Folge 7_Dr. Julius Pfrommer (Fraunhofer IOSB) – KI in der industriellen Produktion

00:00:00: Bevor es mit der Folge losgeht, ein kleiner Hinweis in eigener Sache.

00:00:08: Die aktuelle Folge wurde in einem Livestream aufgenommen.

00:00:12: Leider gab es hier ein kleines technisches Problem, was erst im Laufe der Folge bemerkt

00:00:17: wurde.

00:00:18: Deshalb ist die Audioqualität in der ersten Hälfte nicht so gut wie gewohnt.

00:00:23: In der zweiten Hälfte wurde der Fehler bemerkt und behoben, sodass ihr dann den Rest in der

00:00:28: gewohnten Qualität hören könnt.

00:00:30: Wir hoffen, ihr verzeiht uns das und euch macht die aktuelle Folge trotzdem viel Spaß.

00:00:36: Hallo und herzlich willkommen zum KI Podcast präsentiert vom Hupwerk 01.

00:00:44: Verständlich für alle klären wir große und kleine Fragen rund um das Thema künstliche

00:00:49: Intelligenz.

00:00:50: Wir wünschen dir viel Spaß.

00:00:53: Hallo, ich weiß nicht, ob Sie mich alle hören.

00:00:59: Herzlich willkommen hier zum Live Podcast, dem KI Podcast des Hupwerk 01.

00:01:06: Wir sitzen in Bruchsal des Hupwerk 01 und kann ich einmal kurz in den Chat.

00:01:12: Sind wir hörbar?

00:01:13: Sind wir online?

00:01:14: Ja, wunderbar.

00:01:15: Danke schön für die Rückmeldung.

00:01:18: Genau, unseren KI Podcast im Hupwerk 01.

00:01:23: Hallo zusammen.

00:01:24: Machen wir im Rahmen unseres KI Projekts hier und bevor wir jetzt direkt starten mit dem

00:01:29: Gast hier, kurz ein paar Worte zum Podcast.

00:01:32: Der Podcast wird gerade vorberotiziert, wird in den nächsten Wochen erscheinen.

00:01:37: Wir nehmen gerade die sechste Folge auf und dann wird er alle zwei Wochen erscheinen.

00:01:42: Er konzipiert das Thema KI aus verschiedenen Blickwinkeln, sei es aus Unternehmersicht,

00:01:49: sei es aus Usersicht.

00:01:51: Wir haben schon ganz unterschiedliche Gäste hier und werden auch noch unterschiedliche

00:01:55: Gäste hier haben.

00:01:57: Einfach die KI so zu beleuchten, ganz niederschwellig, dass einfach jemand, der noch nichts damit

00:02:02: zu tun hatte oder KI nur so vom Hörensaum kennt, einfach die Chance hat, KI greifen

00:02:10: zu können.

00:02:11: Was kann man damit machen?

00:02:12: Wie kann man es anwenden?

00:02:13: Das als Vorwort zum KI Podcast an sich.

00:02:16: Und genau, jetzt starten wir.

00:02:19: Ich habe heute zu Gast den Dr. Julius Frommer.

00:02:23: Der Dr. Julius Frommer arbeitet im Fraunhofer IOSB und das Fraunhofer widmet sich seit

00:02:31: Jahren der Spitzenforschung in den Bereichen Obtronics, Systemtechnik und Bilderauswertung.

00:02:37: Dr. Frommer ist im Institut Leiter der Abteilung für kognitive industrielle Systeme, kurz

00:02:46: KISS genannt und in seiner Abteilung werden intelligente Komponenten und Verfahren für

00:02:53: flexible und ressourceneffiziente Produktion entwickelt.

00:02:57: Dazu gehört zum Beispiel der Einsatz von KI und maschinellem Lernen zur Auswertung

00:03:03: von großen Datenmengen in der Produktion und auch die Arbeit an neuen Verfahren für

00:03:08: eine intelligente und flexible Automatisierungstechnik.

00:03:12: Mit seiner Expertise unterstützt er natürlich das Fraunhofer-Institut, aber auch Unternehmen

00:03:18: und Organisation dabei technologische Innovationen zu entwickeln und erfolgreich zu implementieren.

00:03:25: So, herzlich willkommen lieber Julius.

00:03:27: Danke.

00:03:28: Ja, schön, dass du da bist.

00:03:30: Ist der Julius auch hierbar?

00:03:31: Kann ich da auch einmal kurz eine Rückmeldung im Chat haben?

00:03:34: Julius magst du gerade nochmal Hallo sagen?

00:03:36: Ja, ich habe ein paar Fragen alle.

00:03:39: Da regt sich gerade.

00:03:41: Ja, auch hierbar.

00:03:42: Wunderbar.

00:03:43: Vielen Dank.

00:03:44: Genau, Julius, bevor wir jetzt über deine Abteilung sprechen, über das KISS, magst

00:03:49: du einfach kurz ein paar Worte zum Fraunhofer-USB allgemein sagen und dann gerne auch was

00:03:57: du im Detail speziell mit deiner Abteilung im KISS machst?

00:04:02: Ja, ein Fraunhofer ist sehr, sehr groß.

00:04:07: Es sind über 60 Institute in Deutschland und Fraunhofer ist ein Inselgruppe mit vielen

00:04:15: Instituten, die auch nochmal eine gemeinsame Verwaltung haben mit München, aber jedes

00:04:20: Institut für sich hat nochmal ein paar Spezialitäten und auch ein Institutlater, der für diese

00:04:25: Spezialitäten steht.

00:04:26: Und in Karlsruhe des IOSB hat auch anderen Standorten, Standorte, hat seine Spezialitäten im Titel

00:04:37: Obtonungssystemtechnik und Bildauswertung und ich stecke dort in dem Zweig der Systemtechnik

00:04:44: und mit der Spezialisierung KI, kognitive Systeme, ideologische Systeme in industriellen

00:04:52: Anlagen, insbesondere Produktionsanlagen.

00:04:54: Wir sitzen hier in Karlsruhe, wir sitzen in der Forschungsfabrik.

00:04:58: Die Forschungsfabrik ist ein Gebäude, das ist ein Gemeinschaftsbau zwischen KIT, der

00:05:05: Universität in Karlsruhe und der Fraunhofer-Gesellschaft mit zwei Instituten und dort haben wir eine

00:05:11: Fläche, das sind etwa anderthalb Pausenvertreibungen, die wir als Fraunhofer-USB gespielen und das

00:05:17: ist eine Spielwiese, klingt so ein bisschen despektierlich, aber das ist unsere Umgebung,

00:05:22: wo wir unter realistischen Bedingungen im großen Maßstab industrielle Prozesse aufbauen,

00:05:28: instrumentieren, also Sensorik und Aktorik zusätzlich eingeben, um die Blackbox Transparenz

00:05:33: zu machen und um dann dieses Thema zu verstehen und an die Kandare zu nehmen, dass sie die

00:05:39: Dinge tun, die wir von ihnen verlangen, zum Beispiel Qualität bei niedriger Ressourcenverbrauch

00:05:43: zu produzieren.

00:05:44: Okay, und jetzt beschäftigt ihr euch ja mit vor allem KI in der Produktion, kannst du

00:05:50: da vielleicht mal, und du hast gerade schon die Spielwiese angesprochen, kannst du vielleicht

00:05:55: mal ein paar ganz typische Probleme nehmen, vielleicht auch so Use Cases, die ihr da bearbeitet,

00:06:03: was KI einfach in der Produktion jetzt schon löst und woran ihr arbeitet, was vielleicht

00:06:10: auch zukünftig möglich sein wird.

00:06:13: Also das Thema KI in der Produktion ist nicht ganz neu, sondern es gibt ganz viele Themen,

00:06:19: die schon lange Vergangenheit haben.

00:06:22: Produktionsplanung wird zum Beispiel, also Scheduling wird seit den 1960er Jahren gemacht

00:06:29: und es hat lange gedauert die Verfahren zu skalieren.

00:06:32: Da hat es gedauert, um an den Verfahren zu arbeiten, da hat es auch gedauert bis die

00:06:36: Rechnung schnell genug war, um heute einfach sehr, sehr gut Produktionsplanungseilgut mit

00:06:40: einsetzen zu können.

00:06:41: Andere Verfahren, die man schon ganz lange einsetzt, ist so etwas wie eine einfache

00:06:45: Regressionsanalyse.

00:06:46: Also ich habe drei Parameter an denen ich drehen kann und ich versuche diese Maschineinstellungen

00:06:52: optimal zu treffen, vielleicht noch in Abhängigkeit von der Material-Eigenschaft.

00:06:56: Und da wird schon seit vielen Jahren eben Regressionsanalysen gemacht, werden Modelle

00:07:01: gebildet, die vorher sagen können und das passiert alles schon sehr, sehr lang.

00:07:06: Was man auch schon eine Weile macht, ist zum Beispiel, vorher sagen, wann es mal zu

00:07:09: einem Produktionsausfall kommt.

00:07:11: Und was sich jetzt ändert durch diese KI-Revolution in den letzten Jahren, ist dass die Dinge,

00:07:17: die wir schon länger tun und auch tun wollen, jetzt plötzlich in einem viel, viel größeren

00:07:22: Maß starten können mit viel, viel mehr Daten und in Umgebungen, die viel unsicherer sind

00:07:28: oder viel weniger vorher sind.

00:07:30: Beispiel dafür, wir sind bei Kunden unterwegs, dort sammeln wir von 500 Sensoren die Daten

00:07:38: ein und diese, ich sage mal, Regressionsanalysen, das sind dann eben nicht drei Parameter, sondern

00:07:43: das sind sehr viele Stellgrößen, die man hat und sehr viele Maschineparameter-Sensoren,

00:07:49: die man überwachen kann.

00:07:51: Und in der Vergangenheit, wenn man ertrugt in dieser Datenflut und jetzt mit den neuen

00:07:56: KI-Verfahren und auch mit der Hardware, jetzt mit den GPUs, auf denen wir es rechnen können,

00:08:00: haben wir nochmal einen ganz anderen Hebel, um mit dieser Datenflut umzugehen und um auch

00:08:05: mehr Daten nutzbringend einsetzen zu können.

00:08:07: Also die Daten nicht einfach nur wegzuschreiben und vielleicht ein Mittelwert auszurechnen,

00:08:13: sondern um wirklich tief in diese Daten einzutauchen und auch in das Rauschen, das in diesen Daten

00:08:18: drinsteckt, einzutauchen, um dann eben aus dieser Riesen-Daten-Menge dann doch noch Musterstrukturen

00:08:26: Zusammenhänge rausziehen zu können.

00:08:28: Die nutzen wir dann, die setzen wir dann ein, zum einen im Rahmen der Automatisierung,

00:08:34: zum anderen aber auch in Zusammenarbeitern mit den Menschen, mit den Bediener-Riesenanlagen,

00:08:40: um Zusammenhänge transparent zu machen oder um auf Gegebenheiten hinzuweisen, die der

00:08:44: Bediener dann aber nochmal an Detail anschauen muss, weil er vielleicht nochmal einen Hintergrund

00:08:49: wissen hat, dass wir noch nicht in unserer Daten haben, wie zum Beispiel, was er sich,

00:08:54: umbau der Anlage der Stadt gefunden hat, was dann in den Daten vielleicht noch nicht repostiert.

00:08:58: Du meinst gerade, dass jetzt ja viel mehr Daten zur Verfügung stehen und gewonnen werden.

00:09:06: Jetzt braucht man ja aber neben der GPU, also neben Rechenleistungen, neben der Infrastruktur

00:09:14: bräuchte man ja auch, also wie wertet ihr das aus?

00:09:17: Kommt da dann KI jetzt zum Einsatz oder was genau macht jetzt die KI?

00:09:22: Oder wie setzt ihr die KI jetzt da ein?

00:09:25: Ja, also heute wird ja an vielen Stellen die künstliche Intelligenz und das maschinelle

00:09:30: Lernen gleichgesetzt.

00:09:31: Ist nicht so, es gibt auch KI Verfahren, die müssen nicht lernen, weil wenn man schon

00:09:35: alles weiß, wenn das Modell schon alles kennt, um dann zum Beispiel eine Routenplanung zu

00:09:40: machen, dann ist da keine Mail drin, ist es aber trotzdem irgendwo Intelligenz.

00:09:45: Magst du vielleicht gerade, sorry, wenn ich unterbreche für die Zuhörenden nicht nur die Live Zuhörenden,

00:09:51: sondern dann auch viele die anderen, kurz mal den Unterschied ganz grobe klären zwischen

00:09:55: maschinellem Lernen und KI, wenn das geht, in kürz...

00:09:59: Also der Begriff der künstlichen Intelligenz ist umstritten.

00:10:03: Das Thema gibt es seit den 1950er Jahren.

00:10:07: Im Prinzip versucht man menschliche Intelligenz nachzustellen und was das bedeutet, was Intelligenz

00:10:16: bedeutet, das hat sich immer weiter verschoben.

00:10:18: Am Anfang war man sehr zufrieden, wenn die künstliche Intelligenz so gut schach spielen

00:10:23: konnte, wie ein Mensch.

00:10:24: Heute kann die KI viel besser schach spielen als ein Mensch und man hat aber die Definition

00:10:29: verschoben und gesagt, ja aber das ist ja gar nicht kreativ und Intelligenz muss ja auch

00:10:33: irgendwo kreativ sein.

00:10:34: Und dann in Asien wurde lange gesagt, dass die Go-Spieler, die dieses Brett Spiel Go

00:10:41: sehr gut beherrschen, dass die nicht nur Glaubenkopf sind, sondern dass sie auch eine gewisse Weisheit,

00:10:45: eine gewisse Weltphilosophie mitbringen und dieses Spiel gut spielen zu können.

00:10:50: Und deswegen war man dort auch erstaunt und nicht immer positiv, als dann plötzlich der

00:10:58: Weltmeister in Go offender KI geschlagen wurde.

00:11:00: Jetzt haben wir wieder den Zielfrosten verschoben und haben gesagt, ja aber das ist ja nun

00:11:06: Spiel und tatsächlich Intelligenz ist aber noch was anderes.

00:11:11: Aber die KI kann ja kein Abi bestehen.

00:11:14: Und 5 Jahre später, JetGPT tritt auf den Pan, kann heute ein Abi-Klausur schreiben und so

00:11:19: auch das ein Leer sagen würde, ja hat er mal zumindest bestanden.

00:11:22: Jetzt verschieben wir wieder den Zielfrosten.

00:11:24: Von daher, Künstlerintelligenz, wie ist der Versuch menschliche Intelligenz zu reproduzieren?

00:11:31: Man ist dann noch nicht.

00:11:34: Da wird auch noch unterschieden zwischen Schwacher und Scharker KI oder auch AGI, Artificial

00:11:42: General Intelligenz und ja da ist man weiterhin auf dem Weg und irgendwann hat man vielleicht

00:11:49: auch den Punkt erreicht, dass das meiste was der Mensch kann, der Computer auch irgendwo

00:11:53: reproduzieren kann.

00:11:54: Tatsächlich haben wir aber eher derzeit hauptsächlich, ich sag mal künstliche Papageien entwickelt,

00:12:01: die einem nachplappern können und die vielleicht auch Sätze sinnvoll umstellen können, die

00:12:06: meisten Dinge aber vor allem deswegen beherrschen, weil sie alles geschriebene Wissen der Welt

00:12:10: schon mal gesehen haben.

00:12:11: Aber das was wir über das bereits geschriebene Wissen hinausgehen, quasi den Meister zu

00:12:17: übertreffen, da sind wir noch nicht.

00:12:20: Und das manche Lernen, jetzt im Vergleich zu KI, bedeutet, dass ich aus Daten Zusammenhänge

00:12:30: erschließe und dann Modelle-Bilde in die gewisse Andermine einfließen habe, die Modelle

00:12:37: ergeben sich vor allem aus den Daten die man ihnen vorsetzt.

00:12:40: Das kann zum Beispiel sein ein gutes und schlechtes Produkt zu unterscheiden auf einem Bild oder

00:12:46: das kann auch sein aus einem Audio Aufnahme den Text rauszulesen, zum Beispiel bei Podcast

00:12:53: hier so eine Transkirierung zu machen.

00:12:55: Und KI und ML sind heute fast identisch in der öffentlichen Diskussion, weil die meisten

00:13:03: KI-Modelle mit einem Wow-Effekt eigentlich im Hintergrund Daten getrieben erzeugte Modelle

00:13:12: verwenden.

00:13:13: Beim Großspiel hat man einfach viele historische Spiele gehabt für die ersten Varianten und

00:13:19: dann später hat man gesagt, okay dann lass mal die KI einfach gegen sich selber spielen

00:13:22: und dann können wir nochmal mehr Daten einfach generieren und letztlich trifft man häufig

00:13:31: Hybride an, wo man Daten getriebene Modelle hat und darauf aufsetzen noch Optimierungsverfahren

00:13:36: und die dann Varianten austesten oder die über einen gradienten Abstieg jetzt wird es technisch

00:13:43: versuchen ein Maximum zu finden im Lösungsraum.

00:13:47: Und im Allgemeinen kann man so eine Hierarchie sich darstellen mit KI als Überbegriff Machine

00:13:56: Learning, man hat mal schnelles Lernen, ist dann quasi ein innerer Kreis und dann haben

00:14:00: wir noch mal das Deep Learning, nämlich die noch an all Netze, die sind dann der, nochmal

00:14:03: eine Untermenge von Maschinen im Lernen und sehr viel vom heutigen Fokus liegt auf diesen

00:14:10: Deep Learning Modellen, die nicht nur versuchen das menschliche Verhalten irgendwo zu replizieren,

00:14:16: sondern die auch geologisch inspirierte Ansätze, nämlich die Ansätze mit der künstlichen

00:14:21: noch an all Netze verwenden um solche Päle zu finden.

00:14:24: Okay, so danke für diese kurze Einordnung, dann jetzt wollte ich nämlich eigentlich

00:14:32: gar nicht unterbrechen, nochmal zurück zu, wie ihr die KI einsetzt in diesen Daten auswerten

00:14:39: und dann eure Produktionen auf der Spielwiese zu optimieren sozusagen.

00:14:44: Also die KI kommt tatsächlich auch schon zum Einsatz, wenn wir die Daten erstmal initial

00:14:52: auswerten, nämlich wenn wir versuchen, uns ein Bild der Lage zu schaffen und quasi wenn

00:14:59: wir 500 Sensorwerte mit irgendwie kontinuierlichen Zeitreihen einsammeln, dann sucht man die

00:15:05: Nadel eben wo er hopfen und quasi im ersten Schritt kann einem die KI schon mal helfen

00:15:11: zu sagen, okay das hier sind Zusammenhänge, diesen muss sollte man sich mal im Detail

00:15:14: anschauen.

00:15:15: Die KI kann einem auch helfen, erstmal die Daten überhaupt in eine Form zu bringen,

00:15:20: die man für ein Training nämlich für das Erlernen dieser ML Modelle nutzen kann.

00:15:25: Wenn ich solche Mengen von Sensoren habe in einer Umgebung, die heiß ist, die vielleicht

00:15:31: rüttelt, in der es viel mechanischen Einfluss gibt, wo es staubig ist und so weiter, da

00:15:41: geht immer mal ein Sensor kaputt.

00:15:43: Das heißt, wenn wir einen längeren Zeitraum betrachten, haben wir eigentlich nie ein komplettes

00:15:46: Bild, es irgendein Sensor ist immer kaputt.

00:15:48: Und die KI kann uns helfen zum Beispiel, in Portion zu betreiben, nämlich quasi die Lücken

00:15:54: zu füllen.

00:15:55: Wie können wir sinnvoll die Lücken füllen?

00:15:56: Weil die Lernverfahren, die dann flussabwärts eingesetzt werden, also quasi in der Erfahrarbeitungskette,

00:16:04: häufig das vollständige Bild erwarten, das wir dann aber eigentlich gar nicht haben.

00:16:08: Also immer wichtig zu verstehen was die KI dann leistet oder auch den Zuhörenden näher

00:16:13: zu bringen.

00:16:14: Nehmen wir an, ihr hättet jetzt keine KI zur Verfügung, die euch hilft.

00:16:19: Wie würde man dann mit den Lücken umgehen oder was bräuchte es für einen Einsatz, um

00:16:23: die trotzdem zu füllen?

00:16:25: Also diese Lücken, die kann man auch erstmal mit Reihenstandhistischen Verfahren füllen.

00:16:32: Die Frage ist, wie viel man sich dadurch kaputt macht.

00:16:34: Und ob man in der Lage ist, nachzuvollziehen, dass man jetzt hier quasi halluciniert hat,

00:16:40: dass man jetzt hier Daten aufgefüllt hat und dass man das, das möchte man idealerweise

00:16:45: durchziehen, um nämlich die Vorhersagen, die man hinterher trifft, mit einer Konferenz

00:16:49: versehen zu können.

00:16:50: Um sagen zu können, nie wir sind hier in einem Bereich, da waren die Daten nicht vollständig,

00:16:55: da geht vielleicht so diese spannenweite der Vorhersagen auf, um Empediener zum Beispiel

00:17:02: zu signalisieren, wir sind uns nicht ganz sicher in unserer Hersage.

00:17:05: Versus, ein Bereich in den Modellen, wo eine sehr gute Datenlage existiert und wo wir

00:17:11: deswegen dann mit einer höheren Konfidenz vorhersagen können, was passiert.

00:17:15: Und jetzt will ich endlich die Frage beantworten, was machen wir dann eigentlich mit der KI,

00:17:19: also was setzen wir die ein?

00:17:21: Zum Beispiel, um in der Produktion Produkteigenschaften fährt, zu sagen.

00:17:26: Also da gibt es dann ganz viele Einflussgrößen.

00:17:30: Es gibt zum Beispiel von den Edukten, also vom Eingangsmaterial in so einem Prozess,

00:17:35: kann das sein, dass das bestimmte Schwankung unterliebt, insbesondere bei einem Naturprodukt,

00:17:40: wie zum Beispiel Holz.

00:17:42: Und dann haben wir den Zustand dieser Anlagen, also wie heiß ist die Anlage oder wie ist

00:17:48: der Verschleißzustand der Anlage?

00:17:50: Es gibt externe Einflüsse wie die Außentemperatur oder die Luftfeuchtigkeit.

00:17:54: Es gibt ganz viele Einflüsse, die sich am Schluss in einer Produktqualität oder in

00:17:59: Produkteigenschaften, die da rauskommen, die da schlagen.

00:18:02: Und das haben in der Vergangenheit die Bediener über viele Jahre Erfahrung, er lernt unheimlich

00:18:09: im Gespür.

00:18:10: Und die wissen, okay, gestern waren gewitter, da müssen wir heute die Anlage ein bisschen

00:18:15: anders einstellen.

00:18:16: Und dieses Wissen ist häufig nicht irgendwie aufgeschrieben, sondern die Bediener wissen

00:18:23: es einfach und reden da auch in der Kaffe brauset rüber.

00:18:26: Und wenn jetzt aber in der Nachtschicht, niemand da ist, der diese Erfahrung hat oder wenn

00:18:32: es quasi ein Generationenwechsel gibt, wenn jemand in Rente geht und der Nachfolge hat

00:18:36: nicht diese Erfahrung, oder wenn wir dieselbe Anlage irgendwo in Asien noch mal aufbauen,

00:18:41: dann kann das eigentlich überhaupt niemand mit dieser Erfahrung, auf den ich dort Zugriff

00:18:45: habe.

00:18:46: Und dann kann es sein, dass man eben Prozesse, die eigentlich beherrscht sind, plötzlich

00:18:52: quasi mangel der Erfahrung Geld verlieren.

00:18:56: Weil ich einfach ständig Ausschuss produziere oder dann auch anfangen, sehr konservativ

00:19:02: zu agieren oder dann zum Beispiel lieber mit mehr Materialarbeit, lieber mehr Kleberverwende

00:19:08: und so weiter, das Wort, damit ich hinterher mir sicher bin, okay, es hält.

00:19:11: Und dabei habe ich aber eigentlich Geld liegen lassen.

00:19:13: Und dann lassen sich diese Wissenslücken eben durch die KI fliegen.

00:19:17: Genau.

00:19:18: Und als eben in diesen sehr, sehr großen Datenmengen und diesen sehr hochdimensionalen Datenmengen

00:19:23: einfach durch die Anzahl der Datenpunkte doch arbeiten können, haben wir die Möglichkeit,

00:19:29: Unterstützungssysteme zu schaffen, die dann zum Beispiel den Bediener sagen, hey, guck

00:19:32: mal her, wie glauben du, kannst du dir ein bisschen Geld sparen?

00:19:35: Und dieses bisschen Geld im Industriell-Master wird dann sehr schnell sehr viel Geld.

00:19:40: Ja, okay.

00:19:41: Ich möchte noch mit dir über das Thema Prototypen sprechen, gerne.

00:19:47: Und zwar, es gibt ja sehr viele Prototypen oder viele Prototypen werden entwickelt,

00:19:53: aber oft scheitert es dann daran, den Prototyp in die Serienreife zu überführen oder irgendwo

00:20:00: einzuführen, also in eine langfristige operative Lösung zu überführen.

00:20:04: Ja.

00:20:05: Daran arbeitet er ja auch.

00:20:08: Warum ist es so, was denn hier die Schwierigkeiten und also vom erfolgreichen Prototyp zur operativ

00:20:16: langfristigen Lösung zu kommen und wie können die da helfen?

00:20:21: Ja, tatsächlich ist es so, dass in vielen Unternehmen quasi die erste Welle von KI-Initiativen,

00:20:27: die ist schon durchgerollt.

00:20:28: Ja.

00:20:29: Und das sind dann Prototypen entstanden und alle waren irgendwie total happy und Vorstand

00:20:35: konnte erzählen.

00:20:36: Wir machen jetzt auch KI und wenn man dann mit einem Jahrabstand oder zwei Jahrenabstand

00:20:43: nochmal vorbeikommt und sagt, na und wie sieht es denn aus, an vielen Stellen hat es

00:20:48: dann leider auch geendet mit den Prototypen und das liegt zum einen daran, dass es schwierig

00:20:53: ist, über den Prototypen hinauszugehen und das hat aber auch menschliche oder soziale

00:20:59: Gründe.

00:21:00: Es ist auch einfach, den Sieg zu erklären, zu sagen, okay, wir haben ein Prototyp gemacht

00:21:06: und der hat die Vorhersage Kraft XY.

00:21:09: Letztlich muss es aber auch sich wirklich auf Unternehmenskennzahlen unterbrechen lassen,

00:21:16: dass man den Hebel hat und sagt, okay, nicht nur haben wir hier jetzt irgendwie ein tolles

00:21:19: Modell, was vorher sagen kann, sondern wir haben hier ein Werkzeug, das den Bediener

00:21:24: hilft oder wo wir Tätigkeit automatisieren können, wo wir vielleicht auch einen strategischen

00:21:29: Vorteil darüber bekommen, als Unternehmen, weil wir zum Beispiel für neues Produkt

00:21:34: schneller am Markt sein können, weil uns die KI geholfen hat, irgendwie den Prozess

00:21:38: richtig angestellt.

00:21:39: Und wenn man diesen Hebel und diesen Vorteil hinterher für die Unternehmenskennzahlen

00:21:46: nicht darstellen kann, dann hilft er auch, der AVKI in Prototypen nichts, weil über den

00:21:52: Prototypen hinauszugehen und in den Betrieb zu gehen ist nochmal auffallt und auch im

00:21:57: Betrieb zu bleiben ist nochmal auffallt.

00:21:59: Der KI bringt ein bisschen Komplexität mit einfach von den Systemen, die man dann zusätzlich

00:22:05: eben hat und die man auch quasi in Zymkondensation halten muss, zu dem was quasi in so einer

00:22:10: Fabrik passiert.

00:22:11: Und eher wenn sich das nicht lohnt, dann hört man irgendwann damit auf.

00:22:16: Wir haben festgestellt, wenn man es richtig macht und die Kernprobleme adressiert, dann

00:22:25: werden da auch größere Budgets für frei.

00:22:27: Aber das muss man identifizieren.

00:22:29: Also Problem könnte zum Beispiel sein, was ist die OEE?

00:22:32: Was ist so übers Jahr gesehen, die Maschinauslastung zu wie viel Prozent der Zeit lief den die

00:22:38: Anlage wirklich?

00:22:39: Wenn man da feststellt, wir sind so bei 60 Prozent, wir werden aber lieber bei 85 Prozent,

00:22:44: haben wir einen Hebel, um da hochzukommen.

00:22:47: Und dann von so einer Fabrik, die die Auslastung um 25 Prozent zu erhöhen, wenn man das dann

00:22:52: umrechnet, irgendwie in die Kennzahlen, was kostet der Betrieb von so einer Fabrik

00:22:55: übers Jahr?

00:22:56: Dann hat man plötzlich einen riesen Hebel, wo sich KI-Projekte rechnen.

00:23:00: Okay.

00:23:01: Das heißt, das braucht dann aber eine gute Vorbereitung erstmal, um eben diese Systeme

00:23:10: zu implementieren.

00:23:11: Also, einen Proofaufkonzept zu machen, das kriegt man heute relativ gut hin.

00:23:17: Je nachdem wie die Daten lag ist.

00:23:19: Also, wenn Daten schon gut erhoben werden, dann kann man da ein bisschen Zeit verbringen,

00:23:25: die die Begelle rechnen, muss der Fläch auch keine Nonalgrüten erfinden, sondern kann

00:23:28: quasi die bestehende Toolkiste reingreifen und sagen, okay, wir verwenden jetzt mal ein

00:23:34: Norden alles Netz für Aufgabe ABC und zum Prototypen oder zum Proofaufkonzept kommt

00:23:42: man da relativ schnell.

00:23:43: Und das ist für uns aber meistens eine Potenzialanalyse.

00:23:48: Und mit dieser Potenzialanalyse, die dann das Potenzial entweder zeigt oder verwirft,

00:23:54: geht man dann zum Management und kann sagen, okay, wir haben eine ganz tolle Idee, wir

00:23:58: würden jetzt diesen Proofaufkonzept gerne industrialisieren, würden es gerne in den langfristigen Betrieb

00:24:02: reinbringen.

00:24:03: Und dann kommt noch mal relativ viel Arbeit und dann braucht man diesen Hebel, wo man

00:24:10: sagt, okay, wir können hier x, y Prozent Verwässerung erreichen und deswegen brauchen wir jetzt

00:24:16: einen einen jetzigen Budget und ich kann über also mit Unternehmen, die wir schon länger

00:24:23: kennen, mit denen wir jetzt auch den Sprung schon gemacht haben vom Prototypen in den

00:24:29: Dauerbetrieb, teilweise bauen die dann richtig nochmal Teams auf und sagen, okay, in die

00:24:36: Richtung, in die Kerbe wollen wir jetzt schlagen, wir haben hier einen Hebel, das ist für uns

00:24:39: interessant, das ist vielleicht auch für unsere Kunden interessant, aber wenn es vielleicht

00:24:42: ein Maschinenhersteller ist, der dann eigentlich sehr viel Stück Zahlen von dieser Maschine

00:24:47: ausliefert oder weltweit im Einsatz hat und dann müssen diese Systeme auch aufgebaut

00:24:53: werden, müssen dann aber auch gepflegt werden, wenn sie mal in Betrieb sind und das ist dann

00:24:57: auch ein passender Thema.

00:24:58: Wer kann es machen oder machen wir ein neues Team, wo ist das aufgehängt in den Unternehmen,

00:25:03: teilweise wenn ihr dann auch nochmal neue Revenue Ströme, der euch erzeugt, wenn ich plötzlich

00:25:07: nicht nur Maschine verkaufe, sondern auch eine Dienstleistung, nämlich dieses KI System,

00:25:12: das dann irgendwie gewartet und gepflegt wird über die Zeit und da es werden dann strategische

00:25:17: Themen in den Unternehmen und da gibt es dann auch nicht die eine Antwort für alle.

00:25:22: Okay.

00:25:23: Und von was für Prototypen sprechen wir jetzt da bei den Unternehmen, die ihr betreut oder

00:25:28: die ihr auch mit den ihr testet und forscht?

00:25:31: Ja, also das Beispiel der Qualitätsvorhersage, das ich vorhin genannt habe, das ist ein Beispiel

00:25:40: mit einem Industriekunden, über den kann ich auch sprechen, wie viel man als tiefen Bacher

00:25:43: da kann man mal anrufen und fragen, wie sie ihn gefallen hat oder was sie heute damit

00:25:46: tun, die sind tatsächlich den Sprung gegangen von dem Forschungsprojekt mit einem Beruf

00:25:52: auf Konzept bis jetzt zu einer Produktifizierung und dort geht es um Qualitätsvorhersage und

00:25:58: Anomalievorhersage als Werkzeug für die Bediener und das ist heute weltweit in den verschiedenen

00:26:03: Standorten im Dauereinsatz.

00:26:06: Okay.

00:26:07: Und andere Beispiele sind im Produktionsanlauf.

00:26:11: Ich kann nicht überall in meiner Kunden sprechen, einfach weil viele Unternehmen nicht gerne

00:26:16: über Qualitätsprobleme sprechen, wie sie vielleicht haben.

00:26:20: Aber was wir ja mit viel Potenzial verbunden sehen ist, dass man, wenn man eine neue Anlage

00:26:31: in Betrieb nimmt, nicht erstmal im Labormaßstab das Ganze ausoptimiert und erst wenn man im

00:26:36: Labormaßstab alles perfekt verstanden hat, dann in die große Skala geht, weil bis dann

00:26:41: haben die Chinesen den Markt längst erobert, sondern dass man auch mal, dass man schneller

00:26:46: in den industriellen Maßstab geht, da auch erstmal vielleicht eine höhere Ausschussrate

00:26:50: in Kauf nimmt und aber seine Anlagen so konstruiert, dass man quasi im laufenden Betrieb, im großen

00:26:56: Maßstab die ganzen Hebel hat, die man braucht, um das Ganze nochmal in die Kandache zu nehmen

00:27:00: und den Prozess richtig reif zu machen und zu beherrschen.

00:27:02: Das machen wir mit Industriepartnern, da haben wir auch gerade der Forschungsprojekt, da

00:27:07: gibt es eine DFG Forschungsgruppe hier in Karlsruhe, die wir gewonnen haben, beziehungsweise

00:27:11: wo ich als PI beteiligt bin.

00:27:13: PI ist Prinzipieninvestigator, ist ein Fachbegriff bei der DFG und damit können die Unternehmen

00:27:22: eben schneller in den Markt gehen.

00:27:24: Wir können eben sagen, wir warten nicht nochmal zwei Jahre, sondern wir gehen direkt in den

00:27:28: großen Maßstab und haben eben die Hebel, um quasi im großen Maßstab schnell viele

00:27:33: Daten zu generieren und dann den Prozess an die Kandache zu nehmen mit entsprechender

00:27:38: Freiheit oder Freiheitsgraden in der Instrumentierung, in der Aktoik und auch in der Qualität der

00:27:45: Sensor, wie tief kann ich in meinen Prozess rollen schauen und inwiefern ist es vielleicht

00:27:48: noch der Glockbox.

00:27:49: Okay, bevor wir weiter zum nächsten technischen Thema, nämlich KI-Engineering, gehen noch

00:27:55: eine Frage dazu, wir sind jetzt bei der Überführung von Prototyp in den Prozess, nehmen wir an,

00:28:03: ihr arbeitet jetzt mit einem Industriepartner mit einem Unternehmen zusammen, ihr habt den

00:28:07: Prototyp, ihr habt den Proof of Concept, ihr habt die Vorbereitung gemacht, ihr habt

00:28:11: KI Systeme eingeführt. Welcher Faktor?

00:28:17: spielt dann oder welche Rolle spielt der Faktor Mensch dann? Weil KI ihn nun her, also ich

00:28:23: frage das deshalb, weil unser Podcast ja nicht nur darauf abzählt KI bisschen greifbar zu

00:28:28: machen, sondern vielleicht auch mal Probleme zu beleuten, vielleicht auch Ängste zu nehmen,

00:28:33: dies gibt also welche Rolle spielt der Faktor Mensch für das Gelingen dann dieses der Überführung

00:28:45: in Zusammenhang mit KI. Genau, um das Ganze mit dem Stichwort zu sehen, zuvor sehen, wir sprechen

00:28:51: über die Akzeptierbarkeit einer Lösung. Ist das eine Lösung, wo die Organisationen und auch

00:28:59: die individuelle Bediener sagen können, oh ja und das sind Dinge wo sich der ich sage mal

00:29:05: gemeine KI-Experte erstmal keine Gedanken drüber macht, was einem aber hinterher den Erfolg oder

00:29:11: den Misserfolg bringt. Ich möchte es mal aufteilen in diese zwei Bereiche, also was heißt eigentlich

00:29:18: Akzeptierbarkeit für die Organisation und was heißt Akzeptierbarkeit für den einzelnen

00:29:21: Bediener. Für den Bediener ist das klar, der will erstmal seinen Arbeitsalltag erleichtert bekommen

00:29:26: haben und er möchte aber nicht gefährdet sein in seiner Tätigkeit, sondern wir wollen eigentlich

00:29:31: augmentieren, wir wollen eigentlich versorgen, dass es Werkzeuge gibt durch die Bediener quasi

00:29:37: mehr Produktivität erzielen kann. Der hohe Lohn, den wir hier in Deutschland generell haben, ist

00:29:46: argumentiert über die hohe Produktivität die wir erzielen. Das heißt auch wenn der individuelle

00:29:52: Bediener eine höhere Produktivität hat, ist eigentlich aufgewertet. Gleichzeitig muss man

00:29:57: aufpassen, dass wir nicht zu viel automatisieren, sondern das muss natürlich mit einem Anstieg an

00:30:04: mehr Wert den das Unternehmen insgesamt auch erzielen kann und auch verkaufen kann irgendwie ein Hergier.

00:30:08: An der Stelle wo der Bediener glaubt, er wird jetzt hier weg rationalisiert, haben wir natürlich

00:30:14: direkt einen Antagonismus, eine Ablehnung und das ist der Tod für so ein System, weil in den

00:30:24: allerwenigen Fällen haben wir im Schluss eine abgeschlossene Blackbox, die irgendwie Dinge tut,

00:30:28: die keiner versteht, sondern fast immer ist der Mensch noch Teil von diesem Gesamtsystem.

00:30:34: Sei es so, das Bild nicht zu sagen, eure Aufgabe steht schon auch darin dem Bediener zu sagen,

00:30:40: also ich sage es ganz platt, hier das ist dein neuer Hammer, mit dem geht es einfacher sozusagen.

00:30:46: Richtig. Genau. Oder auch dem Bediener zu sagen, hey hier kannst du mehr über deinen System verstehen.

00:30:55: Das System sagt dir nicht, was du tun sollst, sondern du kannst diesen Hammer benutzen um zum

00:30:59: Beispiel an der richtigen Stelle einmal, ja gut, das mit dem Hammer, also da kann man vielleicht

00:31:07: mal den Nagel einschlagen, aber auf der einen Seite ein Hammer, auf der anderen Seite aber auch ein

00:31:11: Fernglas oder auch eine Lupe, wo man dann sagen kann, okay hier kann man jetzt mal in Detail

00:31:15: reingucken und dann vielleicht eine erstmal, vielleicht intuitive Annahme, die der Bediener

00:31:21: hat dann nochmal bestätigen und sagen ja, hat es recht, der Zusammenhang ist da, irgendwie

00:31:26: aus dem Temperatur wirkt sich aus auf X und dann kann man dagegen eingreifen. Also was ein Rieseneinfluß

00:31:35: hat auf die Akzeptierbarkeit für den letztlich menschlichen Bediener ist zum einen der Autonomie

00:31:40: gerade, also ist es ein Assistenztool oder ist es mit einem Menschen quasi in der Entscheidungskette

00:31:45: oder ist der Mensch eigentlich nur noch da, um drauf zu schauen und irgendwie im Notfall einzugreifen,

00:31:50: also wie hoch ist der Autonomie gerade und wie ist so die User Experience, also weiß ich auch die

00:31:56: ganz klassische Themen, ist es hübsch für eine Bedienoberfläche, aber häufig geht es darum gar nicht,

00:32:02: weil es ist ein Power-User, teilweise wollen die auch einfach die Datenkolonien sehen und sagen ja,

00:32:06: okay also ich will hier keine App haben, sondern das ist ein Arbeitswerkzeug. Das war Akzeptierbarkeit

00:32:14: auf Seiten des menschlichen Bedieners und wir haben aber auch Akzeptierbarkeit auf Seiten der

00:32:18: Organisation in sich, die auch, ich sag mal so, Kontrollverlust engsteheben kann. So heißt es,

00:32:24: jetzt habe ich hier mal so eine KI angekauft und die ist irgendwie super speziell angepasst an

00:32:29: hier meine Anlagen. Die macht jetzt was sie will. Zum einen das, die kann machen was sie will,

00:32:34: aber was passiert denn wenn die KI mal nicht mehr tut? Dann gibt es ja niemanden, der versteht,

00:32:39: warum sie nicht mehr tut und vielleicht, also habe ich dann eine Produktionsstoppe an der Stelle oder

00:32:42: was passiert dann eigentlich und man möchte ja auch quasi selber für die Zukunft gedacht weiter

00:32:49: seine Anlagen fortentwickeln können oder auch seine Produkte fortentwickeln können. Wir machen

00:32:55: jetzt, was ist das, ich bin der doppelte Stand zum Stadtteil Einfachen. Dann müsste ich ja meine KI-Modelle

00:33:01: anpassen, damit die das dann auch beherrschen und wir kannten den das noch und das kann man zum

00:33:08: einen über eine langjährige Beziehung lösen, dass man sagt, da gibt es einen Partner, von dem

00:33:13: man weiß den kann man anrufen und die meisten Unternehmen arbeiten mit externen Partner auch

00:33:17: jetzt für ihr, ich sag mal SAP, da gibt es einen SAP-Berater der Anpassungen vornehmen kann,

00:33:21: genauso auch im KI-Bereich oder aber man befähigt das Unternehmen, die Organisation,

00:33:26: bestimmte Anpassungen selber machen zu können. Überwachung und Nähntinenz, wenn mal was aus

00:33:32: dem Oder läuft, also keine Ahnung, ich habe meine Kamera gesäubert, die war vor Vollkommen staubt,

00:33:37: jetzt habe ich sie sauber gemacht, jetzt tut das Modell nicht mehr, jetzt muss ich sie nachziehen,

00:33:41: also krisse und so Dinge, die passieren können und da verstehe ich total, warum an manchen

00:33:47: Stellen die Unternehmen auch erstmal konservativ sind, aber wenn man es richtig aufzieht und

00:33:53: quasi diese diese Anforderungen aufnimmt und quasi in der Lösung, die man vorschlägt,

00:33:59: technisch wie organisatorisch berücksichtigt, da kann man diese ganzen Probleme antizipieren und

00:34:04: auch lösen. Okay, gut ich habe gerade ein bisschen auf die Uhr geguckt, wir haben schon über die

00:34:09: Halbzeit, wir haben noch einige Fragen, aber es gibt noch zwei Themen, die wir ja gemeinsam besprechen

00:34:14: wollten und zwar was wir auf jeden Fall noch schaffen wollen und das eine ist das Thema KI

00:34:19: Engineering als neue Disziplin, wenn du dazu was sagen kannst und als zweites dann der Nutzen

00:34:27: von was glaube ich mittlerweile jeder kennt von ChatGPT in der Industrie, fangen wir vielleicht

00:34:33: mit KI Engineering an. KI Engineering ist ein Kunstwort, der Englisch, ich meine Deutsch und

00:34:39: Englisch und beschreibt die Verbindung von den klassischen Ingenieurwissenschaften und dem

00:34:47: Systems Engineering mit jetzt der KI und warum glauben wir, muss das neue Disziplinen sein,

00:34:55: zum einen weil dort Communities zusammenkommen, die erstmal Schwierigkeiten haben sich gegenseitig

00:35:05: zu verstehen und zum anderen weil über dieses Zusammenspiel der Disziplin Fragestellung

00:35:13: aufgeworfen werden, die die Disziplinen für sich genommen nicht angefasst und nicht beantwortet

00:35:18: hätten. Insbesondere was passiert eigentlich, wenn ich datengetriebene Modelle verbinden möchte

00:35:25: mit Vorwissen was jetzt aus einer Naturwissenschaft oder aus einer speziellen Ingenieurdisziplin kommt.

00:35:30: Wir haben für uns drei Kriterien aufgestellt wo wir sagen ab wann ist es eigentlich KI Engineering

00:35:37: und das eine ist die Dimension der Kritikalität, also mache ich jetzt ein Software die Runde und

00:35:46: Katzen auf Fotos markieren soll, das eine spaßige App ist oder habe ich in der Herne

00:35:51: Anwendung die kritisch ist bei der vielleicht Unternehmen in seiner Existenz gefährdet ist,

00:36:01: weil zum Beispiel Anlagen stehen die aber laufen müssen oder vielleicht sogar Menschenleben

00:36:06: gefährdet sind, weil ein Flugzeug vom Himmel fällt. Also Kritikalität ist diese eine Disziplin und

00:36:10: da haben die Ingenieurdisziplinen einen ganz guten Zugang und die KI Experten häufig ein Problem,

00:36:15: wenn man ihnen sagt ja aber das muss jetzt irgendwie safety kritisch funktionieren mit soviel

00:36:20: 9 hinter dem Komma der 99,9999% und die zweite Dimension ist die Physikalität also wie viel

00:36:33: wie ist diese KI in der physikalischen Welt forthält und wie viel Vorwissen über die Physik

00:36:38: und über die Gebenheiten der realen Umwelt kann ich nutzen und auch hier haben wir die

00:36:45: Fragestellung okay reicht das irgendwie beim neuronal Netz das Physikbuch irgendwie nachts

00:36:50: und das Kopfkissen zu legen oder muss ich es imitiv einbauen natürlich muss ich es

00:36:54: irgendwie tief einbauen aber quasi diese diese Schnittstellen richtig zu schaffen ist eine

00:36:59: Herausforderung die Sprache der Physik sind häufig die ist häufig die Sprache der der

00:37:03: Differenzallgleichungen und quasi da die Verbindung auch zu den datengetriebenen Modellen richtig mit

00:37:08: eine engen Koppelung hinzubekommen das ist auch ein Forschungsthema und wenn wir es haben dann können

00:37:13: wir aber auch sehr viel besser quasi die diese Vereinigung des Wissens der Ingenieure und der

00:37:17: datengetriebenen Modelle hinbekommen und die dritte Dimension die wir uns anschauen ist die

00:37:22: organisatorische Komplexität und da gehören die Themen dazu die ich gerade angesprochen hatte also

00:37:27: kann die Organisation die die Lösungen exaktieren die wir da machen aber auch gibt es gewisse Hürden

00:37:37: und Hürden können zum Beispiel auftreten wenn nicht ganz klar ist wie in die Daten eigentlich

00:37:42: gehören also wenn das Auto fährt gehören mir als benutzern die Daten die das Auto produziert

00:37:48: gehört zum Autohersteller gehört vielleicht einem Zulieferer der vielleicht die Kameras

00:37:53: zugeliefert hat die jetzt in diesem Auto drin sind was passiert wenn ich irgendwie von der

00:37:57: Unternehmensflotte die Daten einsammeln will gehört es vielleicht die Daten doch dem Unternehmen

00:38:02: können wir übertragen in ganz andere Bereiche also im Medizinbereich wem gehören die Daten gehören

00:38:09: die dem Patienten gehören die dem Arzt unter welchen Bedingungen darf ich die Daten auswerten

00:38:14: wie viel muss ich anonymisieren da gibt es organisatorische Komplexität die ich bewerkstelligen

00:38:18: muss wenn ich die Daten hebe wenn ich in der her mit den Daten arbeite aber auch wenn ich dann

00:38:22: irgendwie das Modell deployed habe und das sind wir überall also der Maschinenbetreiber gehört

00:38:29: eigentlich den Betreiber der Maschine gehören die Daten oder dem Hersteller der Maschine und

00:38:35: häufig lassen sie sich dann auch nicht gegenseitig in die Karten gucken weil da hat man dann vielleicht

00:38:40: aufs sehen mal dass die Maschine außerhalb der Spezifikation betrieben zu heiß zu kalt wie auch

00:38:45: immer habe ich vielleicht meine Garantie verloren deswegen lieber per default niemand reingucken

00:38:49: wenn ich jetzt ich versuche mal in ganz leihenhaften Worten zusammen zu fassen oder ich weiß noch

00:38:56: wie ich es richtig verstanden habe was Kai Engineering ist es hat sehr viel damit zu tun

00:39:01: verschiedene Methoden verschiedene künstliche Intelligenzen irgendwie verschiedene Bereiche

00:39:09: zu verknüpfen zusammen zu führen man kann ganz plakativ zusammenfassen das ist die Kunst und

00:39:18: die Wissenschaft Systeme zu schaffen in denen Kai eine Rolle spielt aber nicht die Kai der

00:39:25: einzige Bestandteil des Systems ist und genau und damit einher geht eine Professionalisierung

00:39:33: des Einsatzes der Kai dass ich quasi weiß wie ich es machen muss dass ich auch sehr früh im

00:39:40: Entwicklungsprozess vorhersehen kann wie gut die Kai wohl performen wird auch wenn ich vielleicht

00:39:45: noch gar nicht die Daten habe weil ich muss erst mal das System bauen das mit an die Daten

00:39:48: liefert damit ich meine Kai machen kann für die ich das System bau etc. da beißt sich dann

00:39:51: irgendwann die Garzen in den Schwanz also Kai professionell betreiben und an der Schnittstelle

00:39:58: zwischen den der Grundlagenforschung der Kai und den Ingenieur-Disziplik. Ja okay und dann

00:40:05: wir haben noch zehn Minuten ungefähr oder vielleicht dürfen wir auch kurz über 10 ich

00:40:09: weiß nicht ob wir es schaffen aber kannst du mir noch ein bisschen zum Thema Chat GBG das kennt

00:40:14: können glaube ich die meisten auch jemanden der noch nicht so so in der Kai drin ist zumindest

00:40:20: schon mal gehört was ist der Nutzen in der Industrie also ich selbst wir haben uns im

00:40:25: Vorgespräch ein bisschen unterhalten habe ja einen anderen background aber selbst ich nutze

00:40:28: Chat GBG ganz viel auch Dalí auch mit Journey mir erleichterts die Arbeit ungemein aber speziell

00:40:35: in der Industrie was ist da wie lässt sich da Chat GBG einbinden und nutzen. Ja also Chat GBG ist

00:40:42: ein Sprachmodell damit kann ich erstmal quasi wie mit einem Art Generator Texte produzieren

00:40:50: und kann dann eben über diesen prompt wo ich eine Frage stellen oder den Kontext liefe

00:40:55: den Textgenerator quasi in eine gewisse Richtung leiten aber es ist erst mal ein Textgenerator

00:41:02: das ist ein Papagei der Dinge wieder gibt die er schon mal gehört hat ja mit einem gewissen

00:41:05: Kontext und das kann man nutzen um quasi die menschliche Sprache als Schnittstelle in der

00:41:14: Interaktion mit dem System zu nutzen um zum Beispiel Anfragen zu stellen dass man nicht

00:41:19: irgendwie eine Datenbank abfragen schreibt und das dauert ewig und dafür braucht man auch den

00:41:25: Datenbank Experten sondern dass man natürlich sprachlich eine Anfrage stellt also sag mal wie

00:41:32: stark ist eigentlich der Ausfall von dem grünen Roboter korreliert mit dem dem dem dem Öldruck

00:41:42: Ratter Ratter Ratter im Hintergrund würde das dann umgesetzt werden in eine kleine Analyse und

00:41:49: dann kommt das zurück und da sind wir auch gerade dran da gibt es arbeiten wie man quasi diese

00:41:54: traditionellen Schnittstellen und Protokolle die man in den Fabriken hat anflanzbar macht für

00:42:02: solche KI Systeme OP2A ist ein Beispiel für so ein Protokoll wo wir auch viel machen und das

00:42:07: zweite was die JGPT aber auch mitliefert ist so ein bisschen Common Sense Reasoning das heißt

00:42:13: Hintergrundwissen zu haben so allgemeines Weltwissen das der Mensch hat und das Einfließen

00:42:18: lassen zu können so Common Sense Reasoning um schon mal relativ klare Zusammenhänge irgendwie

00:42:28: selber herstellen zu können oder um aus einem unstrukturierten Dokument strukturierte Daten

00:42:33: rauszuziehen und was wir immer wieder sehen ist das Unternehmen jetzt anfangen ihre internen

00:42:41: Datenbestände in quasi ein privates GPT reinzuladen gibt auch ein paar Unternehmen die das anbieten

00:42:46: oder wo dann die ganzen Technik Hand Bücher für ihre Produkte in so ein privates GPT

00:42:55: rein geladen werden und dann kann man da menschlichsprachige Anfragen stellen und kann

00:42:59: sagen okay xy Fehler Meldung sag mir doch mal was soll ich mir als erstes anschauen um diesen

00:43:06: Fehler zu beheben und dann weiß das System aha okay diese Maschine kann dann im Handbuch

00:43:10: quasi ein bisschen Common Sense Reasoning betreiben kann dann sagen okay guck mal hier und

00:43:15: das funktioniert sehr gut das funktioniert insbesondere dann sehr gut wenn ich nicht

00:43:21: eine Vollautomatisierung habe und quasi die Antwort das GPT direkt ausgeführt wird so weit geht

00:43:25: glaube ich niemand heute sondern es funktioniert dann gut wenn ich eine interaktion mit dem

00:43:30: benutzer habe der dann auch sagen kann okay ich habe es geprüft war leider nix macht

00:43:33: noch mal einen Vorschlag und ein paar ade-beispiele dafür ist zum beispiel im Kundendienst wenn

00:43:42: der der Kundendienstler nochmal schnell eine Anfrage stellen kann weil es viel zu viele

00:43:45: Produkte gibt und der gar nicht alle kennen kann dann aber halt vor dieser Anlage steht und

00:43:49: dann irgendwie nochmal eine Anfrage stellen kann oder auch in so automatischen Kunden Anfragen

00:43:57: beantwortet System wo dann irgendwie die die Standard Anfragen sei es jetzt in der Versicherung

00:44:03: oder sei es beim Werder Telekom so die Standard Anfragen einfach schon mal bekannt sind und

00:44:07: das dann aber mit weiteren quasi Kontextwissen über diesen speziellen Kunden angereichert

00:44:12: werden kann eine Nachfrei dazu habt ihr jetzt wir hatten es hervorhin in meinem Bereich ich

00:44:19: nutze ChatGivitGradis4o jetzt auch sehr als Sparring Partner also es cool ist ja man kann mittlerweile

00:44:26: nicht nur den Prompt also der rein frei eintippen sondern auch einfach rein sprechen und das ist

00:44:33: total cool weil man sich tatsächlich im Prinzip beim Autofahren mit jemand unterhalten kann

00:44:39: sozusagen und ich nutze es aber auch sehr als Sparring Partner als zum Sachen entwickeln also

00:44:45: kreative Sachen Texte entwickeln Marketing anzeigen und so weiter nutzt ihr es auch als Sparring

00:44:53: Partner oder wirklich nur hier Anfrage macht mir ein Lösungsvorschlag Problem den überprüft ihr

00:44:59: und nochmal oder ist es wirklich so also für mich ist es manchmal mein digitaler Kollege nenne

00:45:05: ich es jetzt mal so also im professionellen Kontext haben wir teilweise Hürden weil manche Dinge ich

00:45:13: einfach nicht in den ChatGivit Prompt reinladen darf aber dann haben auch eigene Varianten die

00:45:17: sind dann vielleicht zwei Generationen hinterher aber es gibt auch interne Systeme die GPT

00:45:22: ersitzen vielleicht sind die sogar schon abgegrätet worden in der Zwischenzeit und die nutze

00:45:28: ich persönlich um ich sage mal Texte anders und neu zu formulieren also wenn ich zum Beispiel

00:45:35: mich tierisch aufregt und dann schreibe ich eine e-mail und vor dem abschicken denke ich mir

00:45:40: dann kopiere ich nochmal in so ein GPT Variante rein und sage okay formulieren mal net und das

00:45:45: schiebe ich dann raus also umformulieren funktioniert ganz super oder ich habe hier eine Liste von

00:45:52: Argumenten und dann machen auch mal aus diesen drei Argumenten einen kurzen Absatz und den kann

00:45:56: ich dann weiter verarbeiten so Text Aufgaben dafür nutze ich selber GPT auch weil Wissenschaft ist

00:46:02: natürlich auch immer Text produzieren meistens ist es aber der Ausgangspunkt für eine weitere

00:46:11: iteration also Texte für eine Veröffentlichung die werden normalerweise sehr häufig iteriert

00:46:16: bis sie wirklich sitzen und perfekt sind und dann kann es cool sein irgendwie einen Ausgangspunkt zu

00:46:23: haben an dem man die iteration beginnt als auf dem weißen Blatt Papier zu beginnen und dann

00:46:29: erstmal also ich meine das muss man generell sagen dass man nicht einfach alles was daraus kommt

00:46:34: aus chat mit die einfach verwendet sondern vielleicht noch mal drüber guckt und das für

00:46:39: sich anpasst gut dann jetzt ist immer wirklich Richtung Ende wir haben hier im podcast für

00:46:49: jeden Gast jede gestehn eine rubrik und zwar drei fragen an die würde ich jetzt gerne auch mit dir

00:46:57: einmal machen dafür gibt es einen kleinen bumper drei fragen an dr. Julius von mir

00:47:13: ja Julius stell dir mal vor du machst eine Vertretungsstunde in der Grundschule und

00:47:20: muss den Kindern erklären was Kai ist was sagst du ich würde ihnen einen kleinen netten robot

00:47:27: zeigen würde sagen was wir machen das ist was in dem kleinen Kopf von diesem netten robot

00:47:33: vor sich geht ich habe selber einen dreijährigen und der guckt zum beispiel leon der lastwagen

00:47:40: eine Kindersendung und da gibt es drei kleine nette roboter die irgendwie immer für den

00:47:44: humoristische unfälle sorgen und die frage ist okay was was was was tut der eigentlich also

00:47:57: der roboter der seine umgebung wahrnimmt und dann darauf reagiert und wo kommt das her und

00:48:01: da gibt es halt super viele k i-themen die da reinspielen also spracherkennung sprachausgabe

00:48:05: natürlich dann auch planung also irgendwie bewegungsplanung oder eine langfristige planung

00:48:10: ich will kuchen backen was muss ich alles tun in welche reinfolge lernen von neuen

00:48:15: themen also ich zeig dem robot an schraubenschlüssel und dann kann er den hoffentlich selber benutzen

00:48:20: man ist lange lange lange davon entfernt irgendwie solche kleinen netten robot dazu haben die sich

00:48:25: in der welt frei bewegen können das ist mir noch sehr reduziert ich sage mal auf so

00:48:29: strukturiert semi strukturiert umgebung aber ich weiß woran wir arbeiten für diese künstliche

00:48:33: intelligent irgendwann dass du ermöglichen was diese netten kleinen robot haben sind

00:48:37: okay das heißt du würdest über das greifbare gehen du würdest sagen liebe kitz schaut ich

00:48:42: ich sorge dafür dass dieser roboter funktioniert im prinzip das ist okay sehr cool dann die zweite

00:48:50: frage wo in deinem leben oder in welchem bereich möchtest du nie k i haben beziehungsweise kannst

00:48:58: jetzt aktuell nicht so richtig vorstellen der bereich wo ich niemals k i haben möchte ist

00:49:05: der über den ich gerade sprach nämlich in der grundschule okay wir haben ja eine riesen

00:49:10: diskussion über digitalisierung in deutschland und digitalisierung und sich also okay also dass

00:49:16: man irgendwie effizienter stundenpläne macht aber den den kindern irgendwie einfach tablet

00:49:23: an die hand zu geben und so sagen hier drück auf den knopf dann kannst du dich mit schädchen

00:49:27: bitte unterhalten das sollte man in der schule tunlich vermeiden sondern da sollen die kinder

00:49:31: das denken lernen und nicht auf die idee kommen dass das was ihnen die schule beibringen möchte

00:49:37: ja eigentlich komplett unsinn ist weil es ihnen nichts bringt und weil der roboter das ja besser

00:49:43: kann jetzt haben wir leider das problem dass jett schieb hier auch abi aufgaben beantworten kann

00:49:48: und viel kriegen wir das hin dass die kinder trotzdem sagen okay ich will jetzt aber trotzdem

00:49:52: selber können ich möchte nämlich das denken lernen und basis kompetenzen mitnehmen aber

00:49:57: wir waren gespannt wie gut die dann abstrahieren können von der tatsache in der zukunft gbt

00:50:03: erst mal bis die mal mindestens 19 21 sind die bt die meisten fragen trotzdem besser werden

00:50:08: als sie also ich bin bei dir im cinemasal vielleicht nicht hier drückt da drauf und da kommt die

00:50:13: antwort weil ich glaube eine wichtige fähigkeit für für jetzt und auch für die zukunft ist dass

00:50:19: man kreativ probleme lösen kann kreativ mit ich meine unsere welt ist ja immer schnell

00:50:26: wieger und es wird ja auch nicht besser also es kommt ja immer mehr immer mehr dann immer mehr

00:50:30: das heißt da muss man auch sehr spontan mal reagieren und das lernt man ja nicht durch auf

00:50:36: einen knopf drücken aber glaubst du nicht dass es vielleicht weg gibt diese kreativität dieses

00:50:44: ja dieses problem lösungen dieses abstrahieren auch mit k i zu lernen die frage sabine okay also

00:50:55: dir geht es um den zeitpunkt und in der grundschule möchte ich alles dieses möglichst raushalten

00:51:00: okay okay und die letzte von den drei fragen ist einfach noch so ein ein tip für alle zuhörenden

00:51:10: deine top 3 k i anwendungen da darfst du gerne frei entscheiden ob sie im beruf oder privat

00:51:18: sind also für dich persönlich was sind so deine top 3 k i anwendungen apps tools ich habe mir

00:51:26: dann drei rausgesucht das erste ist google maps viele sagen aber was hatten das mit k i zu tun

00:51:31: vor vielen vor 20 Jahren 25 Jahren hätte man gesagt super irgendwie roten planung und es ist ein

00:51:41: werkzeug was heute gang und gäbe ist und wahrscheinlich kann man kann einnehmen dass das was

00:51:47: heute irgendwie als k i und neu propagiert wird in ein paar jahren genauso selbstverständlich sein

00:51:52: wird wie google maps einfach ein werkzeug was wir benutzen können wo wir wissen wie es funktioniert

00:51:56: zweites jet gbt ganz klar kann man derzeit nicht außen vorlassen weil es einfach jetzt auch der

00:52:02: publikum zeigt wie wie weit die verfahren tatsächlich gedien sind und klar ist es jetzt

00:52:11: immer noch der papa guy von dem ich sprach aber vielleicht schaffen wir es auch dass dann wirklich

00:52:16: dieses höherwertige symbolische riesen in dann auch mit diesen gbt verfahren kombiniert werden kann

00:52:25: und das letzte was ich mir rausgesucht habe ist eine linie algebra bibliothek und das ist jetzt

00:52:31: ein arbeitswerkzeug für mich weil wir die k i verfahren ja auch originell entwickeln und im

00:52:38: hintergrund ist das angewandte matematik also man kann eigentlich an fast allen stellen kann man

00:52:43: k i gleich setzen mit angewandter matematik und linie algebra ist da so ein arbeitspferd dass wir

00:52:50: quasi überall einsetzen und das was die gpu es uns liefern ist dass sie auch diese linie

00:52:56: algebra operation sehr sehr schnell ausführen können und da gibt es dann historischen paar

00:53:02: bibliotheken wie zum beispiel die blasfamilie und jetzt geht man dann eben auf kuda auf den auf

00:53:07: den grafikarten und für mich ist es quasi ein werkzeug das nämlich die übersetzung macht von

00:53:13: der der matematation hinterher für die ausführbarkeit und die effiziente ausführbarkeit auf der

00:53:21: hartwertige moderne vielen dank dann für alle die zuhören wir werden natürlich alles zu der

00:53:29: arbeit vom frauenhofer von deiner abteilung von dir bei dem podcast dann in die show notes schreiben

00:53:35: der podcast wird das wird ja nicht die erste folge sein deine folge wahrscheinlich so

00:53:40: grob am september erscheinen davor kommen noch andere ich kann nur jedem empfehlen mal reinzuhören

00:53:46: diese drei fragen ist ganz spannend wie das die leute je nachdem welchen background sie haben

00:53:50: beantworten und zum abschluss julius würde ich dich bitten jeder gast jeder gestern hat hier

00:53:56: die chancen noch einen schluss statement zu setzen zum thema k i 30 sekunden wir haben

00:54:02: klein klein timer im hintergrund einzigse bedingung keine werbung für eigene oder fremde

00:54:09: produkte einfach was ist dir wichtig so wenn du in 30 sekunden was los werden willst um

00:54:14: thema k i noch los zu werden ich steile den timer und dann geht es los und was mir wichtig ist

00:54:24: bei der k i inwicklung aktuell ist dass wir auf der einen seite die großen daten mengen nutzen

00:54:31: die wir heute zur verfügung haben dass wir aber auch unser vorwissen einsetzen und in ganz vielen

00:54:36: themen bereichen da haben wir vorwissen da haben wir vor existente modelle da gibt es laumregeln

00:54:42: da gibt es teilweise ja hunderte von von forschung die da eingeflossen sind um zum beispiel die chemie

00:54:48: zu verstehen oder wie das universe umfunktionen und wir sollten wir gerne zu ende wir sollten uns

00:54:57: nicht dümmer stellen als wir sind sondern wir sollten daran arbeiten dass wir das vorwissen

00:55:01: dass wir haben kombinieren können sinnvoll kombinieren tief vereinigen können mit den daten

00:55:07: getriebenen verfahren um am schluss robustere und performantere modelle zu erreichen so war vielen

00:55:14: vielen dank für das schluss statement und wer fragen hat noch darf sich gerne entweder über

00:55:21: subwerk 01 punkt de an uns wenden wir leiten die dann weiter oder einfach warten bis der podcast

00:55:26: kommt jetzt haben wir leider keine zeit mehr für fragen das war so nicht eingeplant ich weiß

00:55:31: auch gar nicht ob es überhaupt geplant war ich verabschied mich von denen die zuschauen zu

00:55:36: hören ich verabschied mich von dir lieber jules vielen vielen dank dass du da warst und ins

00:55:42: einblick gewährt hast in deine arbeit und was ihr so mit k i macht und ich hoffe für alle die

00:55:48: zuschauen war es auch interessant und haben auch was mitgenommen vielen herzlichen dank

00:55:53: * Musik *

00:55:56: * Musik *

00:55:59: * Musik *

00:56:24: * Musik *

00:56:27: [Musik]

00:56:29: [MUSIK]