Passwort vergessen?  | 
 |  Passwort vergessen?  | 
Suche
  • Login
  • Login

Donnerstag, 21. September 2017, Ausgabe Nr. 38

Donnerstag, 21. September 2017, Ausgabe Nr. 38

Maschinelles lernen

Zwischen Markterfolg und digitaler Steppe

Von Ariane Rüdiger | 6. April 2017 | Ausgabe 14

Im Zeitalter von Industrie 4.0 wird es darauf ankommen, Daten gemeinsam zu nutzen. Anderenfalls, so eine Studie, ist der deutsche Wettbewerbsvorteil im Maschinenbau gefährdet.

Daten sind das neue Gold, heißt derzeit das Mantra weit über die IT-Industrie hinaus. Doch mit dem Edelmetall haben Daten nicht viel gemeinsam. Denn Daten wirken nicht optimal, wenn man sie in einen Tresor wegschließt. Sie entfalten ihren Nutzen erst, wenn sie mit möglichst vielen anderen Daten zusammengebracht und analysiert werden.

Cebit trifft Hannover Messe

Der Industrieverband VDMA und das Competence Center Foresight des Fraunhofer-Instituts für System- und Innovationsforschung (ISI) luden im vergangenen Jahr unterschiedliche Akteure wie Wissenschaftler, Anwender aus dem Maschinenbau und Experten zu mehreren Workshops ein, um Zukunftsbilder für die Nutzung von maschinellem Lernen und maschineller Intelligenz in der deutschen Vorzeigebranche zu entwickeln.

Es entstanden vier Szenarien mit einem Zeithorizont bis 2030, die sich vor allem darin unterscheiden, wie weitgehend Unternehmen der Branche bereit sind, miteinander zu kooperieren und gemeinsam Datenmassen zu nutzen, wie sie über mit Sensoren bestückte Geräte im Internet of Things (IoT) liefern.

Denn neuronale Netze, die das maschinelle Lernen derzeit vor allem in Software abbilden, erzeugen desto bessere Ergebnisse, je größer die Datenbasis ist, auf die man in der Einlernphase der Systeme zurückgreifen kann. Das könnte in Zukunft nach den Ergebnissen der Untersuchung unmittelbaren Einfluss auf Markterfolg und Wettbewerb haben

In Szenario 1, „Avantgarde gewinnt“, der erfolgreichsten Variante, setzt es sich bis 2030 durch, neue Maschinen und Anlagen großzügig mit innovativen, reprogrammierbaren Multifunktionssensoren auszustatten und alte damit so weit möglich nachzurüsten. Die Daten tragen Zeitstempel und werden von vorn herein so erhoben, dass sie fürs maschinelle Lernen taugen. Die Datenhoheit ist geregelt, Daten fließen in einen übergreifenden europäischen Datenpool, den die Unternehmen gemeinsam nutzen.

Dadurch entsteht ein eng verflochtenes Netz von Unternehmen, die Machine Learning nutzen – zum Beispiel profitieren Industrie-4.0.-Anwender durch standardisierte Schnittstellen. Mensch-Maschine-Schnittstellen sind intuitiv bedienbar. Ausfallzeiten gibt es kaum noch, Einrichtung und Entwicklung von Maschinen gehen sehr schnell. Das führt zu Erfolg auf den internationalen Märkten. Die lernfähige Software wird von den Unternehmen nicht selbst entwickelt, sondern man bedient sich auf dem internationalen Markt.

Szenario 2, „Größe zählt“, fokussiert sich auf große Herstellerunternehmen, die besonders komplexe und kritische Prozesse entwickeln. Sie sind finanzstark und mächtig genug, um sich beim Maschinenlernen weiterzuentwickeln. Bis 2030 haben sie kleine, innovative Softwareschmieden zugekauft. Gleichzeitig unterhalten sie Vereinbarungen mit Datenmaklern wie Amazon oder Google und nutzen deren Algorithmen und Services. Kunden und Zulieferer stellen den großen Anbietern Daten zur Verfügung. Die Kunden, weil sie durch Anwendungen wie vorbeugende Wartung davon profitieren; die Zulieferer, weil sie sich der Marktmacht der Großen beugen müssen. Die Daten, die die Sensoren in allen weltweit installierten Maschinen eines Herstellers erzeugen, fließen in deren Speichern zusammen und werden mit weiteren Daten verbunden. Damit sind genug Informationen für effizientes Maschinenlernen vorhanden. Die realisierbaren Funktionen ähneln denen im ersten Szenario. Hier profitieren neben den Herstellern in erster Linie die Kunden der großen Herstellerunternehmen.

In Szenario 3, „KMU-Netzwerke starten“, vernetzen sich kleine und mittlere Unternehmen (KMU) aus dem maschinellen Lernen und dem mittelständischen Maschinenbau global und gewinnen damit Gewicht gegenüber großen Herstellern, die sich nur zögerlich an die neuen Herausforderungen anpassen. Die KMU bauen große Datenpools mit genug Daten auf, um neuronale Netze gut anzulernen. Es entstehen temporäre Lernumgebungen mit neuartigen Sensornetzwerken. Das Ergebnis sind beispielsweise individualisierte Mensch-Maschine-Schnittstellen, die optimales Bedienerverhalten erkennen und verstärken. Anlagen und Prozesse lassen sich über Mixed-Reality-Umgebungen berührungslos steuern. Die weltweite Marktposition des deutschen Maschinenbaus profitiert, weil die Kunden die innovativen und bedienfreundlichen Produkte schätzen.

In Szenario 4, „Digitale Steppe droht“, verliert der deutsche Maschinenbau bis 2030 Marktanteile an andere Wettbewerber. Das liegt daran, dass Hersteller und Kunden nicht bereit sind, Daten gemeinsam zu nutzen und unternehmensübergreifende Konzepte zu entwickeln. Prozessdaten werden aus rechtlichen und anderen Bedenken nur selten und zögerlich herausgerückt. Weil kein übergreifender Datenpool entsteht, können neuronale Netze nicht ausreichend lernen, da ihnen dazu schlicht die Daten fehlen.

Auch innovative Sensoren werden nicht so häufig wie in den übrigen Szenarien entwickelt und eingesetzt, was die Preisdegression hemmt und dazu führt, dass sie weiterhin relativ teuer bleiben. Aus- und Weiterbildung hinken im Bereich Maschinelles Lernen hinter den USA und Asien her, weil man das Thema zu lange skeptisch beäugt hat. Das beschränkt den Einsatz von maschinellem Lernen auf Entscheidungsunterstützung und treibt Kunden internationalen Anbietern in die Arme, die algorithmisches Lernen voll anwenden.

Die Schlussfolgerungen, die VDMA und ISI aus diesen Szenarien ableiten, sind vielfältig: Den Unternehmen raten sie, ausreichend innovative Sensoren fürs maschinelle Lernen in ihre Geräte zu integrieren. Zusätzlich sollten sie sicherzustellen, dass sie die Datenhoheit über und den Zugang zu möglichst vielen Daten bekommen und Kompetenzen bei Softwareentwicklung und maschinellem Lernen aufbauen – entweder direkt oder über entsprechende Kooperationspartner. Geschieht dies nicht, könnten sich Datenmakler zwischen die Maschinenbauer und ihre Kunden schieben. Die Politik ist laut Studie gefordert, klare Regeln für Datenhoheit und Datensicherheit zu entwickeln, die die Balance zwischen Ethik und Wettbewerbsfähigkeit wahren, was nicht einfach werden dürfte. Hochschulen schließlich sollen mehr Data Scientists ausbilden.jdb

stellenangebote

mehr