KI-Wissen für Ingenieure (Teil 3) KI-Implementierung: Von der Datengrundlage bis zum EU AI Act

KI ist kein Selbstläufer. Wer Algorithmen in der Werkshalle zum Einsatz bringt, merkt schnell: Der Erfolg hängt nicht in erster Linie an der reinen Software, sondern an den Daten, der strukturierten Vorbereitung und den rechtlichen Rahmenbedingungen.

Wenn Unternehmen erste Projekte mit KI planen, liegt die Priorität oft auf der technischen Umsetzung. Doch Sebastian Maier, Wissenschaftler am Fraunhofer IGCV und Referent beim Mittelstand-Digital-Zentrum Augsburg, ordnet ein: „Die KI selbst ist meistens nur so zehn Prozent des Aufwands. 90 Prozent des Aufwands liegen erstmal darin, die Daten so aufzunehmen, so zu speichern, dass man sie am Ende des Tages auch gut verwerten kann.“ Hinzu kommen die Integration in bestehende IT-Infrastrukturen und die Klärung rechtlicher Fragen.

KI-Projekte im Mittelstand scheitern selten an der Technologie selbst. Sie scheitern, weil Daten fehlen, Prozesse vorab nicht verstanden wurden oder der rechtliche Rahmen unklar ist. Dieser dritte und letzte Teil unserer Artikelserie beleuchtet, wie der Weg von der rohen Datengrundlage über die strukturierte Implementierung bis hin zur Konformität mit dem kommenden EU AI Act in der Praxis aussieht.Die vorherigen Teile der Serie sind hier (Teil 1)und hier (Teil 2) zu finden.

Bildergalerie

Die unverschämte Effektivität von Daten

Schon 2010  beschrieben KI-Forschende „the unreasonable effectiveness of data“. Eine der Kernthesen lautet, dass schiere, gigantische Datenmassen komplexe Programmierungen oft verblüffend mühelos schlagen. Doch ganz so einfach ist das natürlich nicht: In der industriellen Praxis reicht eine große Datenmenge allein nicht aus, damit eine KI von selbst nützliche Muster erkennt. Machine Learning erfordert hier eine fundierte Datenstrategie, die auf vier Säulen ruht:

• Menge,

• Repräsentativität,

• Qualität,

• und vorhandene relevante Merkmale.

Zunächst ist eine ausreichende Menge an Trainingsdaten unerlässlich. Ein Algorithmus kann Bauteilfehler nicht zuverlässig erkennen, wenn ihm nur zwei oder drei fehlerhafte Bilder als Referenz dienen. Maier betont: „Je mehr Daten ich habe, desto besser wird auch die Performance genau dieser Algorithmen sein. In dem Fall gibt es eigentlich kein ‘Zu-viel’ an Daten.“ Doch die reine Menge ist wertlos, wenn die Daten qualitativ minderwertig sind. In industriellen Anlagen kommt es häufig vor, dass Sensoren rauschen, Vorzeichenfehler auftreten oder Messwerte bei einem Defekt schlicht auf den Wert null abfallen.

Solche korrupten Daten entwerten das Training. Die KI-Modelle „verzeihen zwar, wenn die Daten ab und zu qualitativ schlecht sind. Da bügeln die einfach drüber. Wenn aber ein Großteil der Daten korrupt und qualitativ nicht hochwertig ist, dann werden auch genau diese Machine-Learning-Algorithmen am Ende des Tages nichts Sinnvolles daraus lernen können“, weiß der KI-Forscher Maier.

Außerdem muss das Verhältnis der relevanten Merkmale im Datensatz stimmen. Es nützt wenig, eine Million Datenpunkte zu sammeln, wenn nur zehn davon die tatsächlich gesuchte Information beinhalten. In einem solchen Fall findet der Algorithmus die sprichwörtliche Nadel im Heuhaufen nicht, weil das statistische Verhältnis nicht ausreicht. Oft ist es effektiver, nur hundert hochqualitative Datenpunkte zu besitzen, von denen zehn die relevanten Informationen tragen.

KI-Wissen für Ingenieure (Teil 1)

KI-Grundlagen: Wie lernen Maschinen in der Fabrik das Denken

Das Husky-Wolf-Dilemma: Wenn die KI das Falsche lernt

Die vierte Säule, die Repräsentativität der Daten, ist oft am schwierigsten zu greifen und birgt das größte Risiko für einen sogenannten Bias (Verzerrung). Wie schnell ein Modell unbemerkt falsche Zusammenhänge lernt, verdeutlicht Maier mit einem bekannten Fall aus der Bildverarbeitung: das Husky-Wolf-Dilemma.

Ein KI-System sollte darauf trainiert werden, auf Fotos zu unterscheiden, ob ein Wolf oder ein Husky abgebildet ist. Tausende Bilder wurden von Menschen entsprechend markiert und in das neuronale Netz eingespeist. In ersten Tests schien das System hervorragend zu funktionieren. Doch plötzlich stufte das Modell ein Bild, das für den Menschen eindeutig einen Husky zeigte, fälschlicherweise als Wolf ein. Bei einem anderen Testbild wurde ein echter Wolf als Husky klassifiziert.

Die Ursachenforschung deckte einen fundamentalen Fehler in der Trainingsdatenbank auf. Alle Bilder, die dem System als „Wolf“ präsentiert wurden, zeigten die Tiere in einer Winterlandschaft mit Schnee im Hintergrund. Das Bild des falsch erkannten Huskys wies ebenfalls einen weißen Hintergrund auf, während der falsch klassifizierte Wolf vor einem grünen Waldhintergrund stand.

Das Fazit hierzu lautet: „Das Modell hat nicht gelernt zu entscheiden, was ist auf dem Bild zu sehen, sondern es hat anhand des Hintergrundes entschieden.“ Das System hatte kein abstraktes Verständnis davon entwickelt, was einen Wolf biologisch ausmacht. Es fällte seine Entscheidung rein auf Basis der dominanten weißen Pixel im Hintergrund.

Übertragen auf die industrielle Qualitätssicherung bedeutet dies: Wenn Kamerasysteme in der Produktion trainiert werden, Risse in Bauteilen zu erkennen, das Licht beim Training aber immer aus derselben Richtung kommt, lernt die KI womöglich nicht, den Riss zu erkennen, sondern lediglich den spezifischen Schattenwurf.

Das Vorgehensmodell MANU-ML: Struktur für den Mittelstand

Um solche Fehler zu vermeiden und KI-Projekte strukturiert in die Produktion zu bringen, greifen Forschung und Praxis auf Vorgehensmodelle wie MANU-ML zurück.

Im Kern funktioniert das Vorgehensmodell wie ein mehrstufiger Filter, bei dem vor der eigentlichen Programmierung zunächst die Wirtschaftlichkeit und die technischen Anlagenvoraussetzungen streng geprüft werden. Erst wenn der zu erwartende Nutzen die Kosten übersteigt und das Auslesen der Daten gesichert ist, beginnen die Experten mit der technischen Umsetzung der KI.

Eine zentrale Regel lautet dabei stets: Man sollte immer dort ansetzen, wo Ineffizienzen oder der Ausschuss am höchsten sind. Es ist nicht sinnvoll, KI als reinen Selbstzweck zu betreiben. Maier rät den Unternehmen eindringlich: „Kommen Sie nicht über die KI-Seite, sondern kommen Sie immer über die Prozessseite und sagen Sie: Wo habe ich die höchsten Ineffizienzen aktuell, wo habe ich viel Ausschuss.“

Für einen erfolgreichen Rollout müssen fünf Personengruppen von Beginn an einen Tisch gebracht werden:

• Manager, also Entscheider, die das Budget und die strategische Richtung sicherstellen;

• Prozessexperten, die etwa die physikalischen und chemischen Parameter der Anlage im Detail kennen;

• Prozesstechniker, die wissen, welche Sensoren verbaut sind und wie die Schnittstellen der speicherprogrammierbaren Steuerungen (SPS) funktionieren;

• Data Scientists, welche die eigentlichen Machine-Learning-Modelle entwickeln und trainieren;

• IT-Integratoren, die dafür sorgen, dass die Lösung sicher im Unternehmensnetzwerk betrieben werden kann.

Nun hat kaum ein Mittelständler all diese Expertise parat. Doch der Wissenschaftler beruhigt: „Sie müssen in Ihrem Unternehmen nicht alles dieser Expertise haben. Es ist relativ einfach, sich da Dienstleister oder sonstige IT-Firmen mit dazu zu ziehen, die Sie genau in diesem Prozess unterstützen.“

Oft wird dabei jedoch die eigene IT-Abteilung zu spät eingebunden. Doch gerade im industriellen Umfeld müssen Netzwerke, Serverkapazitäten und Datensicherheit von Beginn an mitgedacht werden, da industrielle KI-Systeme hochsensible Maschinendaten verarbeiten.

Retrofit und Realitätscheck: Neu ist nicht immer besser

Bevor Algorithmen programmiert werden, steht eine umfassende technische Bestandsaufnahme an. Es muss geklärt werden, welche Hard- und Software in der Anlage vorhanden ist, ob proprietäre Protokolle genutzt werden oder ob bereits herstellerübergreifende Standards wie OPC UA zur Datenübertragung etabliert sind.

Oft herrscht die Sorge, dass für KI zwingend hochmoderne, neue Maschinen angeschafft werden müssen. In der Realität ist das Gegenteil der Fall. „Neu ist nicht immer besser. Es gibt einen riesigen Bereich, der nennt sich Retrofit, wo Sie alte Anlagen sehr, sehr einfach nachdigitalisieren können, wo Sie Ihre Anlagen eigentlich fast nicht anfassen müssen“, erklärt Maier. Alte Anlagen lassen sich oft mit zusätzlicher Sensorik und Edge-Computing digital aufrüsten, ohne die grundlegende SPS austauschen zu müssen.

Dieser Schritt der technischen Bestandsaufnahme führt zum wichtigsten Meilenstein eines jeden KI-Projekts: dem Geschäftsverständnis. An diesem Punkt müssen die erwarteten Personal- und Softwarekosten dem tatsächlichen Nutzen gegenübergestellt werden. Wenn die Rechnung nicht aufgeht, ist genau jetzt der richtige Zeitpunkt, das Projekt abzubrechen. Wer diesen Realitätscheck ignoriert, verbrennt in der späteren Implementierung teures Budget für Hardware, die keinen wirtschaftlichen Ertrag liefert.

KI-Wissen für Ingenieure (Teil 2)

KI in der industriellen Praxis: Von der Theorie in die Werkshalle

Der EU AI Act in der Praxis

Neben den technischen Herausforderungen müssen produzierende Unternehmen künftig auch neue regulatorische Vorgaben beachten. Am 2. August 2026 tritt der EU AI Act in Kraft. Das Ziel der Europäischen Union ist es, Risiken durch KI-Anwendungen wie unbemerkte Bias-Effekte, Manipulation oder ungewollte Überwachung zu minimieren.

Das Regelwerk teilt KI-Anwendungen in vier Risikoklassen ein:

• Klasse I betrifft verbotene KI, die ein inakzeptables Risiko stellt, wie etwa Systeme zum sozialen Scoring oder zur emotionsbasierten Überwachung am Arbeitsplatz.

• Klasse II umfasst Hochrisiko-KI, die unter anderem in kritischen Infrastrukturen oder bei der medizinischen Diagnostik zum Einsatz kommt.

• Klasse III regelt Systeme mit begrenztem Risiko, bei denen Menschen direkt mit KI interagieren, wie es bei Chatbots oder Deepfakes der Fall ist (hier greift eine strikte Kennzeichnungspflicht).

• Klasse IV beinhaltet Anwendungen mit minimalem Risiko, wie etwa klassische KI-gestützte Spam-Filter, für die primär bestehendes Recht wie die Datenschutz-Grundverordnung (DSGVO) gilt.

Anbieter vs. Betreiber: Die gefährliche Grauzone

Besonders im industriellen B2B-Sektor birgt der EU AI Act eine juristische Stolperfalle: Das Gesetz unterscheidet strikt zwischen dem Anbieter (Provider) und dem Betreiber (Operator) einer KI. Der Anbieter entwickelt und vertreibt die Lösung. Der Betreiber nutzt die KI in seinem Unternehmen unter eigener Aufsicht.

Wie schnell Unternehmen hier in eine Doppelrolle geraten können, zeigt Maier mit dem fiktiven Beispiel der Firma Digipro. Das Unternehmen entwickelt eine Kundenverwaltungssoftware. Um einen intelligenten Assistenten anzubieten, integriert Digipro eine KI-Schnittstelle von OpenAI. In diesem Moment ist OpenAI der Anbieter und Digipro der Betreiber der KI.

Das Konstrukt wird jedoch kompliziert, sobald Digipro diese erweiterte Softwareplattform an die eigenen Industriekunden verkauft. Rechtlich gesehen wird Digipro durch den Vertrieb der KI-gestützten Plattform plötzlich selbst zum Anbieter. Das Unternehmen muss nun die strengen Pflichten beider Rollen erfüllen. Bei Hochrisiko-Anwendungen bedeutet dies, dass das Unternehmen vollständige Transparenz schaffen, Nachweise zur Robustheit und Cybersicherheit erbringen sowie eine umfassende Dokumentation für die zuständigen Behörden vorhalten muss. Unternehmen, die KI-Funktionen über externe Schnittstellen in ihre eigenen B2B-Produkte einbauen, müssen sich dieser neuen Verantwortung ab Sommer 2026 bewusst sein.

AI Act: Sicherheitsrahmen statt Innovationsbremse

KI bietet in der industriellen Fertigung immense Potenziale, um Ausschuss zu reduzieren, Wartungszyklen zu optimieren oder Energie einzusparen. Der kommende EU AI Act sollte nicht als Innovationsbremse, sondern als Leitplanke für robuste und sichere Industrie-Anwendungen verstanden werden. Letztlich bleiben der physikalische Produktionsprozess und das Fachwissen der Belegschaft der Kern der Wertschöpfung. Die KI ist lediglich das bisher mächtigste Werkzeug, um diese Prozesse nachhaltig zu verbessern. (mc)

(ID:50916244)