KI-Engineering in industriellen Datenräumen

Das Anwendungspotenzial von KI-Verfahren in der Industrie ist durch die Verfügbarkeit von hoher, skalierbarer Rechenleistung, großer Datenmengen (Big Data, Datenräume) sowie technologischen Durchbrüchen (u. a. große Sprachmodelle, Robotik) stark gestiegen. In technischen Anwendungen sind KI-Projekte aber oftmals nicht nachhaltig im Sinne eines operativen und wirtschaftlich erfolgreichen KI-Systems. Gründe dafür sind Risiken bei der Leistungsfähigkeit von KI-Systemen, bereits prognostizierbar in der Entwicklung und dauerhaft sichergestellt im Betrieb. Als Maßnahme zur Verbesserung bietet sich die Methodik KI-Engineering an, definiert als "systematische Entwicklung und Betrieb von KI-basierten Lösungen als Teil von Systemen, die komplexe Aufgaben erfüllen". Die meisten KI-Verfahren benötigen eine große Menge an repräsentativen Trainingsdaten. Ein Teil davon wird (teilweise mit hohem Aufwand) im eigenen Unternehmen oder über eigene (Sensor-) Datenmanagementsysteme gewonnen. Andere Teile müssen aber von anderen Unternehmen oder auch öffentlichen Institutionen bezogen werden. Für eine effiziente Datengewinnung bieten sich hier industrielle Datenräume an. Das Buchkapitel bringt beide Aspekte praxisnah zusammen. Neben einer Einordnung des KI-Engineering in die Geschichte der KI und des Systems Engineering werden Vorgehens- und Datenraummodelle, Regulatorik und Ethik sowie praxisnahe Beispiele beleuchtet. Das Kapitel schließt mit einer Übersicht über zukünftige wissenschaftliche-technologische Herausforderungen.