Der Begriff der hybriden künstlichen Intelligenz beschreibt einen Ansatz, der auch bei geringer Datenlage verlässliche Rückschlüsse zulässt, oder bei gleicher Datenlage sogar bessere Ergebnisse verspricht. Als hybrid wird diese Form der Intelligenz deshalb bezeichnet, weil sie menschliches Expertenwissen in den Lernprozess miteinbezieht. Dies geschieht, indem alle verfügbaren Daten entsprechend menschlichen Logiken kontextualisiert werden. Im übertragenen Sinne ausgedrückt: Die KI bekommt erst einmal beigebracht, dass z. B. ein ‚Fehler‘ an einem ‚Bauteil‘ auftreten kann, und ‚Bauteile‘ wiederum Bestandteile einer ‚Baugruppe‘ sein können.
Knowledge-Graphen
Eine besondere Rolle spielen hierbei Knowledge Graphen. Sie schaffen das logische Grundgerüst, in welchem alle vorhandenen Daten intelligent vernetzt sind. Knowledge Graphen arbeiten, wie Menschen denken: Sie decken Zusammenhänge und Verknüpfungen zwischen Maschinen, Komponenten oder Bauteilen auf, selbst wenn diese komplex und variantenreich sind. So kann bereits heute der digitale Zwilling einer Maschine abgebildet werden, welcher immer die passenden Informationen zum jeweiligen Kontext liefert. Die Maschine wird somit zum intelligenten Kollegen für die Mitarbeiter.
Knowledge Graphen beschränken sich nicht nur auf die Aufnahme und Wiedergabe von Daten. Vielmehr bilden sie die gesamte Logik von Maschinen, Produktportfolios oder Industrieanlagen in einem formalen Modell ab, das Servicetechniker in zahlreichen Situationen unterstützt: Beispielsweise werden zu einem aktuellen Problem Fälle aus der Vergangenheit mit ähnlicher Symptomatik an gleichartigen Bauteilen oder in entsprechenden Nutzungssituationen gefunden. Knowledge Graphen spielen Situationen durch und bestimmen die Auswirkungen eines Fehlers: Müssen wir die Maschine anhalten und die Arbeit unterbrechen? Was kann im schlimmsten Fall passieren? Der Knowledge Graph berücksichtigt eine Vielzahl möglicher Parameter wie Schadenshäufigkeit aus der Vergangenheit, Gewichte, Kräfte, voraussichtliche Hitzeentwicklung und so weiter, um die Wahrscheinlichkeit sowie Schwere von möglichen Schäden zu ermitteln.
KI bringt Kundenservice auf eine neue Ebene
Treten Probleme an Maschinen, Bauteilen oder Komponenten auf, gilt es für Servicemitarbeiter rasch die richtige Lösung zu finden. Dies gerät zunehmend zur Suche nach der ‚Nadel im Heuhaufen‘, da das Wissen häufig in Informationssilos (beispielsweise ERP-Systeme, Ersatzteilkataloge, CRM-Systeme, E-Mails, PIM-Systeme, Serviceberichte etc.) und in verschiedenen Formaten (etwa Forschungsberichte, technische Dokumentation, Datenblätter, Rückrufinformationen, Erfahrungswissen usw.) abliegt. Reine Machine-Learning-Verfahren geraten hier an ihre Grenzen, da sie nur mit exakten Suchbegriffen arbeiten können. Spätestens an dieser Stelle ist eine Künstliche Intelligenz gefragt, welche die Zusammenhänge des Problems versteht und erst anschließend entsprechende Lösungsvorschläge identifiziert. Selbst wenn keine eindeutige Lösung für das exakt beschriebene Problem vorhanden ist, kann die hybride KI Lösungsvorschläge identifizieren, die z. B. an einer ähnlichen Maschine in der Vergangenheit förderlich waren und auch in diesem Kontext hilfreich erscheinen.
Auch das Anreichern der bestehenden Wissensbasis durch Wissensartikel oder Notizen der Servicetechniker entfaltet erst durch die Unterstützung einer hybriden KI ihren vollen Nutzen. So können Unternehmen langfristig das Expertenwissen digitalisieren und steigern gleichzeitig die Effizienz im Service.
Die Knowledge-Graph-Technologie bietet großes Potenzial für den Maschinen- und Anlagenbau. In den Bereichen Service existieren und funktionieren diese Lösungen schon heute. Aufgrund der verständlichen nachvollziehbaren Logiken hinter der hybriden KI ist es auch ohne intern vorhandene KI-Expertise möglich, diese Mehrwerte zu nutzen. Insbesondere mittelständische Unternehmen sollten daher nach standardisierten und bewährten Software-as-a-Service-Produkten Ausschau halten.
www.empolis.com