Künstliche Intelligenz – TEIL 3 von 4

Nachdem wir uns in den ersten beiden Teilen schon vorzüglich zum Thema Künstliche Intelligenz informiert haben, sprechen wir nun mit FH-Prof. Univ.-Doz. DI Dr.  Ulrich Bodenhofer, Professor für Künstliche Intelligenz an der FH Oberösterreich und Chief AI Officer bei der QUOMATIC.AI GmbH darüber, warum das Interesse von Unternehmen an KI-Lösungen bereits sehr groß ist und welche Erfahrungen er bei der Implementierung von KI-Projekten gemacht hat.

Herr Bodenhofer, Erzählen Sie uns bitte kurz etwas über Ihre Person und Ihren Werdegang!

Prof. Ulrich Bodenhofer: Ich habe an der Johannes Kepler Universität (JKU) Linz Technische Mathematik studiert und mich schon während meines Studiums mit KI-Themen (Fuzzy Logic, Neuronale Netze, Genetische Algorithmen) beschäftigt. Dann habe ich mehrere Jahre in einem Projekt mit Sony DADC an einem Prüfsystem für Aufdrucke auf digitalen Tonträgern gearbeitet, welches damals schon sehr erfolgreich KI-Konzepte eingesetzt hat. Ab 1999, nach Abschluss meines Doktorats, habe ich dann eine Gruppe am Software Competence Center Hagenberg aufgebaut, mit dem Ziel, Machine-Learning-Methoden für Anwendungen in der Prozessindustrie nutzbar zu machen. Dabei sind auch schon vor dem großen KI-Hype sehr erfolgreiche Projekte entstanden. 2006-2018 war ich an der JKU an Sepp Hochreiters Institut assoziierter Professor, eine sehr spannende Zeit mit vielen tollen Forschungsergebnissen und erfolgreichen Projekten im Bereich Medizin und Pharma. 2018 dann der Wechsel zur QUOMATIC.AI GmbH, einer Firma mit Schwerpunkt KI im Vertrieb. Seit 2020 bin ich Professor für KI am Campus Hagenberg der FH OÖ, wobei ich immer noch bei der QUOMATIC.AI GmbH als wissenschaftlicher Berater und Ideengeber mitarbeite.

 

Danke für die Vorstellung Ihrer Person. Nun gehen wir aber gleich ins Thema. KI ist eigentlich ein Überbegriff für viele Mathematische Algorithmen und Informatik. Wir möchten uns aber mit dem Hauptteil von KI beschäftigen: Machine Learning. Erzählen Sie kurz, was Machine Learning ist?

Prof. Ulrich Bodenhofer: Sehr kurz zusammengefasst beschäftigt sich Machine Learning mit Modellen, die aus Daten trainiert werden. Ein typisches Beispiel ist die Zuordnung von handgeschriebenen Symbolen (Buchstaben und Ziffern) zur richtigen Klasse (z.B. ein ‚A‘, eine ‚2‘). Dafür gibt es keinen expliziten Algorithmus. Stand der Technik ist hierbei, dass man ein System anhand von vielen Beispielen, für welche die richtige Klasse bekannt ist, trainiert. Ein neuronales Netz lernt dann Muster, die typisch für eine bestimmte Klasse sind, und kann daher ein neues handschriftliches Symbol der richtigen Klasse zuordnen. Nach diesem Prinzip funktionieren so gut wie alle Machine-Learning-Methoden, die man heute unter dem Begriff „Künstliche Intelligenz“ subsummiert.

 

Man hört ja mittlerweile immer mehr, dass wir täglich mit KI arbeiten- Google, DeepL, Facebook & Co. Können Sie uns einige Beispiele geben, wo Machine Learning heute schon in der Firmenumgebung eingesetzt wird?

Prof. Ulrich Bodenhofer: Hier muss man ganz genau differenzieren. Einerseits gibt es den Einsatz fertiger Lösungen bzw. Software-Komponenten wie z.B. DeepL zur Übersetzung, GPT-3 von OpenAI zur Textanalyse, OCR, Spracherkennung, Gesichtserkennung, etc. Solche Komponenten werden heute schon sehr breit eingesetzt. So gesehen sind alle Firmen, ja alle Menschen, KI- bzw. Machine-Learning-User. Ich nehme aber an, dass Ihre Frage darauf abzielt, in welchen Branchen/Firmen tatsächlich Machine-Learning in dem Sinn betrieben wird, dass mit eigenen Firmendaten firmeneigene Machine-Learning-Modelle trainiert werden. In diesem Sinn hat sich Machine Learning noch bei weitem nicht so breit durchgesetzt. Es gibt aber dennoch einige gute Beispiele. Ich kann aus meiner Praxis bei der QUOMATIC.AI GmbH beispielsweise berichten, dass die Firma Internorm mit Machine Learning erfolgreich bewertet, ob ein Angebot zu einer Bestellung führt oder nicht. Der Wacker-Neuson-Konzern nutzt Machine Learning zur Vorhersage der zukünftigen Absätze, um die Produktionsplanung zu optimieren. Es gibt sehr viele ähnliche Beispiele, aber in jede Firma hat Machine Learning noch nicht Einzug gehalten.

 

Sie haben mit der Antwort schon etwas auf die nächste Frage vorgegriffen. Wir möchten etwas genauer wissen, in welchen Bereichen etc. KI (noch) nicht eingesetzt werden kann?

Prof. Ulrich Bodenhofer: An konkreten Bereichen kann ich das nicht festmachen. Fakt ist, dass es sehr oft an der Verfügbarkeit oder der Qualität von Daten mangelt. Predictive Maintenance, also das rechtzeitige Erkennen oder Vorhersagen, wann eine Maschinenkomponente getauscht werden muss, ist ein gutes Beispiel. Alle Betreiber komplexer und teurer Anlagen, die sich nur bei hoher Verfügbarkeit rentieren, hätten das gerne. Oftmals sind diese Anlagen aber für das Trainieren solcher Modelle zu komplex oder die dafür notwendige Sensorik ist (noch) nicht verbaut. Dass man erst Sensorik einbauen muss und dann noch Jahre warten muss, bis genügend Datenmaterial gesammelt wurde, ist dann meist ein „Show-Stopper“.

 

Bleiben wir mit der nächsten Frage gleich in der Privatwirtschaft, da Sie als Chief AI Officer und Miteigentümer der Firma QUOMATIC.AI auch Erfahrungen gesammelt haben. Wie groß ist die Nachfrage von Unternehmen zu Lösungen mit KI?

Prof. Ulrich Bodenhofer: Das Interesse ist tatsächlich seit mehreren Jahren sehr groß. Es ist aber nicht so, dass sich Machine Learning wie die sprichwörtlichen warmen Semmeln verkauft. Grund dafür sind einerseits Einschränkungen wie die bereits erwähnten Probleme bzgl. Datenverfügbarkeit. Ein weiteres Hemmnis ist der Umstand, dass man bei einem neuen Projekt, bei dem aus bisher unbekannten Daten ein Modell trainiert werden soll, nicht a priori sagen kann, wie gut es funktionieren wird. Man muss es also ausprobiert haben, bevor Kosten und Nutzen quantifiziert werden können. Das ist ebenso ein „Show-Stopper“, vor allem bei KMU-Kunden. Dazu haben wir bei QUOMATIC.AI ein eigenes Konzept entwickelt, wie mit vergleichsweise geringem Aufwand für konkrete Use Cases individualisierte Modelle ohne individualisierte Code-Entwicklung trainiert werden können. Diese sogenannten „Referenzmodelle“ halte ich für so spannend und vielversprechend, dass ich mich diesem Konzept jetzt auch in der Grundlagenforschung an der FH widme.

 

Machine Learning klingt jetzt doch etwas komplizierter als Anfangs gedacht. Können Sie uns Ihre Erfahrungen mitteilen, was Unternehmen über KI-Implementierung denken? Wie oft hören Sie „Das würde zu viel kosten“, „Kann das morgen schon zur Verfügung stehen?“ oder „Das ist nicht unrealistisch“?

Prof. Ulrich Bodenhofer: Man hört und erlebt hier vieles, von „das funktioniert sowieso nicht“ bis zum Glauben, dass man ein KI-Kastl kaufen kann, das einem auf Knopfdruck alle Probleme löst. Dazwischen gibt es viele Unternehmen, die eine realistische und fundierte Einschätzung haben. Jene, die glauben, dass es sowieso nicht funktioniert, haben entweder schlechte Erfahrungen aus einer früheren Zeit, in der tatsächlich noch vieles unmöglich war, oder sie haben schlechte Erfahrungen mit inkompetenten Anbietern gemacht. Es ist leider so, dass jeder Hype auch viele Trittbrettfahrer auf den Plan ruft, die hoffen, mit dem Hype-Thema Geld zu machen. Und jene, die glauben, dass man mit KI für wenig Geld Alles lösen kann, glauben wohl zu sehr den marktschreierischen Ansagen mancher selbsternannten Gurus. Auch diese sind ein negativer Auswuchs des Hypes. Ich habe mich noch nicht so tief mit dem Gartner Hype Cycle auseinandergesetzt, aber meine Interpretation ist, dass diese Trittbrettfahrer und Gurus sowohl für den „Peak of inflated expectations“ als auch für den „Trough of disillusionment“ mitverantwortlich zeichnen. Mein Ansatz, egal ob in der Wirtschaft oder Wissenschaft, ist und war immer, eine realistische Einschätzung zu geben und am Teppich zu bleiben, auch einmal „nein, das geht so nicht“ zu sagen. So verkaufe ich zwar weniger Projekte, vermeide aber auch Misserfolge und Enttäuschungen.

 

Im zweiten Teil unseres Experteninterviews werfen wir einen Blick in die Zukunft und beantworten die Fragen, welche Branchen das größte Interesse an KI zeigen und ob Investitionen in KI-Projekte steigen oder zurückgehen.

Das könnte Sie auch interessieren

Allgemein

16. Februar 2024
Wie die vernetzte Wirtschaft den Wettbewerb verändert...
  • #Digital Transformieren
  • #Organisationsentwicklung
  • Autor: Mario Kreimer

    Fachbeitrag

    12. Januar 2024
    Digitalisierung umfasst alle Bereiche eines Unternehmens. Das Qualitätsmanagement darf dabei nicht vergessen werden....
  • #Digital Transformieren
  • #Qualitätsmanagement
  • Fachbeitrag

    18. August 2023
    Mit diesen 6 zentralen Punkten schaffen wir gemeinsam Ihre erfolgreiche Digitale Transformation!...
  • #Digital Transformieren
  • #Organisationsentwicklung
  • Autor: Franz Christoph Raith

    Events

    17. Mai 2021
    Wir freuen uns beim GIS 2021 dabei sein zu dürfen!...
  • #Digital Transformieren
  • #Holz- & Forstindustrie
  • Autor: Thomas Gimpel
    Mehr anzeigen

    Ihr Ansprechpartner
    zu diesem Thema ist...

    Wir freuen uns auf
    Ihre Kontaktaufnahme

    jetzt vereinbaren