Künstliche Intelligenz

Unternehmen gehen KI-Projekte zu technisch an

24.04.2018
Von 
Wolfgang Herrmann ist IT-Fachjournalist und Editorial Lead des Wettbewerbs „CIO des Jahres“. Der langjährige Editorial Manager des CIO-Magazins war unter anderem Deputy Editorial Director der IDG-Publikationen COMPUTERWOCHE und CIO sowie Chefredakteur der Schwesterpublikation TecChannel.

Machine Learning prognostiziert den Kraftstoffverbrauch

Weit fortgeschritten ist der Einsatz von KI-Techniken bereits in einigen technischen Bereichen. Die Lufthansa etwa setzt in der Flugzeugtechnik schon seit längerem auf künstliche Intelligenz und Machine Learning. Neben klassischen Bereichen wie der Flugzeuginstandhaltung mithilfe von Predictive Maintenance arbeitet der Konzern an einem Projekt zur Flugzeugeffizienz-Bewertung mit KI.

"Die vorhandenen Tools zum Aircraft Performance Monitoring sind überholt", berichtet Robert Heigl, Projektmanager Treibstoffeffizienz bei der Lufthansa Technik AG. Aktuelle Prognosen zum Kerosinverbrauch fielen deshalb zu ungenau aus. Gemeinsam mit der Technischen Universität Darmstadt hat Lufthansa Technik ein Machine-Learning-Framework entwickelt, das exaktere Prognosen liefern soll. Heigl: "Das Framework hilft dabei, die Ökoeffizienz von Flugzeugen zu ermitteln und Kraftstofftreiber zu identifizieren."

Eine Hürde in dieser KI-Initiative war es, Daten in ausreichender Menge und Qualität für das Training des Systems zu beschaffen, wie Uwe Klingauf von der Technischen Universität Darmstadt erläuterte. Deutsche Unternehmen und Behörden sind nach seiner Einschätzung im internationalen Vergleich besonders zurückhaltend, wenn es um das Offenlegen und Nutzen von neuen Datenquellen geht.

Die Lufthansa griff deshalb für ihr Machine-Learning-Projekt auch auf anonymisierte Flugdaten zurück, die die US-Weltraumbehörde Nasa öffentlich bereitstellt. Amerikanische Großunternehmen wie Honeywell nutzen die Nasa-Daten schon länger und schreiben sogar Wettbewerbe dazu aus: Auf Basis der Daten sollten Interessierte Algorithmen und Anwendungen entwickeln, mit denen sich etwa der Treibstoffverbrauch von Flugzeugen optimieren lässt.

Predictive Diagnostics bei Daimler TSS

Auch der Erfolg eines KI-Projekts bei Daimler TSS hängt von den verfügbaren Trainingsdaten ab. Die Inhouse-Consulting-Tochter des Daimler-Konzerns beschäftigt sich unter anderem mit künstlicher Intelligenz in der Fahrzeugdiagnose. Zwar hat die IT-gestützte Fahrzeugdiagnose beim schwäbischen Automobilbauer schon eine lange Tradition, wie KI-Experte Valentin Zacharias berichtete.

So habe man bereits 2002 damit begonnen, regelbasierte Systeme dafür einzusetzen. Nun aber wolle Daimler mit Hilfe von KI die Fahrzeugdiagnosen noch einmal verbessern, Werkstätten stärker unterstützen und am Ende die Kundenzufriedenheit steigern. Dazu könnten beispielsweise auch Remote-Diagnosen beitragen.

Geht es um die verfügbaren Datenquellen, befindet sich der Konzern in einer komfortablen Lage. Schon seit rund zehn Jahren sammelt er relevante Fahrzeugdaten in einem Data Warehouse. Diese werden nun dazu genutzt, das KI-System zu trainieren. Vor zwei Jahren startete Daimler TSS mit einem Proof of Concept. Mittlerweile ist der Rollout abgeschlossen und das System im Produktiveinsatz.

Es sammelt unter anderem Echtzeitdaten aus den Fahrzeugen, die an die Werkstätten übertragen werden. KI-Algorithmen generieren daraus Arbeitsvorschläge und "Repair Forecasts" für die Techniker vor Ort. So könnte das System beispielsweise anhand von Live-Daten vorschlagen, den Luftfilter auszutauschen.

In solchen Szenarien bringen mehr Daten unterm Strich mehr als verbesserte Algorithmen, resümierte KI-Spezialist Zacharias. Man versuche deshalb, das KI-System mit weiteren Trainingsdaten zu füttern, um noch genauere Diagnosen und Vorhersagen zu generieren.