Generative KI und traditionelles maschinelles Lernen: Ein Erfolgsrezept für die Analytik

In der neuesten Folge des „Augmented Ops “-Podcasts sprachen wir mit Dr. Lisa Graham, CEO der Seeq Corporation, einem Unternehmen, das Softwaretools für die Analyse industrieller Prozesse entwickelt. In der Folge mit dem Titel„Gen AI, Demokratisierung und die Zukunft der industriellen Analytik“ greift Dr. Graham auf ihre umfangreiche Erfahrung zurück und teilt ihre Ansichten zur Zukunft von Daten und Analytik. Sie begann ihre Karriere als Prozessingenieurin und Endnutzerin von Seeq und anderen BI-Tools, bevor sie zum Unternehmen kam und zur CEO aufstieg. Sie liefert differenzierte Einblicke in die Rolle von Daten bei der Förderung von Prozessverbesserungen, die anhaltende Bedeutung des traditionellen machine learning und den Wert, den generative KI für den Bereich der Analytik verspricht.

Ihre Erkenntnisse verdeutlichen die Herausforderungen, denen Industrieunternehmen gegenüberstehen, insbesondere die Notwendigkeit, die riesigen Mengen an Rohdaten, die sie täglich erfassen, in verwertbare Erkenntnisse umzuwandeln, die es Ingenieuren ermöglichen, ihre Prozesse kontinuierlich zu verbessern.

Dr. Graham unterstrich die Bedeutung von Daten für die Steuerung der Abläufe an vorderster Front und hob deren entscheidende Rolle bei der Steigerung der betrieblichen Effizienz und der Prozessoptimierung hervor. „Es ist wichtig, dass wir erkennen, dass Daten und Analysen ein wesentlicher Bestandteil des Betriebs sind“, erklärt sie, „ich meine, und zwar durchgängig – vom Betrieb über die Prozesse bis hin zu den Anlagen und der Überwachung. Das liefert die entscheidenden Erkenntnisse, um das voranzutreiben, worüber alle sprechen.“ Wie sie erklärt, ist es entscheidend, aus Daten umsetzbare Erkenntnisse zu gewinnen, um die Produktqualität effektiv zu verbessern, den Energieverbrauch zu senken und die Rentabilität sicherzustellen.

Trotz der Fülle an Daten in der Industrie wies Dr. Graham auf eine weit verbreitete Herausforderung hin: die Umwandlung dieser Unmengen an Rohdaten in nützliche, umsetzbare Erkenntnisse. Sie beschrieb ein Szenario, das sie als „DRIP“ bezeichnete – eine häufige Falle, in die viele Unternehmen tappen, und die sich darauf bezieht, dass sie zwar über eine Fülle an Daten verfügen, aber nur wenig Informationen daraus gewinnen können. Diese Situation, in der Unternehmen zwar über eine Fülle an Daten verfügen, aber nicht in der Lage sind, diese effektiv zu nutzen, stellt ein erhebliches Hindernis für die betriebliche Weiterentwicklung dar.

Dr. Graham nennt eine Reihe von Beispielen dafür, wie Hersteller ihre Betriebsabläufe durch die Nutzung ihrer Daten transformiert haben. In einem Fall beschreibt sie ein Unternehmen mit Tausenden von Anlagen, von denen jedoch nur einige Hundert sichtbar waren. Das bedeutete, dass sie zwar diese relativ kleine Anzahl von Anlagen optimieren konnten, ihnen jedoch die notwendigen Erkenntnisse fehlten, um den Rest zu optimieren. Durch den Einsatz eines leistungsstarken Tools wie Seeq zur Aggregation ihrer Datenquellen und zur Durchführung von Analysen gelang es ihnen, auf eine ausnahmegesteuerte Überwachung aller ihrer Anlagen umzustellen, wodurch sie tiefere Einblicke gewannen und ihre Prozesse erheblich optimieren konnten.

Eines der wichtigsten Instrumente, um die riesigen Mengen an gesammelten Daten in wertvolle Erkenntnisse umzuwandeln, ist machine learning ML). Dr. Graham merkt an, dass machine learning traditionelle machine learning weiterhin einen erstaunlichen geschäftlichen Nutzen unter Beweis stellt, unter anderem bei Zeitreihen und Analysen.“

Was das viel diskutierte Thema der generativen KI angeht, vertritt sie die Ansicht, dass es bei deren Aufkommen nicht darum geht, das traditionelle maschinelle Lernen zu ersetzen, sondern es zu ergänzen. Generative KI hat das Potenzial, deutlich intuitivere und benutzerfreundlichere Analysetools zu ermöglichen, die den Datenzugriff über verschiedene Rollen innerhalb einer Organisation hinweg weiter demokratisieren können. Indem sie beispielsweise Eingaben in natürlicher Sprache aufnimmt und die erforderlichen SQL-Abfragen und Visualisierungen generiert, verspricht diese aufstrebende Technologie, den Bereich der fortgeschrittenen Analytik auch für Menschen zu öffnen, die keine ausgebildeten Ingenieure oder Datenwissenschaftler sind. Dies stellt einen enormen Fortschritt bei der Demokratisierung einer ehemals hochspezialisierten Fähigkeit dar, die nur wenigen vorbehalten war.

Dr. Graham sieht eine Zukunft voraus, in der fortschrittliche Analysen zu einem festen Bestandteil des Werkzeugkastens jedes Mitarbeiters werden, unabhängig von dessen technischem Hintergrund. Da die Branchen immer größere Datenmengen generieren, gewinnt die Rolle der Analytik bei der Förderung operativer Exzellenz zunehmend an Bedeutung, und erfolgreich sein werden jene Unternehmen, die diese am effektivsten nutzen können. Sie ist der Ansicht, dass „in den nächsten Jahren, insbesondere in den nächsten 24 Monaten, die Rolle der Analytik noch geschäftskritischer werden wird. Wenn wir also über machine learning generative KI machine learning alles andere nachdenken, was noch kommen mag, kommt es letztlich wieder auf die Rolle der Analytik an, da datengestützte Entscheidungen weiterhin zu Produktivitäts- und Nachhaltigkeitsgewinnen führen.“

Obwohl sie der Technologie optimistisch gegenübersteht, weist Dr. Graham auch darauf hin, dass generative KI-Fähigkeiten eine Reihe wichtiger Einschränkungen aufweisen, die berücksichtigt werden müssen, bevor Unternehmen sie in ihre Prozesse integrieren. „Unternehmen müssen sich ihrer Grenzen und der damit verbundenen Risiken bewusst sein, darunter datenbezogene Herausforderungen, mangelnde Transparenz und Bedenken hinsichtlich des Datenschutzes“, erklärt sie. Dies sind keine unbedeutenden Bedenken, insbesondere in einer Zeit, in der Daten nicht nur im Überfluss vorhanden sind, sondern auch sensibel sein können und strengen regulatorischen Standards unterliegen.

Dr. Graham betont zudem, dass „die Ergebnisse generativer KI validiert werden müssen“, und erklärt, dass die Ergebnisse generativer KI nur so gut sind wie die zugrunde liegenden Daten und Modelle, auf denen sie basieren. Und obwohl sie davon überzeugt ist, dass dies die Einstiegshürden im Bereich der Analytik deutlich senken wird, betont sie: „Entgegen der landläufigen Meinung benötigt generative KI menschliche Aufsicht, um effektiv zu funktionieren; sie ersetzt nicht den Bedarf an Fachexperten, sondern ergänzt deren Fachwissen.“

„Generative KI ist keine Zauberei“, betont sie und führt aus, dass der wahre Wert der Technologie darin liegt, sie in ein umfassenderes Instrumentarium zur Lösung betrieblicher Probleme zu integrieren. Da diese Tools zunehmend in immer mehr Produkte Einzug halten, müssen Hersteller sorgfältig abwägen, wie sie diese Technologie in ihre Prozesse integrieren.