KI-Werkstatt

Künstliche Intelligenz in Produktionsunternehmen (KI-We)

ESF Logo ©ESF Leuphana

Herausforderung
Im Zuge der fortschreitenden Digitalisierung der Produktion auch in kleinen und mittelständischen Unternehmen wird eine Vielzahl an Daten entlang der unternehmensinternen und unternehmensübergreifenden Lieferkette aufgenommen. Diese Daten sind sehr heterogen und können nur mit großem Aufwand mit klassischen Methoden der Datenanalyse durch den Anwender analysiert werden. Jedoch bieten diese Unternehmens- und Lieferkettendaten ein großes Potenzial, um eine kontinuierliche, datengestützte Optimierung von Abläufen zu erreichen. Ansätze aus dem Kontext der künstlichen Intelligenz (KI), insbesondere des maschinellen Lernens (ML) bieten hier vielversprechende Möglichkeiten für Unternehmen, sich das Potenzial existierender Daten zu Nutze zu machen. Es lässt sich jedoch feststellen, dass gerade in kleinen und mittleren Unternehmen heute noch erhebliche Barrieren bei der Implementierung von Ansätzen der künstlichen Intelligenz vorherrschen. Ein wesentlicher Grund dafür stellt der Mangel an Fachkräften, die sich mit der intelligenten Datenauswertung im Unternehmen beschäftigen, dar.


Ziel
Das Vorhaben KI-Werkstatt setzt an dieser Stelle an. Aufbauend auf der 2017 ins Leben gerufenen Leuphana Lernfabrik, wird an der Leuphana Universität Lüneburg eine KI-Werkstatt als Plattform für den Austausch zwischen Industrie und Wissenschaft sowie zwischen Unternehmen untereinander geschaffen.

Diese soll in erster Linie von kleinen und mittelständischen Unternehmen der Übergangsregion Lüneburg genutzt werden. Ziel ist es, den Transfer von Erkenntnissen und Forschungsergebnissen zu fördern und eine Testumgebung für KI-Anwendungen zu schaffen.  Auf diese Weise werden kleine und mittelständische Unternehmen in der Region an die Technologien und Einsatzmöglichkeiten einer effektiven und effizienten Erfassung, Verarbeitung und Analyse mithilfe von KI-Anwendungen herangeführt. 

Schaubild ©KIWE
Schaubild KIWE



Ansatz/Ablauf
Der Aufbau der KI-Werkstatt untergliedert sich drei zentrale Arbeitsphasen.

1. Potenzialanalyse
Zunächst werden mit den regionalen Projektpartner aus der Industrie potenzielle Anwendungsfälle zur Anwendung von Ansätzen der KI bzw. des maschinellen Lernens identifiziert. So werden die individuellen Potenziale der Nutzung von KI-Anwendungen erfasst. Zeitgleich wird auf Basis von Untersuchungen der Forschungsgruppe Produktionsmanagement der Leuphana, der Projektpartner sowie des Arbeitskreises Machine Learning der Region Lüneburg eine Methodik entwickelt, um Ansätze des maschinellen Lernens von Beispieldatensätzen in den Anwendungsfall der partizipierenden Unternehmen zu überführen. Die Methoden werden innerhalb eines KI-Katalogs gesammelt und so für den weiteren Wissenstransfer zugänglich gemacht.

2. Transferphase
In der Transferphase sollen die Methoden auf die identifizierten Anwendungsfälle angewendet werden. Begleitet wird dies durch eine einjährige Workshopreihe, in der Unternehmen und Wissenschaft in den praktischen Austausch gehen. Anhand von Beispieldatensätzen aus der Lernfabrikumgebung werden zunächst gemeinsam systematisch Methoden des maschinellen Lernens untersucht und anschließend die wirkungsvollsten Verfahren auf spezifische Problemstellungen der Unternehmen angewandt. Wo möglich, werden auch vorhandene Realdaten genutzt.

3. Konsolidierung und Dokumentation
Abschließend werden die Erkenntnisse und Ergebnisse konsolidiert und dokumentiert, sodass diese für Unternehmen in der Übergangsregion Lüneburg zur Verfügung stehen.


Nutzen
Durch den intensiven Austausch im Rahmen verschiedener hybrider Workshopformate werden Unternehmen in die Lage versetzt, den eigenen Datenbestand auszuwerten und eine eigene KI-Roadmap zu erstellen und umzusetzen. Die teilnehmenden Unternehmen, Wissenschaftler*innen und Studierende gewinnen durch die gemeinsame Analyse bestehender Datensätze Erkenntnisse darüber, welche Methoden des maschinellen Lernens an welcher Stelle sinnvoll eingesetzt werden können und wie der Datenbestand eventuell zu erweitern ist, um bestimmte Verfahren anwenden zu können.

 

Team

  • Prof. Dr.-Ing. Matthias Schmidt
  • Alexander Rokoss, M.Sc.
  • Thorben Green, M.Sc.