Industrielle KI und Datenökosysteme: Zwei Seiten einer Medaille

Den Weg in eine erfolgreiche Zukunft können Unternehmen nicht im Alleingang erfolgreich beschreiten. Nur in Kooperation mit gleich gesinnten Partnern des gesamten Wertschöpfungsnetzwerks, in dem jeder seine Stärken ausspielt, können KI-Modelle Mehrwert für alle Beteiligten stiften. Datenökosysteme bzw. Datenräume bilden dabei die Basis für den nutzbringenden Einsatz von industrieller KI, besonders für kleine und mittlere Fertigungsbetriebe. Sie nutzen Daten aus unterschiedlichen Quellen, bieten über standardisierte Konnektoren einfachen Zugang zum Datenökosystem und ermöglichen damit wiederverwendbare KI-Anwendungen.

Datenökosysteme erleichtern Datenzugänglichkeit und -qualität, auch über Unternehmensgrenzen hinweg, beispielsweise durch Zugriff auf Maschinen-, Prozess-, Qualitäts- und/oder Wartungsdaten aus verschiedenen Quellen. Standardisierte Formate und Metadaten, die die Datenökosysteme festlegen, ermöglichen die gezielte Nutzung von Laufzeitdaten. Offene Standards, die immer weiter Einzug in die produzierende Industrie halten, erleichtern dann die Kombination von Daten aus unterschiedlichen Systemen, zum Beispiel MES, ERP-, Scada-, PLM-Systemen.

Oftmals zögern Unternehmen allerdings beim Datenaustausch über Unternehmensgrenzen hinweg. Sie befürchten, ihr langjährig aufgebautes Know-how mit den Daten preiszugeben. Hier bringen Datenökosysteme Vorteile: Sie bieten maximalen Schutz durch festgelegte Governance und Datensicherheit. So erleichtern und unterstützen Rollen-, Zugriffs- und Nutzungskontrollen, vertrauenswürdige Datenquellen und automatisierbare Datenverträge (Datenzugriffsvereinbarungen) den Datenaustausch im Netzwerk. Damit können Ökosystempartner, beispielsweise Lieferanten, Kunden oder Dienstleister, Daten kompletter Wertschöpfungsketten integrieren und zum Nutzen aller Potenziale ausschöpfen, die sie allein niemals heben könnten. Daraus resultieren Vorteile beim Einsatz von künstlicher Intelligenz und maschinellem Lernen, wie:

bereits vorhandene, vorbereitete Datensätze sind für mehrere KI-Anwendungen nutzbar, unter anderem Predictive Maintenance, Prozessoptimierung oder Qualitätssicherung,

die KI-Modelle haben höhere Modellqualität und sind vertrauenswürdig, weil saubere, konsistente Daten die Modellgenauigkeit verbessern und damit zu Stabilität und Verständlichkeit der KI-Anwendungen führen ermöglichen die gezielte Nutzung von Laufzeitdaten. Offene Standards, die immer weiter Einzug in die produzierende Industrie halten, erleichtern dann die Kombination von Daten aus unterschiedlichen Systemen, zum Beispiel MES, ERP-, Scada-, PLM-Systemen.

Oftmals zögern Unternehmen allerdings beim Datenaustausch über Unternehmensgrenzen hinweg. Sie befürchten, ihr langjährig aufgebautes Know-how mit den Daten preiszugeben. Hier bringen Datenökosysteme Vorteile: Sie bieten maximalen Schutz durch festgelegte Governance und Datensicherheit. So erleichtern und unterstützen Rollen-, Zugriffs- und Nutzungskontrollen, vertrauenswürdige Datenquellen und automatisierbare Datenverträge (Datenzugriffsvereinbarungen) den Datenaustausch im Netzwerk. Damit können Ökosystempartner, beispielsweise Lieferanten, Kunden oder Dienstleister, Daten kompletter Wertschöpfungsketten integrieren und zum Nutzen aller Potenziale ausschöpfen, die sie allein niemals heben könnten. Daraus resultieren Vorteile beim Einsatz von künstlicher Intelligenz und maschinellem Lernen, wie:

• bereits vorhandene, vorbereitete Datensätze sind für mehrere KI-Anwendungen nutzbar, unter anderem Predictive Maintenance, Prozessoptimierung oder Qualitätssicherung,
• die KI-Modelle haben höhere Modellqualität und sind vertrauenswürdig, weil saubere, konsistente Daten die Modellgenauigkeit verbessern und damit zu Stabilität und Verständlichkeit der KI-Anwendungen führen,
• das Teilen von Daten in vertrauenswürdigen Datenökosystemen vermeidet teure Insellösungen und ermöglicht schrittweisen und damit risikoreduzierten Einsatz von KI vom Piloten bis zur Skalierung. Die Standards führen zu weniger Datenaufbereitung pro Projekt und damit zu schnelleren Prototypen und deren iterativer Optimierung.
• partnerschaftliche Wertschöpfung entsteht, weil Unternehmen einer Wertschöpfungskette Daten kooperativ  nutzen, beispielsweise gemeinsam trainierte Modelle mit Zulieferern, und so gemeinsam ihre Wettbewerbsfähigkeit stärken. Am Ende profitiert jeder Teilnehmer des Datenökosystems.