In Podcastfolge 2 spricht Madeleine Mickeleit mit Kerim Galal, dem CEO der InnoSEP GmbH aus Hannover. Kerim spricht über die Möglichkeiten von Low-Code & künstlicher Intelligenz und stellt einige Use Cases aus der Praxis vor.
Zusammenfassung der Podcastfolge
Der große Vorteil beim Einsatz einer Low-Code-Plattform ist der einfachere Zugang zu künstlicher Intelligenz. Eine Low-Code-Entwicklungsumgebung ermöglicht die Entwicklung von Anwendungen ohne tiefe Kenntnisse der Programmiermaterie. Low-Code basiert auf dem Prinzip von vorgefertigten Codebausteinen. Aus Diesen wird eine Software mit den gewünschten Eigenschaften zusammengestellt. Die eigentliche Entwicklung findet über eine grafische Oberfläche statt und ist intuitiv. Gleichzeitig ermöglicht dies eine sehr schnelle und kostengünstige Anwendungsentwicklung.
Die Abgrenzung zwischen künstlicher Intelligenz und dem maschinellen Lernen findet durch den Aufgabenbereich statt, den die fertige Anwendung ausführen soll. Künstliche Intelligenz ist der Oberbegriff und Machine Learning ist ein Teilbereich davon. Systeme für das maschinelle Lernen basieren nicht auf einem spezifischen Datenset als Input. Vielmehr lernen diese aus Trainingsdaten und nutzen Algorithmen für die Vorhersage von Ergebnissen.
So sorgen die Kombination aus maschinellem Lernen und Low-Code-Plattform für dynamische und innovative Entwicklungen im IIoT-Bereich. Hier treffen die Erfahrung aus der Industrie mit der Kompetenz der IT-Entwickler zusammen. In Zusammenarbeit entstehen dann Systeme, die ganz spezifische Aufgaben in der Industrie 4.0 übernehmen. Der fachliche Input, welche Anforderungen und Aufgaben das System erbringen muss, stammen aus der Industrie. Die Entwicklung übernimmt dann ein IT-Dienstleister, wie in diesem Beispiel die InnoSEP GmbH.
Der praktischen Umsetzung der Kombination aus Low-Code und KI sind somit faktisch kaum Grenzen gesetzt. Im Bereich der Internet of Things gibt es besonders viele Einsatzmöglichkeiten. Der innovative Anschub kommt jeweils aus der Industrie selbst. Das maschinelle Lernen kann Daten ganz unterschiedlicher Quellen verwalten. In den Use Cases der InnoSEP GmbH dienen Vibrationssensoren oder Kamerabilder als Input. In Zusammenarbeit mit IT-Experten gelingt dann die Digitalisierung auf einem ganz neuen Level.
Die Entscheidung, ob maschinelles Lernen sinnvoll genutzt werden kann, wird von Fall zu Fall individuell analysiert. Wichtig ist, dass eine physikalische Detektierbarkeit vorhanden ist. Konkrete Messdaten, die von einem Computersystem ausgewertet und analysiert werden können, bilden die Grundlage für ein KI-System. Eine weitere Voraussetzung ist eine breite Dateninfrastruktur. Auf Basis umfassender Messdaten kann dann künstliche Intelligenz als Lösung implementiert werden.
Künstliche Intelligenz ist gut dafür geeignet, physikalische Parameter zu bewerten, wie sie im Internet of Things häufig vorkommen. In den Use Cases der InnoSEP GmbH sind dies beispielsweise Daten von Vibrationssensoren oder Bilder von Bauteilen in der Eingangskontrolle. Anhand der gelernten Parameter entscheidet das KI-System über die Qualität der Messdaten. Das System trifft anhand der Erfahrung eine „Gut-oder-schlecht“-Entscheidung.
In diesen Zusammenhang spielt auch Cloud Computing eine wichtige Rolle. Kerim Galal von InnoSEP erklärt, dass über Konnektoren eine direkte Anbindung zwischen der Industrie und dem IT-Dienstleister problemlos möglich ist. Über diese Schnittstellen werden die Messdaten in die Cloud übertragen und auf der Plattform von InnoSEP weiterverarbeitet. Auf Wunsch wird die Infrastruktur für die Analysen und Berechnungen ebenfalls von InnoSEP bereitgestellt. So sind die Infrastrukturanforderungen in der Industrie dank Cloud Computing gesenkt, was den Einstieg in ein solches System erleichtert.
Skalierbarkeit und Weiterentwicklung sind zwei weitere Themen, die bei diesem Ansatz wichtig sind. Oftmals ändern sich die Anforderungen im Laufe der Zeit oder die Auswertung soll komplexer und umfangreicher werden. Hier kommen wieder die Vorteile einer Low-Code-Plattform zum Tragen. Da die Entwicklung mit Low-Code relativ einfach ist, kann der Kunde aus der Industrie selbst Hand an der Anwendung anlegen. Auf diese Weise können neue Features hinzugefügt werden oder die Datenmodellierung wird vorangetrieben. In der Regel sind dies fortlaufende Prozesse, da kaum ein System direkt alle gewünschten Funktionen bereitstellt. Datenvalidierung, Feedback und Feintuning sowie Weiterentwicklung sind iterative Prozesse, die auch über einen längeren Zeitraum nach der Einführung anhalten können.
Die zukünftige Entwicklung von KI und Low-Code wird die Digitalisierung und Automatisierung im Bereich Internet der Dinge noch weiter vorantreiben. Über ein Edge Device sind Anbindungen in Bereiche möglich, die mit der IT auf den ersten Blick sehr wenig zu tun haben. Der CEO von InnoSEP spricht einen Use Case an, in dem die Gesundheit von Nutztieren mit maschinellem Lernen bewertet und vorhergesagt wird. In diesem Zusammenhang dienen die IT-Technologien als Werkzeuge, die in Zusammenarbeit mit Fachexperten aus der Industrie auf die jeweiligen Aufgaben angepasst werden. So hat maschinelles Lernen das Potenzial, eine Schlüsseltechnologie der Zukunft zu werden.
Mehr zu diesem Umsetzungspartner
„Be your own Data Scientist” – Mit unserer Machine Learning Plattform vereinen wir Datenverarbeitung, Fachwissen und Künstliche Intelligenz und ermöglichen „Code-Free“ Machine Learning für die Industrie und das wissenschaftliche Umfeld zur Beschleunigung Ihrer Unternehmensprozesse. Die Anwendung von Künstlicher Intelligenz ist aktuell nur Data Scientists oder Spezialisten mit Programmierkenntnissen und Expertise in den Bereichen Machine und Deep Learning vorenthalten. Jedoch ist der Bedarf an spezifischen und skalierbaren Data Analytics Lösungen in technischen und wissenschaftlichen Fachabteilungen sehr hoch und das dazu erforderliche Fachwissen vorhanden. Zudem ist es nicht möglich für jedes Unternehmen Ihre Fachkräfte zu Data Scientists auszubilden oder ein eigenes Data Science Team intern zu bilden. So ist unsere Vision eine Brücke zwischen Fachwissen und angewandtes Machine Learning zu realisieren. Die Lösungen aus unserer Machine Learning Plattform können in Ihre Infrastruktur integriert und sind branchenübergreifend und für vielfältige industrielle Anwendungen einsetzbar. Seit der Gründung im Jahr 2016 werden für Premium-Kunden, u. a. aus Automotive und Automatisierungstechnik, Projekte im Bereich Predictive Maintenance, Anomaly Detection und Pattern Recognition in der Qualitätssicherung umgesetzt.
Sie suchen weitere Infos zum Use Case oder wollen Ihren Use Case bewerben? Sprechen Sie mich gerne direkt an.
Ing. Madeleine Mickeleit
Digital Business Development | IIoT
