Daten sind das Öl des 21. Jahrhunderts. Zusätzlich zu Boden, Kapital und Arbeitskraft werden Daten zunehmend zum Produktionsfaktor. Sie ermöglichen Kosteneinsparungen und neue Geschäftsmodelle. Die zunehmende Herrschaft der Daten und die daraus resultierende Änderung im Bearbeitungsablauf von „Algorithmen -> Daten -> Entscheidungen” zu „Daten -> Algorithmen -> Entscheidungen“ ist die Basis der gerade stattfindenden Revolution.
Seit dem ersten programmierbaren Chip – dem Intel 4004, der 1971 auf den Markt kam – gingen Unternehmen bei der Entwicklung ihrer Software nach folgendem Schema vor: Sie definierten das Problem, bestimmten die zu erreichenden Ziele und legten die notwendigen Arbeitsschritte fest. Schließlich schrieben sie die Anwendung als eine Abfolge von Algorithmen.
In der Praxis wurden die Algorithmen mit Daten gefüttert und Anwender trafen auf deren Basis Entscheidungen. Diese Vorgehensweise ändert sich momentan strukturell: Im ersten Schritt werden zunächst die Daten gesammelt und im zweiten Schritt mittels allgemeingültiger Algorithmen analysiert. Auf Basis der daraus resultierenden Kausalitäten trifft heute ein Mensch Entscheidungen zur Produktionsoptimierung; morgen übernehmen dies Algorithmen.
Maschinelles Lernen gibt Computern die Fähigkeit zu lernen
Ohne Algorithmen des maschinellen Lernens würden schon heute wichtige Teile unserer Geschäfts- oder Konsumentenwelt stillstehen. Algorithmen entscheiden innerhalb von Millisekunden, ob ein Kunde am Automaten Geld ausbezahlt bekommt. Sie erkennen die Gesichter unserer Freunde in den sozialen Medien oder bearbeiten unsere Aufgaben auf dem Smartphone. Demnächst werden sie für das autonome Fahren zuständig sein.
Dieselben Algorithmen sagen uns, wie und wo wir unsere Produktion optimieren können, solange wir sie mit den dafür relevanten Daten füttern. Bei der Produktionsoptimierung geht es darum, auf Basis von Daten einer normal funktionierenden Maschine oder Anlage zu erkennen, was bisher nicht eingetroffen ist, nämlich ein Störungsfall.
Bereits 1959 definierte der US-amerikanische Informatiker und Computerpionier Arthur Samuel „machine learning” als ein Studiengebiet, welches „Computern die Fähigkeit gibt, zu lernen, ohne dazu vorher explizit programmiert worden zu sein“. Anders als bei klassischen Applikationen nimmt das maschinelle Lernen seine Lösung nicht direkt aus dem von Menschen geschriebenen Software-Code. Das Wesen des maschinellen Lernens ist, dass ein Muster existiert, welches wir nicht mathematisch festhalten können aber welches durch Algorithmen auf Basis von Daten gefunden werden kann.
Dabei lassen sich die Algorithmen mit Lösungskategorien füttern und der Algorithmus mit der Entscheidung beauftragen, welche Kategorie zukünftige Daten repräsentieren sollen („supervised learning“). Alternativ überlässt man es dem Algorithmus, selbst Muster oder Cluster zu finden, die dem Mensch bis dato nicht bekannt waren („unsupervised learning“).
Datenbasierte Produktionsoptimierung vor Ort
Die Menge, Geschwindigkeit und Vielfältigkeit der heute anfallenden Daten übersteigt die Fähigkeiten des Bedienpersonals und verlangt nach neuen, datenbasierten Ansätzen. Vorausschauende Wartung zielt darauf ab, den großen Teil der nicht-altersbedingten Ausfälle zu reduzieren und so die Anlagenleistung zu erhöhen.
Algorithmen des maschinellen Lernens sagen den Ausfall konkreter Anlagenteile voraus. Das ermöglicht eine bedarfsgerechte Wartung spezifischer Teile zu produktionsfreien Zeiten, bevor es zum Ausfall kommt. Bei der klassischen Reihenfolge „Algorithmen -> Daten -> Entscheidungen” kann die Gesamtanlageneffektivität (GAE) nicht besser sein als der Mensch, der sie programmiert hat. Algorithmen des maschinellen Lernens, angewendet auf große Mengen an Produktionsdaten, können dagegen Kausalitäten finden, welche die GAE verbessern und dem Anlagenbetreiber bis dato verborgen waren.
Viele Entscheidungsträger haben ein mulmiges Gefühl bei der Idee, ihre Produktionsdaten nach außen in die Cloud zu geben. Alternativ dazu kann mit einer „edge“-Lösung auf einem Standard-IPC direkt in der Anlage beziehungsweise an der Maschine, an der die Daten anfallen, die Sicherheit verbessert werden. Das Ziel der gesamtheitlichen Verbesserung von Verfügbarkeit, Leistung und Qualität ist nicht neu. Neu ist der datenbasierte Ansatz mittels maschineller Lern-Algorithmen, wenn gewollt in der Anlage.
