Künstliche Intelligenz: Wie Unternehmen im Wirrwarr die richtigen Lösungen finden

Anbieter zum Thema

xSuite Group GmbH

Esker Software Entwicklungs-und Vertrieb

Yorizon GmbH & Co. KG

Fast täglich werden neue Anwendungen mit künstlicher Intelligenz angekündigt. Aber je mehr Lösungen auf dem Markt zur Verfügung stehen, umso schwieriger wird es, sich im Wirrwarr für die richtigen Ansätze zu entscheiden.

Künstliche Intelligenz ist von jeher ein weites Feld und die Vorstellungen, was „intelligent“ bedeutet, könnten unterschiedlicher nicht sein. Während die einen bereits die korrekte Interpretation von handschriftlichen Notizen feiern, winken andere milde lächelnd ab. Schließlich gäbe es noch kein System, das die intellektuellen Fertigkeiten des Menschen nur annähernd erreichen würde. Wer hat nun Recht?

Beide Seiten. Denn solche, als „starke künstliche Intelligenz bezeichneten Systeme existieren in der Tat noch nicht. Die Anwendungen, die wir heute sehen, sind allesamt Ausprägungen der sogenannten „Schwachen KI“. Was diese künstliche Intelligenz auszeichnet: Sie sind für ein ganz spezielles Anwendungsszenario konzipiert und optimiert. Von diesen fallbezogenen Lösungen gibt es inzwischen jedoch eine fast unüberschaubare Menge – und es kommen laufend neue dazu. Wer für sein Unternehmen nach nutzbringenden und einsatzfähigen Use Cases Ausschau hält, ist da schnell überfordert. Ein Raster aus drei Kategorien hilft bei der Orientierung. Denn auf die Frage „Was soll oder kann künstliche Intelligenz für uns tun“ lautet die Antwort: Beurteilen, Schlussfolgern oder Agieren.

1. Künstliche Intelligenz beurteilen: Beschreiben, was ist

Algorithmen können inzwischen einen Sachverhalt oder Zustände aufgrund von Daten sehr genau erkennen und wiedergeben. Ein typisches Beispiel dafür ist die Interpretation von Eingangsrechnungen zur weiteren Verbuchung. Auch das Aufspüren von Anomalien in großen Datenmengen aus der Produktion fällt in diesen Bereich. Verfahren für Maschinelles Lernen ermöglichen viel früher zu beurteilen, ob sich Maschinenzustände kritischen Werten nähern – und damit rechtzeitig gegenzusteuern. Methoden der Bilderkennung gehören ebenfalls dazu. Übernimmt Kollege Computer die Sichtprüfung von Bauteilen, entlastet dies Fachkräfte und hebt gleichzeitig die Qualität: Fehlerhafte Teile werden dadurch erst gar nicht verbaut, mangelhafte Produkte gelangen nicht in den Verkauf.

2. Schlussfolgern: Erkennen, was wird

Die weitergehende Analyse von Daten erledigen ebenfalls immer häufiger Algorithmen. Ihr Einsatz in Modellen für Voraussagen oder Empfehlungen geht inzwischen weit über den Klassiker Predictive Maintenance hinaus. Mit Hilfe einer KI lassen sich Absatzzahlen prognostizieren und der Einkauf von Langläufern und preissensitiven Materialien besser steuern. In Zeiten gebeutelter Supply Chains ein großes Plus. Im Bereich der Produktionsqualität ist gleichfalls schon vieles möglich. So kann künstliche Intelligenz Berge von Sensordaten quasi in Echtzeit auswerten und diese mit Resultaten der Qualitätskontrolle in Beziehung setzen. Aus dem laufenden Betrieb heraus werden so nicht nur Produktfehler schneller erkannt und Ausschuss limitiert. Es entstehen wertvolle Empfehlungen für die Betriebsparameter von Anlagen und Maschinen.

Praxiserfahrungen gibt es zudem bereits mit KI-gestützten Anwendungen zur Lageroptimierung oder einem intelligenten Wissensmanagement im Field Service. Unternehmen stellen dann ihren Servicemitarbeiter*innen schnell und einfach relevantes Wissen kontextsensitiv zur Verfügung. Techniker haben so rund um die Uhr Zugriff auf wichtige Serviceinformationen und können dadurch Reparaturen sowie Wartungseinsätze schneller durchführen und bearbeiten.

3. Agieren: Tun, was nötig ist

Auf einer dritten Ebene interagieren die smarten Systeme mit ihrer Umwelt, lernen aus den Ergebnissen ihrer Aktionen und können daraus ableiten, was künftig zu tun ist, um das vorgegebene Ziel zu erreichen. Der berühmte Fall von AlphaGo fällt in diese Kategorie. Das selbst lernende Programm machte 2016 Schlagzeilen, als es erstmals menschliche Champions im chinesischen Brettspiel Go schlug. Heute finden sich im Unternehmensalltag immer mehr Einsatzbereiche: etwa, wenn Roboterarme lernen, bisher unbekannte Objekte zu greifen, ohne sie zu beschädigen oder fallen zu lassen. Weiter verbreitete Use Cases dieser Kategorie sind außerdem das Autonome Fahren und die nicht bei allen immer beliebten Chatbots.

Künstliche Intelligenz im ERP-Bereich nutzen

Auch auf dem Gebiet der ERP-Entwicklung ist im Bereich Sprachsteuerung und intelligente Assistenten viel in Bewegung. Das ist aber nur der erste Schritt: ERP-Systeme werden in den kommenden Jahren immer stärker mit KI-Technologien angereicht werden – sei es direkt oder durch die Integration mit entsprechenden Plattformen. KI wird immer stärker in Kernprozessen verankert bis hin zu vollautomatisierten Prozessen. Die Experten des Branchenverbandes Bitkom sind sich einig: Künstliche Intelligenz ist eine Schlüsseltechnologie mit hohem disruptivem Potenzial für alle Wirtschaftszweige. Unternehmen sind daher gut beraten, möglichst frühzeitig Erfahrungen zu sammeln.

Die proALPHA Gruppe mit weltweit 49 Standorten bietet leistungsstarke ERP-Kern- und -Zusatzlösungen von proALPHA. Sie bilden das digitale Rückgrat der gesamten Wertschöpfungskette bei mehr als 7.700 Kunden. Darunter sind Unternehmen aus der industriellen Fertigung, dem Großhandel und weiteren Branchen. Dabei unterstützen die Lösungen die intelligente Vernetzung und effiziente Steuerung aller geschäftskritischen Systeme und Kernprozesse. Zu den weiteren Anwendungen gehören Datenanalyse und künstliche Intelligenz, Beschaffung, Financial Performance Management, Security, Qualitäts-, Produktions- oder Zeitmanagement. (sg)

Lesen Sie auch: Künstliche Intelligenz: Die Industrie ist heiß auf die innovative Technologie

Aufmacherbild: Alexander Limbach - Adobe Stock