Kevin, KI bringt große Veränderungen ins Unternehmen. Ist die Einführung aufgrund ihrer disruptiven Wirkung vor allem eine Management-Aufgabe?

Also, was ich und meine Kollegen bei Kunden beobachten, ist: Ein Unternehmen muss eine KI-Strategie und einen Verantwortlichen haben, der das große Ganze im Blick hat. Was wir auch sehen, ist, dass man KI nicht einfach top-down durchdrücken kann. ‚So, wir machen jetzt KI und ihr zieht alle mit‘, das funktioniert nicht. Blickt man auf KI in der Produktentwicklung, so müssen auch die Domainexperten, die Ingenieure mitgenommen werden. Sie müssen von KI überzeugt sein und ihren Wert kennen. Denn sie sind diejenigen, die die Daten generieren und die beurteilen können, ob ein KI-Modell richtig ist oder nicht. Die müssen damit arbeiten, nicht die Chefs.

Für eine Einführung brauchst du Ressourcen, auch deren Bereitstellung ist Sache des Managements. Beispielsweise die notwendige Zeit für diejenigen, die sich mit einem Use Case beschäftigen sollen. Was noch?

Wir sprechen hier von einer ganzheitlichen Geschichte, die im Management global gesteuert werden muss. Dazu gehört auch, aufzuklären und den Ingenieuren die Angst zu nehmen, dass sie mittelfristig ersetzt werden könnten. Vielmehr sollen sie in der KI ein Werkzeug sehen, das bestimmte Prozesse beschleunigt und vereinfacht, das ihnen repetitive Aufgaben abnimmt und das ihnen dadurch mehr Zeit für kreative Aufgaben gibt.

Dass Führung notwendig ist, haben wir auch schon in Kunden-Workshops erlebt, z.B. wenn die Meinungen zur KI beim Simulations- und Versuchsingenieur unterschiedlich sind. Da muss das Management moderieren und Entscheidungen treffen. Wichtig ist, dass das Management dafür sorgt, dass in solchen Workshops alle Beteiligten dabei sind.

Wenn KI eingeführt wird, geht es auch um eine entsprechende Qualifikation der Mitarbeitenden. Benötigt ein Unternehmen zwingend Machine-Learning-Experten?

Für die Verwendung unserer Lösung STOCHOS braucht man eigentlich keine KI-Experten. STOCHOS ist ein Werkzeug für den Ingenieur, den Domainexperten. Was natürlich nicht schadet ist, einige Basics zu kennen: Welche Daten in welcher Form, welche Größen lassen sich mit KI vorhersagen, welche sind eher ungeeignet? Um dafür ein Gefühl zu entwickeln, sollten sich die Anwender schon etwas mit dem Thema vertraut machen.

Dabei kann auch CADFEM seine Kunden unterstützen, speziell das eLearning zum Thema KI ist mit Sicherheit eine gute Hilfe. Bei STOCHOS empfehlen wir den Aufbau eines Grundwissens. Bei vielen anderen Lösungen, gerade Open Source, wird das allerdings nicht ausreichen, da ist deutlich mehr KI-Fachexpertise notwendig.

Gibt es eigentlich ein generelles Vorgehen für die Implementierung von künstlicher Intelligenz im Unternehmen?

Nicht wirklich, man muss immer ein bisschen unterscheiden, zum Beispiel nach Firmengröße. In Großunternehmen gibt es den IT-Verantwortlichen, den Ingenieur und vielleicht sogar auch schon den KI-Spezialisten und weitere Fachexperten. Da hat man die Möglichkeit, Aufgaben rund um die KI-Implementierung zu verteilen: Der IT-Verantwortliche kennt die Rechenressourcen, Cluster, Cloud-Lösungen, wie auch immer. Der Ingenieur kümmert sich nur um die Daten und der KI-Spezialist schaut, dass mit den Daten das Modell trainiert wird – und zwar auf der Cloud, die der IT-Experte eingerichtet hat. Wenn man entsprechend aufgestellt ist, rate ich unbedingt zu interdisziplinären Teams.

In einem kleineren Unternehmen ist das eher alles ein und dieselbe Person. Die – meist ist es der Ingenieur – muss nun zusehen, wo sie das Ganze rechnen kann, und sie muss das KI-Tool bedienen können. Hier zahlt sich ein Tool wie STOCHOS besonders aus.

Gibt es bei KI auch Grenzen? Oder anders gefragt: Was zeichnet Anwendungsfälle aus, die sich eher nicht bzw. besonders gut eignen?

Grundsätzlich gilt: Überall dort, wo es Daten mit mehr oder weniger deterministischen Zusammenhängen gibt, kann man versuchen, aus diesen mit KI ein entsprechendes Modell aufzubauen. Es geht um Versuchsdaten, Simulationsdaten, Produktionsdaten, Robotiksteuerung und so weiter. Was genau dann das konkrete Ziel, die Erwartung ist, bestimmt das Unternehmen.

Aber natürlich hat KI auch Grenzen, das sollte allen klar sein. Was ein KI-Tool z.B. nicht kann, ist eine Simulation komplett ersetzen. Die Daten müssen ja von irgendwo herkommen. Deshalb wird ein KI-Tool auch niemals den Ingenieur ersetzen, der die Physik versteht und beurteilen kann, welche Daten und Parameter man braucht und ob das, was die KI sagt, plausibel ist. Es ist einfach ein weiteres Werkzeug.

Schauen Sie sich hier das vollständige Interview an: YouTube-Video anschauen