besten als Entscheidungsunterstützungswerkzeug. Es hilft dabei, die richtigen Ressourcen anzufordern, Einblicke bereitzustellen und menschliche Entscheidungsfindung zu leiten. Es ersetzt nicht das menschliche Fachwissen, sondern ergänzt es.

Danny: Ich stimme zu. KI sollte dabei helfen, informierte Entscheidungen zu treffen, indem sie relevante Daten und Erkenntnisse präsentiert, insbesondere in komplexen industriellen Umgebungen. Es geht darum, menschliche Fähigkeiten zu verbessern, sie nicht vollständig zu ersetzen.

Paul: Lasst uns zu den Anwendungsfällen übergehen. Gerhard, könntest du ein Beispiel für einen “immergrünen” Anwendungsfall teilen, der nie zu erfolgreichen Ergebnissen führt?

Gerhard: Im Industriesektor wird die vorausschauende Wartung oft als bahnbrechend gefeiert, aber ihre erfolgreiche Implementierung kann herausfordernd sein. Viele Proof-of-Concepts (PoCs) bei der vorausschauenden Wartung kämpfen aufgrund hoher Fehlalarmraten. Es handelt sich um einen Fall, in dem das Versprechen von KI nicht immer mit der Realität in Einklang steht. Ich habe selten die Kosteneinsparungen gesehen, die einige Berichte behaupten. Es gibt wertvollere Anwendungsfälle.

Paul: Bevor wir zum Ende kommen, Danny, könntest du etwas Licht darauf werfen, wie Organisationen Projektteams für KI-Initiativen zusammenstellen sollten, unter Berücksichtigung sowohl interner als auch externer Ressourcen?

Danny: Wenn es um KI-Projektteams geht, ist es wichtig, ein Gleichgewicht zwischen internen und externen Ressourcen zu finden. Sie sollten das Problem intern besitzen, den Prozess verstehen und die Strategie managen. Datenwissenschaftler und Dateningenieure können extern hinzugezogen werden, insbesondere wenn spezifische technische Expertise erforderlich ist. Kleine, dedizierte Teams mit vielfältigen Fähigkeiten funktionieren am besten, in der Regel bestehend aus Prozessexperten, Dateningenieuren, Datenwissenschaftlern und möglicherweise UX-Spezialisten. Zusammenarbeit und Kommunikation im Team sind der Schlüssel zum Erfolg.

Paul: Danke euch beiden für das Teilen eurer wertvollen Erkenntnisse heute. Es war mir eine Freude, euch dabei zu haben. Auf Wiedersehen.

Oops! Da ist etwas schiefgelaufen.
Oops! Da ist etwas schiefgelaufen.
Oops! Da ist etwas schiefgelaufen.
Oops! Da ist etwas schiefgelaufen.

Mehr Whitepaper entdecken

Der AI Canvas: Unser Tool zur Projektevaluation

Entdecken Sie den AI Canvas!

Towards Tabular Foundation Models

Über den Status Quo, Herausforderungen und Chancen

Leveraging the EU AI Act to your advantage

Die Nutzung des EU AI Acts zu Ihrem Vorteil

Towards Tabular Foundation Models

Über den Status Quo, Herausforderungen und Chancen

Der AI Canvas: Unser Tool zur Projektevaluation

Entdecken Sie den AI Canvas!

Leveraging the EU AI Act to your advantage

Die Nutzung des EU AI Acts zu Ihrem Vorteil
Wir möchten Sie kennenlernen!

Jetzt Ihre KI-Reise mit uns starten

Jetzt im Merantix Momentum Newsletter anmelden.

Thank you! Your submission has been received!
Oops! Something went wrong while submitting the form.