Künstliche Intelligenz (KI) bei LEONI – Hype or Hope?

Künstliche Intelligenz (KI) ist gefühlt überall und soll bei allem helfen. Aber funktioniert das auch im Bordnetz-Bereich? LEONI untersucht, wo und wie KI bei der täglichen Arbeit unterstützen kann – teils mit überraschenden Erkenntnissen.

Im Jahr 2018, auf dem Höhepunkt des Hypes um Deep Learning (einer Form von KI), haben wir begonnen, nach Einsatzmöglichkeiten für KI zu forschen. Gespräche mit Mitarbeitern ergaben jedoch, dass kaum Bedarf für KI gesehen wurde. Vielmehr äußerten sie den Wunsch nach regelbasierter Prozessautomatisierung, um die Organisation im Back-Office-Bereich von zeitraubenden Routineaufgaben zu entlasten. Die „low hanging fruits“ für ihren Arbeitsalltag waren ihnen wichtiger als ausgefallene High-Tech-Anwendungen.

Diese Antwort war für mich als KI-Befürworter zwar zunächst überraschend, aber logisch. Denn regelbasierte Prozessautomatisierung (auch bekannt als Robotic Process Automation, RPA) ist im Vergleich zu KI einfacher und kostengünstiger umzusetzen und hatte für uns zusätzlich einen höheren kurzfristigen Nutzen. Wir haben also zunächst das Thema RPA zu einem globalen Service innerhalb von LEONI entwickelt.

Als der RPA-Service etabliert war, ließen wir einen zweiten KI-Versuchsballon steigen. Bei einem abteilungsübergreifenden Workshop erläuterten wir LEONI-Mitarbeitern die Basics von KI und diskutierten mit ihnen eigene Ideen und Potentiale. Und siehe da, es ergaben sich einige realistische Anwendungsmöglichkeiten.

Was ist überhaupt KI?
Bevor ich unsere erste KI-Pilotanwendung beschreibe, ist ein Blick auf die KI selbst sinnvoll. Erst wenn man ihre Funktionsweise und Grenzen versteht und seine eigenen Anwendungsmöglichkeiten damit erkennt, wird aus einem unreflektierten „Hype“ eine realistische „Hoffnung“.

Dabei gilt zunächst: KI ist nicht gleich KI. Beispielsweise arbeitet sie mit vielen unterschiedlichen Dateiformaten als Eingangsdaten, wodurch sie in der Anwendung oft sehr unterschiedlich aussieht. Zum Beispiel basieren Umsatzprognosen auf Zahlen, die Qualitätskontrolle stützt sich auf Bilder und gewisse Automatisierungsprozesse verarbeiten Texte. Zudem haben Menschen nicht immer die gleichen Vorstellungen über KI.

Das ist kein Wunder, da es unterschiedliche Teilgebiete innerhalb der KI mit unterschiedlichen Anwendungsgebieten gibt.

Ein Teilgebiet von KI ist das Maschinelle Lernen (ML), bei dem in einer ersten Phase Daten verwendet werden, um ein Modell zu entwickeln (Modellerstellung, vgl. Schritte eins bis vier in Bild 3). Dafür ist es zunächst notwendig, die jeweilige Problemstellung zu verstehen und die dafür relevanten Daten aufzubereiten. Löst das Modell die Aufgabenstellung hinreichend, wird das Modell in der zweiten Phase im Geschäftsalltag verwendet und ggf. sukzessive weiter optimiert (Schritte fünf und sechs).

Ohne KI wären wir raus – Schneller antworten auf die Kundenanfrage
In der Vergangenheit schickte ein bestimmter Kunde eine Anfrage mit einer Zeichnung und einer Leitungsliste des gewünschten Kabelsatzes und wir kalkulierten innerhalb einiger Wochen die Kosten. Heute sind die Fristen des Kunden zur Abgabe eines ersten Richtangebotes deutlich kürzer. Geben wir kein Richtangebot ab, scheiden wir bereits zu Beginn des Angebotsprozesses aus.

In unserem Pilotprojekt konzentrierten wir uns lediglich auf einen aufwändigen Kostenfaktor, nämlich die Arbeitszeit für die Kabelsatzproduktion. Um ein solches überwachtes Machine Learning Regression Problem zu lösen, benötigten wir zwei Eingangsdaten zur Modellerstellung: die Arbeitszeit (Target) und deren Einflussfaktoren (Features, vgl. Bild 4). Als Einflussfaktoren definierten wir schnell verfügbare und für die Arbeitszeitvorhersage relevante Daten vom Kabelbaum – wie etwa die Anzahl und Länge der Leitungen, die Anzahl der Steckverbinder, usw. Nach der Auswahl und dem Erheben dieser Daten aus alten Projekten mussten wir nun noch die korrekten Arbeitszeiten aus den normalen (länger dauernden) Kalkulationsprozessen hinzufügen, um die Trainingsdaten zu vervollständigen. Während des maschinellen Lernens werden dann die Beziehungen (Modellparameter) zwischen den Features (Einflussfaktoren) und dem Target (Arbeitszeit) „gelernt“. Das bedeutet ganz einfach, dass unterschiedliche mathematische Modelle (ML-Algorithmen) an den Trainingsdaten ausprobiert werden, um das beste Modell zu finden, das den Fehler zwischen Modellvorhersage und tatsächlicher Arbeitszeit minimiert. Ist das Modell genau genug, kann es bei einer neuen Anfrage verwendet werden, um eine Empfehlung zu generieren. Alles was benötigt wird, sind die Einflussfaktoren.