Datenqualität für KI-Projekte: Von Datenwolken zu Informationsquellen

Der Einsatz von künstlicher Intelligenz nimmt in Fertigungsunternehmen mit rasanter Geschwindigkeit zu. So nutzen laut ‚The AI Opportunity in Manufacturing‘ 78 Prozent der Führungskräfte wöchentlich, fast ein Drittel sogar täglich KI, während im vergangenen Jahr 46 Prozent wöchentlich und acht Prozent täglich damit gearbeitet haben. Nach der 2025 für TeamViewer erstellten Studie wollen:

• 28 Prozent der befragten Unternehmen damit den Kundensupport automatisieren,
• 19 Prozent Prozesse automatisieren,
• 19 Prozent die Lieferkette optimieren.

Daneben wird KI zur Inspiration und Ideenfindung eingesetzt. Das Vertrauen der Manager in KI wächst auch, wenn es darum geht, künftige Geschäftsszenarien zu prognostizieren (41 Prozent), auf dieser Basis Entscheidungen zu treffen (36 Prozent) und dies sogar ohne menschliche Aufsicht (29 Prozent). Experten prognostizieren, dass der zunehmende Einsatz von KI in der Fertigung den größten Produktivitätsanstieg seit einem Jahrhundert auslösen könnte.

Produktivitätsgewinne treiben KI-Investitionen

Einiges von dem Erfolg werden die Unternehmen mit fortschrittlicher Standardsoftware erreichen, die zunehmend mit aufgabenspezifischen KI-Funktionen und Assistenten erweitert wird. Die Tendenz zur KI-Integration zeigt sich in ERP-Systemen ebenso wie in der Konstruktions- und Simulationssoftware. Doch um noch weiter reichende Produktivitätsfortschritte zu erreichen, müssen Unternehmen den KI-Einsatz bis zu den Wurzeln ihrer individuellen Prozesse in Fertigung oder Montage ausdehnen. Unternehmensspezifische KI-Projekte der Automatisierung, Datenanalyse, Qualitätsüberwachung und Prozesssteuerung sollen Analysten zufolge die größten Potenziale heben. Entsprechend erwarten 81 Prozent der Entscheider in den nächsten sechs bis zwölf Monaten höhere KI-Investitionen in ihren Unternehmen.

Herausforderungen individueller KI-Projekte

Die heutigen Large Language Models der künstlichen Intelligenz, wie wir sie aus alltäglichen Anwendungen kennen, werden von Entwicklern in einem ausführlichen Pre-Training mit riesigen Datenmengen aus dem Internet angelernt, damit sie treffsichere Ergebnisse liefern. Diese Methode lässt sich aus zwei Gründen nicht auf den individuellen, industriellen Einsatz übertragen: Einerseits liegen die Datenmengen, die für typische Anwendungsfälle benötigt werden, in ganz anderen Dimensionen. Andererseits würden die für diese Datenmengen notwendigen, umfangreichen Anlern- und Optimierungsphasen die Wirtschaftlichkeit der meisten Projekte gefährden.

Als erste Herausforderung müssen die Unternehmen also für jeden Anwendungsfall geeignete Datenquellen und -bestände identifizieren. Mit den extrahierten Daten können sie anschließend ihre KI-Modelle trainieren. Weil die Datenmengen um Dimensionen geringer sind und der Aufwand für das Anlernen begrenzt werden muss, rückt die Qualität der Daten in den Fokus.

In den meisten Unternehmen sind die Daten lückenhaft, unvollständig, in unterschiedlichen Terminologien, Formaten, Kategorien und Einheiten abgelegt sowie mit Dubletten und Altbeständen durchsetzt. Wenn sie aus verschiedenen Quellen stammen, müssen sie angeglichen werden. Unter diesen Voraussetzungen kann sich der Aufwand für KI-Projekte bis zur Unmöglichkeit potenzieren. Deshalb müssen Unternehmen ihre Datenqualität für den Einsatz von KI vorbereiten. Dies bildet die zweite große Herausforderung individueller KI-Projekte.

Datenquellen dauerhaft erschließen

Bei der Suche nach geeigneten Datenquellen und Beständen unterstützt die Software Simus Classmate von Simus Systems, einem Spezialisten für die Bereinigung, Strukturierung und effiziente Nutzung von technischen Datenbeständen. Die Anwendung enthält verschiedene Werkzeuge, die Datenbestände jeder Größe aus den relevanten firmeninternen Quellen wie Datenbanken, Tabellen oder CAD-, ERP- und PDM-Systemen entnehmen und in einem Ergebnisspeicher ablegen. Dies ist wichtig, weil viele industrielle KI-Projekte Informationen aus verschiedenen Datenquellen verwenden. Zum Beispiel können Software-Inhalte mit Prozessdaten aus OPC-Servern, Maschinensteuerungen oder SPSen von Anlagen verknüpft werden. Dabei lässt sich die Software dauerhaft mit diesen Systemen integrieren, etwa um die gewünschten Datensätze regelmäßig bereitzustellen. Das kann gerade für die Pflege eines laufenden KI-Systems wichtig sein. Wer auf Geometrie- oder Product Manufacturing Information (PMI) von CAD-Modellen zugreifen will, findet in Simus Classmate ebenfalls entsprechende Funktionen. Die Software sucht, vergleicht und findet Geometrie- und andere Merkmale, was sich z.B. in Qualitätsprojekten als sehr hilfreich erwiesen hat.

Regelbasiert zur Datenqualität für KI-Anwendungen

Mit den Werkzeugen der Software-Suite und der erprobten Projektmethodik hilft Simus Systems Herstellern, sich fit für den KI-Einsatz zu machen. Zunächst wird in einem Vorprojekt eine Stichprobe des Datenbestandes analysiert. So lassen sich Ziel und Aufwand abgleichen und das Projekt klar definieren. Nun wird das Projekt auf den gesamten relevanten Datenbestand ausgedehnt. Automatisch werden große Datenbestände nach Regeln bereinigt, ergänzt, sortiert, strukturiert und abgelegt. In Workshops mit den Projektbeteiligten werden die Resultate weiter verfeinert. Mit einer speziellen Suchmaschine lassen sich Daten filtern und betrachten, um eventuelle Fehler, Dubletten oder Ungenauigkeiten zu erkennen. Schließlich wird der bereinigte Datenbestand zur weiteren Verwendung und der optimierte Datenbestand freigegeben. Anschließend werden die Weichen gestellt, um die Datenqualität auch künftig hoch zu halten. Die definierten Formate, Regeln und Konventionen werden mit Classmate für neu entstehende Daten implementiert.

Größte Hürde ausgeräumt

Nach der eingangs zitierten TeamViewer-Studie wird die Technologie noch nicht von allen Herstellern in großem Umfang genutzt, obwohl die Vorteile der KI auf der Hand liegen. Als größtes Hindernis für ihre Einführung nannten 76 Prozent der Umfrageteilnehmer Sicherheitsrisiken im Zusammenhang mit der Datenverwaltung durch KI. Genau diese Risiken durch lückenhafte, willkürlich veränderte oder korrumpierte Daten lassen sich mit der passenden Software ausräumen. Darüber hinaus können Software und Dienstleistungen von Simus Systems weitere Projekte wie Manufacturing X, digitaler Zwillinge oder die Datenbereinigung vor ERP- und PDM-Migrationen unterstützen. Damit erschließen Hersteller die Potenziale der Digitalisierung.