Generative KI und traditionelles ML: Ein Rezept für analytischen Erfolg

In der neuesten Folge des Augmented Ops Podcasts sprachen wir mit Dr. Lisa Graham, CEO der Seeq Corporation, die Softwaretools für die industrielle Prozessanalyse entwickelt. In der Folge mit dem Titel"Gen AI, Democratization, and the Future of Industrial Analytics" (Gen KI, Demokratisierung und die Zukunft der industriellen Analytik) schöpft Dr. Graham aus ihrer umfangreichen Erfahrung und teilt ihre Ansichten über die Zukunft von Daten und Analytik. Sie begann ihre Karriere als Prozessingenieurin und Endanwenderin von Seeq und anderen BI-Tools, bevor sie in das Unternehmen eintrat und zum CEO aufstieg. Sie gibt nuancierte Einblicke in die Rolle von Daten bei der Prozessverbesserung, die anhaltende Bedeutung der traditionellen machine learning und den Wert, den die generative KI im Bereich der Analytik zu bringen verspricht.

Ihre Einblicke zeigen die Herausforderungen, mit denen Industrieunternehmen konfrontiert sind, insbesondere die Notwendigkeit, die riesigen Mengen an Rohdaten, die sie täglich sammeln, in verwertbare Erkenntnisse umzuwandeln, die es Ingenieuren ermöglichen, ihre Prozesse kontinuierlich zu verbessern.

Dr. Graham unterstrich die Bedeutung von Daten für den Betrieb an vorderster Front und betonte ihre Schlüsselrolle bei der Steigerung der betrieblichen Effizienz und der Prozessverbesserung. "Es ist wichtig, dass wir erkennen, dass Daten und Analysen ein entscheidender Teil des Betriebs sind", erklärt sie. "Ich meine, vom Betrieb bis hin zu den Prozessen, der Ausrüstung und der Überwachung. Das ist es, was die Schlüsselintelligenz ermöglicht, um das voranzutreiben, worüber jeder spricht." Wie sie erklärt, ist es von entscheidender Bedeutung, aus Daten verwertbare Erkenntnisse zu gewinnen, um die Produktqualität effektiv zu verbessern, den Energieverbrauch zu senken und die Rentabilität sicherzustellen.

Trotz der Fülle an Daten in den Branchen wies Dr. Graham auf eine gemeinsame Herausforderung hin: die Umwandlung dieser Fülle an Rohdaten in nützliche, umsetzbare Erkenntnisse. Sie identifizierte ein Szenario, das sie als "DRIP" bezeichnete - ein häufiger Fallstrick vieler Unternehmen, der sich darauf bezieht, dass sie zwar datenreich, aber informationsarm sind. Diese Situation, in der Unternehmen zwar über eine Fülle von Daten verfügen, aber nicht in der Lage sind, diese effektiv zu nutzen, stellt ein erhebliches Hindernis für den betrieblichen Fortschritt dar.

Dr. Graham gibt eine Reihe von Beispielen, wie Hersteller ihre Abläufe durch die Nutzung ihrer Daten verändert haben. In einem Fall beschreibt sie ein Unternehmen mit Tausenden von Anlagen, das aber nur Einblick in einige Hundert davon hatte. Das bedeutete, dass das Unternehmen zwar in der Lage war, diese relativ kleine Handvoll Anlagen zu optimieren, aber nicht über die nötigen Erkenntnisse verfügte, um den Rest zu optimieren. Durch die Nutzung eines leistungsstarken Tools wie Seeq zur Aggregation der Datenquellen und zur Durchführung von Analysen konnte das Unternehmen zu einer ausnahmebasierten Überwachung aller Anlagen übergehen, wodurch es einen besseren Einblick erhielt und seine Prozesse erheblich optimieren konnte.

Eines der wichtigsten Werkzeuge, um die riesigen Datenmengen, die gesammelt werden, in wertvolle Erkenntnisse zu verwandeln, ist machine learning (ML). Dr. Graham stellt fest, dass "die traditionelle machine learning [weiterhin] einen erstaunlichen geschäftlichen Nutzen zeigt, auch bei Zeitreihen und Analysen."

In Bezug auf das viel gepriesene Thema der generativen KI vertritt sie die Ansicht, dass es bei der generativen KI nicht darum geht, die traditionelle ML zu ersetzen, sondern sie zu ergänzen. Generative KI hat das Potenzial, deutlich intuitivere, benutzerfreundlichere Analysetools zu ermöglichen, die den Datenzugriff über verschiedene Unternehmensrollen hinweg weiter demokratisieren können. Indem sie zum Beispiel natürlichsprachliche Eingaben entgegennimmt und die notwendigen SQL-Abfragen und Visualisierungen generiert, verspricht diese aufkommende Technologie, das Feld der fortgeschrittenen Analytik auch für Menschen zu öffnen, die keine ausgebildeten Ingenieure oder Datenwissenschaftler sind. Dies ist ein großer Schritt in Richtung Demokratisierung dessen, was einst eine hochspezialisierte Fähigkeit war, die nur wenige besaßen.

Dr. Graham stellt sich eine Zukunft vor, in der fortschrittliche Analytik ein integraler Bestandteil des Werkzeugkastens eines jeden Mitarbeiters wird, unabhängig von seinem technischen Hintergrund. Da die Industrien immer größere Datenberge erzeugen, wird die Rolle der Analytik bei der Steigerung der operativen Exzellenz immer deutlicher, und die Unternehmen, die in der Lage sind, sich diese Vorteile effektiv zunutze zu machen, werden florieren. Sie glaubt, dass "in den nächsten Jahren, vor allem in den nächsten 24 Monaten, die Rolle der Analytik noch wichtiger werden wird. Wenn wir also über machine learning oder generative KI oder alles, was sonst noch kommen könnte, nachdenken, kommen wir auf die Rolle der Analytik zurück, da die datengesteuerten Entscheidungen weiterhin zu Produktivitäts- und Nachhaltigkeitsgewinnen führen."

Dr. Graham ist zwar optimistisch, was die Technologie angeht, weist aber auch darauf hin, dass die generativen KI-Funktionen eine Reihe von wichtigen Einschränkungen haben, die berücksichtigt werden müssen, bevor Unternehmen sie in ihre Prozesse integrieren. "Unternehmen müssen sich der Grenzen und Risiken bewusst sein, die damit verbunden sind, wie z.B. Datenprobleme, 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 außerdem, dass "die Ergebnisse der generativen KI validiert werden müssen". Sie erklärt, dass die Ergebnisse der generativen KI nur so gut sind wie die zugrunde liegenden Daten und Modelle, auf denen sie basieren. Und obwohl sie glaubt, dass die Einstiegshürde in die Analytik deutlich gesenkt wird, betont sie, dass "entgegen der landläufigen Meinung die generative KI eine menschliche Aufsicht benötigt, um effektiv zu funktionieren; sie ersetzt nicht die Notwendigkeit von Fachexperten, sondern ergänzt deren Fachwissen.

"Gen AI ist keine Zauberei", behauptet sie. Der eigentliche Wert der Technologie ergibt sich aus ihrer Einbindung in einen größeren Werkzeugkasten zur Lösung betrieblicher Probleme. Da diese Werkzeuge in immer mehr Produkten Einzug halten, müssen die Hersteller sorgfältig überlegen, wie sie diese Technologie in ihre Prozesse integrieren.