Künstliche Intelligenz (KI) und Machine Learning (ML) machen es möglich: Mittlerweile können Unternehmen mithilfe dieser Technologien Probleme bewältigen, die lange Zeit als nahezu unlösbar galten. Unser langjähriger Partner Point-ERP4 erläutert anhand von zwei Beispielen, wie sich innovative KI/ML-basierte Lösungen realisieren lassen und welche Lektionen die Implementierungsprozesse bereithalten.
Beispiel 1: Lieferantenkataloge und ihre Tücken
Basierend auf der Datenplattform InterSystems IRIS hat Point-ERP4 eine Einkaufsplattform geschaffen, über die Produktionsbetriebe insgesamt rund 16 Millionen Artikel einkaufen können – von der Schraube bis zum Kugelschreiber.
Für ein bestmögliches Nutzererlebnis schlägt das System bei einer Suche weitere vergleichbare Produkte vor. Generiert werden diese Alternativvorschläge anhand der Eigenschaften der Artikel, wie zum Beispiel der Warengruppe oder eClass-Nummer. Es findet also eine automatische Zuordnung statt.
Die Daten dafür werden aus den elektronischen Katalogen der Lieferanten übernommen. Doch was, wenn die Kataloge fehlerhaft sind oder die Bezeichnungen der Lieferanten nicht mit denen übereinstimmen, die Point-ERP4 auf der Einkaufsplattform verwendet? Im schlimmsten Fall werden dann Artikel bei einer Suche überhaupt nicht angezeigt, obwohl sie grundsätzlich verfügbar sind. Eine händische Korrektur der fehlerhaften Zuordnung, wie beispielsweise bei einer falschen eClass-Nummer, dauert pro Artikel mindestens eine Minute – ein beträchtlicher Aufwand bei einem Sortiment, das mehrere Millionen Produkte umfasst.
Mit Machine Learning Stammdatensätze effizient bereinigen
Point-ERP4 kam daher auf die Idee, diesen zeit- und kostenintensiven Prozess mit ML-Hilfe abzukürzen, genauer gesagt mit dem Tool IntegratedML, das in die Datenplattform InterSystems IRIS integriert ist.
Auf dem Weg zur Lösung stellten die Entwickler schnell fest, dass ein einfaches ML-Modell bei einem Sortiment mit rund 16 Millionen Artikeln nicht ausreicht. Folglich haben sie eine eigene Lösung konzipiert, die auf insgesamt 800 unterschiedlichen Berechnungsschritten beruht. Dazu wurden Methoden und Modelle programmiert, die über alle Warengruppen laufen. Anschließend wurden diese Modelle beginnend mit den wichtigsten Hauptwarengruppen schrittweise ausgerollt und kontinuierlich verfeinert.
Als bedeutende Lektionen aus diesem Projekt nennt Ditmar Tybussek, Gründer und CEO von Point-ERP4, die folgenden Punkte: „Es gilt erst einmal zu selektieren, welches Modell die besten Ergebnisse hinsichtlich der jeweiligen Aufgabe liefert und wo welche Einstellungen erforderlich sind. Auch müssen im Vorhinein geeignete KDD-Methoden (Knowledge Discovery in Databases) geschrieben und getestet werden, um die Richtigkeit der eigenen Daten zu prüfen, damit überall die richtigen Werte stehen. Dies ist notwendig, weil es viele unterschiedliche mathematische Methoden gibt, um die bestehenden Daten mit unterschiedlichen Logiken zu trainieren und man ohne entsprechende Tests nicht sicher sagen kann, welche Methode für eine möglichst akkurate Vorhersage am besten geeignet ist.
Und nicht zuletzt sollte beim Testing ein leistungsfähiger Rechner mit ausreichender Speicherausstattung zum Einsatz kommen, der die enormen Datenmengen in angemessener Zeit verarbeiten kann.“
Beispiel 2: Intelligente Partikelauswertung im Rahmen der Chipproduktion
Da der Output einer Produktionsmaschine durchaus fehlerhafte Teile enthalten kann, erfolgt in vielen Unternehmen noch eine sorgfältige Qualitätskontrolle durch entsprechend geschulte Mitarbeiterinnen und Mitarbeiter. Das ist auch in der Chipproduktion der Fall, in der jeder Chip vor seiner Versiegelung noch einmal genaustens geprüft wird – und zwar daraufhin, ob sich auf ihm winzige Partikel wie Hautschuppen, Haare oder Staubkörner befinden. Eine Automatisierung dieses Prüfprozesses würde zu einem deutlichen Plus an Effizienz führen. Vor diesem Hintergrund setzte sich Point-ERP4 das Ziel, den Qualitätscheck mithilfe von ML zu modernisieren. Dafür entwickelte das Unternehmen eine Lösung, die hochauflösende Fotos der einzelnen Chips analysiert, indem automatisch in zwei Durchläufen qualitätsmindernde Partikel gesucht werden.
In zwei Schritten zur Lösung
Im ersten Durchlauf trennt ein ML-Modell die einwandfreien von den fehlerhaften Chips, ohne die Art des Fehlers genauer zu bestimmen. Im zweiten Schritt kommt ein komplett anderes Modell zum Einsatz. Dabei werden nur die Bilder von zuvor als fehlerhaft gekennzeichneten Chips daraufhin überprüft, welcher Fehler konkret vorliegt. Am Ende des ML-optimierten Prüfverfahrens stehen dann insgesamt drei Kategorien: einwandfreie Chips, Chips mit ermittelten Fehlern und Chips mit noch unbekannten Fehlern, die noch einmal manuell zu prüfen sind.
Aktuell bringen die Entwickler der Lösung bei, wie sie die Fotos im Detail zu interpretieren hat. Dazu werden in einem Annotations-Werkzeug Kategorien wie Haare, Kratzer, Staub erstellt. Die entsprechenden Fehler werden dann auf Bildern händisch markiert. Diese initiale, manuell gestützte Bildanalyse ist notwendig, damit das ML-Modell anschließend im Rahmen seines Trainings lernen kann, diese zweifelsfrei zu erkennen.
Ditmar Tybussek berichtet: „Wir erwarten bei diesem Projekt schon gespannt das Ergebnis. Auf jeden Fall gehen wir davon aus, dass sich der aktuell erforderliche Aufwand für die Partikelprüfung erheblich minimiert, sobald die Selektion mithilfe einer künstlichen Intelligenz automatisiert abläuft.“
Die beiden Beispiele aus der Praxis zeigen, welches Potenzial KI-/ML-Lösungen für Unternehmen haben. Aufgrund der rasant voranschreitenden Entwicklung auf diesem Gebiet wird es für viele Unternehmen auch immer einfacher, entsprechende Lösungen im Produktivbetrieb gewinnbringend zu nutzen. Am besten starten sie mit kleineren, überschaubaren Projekten, die gut umzusetzen sind. Daraus können sie lernen und Erfahrungen für größere, zukünftige Projekte sammeln. Mit InterSystems IRIS steht Ihnen dazu eine bewährte Basis mit zahlreichen integrierten Spezialwerkzeugen für Ihre KI- und ML-Projekte zur Verfügung.
