Die Stimme des Channels Keine KI ohne Daten

Anbieter zum Thema

bb-net media GmbH

WatchGuard Technologies GmbH

Zadara Ltd.

Es wäre schön, wenn es schon eine KI mit Innovationskraft geben würde. Dann könnte sie mich bei der Arbeit entlasten und mir so die Möglichkeit geben mich auf neue Themen zu konzentrieren. Aber bisher scheint es, als wäre es noch lange nicht soweit.

Im Moment wird mit viel Rechenpower auf ein Problem geschossen und mit neuen ausgefeilten Algorithmen und riesigen Datenmodellen sich einer Lösung angenähert. Wir sehen täglich in der Presse, wo die besonderen Stärken, aber auch die Schwächen und Gefahren von ChatGPT, Adobe Firefly und Co. liegen. Texte, Bilder erkennen, neu zusammenwürfeln (mag hier etwas despektierlich klingen, aber mehr ist es das nicht), bestehende Bilder und Stimmen imitieren oder erweitern, das alles kann heute im Positivfall zu sehr beeindruckenden Ergebnissen führen. Die Meister der Prompts sind die neuen Superstars in den HR-Abteilungen und fast täglich kommen neuen Firmen und Anwendungen auf den Markt.

Doch wie bei allen Dingen die in den letzten Jahrzehnten auf den Markt gekommen sind, muss ich mir die Frage stellen, welches Potenzial eine neue Lösung oder ein neues Produkt für meine Kunden haben kann, Ihre Geschäftsprozesse zu beeinflussen. Und da hat sich bis jetzt noch nicht viel getan. Eine Hauptursache liegt für mich in den grundlegenden Eigenschaften der KIs. Alle großen Modelle beruhen auf gigantischen, zusammengetragenen (böse Zungen sagen auch zusammengeklauten) Datenmodellen, die ich passiv nutzen kann. Ich bin dem Daten- und Trainingsmodell als auch z.B. den Gewichtungs-Algorithmen auf Gedeih und Verderb ausgeliefert. Weiterhin lassen sich eigene Daten nur schwer Integrieren und ein hybrides Modell ist nicht so einfach zu realisieren. Meine eigenen Daten jedoch zu trainieren und in ein Modell zu gießen erfordert viel Aufwand und Knowhow. Mit den vorhandenen Modellen lässt sich so aber kein Mehrwert für die Prozesse meine Kunden generieren.

Ein Beispiel

In diesem Beispiel möchte ich aufzeigen, wie es gelingen kann die vorhandenen Probleme zu umschiffen. Dafür möchte ich als Erstes das Problem beschreiben und dann eine mögliche Lösung und den Stand der Entwicklung aufzeigen. Momentan ist das Thema Energiewende ja ein ganz zentrales. Und bei allen oftmals, politisch motivierten Diskussionen, ergeben sich ein paar zentrale Ankerpunkte, die überall zu finden sind. Dazu gehört neben der Solarenergie und Windkraft auf der Energieerzeugerseite die Wärmepumpen als wichtiges Element auf der Verbraucherseite. Damit ich sie effizient einsetzten kann, muss ich über ihre Betriebszustände, mögliche Fehlerquellen, Integration oder Ergänzung zu vorhandenen Technologien und die Optimierung der Prozesse Bescheid wissen.

Nun sind heute schon viele Geräte mit Sensorik ausgestattet und es sollte die Möglichkeit geben, die Daten zu extrahieren. Dies ist aber oftmals nur über die Cloud des Herstellers und dann auch nur mit vorgegeben Daten möglich. Habe ich als HSK-Firma aber mehrere Hersteller im Angebot wird es schnell unübersichtlich, komplex und teuer (wenn ich für die Cloud des Herstellers bezahlen muss). Von den unterschiedlichen Datenmodellen die wiederum konsolidiert und migriert werden müssen, will ich hier noch gar nicht sprechen. Wenn man es am Markt nicht in gewünschter Form bekommt, dann muss man es eben selber machen. Dies war die Grundidee meines Kunden. So kam es nach einigen gedanklichen Iterationsrunden zu der Idee einer Blackbox, die folgende Möglichkeiten bieten soll.

• 1. Sensoren für Temperatur, Druck und Stromfluss (erweiterbar)

• 2. Sensoren mit hoher Reichweite (wenn gefordert) und niedrigem Energieverbrauch

• 3. Gateway mit Anschlussmöglichkeit an LAN, WLAN und Mobilfunk

• 4. Übergabe und Auswertung der Daten in der eigenen Datenbank

Die Daten kommen nun über die Sensoren und eine selbst entwickelte Platine an einen Microcontroller mit einem LoRaWan Sensor. Diese Bauteile sind Zentral in der Blackbox verbaut. Ob das dazugehörende Gateway ebenfalls in der Blackbox sitzt oder weiter entfernt verbaut wird, hängt von den Gegebenheiten vor Ort ab. Die Anwendung der LoRaWan-Technologie ermöglicht aber die maximale Flexibilität und durch verschlüsselte Übertragung auch ein hohes Maß an Sicherheit. Die ermittelten Daten (Payloads) werden nun in regelmäßigen Abständen an einen Cloud-Service gesendet. Dort werden die Daten aber nur kurz zwischengespeichert und transformiert. Mit einem in der Zentrale meines Kunden laufenden Servers werden die Daten aus der Cloud geladen und nach einem weiteren Konsolidierungs- und Transformationsvorgang in eine zentrale Datenbank geschrieben. Ab diesem Moment gehören die Daten uns und wir können sie als Grundlage für die weitere Verwertung einsetzen. In unserem Testsystem laufen seit Wochen die Daten zuverlässig in die Datenbank und wir werden im nächsten Schritt den gerade erstellten Prototypen mit allen Sensoren an das System anschließen.

In der Praxis

Was möchte mein Kunde nun mit den dann vorhandenen Daten anstellen? Es geht um die Optimierung und den Vergleich verschiedener Wärmepumpen in unterschiedlichen Umgebungen und Lastsituationen. So kann man daraus für zukünftige Projekte bessere und fundiertere Angebote erstellen, die nicht nur auf Marketingfolien der Hersteller beruhen. Ein Zentraler Punkt wird auch der Bereich der Fehlererkennung und der predictive Maintenance sein. Mit vorhandenem Zahlenmaterial lassen sich grundsätzliche Probleme z.B. bei einem Modell einer Wärmepumpe erkennen und dem Hersteller gegenüber besser nachweisen. Dies geht dann über in die Wartung, wo aufgrund von Verschleißanzeigen der Sensorik rechtzeitig Gegenmaßnahmen ergriffen werden können.

Wenn z.B. eine Pumpe bei gleicher Last einen erheblich höheren Stromverbrauch aufweist, kann dies ein Hinweis auf einen Defekt sein und dies bei der nächsten Wartung berücksichtigt werden. Weiterhin können Ersatzteile optimierter und rechtzeitig bestellt werden und so die Ausfallzeiten beim Kunden minimieren. Hier ist dann auch der Ansatzpunkt für eine KI. Sie sollte in der Lage sein die Daten zu überwachen und vorhandenen Szenarien zu erkennen. Sie löst dann automatisiert die nachfolgenden Prozesse aus. Wenn dann das Trainingsmodell etwas taugt, kann sie auch selbstlernend neue Zusammenhänge erkennen, auf die das menschliche Gehirn so nicht gekommen wäre. Da es sich ja hier um eine spezialisierte KI handeln würde und nicht um ein universelles Großmodell, sollte das Trainingsmodell einfacher zu erstellen ein.

Wichtig ist in diesem Fall, dass wir durch die Verwendung der Blackbox den Workflow auf beliebige Maschinen anpassen und integrieren können. Die Lösung ist also weder auf Wärmepumpen noch auf den Bereich Heizung-Sanitär-Klima beschränkt. Im Prinzip lässt es sich in allen Prozessen einsetzen, bei denen Maschinen Daten liefern. Dies mag zwar dann nicht so sensationell in der Außenwirkung wie ChatGPT und Co. sein, aber ich könnte endlich meinen Kunden einen Mehrwert im Rahmen Ihrer KI-Prozessoptimierung bieten ohne auf externe Vorgaben und Daten angewiesen zu sein.

(ID:49708131)