"Enormer Wissenstransfer nötig"

Das Thema Künstliche Intelligenz ist inzwischen in sehr vielen unterschiedlichen Zusammenhängen präsent. Worauf führen Sie diesen Boom zurück?Mit den Entwicklungssprüngen vieler Basistechnologien lassen sich sukzessive KI-Anwendungen entwickeln. Sie benötigen allerdings hohe Kompetenzen und einen enormen Wissenstransfer.Wissenstransfer in welcher Hinsicht?Die Entwicklung praktizierbarer KI-Anwendungen erfordert ein Wechselspiel von Anwendungswissen, IT-Expertisen und Statistiken. Allein das Expertenwissen für die Aufnahme und Erzeugung der erforderlichen Trainingsdaten ist enorm.Aber die Daten sind doch vorhanden, und KI ist eine Arbeit der Software!?Jein. Die Daten bestehen in der Regel aus erfassten Prozessdaten, aber durch die intelligente Analyse und Auswertung werden die neuen Informationen erst generiert. Sehr wichtig ist für viele Anwendungsfälle die synthetische (per Algorithmen) Erzeugung weiterer Daten, die dann viele Variationen der Anwendungsfälle darstellen.Untersuchungen zufolge lassen knapp 50 Prozent der befragten Großunternehmen in Europa verlauten, dass sie KI"in irgendeiner Art" bereits einsetzen. Halten Sie diesen Anteil vor diesen Hintergründen für realistisch?Nun, offenbar werden die Begriffe gegenwärtig etwas leichtfertig verwendet. Im Grunde sind die KI-Entwicklungen erst noch am Anfang. Gegenwärtig wird die Bezeichnung KI für Anwendungen benutzt, die eigentlich eher auf Teilgebiete der KI, konkret etwa Machine Learning, zielen. Es ist ein Ansatz für das Clustering von Informationen, um Wissen abzubilden und anzuordnen. Beim Machine Learning lernen IT-Systeme aus Beispielen, etwa Bilddaten und Bildsymbolen, die sie nach Beendigung der Lernphase verallgemeinern und unterliegende Muster, Gesetzmäßigkeiten und markante Zusammenhänge aufdecken können. Die Zielvorgabe dabei liegt bislang vornehmlich darin, entsprechendes Wissen zu generieren und Optimierungen zu ermöglichen.Ist das nicht ein Big-Data-Ansatz?Machine Learning ist keine Data Analytics. Es kann als paralleles Instrument betrachtet werden, um bestehendes Wissen in IT-Systemen abzubilden oder um Zusammenhänge in Daten zu erkennen.In welchen Anwendungen lässt dieses Instrument sich in der Intralogistik nutzen?In der Intralogistik bietet Machine Learning gegenwärtig neue Ansätze vor allem im Bereich der Anlagenwartung, in der Früherkennung von Anlagenzuständen und der vorausschauenden, proaktiven Wartung durch Analyse der Maschinendaten - der Predictive Maintenance. Machine Learning bietet eine Art Toolbox an Assistenzsystemen, mit denen sich auf Basis von Maschinen erhobener Echtzeitdaten bisherige Logiken der reaktiven oder präventiven Wartung ersetzen und Maschinenausfälle proaktiv verhindern lassen.

"Enormer Wissenstransfer nötig"

Transfrigoroute-Branchendialog

Entsenderegeln in Europa 2022

MEISTGELESEN

EU-Verkehrsminister einigen sich auf neue Lkw-Maße und Gewichte

ADAC-Studie: Parkplatzmangel wegen Lkw-Falschparkern?

Zwei Elektro-Lkw für die Sanpellegrino-Logistik

NEWSLETTER