Im Zuge eines Interviews bei Autlook diskutiert Fr. Ing DI Jutta Isopp über Machine Learning und was passieren muss damit es in der Praxis ankommt.
Seit wann ist Machine Learning für Sie ein Thema?
Seit mehr als 10 Jahren, automatisiertes Lernen gibt es doch schon einige Zeit. Komplexe Aufgaben werden mehr und mehr in die Automatisierung transferiert, Datenerfassung und -speicherung ist technisch bereits gut gelöst. Es geht jetzt darum, mit den Daten auch nutzbringend zu arbeiten.
Wo sind Einsatzmöglichkeit und nachfrage am größten?
Wir sind in der Instandhaltung tätig, da ist der Hype um Predictive Maintenance recht hoch. Ich sehe jedoch eine Diskrepanz zwischen dem, was versprochen wird, und dem, was tatsächlich umgesetzt werden kann. Dies liegt daran, dass mit den vorhandenen Daten noch zu selten aussagekräftige Ergebnisse zu erzielen sind.
Wie ist die Datenlage, die man in der Industrie vorfindet?
Hier sieht man derzeit die Kluft zwischen den Datenanalysten und dem, was in den Unternehmen tatsächlich an Daten vorliegt. Derzeit gibt es eine große Lücke bei der Umsetzung von Condition Monitoring. Für die Erfassung von instandhaltungsrelevanten Daten sind noch einige Hausaufgaben zu machen.
Welche Tools, Verfahren, Technologien sind für die am sinnvollsten?
Wir beginnen immer mit einem Datenreifecheck, erst daraus ergibt sich der mögliche Ansatz für Tools und Verfahren. So unterschiedlich die Kundenbedürfnisse sind, so vielfältig sind auch die angebotenen Lösungen. Die großen SPS-Hersteller haben bereits viel in Analytics und ML investiert, das bringt den Vorteil einer guten Integrationsmöglichkeit in bestehende Industrieumgebungen.
Wie erleben Sie Nachfrage und Akzeptanz von ML in den Unternehmen?
Zwischen der Welt der Data Scientists und der Maintenance gibt es noch große Verständnisschwierigkeiten, hier ist noch „Übersetzungsarbeit“ zu leisten. Oft bestimmen auch die Tools die Anwendung und nicht die Problemstellung das Tool, daher ist die Verunsicherung der Anwender recht groß.
Die Grenzen des Systems: Wofür eignet sich ML nicht?
Innerhalb überschaubarer Systemgrenzen und gut definierter Anforderungen lassen sich mit ML bereits gewaltige Verbesserungen erzielen, nicht aber in einem komplexen Industriesystem mit Einzelmaschinen und schlecht definierten Ereignissen. Derzeit ist der Aufwand zum Nutzen oft noch sehr hoch. Dies wird sich aber mit der Anzahl umgesetzten Projekten deutlich bessern.