KI-Insights für den Mittelstand – von der Theorie bis zur Praxis

Referenten: M.Sc. Peter Hellwig| KI-Trainer, Dipl.-Ing. Wolfram Kattanek | KI-Trainer, Antje Siegel| KI-Trainerin (Mittelstand 4.0 Kompetenzzentrum Ilmenau)

Was ist eigentlich KI?

Eine einheitliche Definition gibt es nicht! Die KI-Trainer des Mittelstand 4.0 Kompetenzzentrums Ilmenau haben zu Beginn des KI-Frühlings Ihr Verständnis von Künstlicher Intelligenz erklärt und eine Zuordnung vorgenommen. Dabei liegt der Fokus von KI auf der Lösung konkreter Anwendungsprobleme. Sie soll den Menschen bei Arbeits- und Entscheidungsprozessen durch Lernfähigkeit auf Basis von Daten, sowie wissensbasierte Systeme unterstützen. Etwaige Lösungen sind angelehnt an spezifischen Fähigkeiten der menschlichen Intelligenz. Ein KI-System ist gekennzeichnet durch Intelligenz und wird durch vier grundlegende Fähigkeiten definiert: Erfassen, Verstehen, Lernen und Handeln.

Grundsätzlich lässt sich zwischen starker und schwacher KI unterscheiden. Die starke KI ist bis dato noch weitestgehend eine Vision. Denn das würde bedeuten, das es der Menschheit gelingt, eine Maschine mit eigenem Bewusstsein und universeller Intelligenz zu erschaffen. Alle bisher bekannten intelligenten Lösungen sind der schwachen KI zuzuordnen und helfen lediglich bei der Lösung konkreter Anwendungsprobleme. Es handelt sich um mathematische Modelle und Algorithmen, die an die menschliche Intelligenz angelehnt sind.

Wie lässt sich KI, Machine Learning und Deep Learning voneinander abgrenzen?

KI-Methoden

• Entscheidungsbäume, Expertensysteme, Symbolische Logik → Klassische KI
• Naive Bayes, Random Forest, Evolutionäre Algorithmen → Machine Learning
• Künstliche Neuronale Netze (KNN), Convolutional Neural Networks, Autoencoder → Deep Learning

Künstliche Intelligenz – Warum ist das Thema heutzutage in aller Munde?

Künstliche Intelligenz (KI) ist mittlerweile praxistauglich und im täglichen Leben angekommen

Wodurch wurde dies möglich?

• Verfügbarkeit von Daten
  • Sensorik (kostengünstig, massenhaft im Einsatz, Innovationen)
  • Digitale Daten und Informationen im Internet und auf Endgeräten
• Vielfältige erprobte KI-Algorithmen und -Verfahren
  • Fortschritte bei F&E (Weiterentwicklung & Optimierung von Verfahren)
  • Transfer in Anwendungen
• Leistungsfähige Ausführungsplattformen
  • Speicher und Rechenleistung in der Cloud fast unbegrenzt
  • Immer leistungsfähigere Prozessoren und Kommunikationstechnologien nah am Prozess bzw. in Endgeräten

KI-Anwendungsfelder

• Logistik, Lieferkette, Inventar-Management z.B. Vorhersage von Nachfrage
• Personalplanung z.B. besseres Reagieren auf personelle Ausfälle
• Qualitätssicherung z.B. optische Untersuchung von Werkstücken
• Medizin z.B. Wirkstoffentwicklung oder bildgebende Diagnostik

Referent: M.Sc. Björn Maurer | KI-Trainer (Mittelstand 4.0-Kompetenzzentrum Saarbrücken)

Herr Maurer stellte in seiner Veranstaltung im ersten Schritt einige Techniken zur Ideengenerierung vor. Hierzu erklärte er, wie Unternehmen das Brainstorming, Brainwriting, Mentale Provokation, 6-3-5-Mehode sowie das Mindmapping einsetzen können, um Ihre Geschäftsmodelle zu überprüfen oder neue Möglichkeiten zu erkennen.
Danach wurde ausführlich der sogenannte Mom-Test besprochen. Hierbei geht es darum, wie Sie Kunden richtig interviewen, um herausfinden, ob Ihre Geschäftsidee sinnvoll ist.

Wie können Sie KI und das Geschäftsmodell zusammenbringen?

Das Geschäftsmodell beschreibt die Grundlogik, nachdem eine Organisation Werte erschafft, vermittelt und hält. Künstliche Intelligenz kann das eigene Geschäftsmodell in einzelnen Bestandteilen beeinflussen oder sogar das Geschäftsmodell gänzlich verändern. KI-basierte Geschäftsmodelle sind demnach eine Art von Geschäftsmodellen, die Künstliche Intelligenz nutzen, um mindestens einen der Bereiche Wertschöpfung (Value Creation), Erbringung des Kundennutzens (Value oder auch Ertragsmechanismus (Value Capture) zu erstellen.

Das Kompetenzzentrum Saarbrücken stellte das Business-Model-Canvas vor und adaptierte es auf den Kontext der Künstlichen Intelligenz.

Referenten: Antje Siegel| KI-Trainerin (Mittelstand 4.0 Kompetenzzentrum Ilmenau), Udo Haupt, Sven Lehmann (Modis ITO)

Anforderungen an ein Personalplanungstool

Entwicklungen und Trends in der heutigen Arbeitswelt

• Individualisierung → individualisierte Produkte, Dienstleistungen und Arbeitsplatzgestaltung
• New Work Vereinbarkeit von Arbeitsort, Arbeitszeit und Leben → Home Office, flexible Arbeitszeitmodelle
• Globalisierung → Kommunikation in unterschiedlichen Sprachen, Berücksichtigung unterschiedlicher Zeitzonen

Weitere Herausforderungen bei der Personaleinsatzplanung

• gesetzliche Vorgaben
• Betriebsvereinbarungen
• Knowhow und Skills der Mitarbeiter
• Akzeptanz bei den Beschäftigten, Schichtplanung soll „gerecht“ sein

Anwendungsgebiete von KI-basierten Planungstools

• Schichtplanung für Industriebetriebe, Krankenhäuser, Customer-Service-Center…
• Stundenpläne/Prüfungspläne
• Raumbelegungspläne
• Belegungspläne für Maschinen

Im Anschluss an den theoretischen Input des Mittelstand 4.0 Kompetenzzentrums Ilmenau stellte die MODIS ITO aus Erfurt Ihre KI-basierte Lösung im Personalbereich vor. In einer Live-Demo konnten die Teilnehmer:innen der Veranstaltung sehen, wie die Schichtplanung durch Einsatz künstlicher Intelligenz effizienter und schneller stattfinden kann.

Referenten: M.Sc. Peter Hellwig | KI-Trainer (Mittelstand 4.0 Kompetenzzentrum Ilmenau), Julia N. Stollberg, Sven Lehmann (Modis ITO)

Was ist eigentlich ein Chatbot?

Ein System, welches fähig ist, mit einem menschlichen Benutzer in einen Dialog zu treten, um gewisse Aufgaben autonom zu erledigen.

Bekannte Beispiele: Siri Sprachassistent Apple, Alexa Sprachassistent Amazon, IBM Watson gewinnt bei Jeopardy gegen echte Kandidaten

Aufgaben des Chatbots und Abgrenzung

• Ansteuerung des Chatbots mit Hilfe natürlicher Sprache oder über Texteingaben
• Ausgabe der gewünschten Information über natürliche Sprache oder Textausgaben
• Abgrenzung zu Virtuellen Assistenten
• Vereinfachung und Automatisierung digitaler Prozesse
• Terminplanung, Organisation der Musiksammlung etc.
• Ein Chatbotkann auch bloß ein virtueller Gesprächspartner sein
• ConversationalAgentsals Schnittmenge
• Unterstützung bei konkreten Anliegen mittels Dialogschnittstelle

Chatbot – was steckt dahinter?

1. Eingabeverarbeitung: Natural Language Understanding
2. Vereinheitlichung und Säuberung des Eingabetextes
3. Formale Aufbereitung durch Methoden des Natural Language Processing
4. IntentMatching: Ableitung der Nutzerabsicht
5. Slot Filling: Suche nach bestimmten Dialogelementen (formularbasiert)
6. Zugriff auf Informationen aus Wissensdatenbank/Quellsystem
7. Antworterzeugung nach Sammlung aller Informationen

Chatbots können branchenunabhängig eingesetzt werden. Sie können zum Beispiel Verwaltungsaufgaben oder Schadensmeldungen übernehmen. Gern werden Sie auch im Bereich Kundenservice oder zur Neukundengewinnung eingesetzt. Ein sehr junges und aktuelles Beispiel ist der CoronaVirus-Bot.

Im Anschluss an den theoretischen Input des Mittelstand 4.0 Kompetenzzentrums Ilmenau stellte die MODIS ITO aus Erfurt Ihre KI-basierte Lösung im IT-Bereich vor. In einer Live-Demo konnten die Teilnehmer:innen der Veranstaltung sehen, wie ein ChatBot den IT-Support verbessern kann.

Referenten: M.Sc. Oliver Mothes & M.Sc. Johann Lembach (Thüringer Zentrum für Lernende Systeme und Robotik)

Oliver Mothes des TZLR gab zu Beginn der Veranstaltung einen allgemeinen Überblick, wie sich Künstliche Intelligenz einordnen lässt und was alles unter diesem Thema steht. Nachfolgende Abbildung zeigt ein Vergleich von KI in der Wissenschaft im Gegensatz zum Einsatz in der Industrie.

Am Beispiel der Datenanalyse mit OCR wurde den Teilnehmenden umfassend die automatisierte Texterkennung bzw. automatische Schrifterkennung innerhalb von Bildern nähergebracht.

Im Nachgang wurde die wichtige Frage geklärt, wie viele Daten für die Anwendung von KI-Methoden benötigt werden. Dies ist nicht nur abhängig von der Problemstellung, sondern auch von der Komplexität und Varianz der Daten. Auch die Art des verwendeten Modells beeinflusst die notwendige Datenmenge. Grundsätzlich unterstützen mehr Daten die Generalisierung des eingesetzten Modells.

Es wurden verschiedene Fallstricke in der Praxis vorgestellt, wie in der nachstehenden Abbildung im Überblick gezeigt wird.