Erfolgreiche KI-Projekte bei CLOOS: Praktische Tipps und Strategien

In der aktuellen Zeit rückt Künstliche Intelligenz immer mehr in den Fokus. Die Frage, die sich viele Industrieunternehmen stellen, ist nun, ob und wie man dieser Entwicklung folgt. Als Schweiß- und Automatisierungsspezialist hat sich CLOOS die gleiche Frage gestellt und sich dazu entschieden, KI-Projekte proaktiv anzugehen.

Moritz Paul, Ingenieur bei der CLOOS Group, gibt in diesem Gastbeitrag praktische Tipps für die Umsetzung von KI-Projekten.

Top-Tipp: Erleben Sie Moritz Paul live auf der Konferenz KI in der Produktion am 27.08.2024.

Für das Gelingen von Projekt gilt es wie überall klare Ziel zu setzen. Diese sollten spezifisch, messbar, attraktiv, realistisch und terminiert sein, SMART eben. Die Frage für die Spezifikation sollte sein, wo liegen Daten vor, die nicht genutzt werden oder deren Auswertung ein hoher manueller Aufwand entgegensteht. Sind diese Daten bekannt, gilt es das Messbare zu verstehen. Sollen die Daten Effizienz steigern, Kosten einsparen oder die Kundenbindung erhöhen? Ist der Bereich definiert, gilt es festzulegen: Wieviel Steigerung durch das Projekt möglich gemacht werden soll? Hierdurch werden zum Beispiel Ressourcen eingespart oder Gewinne generiert. Natürlich muss dies in einem realistischen Rahmen stattfinden, was auch für den Zieltermin der Umsetzung gilt. Die Frage, die nun entsteht, ist: Wer kann mir diese smarten Ziele bestimmen?

Interdisziplinäre Teams müssen entstehen, die Fachwissen über KI, Kunden und Prozesse mitbringen. Schwachstellen und Chancen müssen erkannt, verstanden und definiert werden. Im Falle CLOOS gab es einen Mitarbeiter aus der Entwicklung, welcher Fachwissen über KI mit sich bringt, in den Bereichen Programmierung, Datenverarbeitung, maschinelles Lernen und Deep Learning . Anwender, die hohen manuellen Aufwand für spezifische Kundenlösungen haben und Probleme definieren können und den Prozess in der Praxis verstehen. Nicht zuletzt ging es auch darum, wie eine Prozesssteigerung dem Kunden nützlich ist. Diese Anregungen bzw. Problemstellung kam aus dem Vertrieb. Der Kunde steht hier somit im Fokus.

Neben den personellen Voraussetzungen gilt es auch zu überprüfen, ob Datenverfügbarkeit und -qualität vorhanden ist. Denn es ist nutzlos KI-Auswertungen zu fahren, welche falsche, unvollständige oder nicht harmonisierte Daten verwendet. Ist die Datenmenge und -qualität nicht gegeben muss diese erst aufbereitet werden. Bei der Qualität der Daten spielt wieder das gesamte interdisziplinäre Team eine Rolle. Sind die Daten repräsentativ in der Praxis? Sind die Daten in ausreichender Menge vorhanden? Dienen die Daten dem Kunden oder deren Auswertung dem Kunden?

Tipp: Starten Sie mit Bereichen, welche qualitativ hochwertige Daten vorhalten können.

Neben der Ressource Mensch geht es auch um Software und Hardware, die für solche Projekte benötigt wird, denn KI-Anwendungen erfordern erhebliche Rechenressourcen. Moderne Grafikkarten (GPUs) oder spezialisierte Hardware wie Tensor Processing Units (TPUs) sind oft notwendig, um die enormen Rechenanforderungen zu bewältigen. Eine skalierbare CloudInfrastruktur kann dabei helfen, die benötigte Rechenleistung flexibel bereitzustellen. Nach diesen grundsätzlichen Voraussetzungen gibt es auch bei der Umsetzung einige Tipps, die eine Zielerreichung begünstigen. Zuerst sollte eine geeignete Methode gewählt werden, um die Vorhersage künftiger Parameter zu ermöglichen. Ausgewählt wurden neuronale Netze. Diese müssen in vielen Iterationen und unter Anpassung der Hyperparameter trainiert werden, bis eine hinreichende Übereinstimmung innerhalb der Trainingsdaten erreicht wird.

Nach dem Training muss das Modell kritisch validiert und getestet werden. Hierbei sollten verschiedene Testdatensätze, welche nicht im Trainingsdatensatz vorhanden sind, verwendet werden, um sicherzustellen, dass das Modell generalisiert und nicht nur die Trainingsdaten reproduziert. Cross-Validation und andere Techniken können dabei helfen, die Robustheit und Genauigkeit des Modells zu überprüfen.

Der Prozess endet nicht mit der ersten Version des Modells. Es ist wichtig, kontinuierlich Feedback von den Anwendern zu sammeln und das Modell iterativ zu verbessern. Dieses Feedback kann dazu beitragen, unerwartete Probleme zu identifizieren und das Modell weiter zu optimieren.

Das Fazit von CLOOS ist, das KI-Projekte erhebliche Vorteile für Unternehmen und Anwender erzeugen. Jedoch ist besonders die Vorbereitung der Daten und die personelle Verfügbarkeit ein Schlüssel zum Erfolg. Das erste Projekt erzeugte eine dreifache Prozessbeschleunigung, sprich wir können unseren Kunden spezifische Lösung wesentlich schneller zu Verfügung stellen und unsere Fachexperten haben mehr Zeit für Weiterentwicklungen. Mit den richtigen Voraussetzungen und einer durchdachten Vorgehensweise können auch Sie KI-Projekt