Erium-Gründer Steininger: "Relevanz von Daten wird häufig überschätzt"

Automobil Produktion: Herr Dr. Steininger, was ist Künstliche Intelligenz? Und: Welches Vorurteil über KI würden Sie am liebsten ausräumen?
In der Kommunikation oder im Marketing wird der Begriff Künstliche Intelligenz zumeist für Fälle verwendet, bei denen es sich in Wahrheit um Machine Learning oder – noch weiter heruntergebrochen – um Statistik handelt. KI im plastischen Sinne bedeutet, die Arbeitsweise des menschlichen Geistes nachzuahmen oder nachzubauen. Eine mir sympathische Definition für KI ist der so genannte Turingtest. In ihm geht es darum, einen Menschen wie in einem Chat mit einem Gegenüber kommunizieren zu lassen. Ist der Mensch nicht mehr in der Lage zu unterscheiden, ob es sich beim Gegenüber um einen anderen Menschen oder um ein Computerprogramm handelt, dann hat das System diesen Test bestanden. Dann sprechen wir von künstlicher Intelligenz.

Automobil Produktion: Worin unterscheiden sich KI und Machine Learning?
Wenn mit Blick auf Industrie 4.0 von KI die Rede ist, handelt es sich in über 99 Prozent der Fälle um Machine Learning. Gerne zitiere ich hier einen Kollegen aus Garching, der sagt: „Machine Learning is nothing else than fancy interpolation.“ Konkret heißt dies: Man verfügt über einen Satz Daten, das Abbild von Strukturen und von Zusammenhängen in der Natur und versucht diese Strukturen zu finden. Streng genommen handelt es sich also bereits um Machine Learning, wenn für drei Punkte eine interpolierende Gerade gefunden wird. Mit Blick auf die Komplexität hat dies offensichtlich einen völlig anderen Level als der Turingtest.

Automobil Produktion: Sie haben in Astrophysik promoviert und mit Ihrem Kollegen Maksim Greiner eine Software für KI entwickelt. Was ist ihr Ansatz?
Machine Learning kann mit großen, aber auch mit kleinen Datenmengen betrieben werden; denn Machine Learning ist nicht automatisch gleichzusetzen mit Big Data. In der Astrophysik verfügt man tendenziell über zu wenige Daten, da Satelliten und die Messzeit von Teleskopen teuer sind. Zur Vorgehensweise am Max-Planck-Institut: Angenommen, man wüsste alles über ein System, in der Physik etwa über einen Stern, der Licht aussendet, über die Atmosphäre der Erde, durch die das Licht wandert, bis hin zum Teleskop das es auffängt, dann stellt sich die Frage: Was würde der bestimmte Stern an Daten produzieren? Man würde feststellen, dass man eine ganze Menge nicht weiß. Für alles, was man nicht weiß, nutzt man Wahrscheinlichkeitsrechnung. Mit dem mathematischen Formalismus, mit dem in der Arbeitsgruppe unseres Doktor-Vaters PD Dr. Torsten Enßlin gearbeitet wird, der auf Bayes’schen Statistik basierenden Informtionsfeldtheorie, ist es dann möglich, diese Wahrscheinlichkeitsdichten mathematisch konsistent zu verknüpfen. Diesen Ansatz kann man nahezu 1:1 auf die produzierende Industrie übertragen. Die daraus von uns entwickelte Software lässt sich so etwa für die Türmontage in der Autofertigung einsetzen, aber auch für ganz andere Montage- oder Fertigungsprozesse. Ähnlich einer Excel-Tabelle, als universelles Tool, mit dem sich ganz verschiedene Anwendungsfälle modellieren lassen, ist die Software „HALerium“ (Anm. der Red.: Human ALgorithm erium) in der Lage, das menschliche Expertwissen über Fertigungsprozesse zu modellieren. Ein Werkzeug also, mit dem sich Prozesse beschreiben und optimieren lassen.

Automobil Produktion: Sie setzen auf schnelles Machine Learning, benötigen viel weniger Daten und setzen zudem auf Expertenwissen...
Im Gegensatz zum derzeitigen Hype, bei dem Daten als heiliger Gral gelten, sagen wir: Daten sind nur eine Komponente. Eine andere ist das Wissen von Experten. Deshalb definieren wir mit unseren Kunden als erstes zunächst ganz klar ein Ziel, wie etwa den Energieverbrauch eines Produktionsprozesses. Genau das vermissen wir bei zahlreichen Data-Science-Beratungen, die ziellos Daten sammeln. Als Nächstes betrachten wir dann die Einflussfaktoren der Zielgrößen. Damit können wir uns schon mal auf einen sehr kleinen Teil der Daten fokussieren. Als weiterer Schritt folgt die Datenaufbereitung in der sich viele nämlich sonst verlieren. Eine gute Projektkoordination muss daher zuerst den Experten befragen. Erst nachdem wir eine Ahnung davon haben, worum es gehen soll, ziehen wir die Daten heran, um die dann noch verbleibenden Unbekannten zu trainieren.

Automobil Produktion: Nun gehen Sie gemeinsam mit ihrem Kollegen an Echtzeit-Auswertungen von Zerspanungsvorgängen. Wie kamen Sie auf dieses Thema?
Geschäftsmodelle entstehen einerseits bedarfs- und zum anderen lösungsgetrieben. Im Wesentlichen geht es um drei Faktoren:
1. Die Fertigung muss so anspruchsvoll sein, dass der Mensch nicht in der Lage ist, sie optimal regeln zu können.
2. Es muss vereinfacht gesagt weh tun, dass der Prozess nicht optimal läuft: Ausschuss zu produzieren ist teuer, sei es auf der Material- oder auf der Personalseite.
3. Idealerweise findet man beim Kunden bereits eine digitalisierte und automatisierte Produktion vor.
Faktor drei ist dabei allerdings kein knock-out Kriterium. Wenn der Kunde über ein MES-System verfügt, sind die Voraussetzungen freilich gut. Aber auch bei geringer Digitalisierung können wir über Retrofit-Lösungen einsetzen und ganz punktuell digitalisieren – eben weil wir wissen, welche Daten wir benötigen. Anhand dieser drei Kriterien haben wir unsere Hausaufgaben gemacht und geschaut, in welcher Branche diese Ausgangsbedingungen vorliegen. Dies ist vor allem im Automotivebereich mit seinen enormen Qualitätsvorgaben der Fall. Auf der anderen Seite gilt dies auch für die metallverarbeitende Industrie mit ihren ähnlich hohen Anforderungen. Bei der Zerspanung erweist sich der Verschleiß teurer Fräsköpfe als besonders schmerzlich. Es lohnt sich daher in diese Branche zu schauen, in der auch das Marktvolumen entsprechend hoch ist. Ähnlich lohnend sind Schweißvorgänge wie das Punktschweißen sowie das Feld der Oberflächenbeschichtung – von der Kunststofflackierung bis hin zum Verchromen und Verzinken, Galvanisieren und Eloxieren.

Automobil Produktion: In ihrem neuesten Projekt geht es um das Optimieren des Einsatzes von Frässpindeln. Je nach Verschleißgrad geraten diese ins Schlingern. Was leistet Ihr Algorithmus hier?
Wenn ein Fräskopf verschleißt, dann beginnt die Spindel zu vibrieren. Dies erfolgt in einem ganz bestimmten Muster. Die Digitalisierung steht hier noch am Beginn. In der Branche ist man aber gerade dabei, Fräs- und Schleifanlagen aufzurüsten und entsprechende Daten zu sammeln.

Automobil Produktion: Konkret soll ihre Methode dabei helfen, herauszufinden, ob sich höherer Spindelverschleiß in Grenzbereichen lohnt. Neben Maschinenparametern betrachten Sie dazu auch wirtschaftliche Faktoren. Was heißt dies fürs Fräsen?
Das bedeutet, dass wir jegliche Einflussfaktoren mit in die Kostenfunktion aufnehmen können, um so eine Anlage etwa in einem Modus zu fahren, der den Verschleiß minimiert. Am Beispiel der Zerspanung bedeutet dies, dass der Fräskopf länger hält. Wenn aufgrund der geringen Vortriebsgeschwindigkeit die Produktion sehr langsam wird, dann sind wiederum die Mitarbeiter nicht ausgelastet und die Personalkosten steigen. Ideal ist es daher, wenn sich der Kunde je nach Auftragslage schnell umorientieren kann. Etwa bei einem kurzfristig zu erledigendem Auftrag, für den er sich entscheidet, mit der Fräse an die Verschleißgrenze zu fahren.

Automobil Produktion: Für die Berechnungen benötigen Sie die Produktions- und Qualitätsdaten Ihrer Kunden. Wie offen sind die denn mit ihren Daten?
Wenn wir uns innerhalb eines Projekts mit Geheimhaltungsverpflichtung bewegen, läuft alles sehr gut. Ansonsten gibt es natürlich überhaupt keine Offenheit, Daten zur Verfügung zu stellen. Kunden haben extreme Angst davor, dass Daten zum Wettbewerb wandern. Andererseits muss man aber auch konstatieren, dass die Relevanz von Daten häufig überschätzt wird. Wie geschildert, setzen wir mit unserem Ansatz ja gerade den Experten und sein Wissen in den Mittelpunkt. Daten richten sich nach den Experten und nicht anders herum - ein erster Punkt, bei dem ich der im Markt vorherrschenden Meinung also widerspreche. Zum anderen widerspreche ich vehement der Ansicht, dass Daten allein das Gold von Firmen sind. Daten sind ein Fundament, ohne die freilich nichts geht. Das wahre Gold ist jedoch genau das Wissen, worum es sich bei diesen Daten handelt. Das zugrundeliegende Prozessverständnis dahinter, die Beschreibung des Fertigungsprozesses – das ist das Gold. Was in der Hochschullandschaft fehlt, was man im universitären Umfeld gerade zu begreifen beginnt, ist die Verknüpfung der beiden Welten IT und Prozess, die Wichtigkeit des Berufsbilds des Prozess-Informatikers also. Jemand der versteht, was produziert wird und der zugleich auch versteht, wie das Ganze informationstechnisch abgebildet wird. Darin liegt der größte Mehrwert.

Automobil Produktion: Gemeinsam mit Maksim Greiner arbeiten Sie seit 2016 an der Thematik. Was sind die Aufgaben und Ziele Ihrer Firma Erium, die Sie 2019 gegründet haben? Sehen Sie sich in der Rolle eines Startups?
Man kann uns durchaus als Startup bezeichnen, da wir sehr schnell auf den Markt reagieren und unser Produkt agil anpassen können. Wir entwickeln nicht wie viele konservative Firmen drei Jahre lang im Verborgenen, gehen an den Markt und schauen dann, ob jemand dieses Produkt haben möchte. Aber: Startups werden häufig auf Verdacht finanziert. Man erkennt ihr Potenzial, aber es werden häufig zunächst Verluste gefahren, um Marktanteile zu gewinnen. Ein total legitimes Vorgehen – Uber oder PayPal wären nicht dort, wo sie heute sind, wenn sie keine Verluste hätten fahren dürfen. Doch darin unterscheiden wir uns von vielen Startups: Wir haben (noch) keine externen Investoren, sondern finanzieren uns – auch aufgrund der hohen Nachfrage – komplett aus dem Projektgeschäft ab dem ersten Tag.

Automobil Produktion: Was sind Ihre nächsten Schritte?
Mit Blick auf die Zerspanungsthematik bin ich derzeit gerade in Gesprächen mit Marktführern der Branche. Dabei gilt es zu evaluieren, welche Use Cases erste Testkandidaten sein werden. Wir haben noch kein Referenzprojekt, sondern sehen für das Thema einen potenziellen Markt. In kleinen Piloten wollen wir das Potenzial ausloten. Aktuell sind wir sehr beratungslastig unterwegs, da wir vom Markt, vom Kunden lernen, wie der Bedarf aussieht. Gleichzeitig treiben wir aber auch die Produktentwicklung für unser Framework „HALerium“ voran. Bei HALerium sind wir unsere eigenen Kunden, da wir damit die Prozesse modellieren und anschließend die Optimierungen vornehmen. 2019 stecken wir viele Ressourcen in die Produktentwicklung, damit dann zum Ende des Jahres auch externe Data Science-Beratungen dieses Produkt von uns erwerben und lizenzieren können, um ihrerseits ihre Optimierungsprojekte damit durchzuführen. Bereits Mitte des Jahres wollen wir eine Software in einer Alpha-Version anbieten, die es dem Ingenieur ermöglicht, die Prozess-Modellierung selbst vorzunehmen.