#35 Leichter Einstieg in die Künstliche Intelligenz mit No-Code AutoML

Folge – Auto-ML

Klimaneutral Digital – der Info-Podcast für den Mittelstand. Wir unterstützen Sie mit konkreten Praxisbeispielen und passgenauen anbieterneutralen Angeboten rund um die Digitalisierung, damit Sie Ihre Klimaziele erreichen. Unser Angebot ist für Unternehmen kostenfrei. Hallo und herzlich willkommen zu einer neuen Folge von Klimaneutral Digital. Sie sind mit Ihrem Unternehmen auf dem Weg zur Klimaneutralität. Wir helfen Ihnen dabei. Egal, wie weit Sie dabei schon gekommen sind, wir sind an Ihrer Seite. Vor allem, wie Ihnen die Digitalisierung dabei helfen kann, das erfahren Sie hier. Mein Name ist Mats Kerstning und heute geht es um maschinelles Lernen. Und dazu ist Katharina Strecker bei mir. Katharina, würdest du dich bitte selber einmal kurz vorstellen? Genau, ich bin Katharina Strecker, beim Mittelstand Digitalzentrum Klimaneutral Digital KI-Trainerin. Das heißt, ich unterstütze vor allem kleine und mittelgroße Unternehmen dabei, KI umzusetzen auf dem Weg zu mehr Klimaneutralität. Ansonsten bin ich hier am Zentrum für Sonnen-Energie- und Wasserstoffforschung in Stuttgart, wissenschaftliche Mitarbeiterin im Bereich maschinelles Lernen. Und da beschäftige ich mich vor allem mit dem Thema automatisiertes maschinelles Lernen und Prognosen. Also Thema automatisiertes maschinelles Lernen, worüber reden wir genau? Ein etwas schwieriger Begriff, man kürzt ihn ab mit AutoML. Es geht darum, maschinelles Lernen zu automatisieren. Denn, vielleicht haben Sie das schon öfters mal gehört, so ein KI-Modell zu trainieren, also mit Daten zu lernen, ist ganz schön aufwendig und braucht auch viel Expertise. Man braucht hier Software-Engineers, Informatiker, die sich auskennen mit KI und die dann so ein KI-Modell trainieren und optimieren. Und entweder man kann sich so etwas leisten oder man versucht es selbst. Gerade für kleine und mittelgroße Unternehmen ist das doch eine schwierige Sache. Aber das automatisierte Lernen, das eben diesen schwierigen Prozess von KI-Modelle trainieren, automatisieren will mit KI-Methoden. Also, KI automatisiert KI. Erstmal so als schwieriger Einstieg. Ja, um es ein bisschen einfacher zu machen, hast du vielleicht ein direktes Beispiel für uns, wie sowas aussehen kann. Wahrscheinlich haben die meisten schon mal gehört, dass es sogenannte neuronale Netze gibt. Also, das ist eine bestimmte Art von KI-Modellen. Und so ein neuronales Netz, das kann man sich nicht vorstellen wie jetzt eine Datenbank oder etwas anderes, sondern das muss man ganz individuell anpassen auf die Daten, auf die Sie trainieren möchten. Also auf Ihre Daten, mit denen Sie zum Beispiel eine Vorhersage machen wollen. Und um das zu optimieren, muss man viele verschiedene Parameter einstellen, wie breit, wie viele Neuronen hat so ein neuronales Netz und wie viele Schichten. Also, so ein bisschen vielleicht wie, wie wird ein Gehirn konfiguriert, wenn man sich einen Menschen vorstellen würde. Das ist ein ziemlich komplexer Aufwand. Das müssten normalerweise Experten und Expertinnen festlegen, aber wir versuchen das mit automatisiertem maschinellen Lernen automatisch für Ihre Daten durchzuführen. Also, das ideale neuronale Netz für Ihren Datensatz. Also, wir haben jetzt schon ganz viele in anderen Folgen über Datenerfassung gesprochen. Das heißt ja, ganz viele Firmen brauchen oder sammeln erst mal Daten. Und hier geht es jetzt gar nicht um die Daten selber, sondern quasi um die Art, wie sie mit KI verarbeitet wird. Genau. Automatisiertes maschinelles Lernen setzt da an, wenn Sie schon die Daten haben und sozusagen jetzt Ihr Modell für Ihren Use Case haben wollen. So, jetzt habe ich meine Daten und möchte natürlich mit denen jetzt auch gerne was anfangen. Wie lege ich denn jetzt los? Was ist so der Einstieg in dieses inautomatisiertes maschinelles Lernen? Da gibt es zwei Möglichkeiten. Entweder man ist schon ein bisschen Programmier erfahren und sucht sich sozusagen Python Tools raus, womit man dann die Daten mit solchen AutoML Tools umsetzt. Oder man nutzt No-Code-Lösungen und kann dort, also No-Code-Lösungen, das sind meistens Web-Tools, die Daten hochladen und dann sozusagen sich mit anhand seiner Daten ein KI-Modell zusammen klicken. Wo sind da jetzt die größten Schwierigkeiten? Weil bis jetzt klingt es ja eigentlich noch relativ simpel. Also, es klingt erst mal im Gesamten kompliziert, aber wenn du sagst, ich muss da gar nicht groß programmieren, klingt es jetzt erst mal dann doch wieder einfacher. Wo sind da die Schwierigkeiten? Ja, die Schwierigkeiten sind dahingegen, dass es nicht so viele AutoML-Tools gibt bisher. Das ist eine eher neuere Technologie. Also deshalb wollen wir auch heute in dem Podcast darüber reden, um sozusagen auch Awareness zu schaffen, dass sowas existiert. Und die meisten AutoML-Tools mit No-Code sind auf Englisch und sind gar nicht unbedingt für Laien ausgelegt, sondern eher für die, auch für die Expertinnen und Experten. Und ja, das macht es schwierig, da überhaupt ein Tool zu finden, wo man sich angesprochen fühlt. Hättest du ein Beispiel wirklich, wo es schon mal konkret eingesetzt worden ist? Wir haben selber auch ein AutoML-Tool, das wird für sehr viele unterschiedliche Dinge eingesetzt. Also zum Beispiel machen wir wöchentlich damit KI-Modelle für Prognosen, für Solaranlagen, also zum Beispiel für eine Dachanlage, kann man einfach da die vorherigen Daten hochladen und hat dann vielleicht auch noch Wetterdaten. Und mit ein paar Klicks kann man sich dann ein KI-Modell trainieren lassen, das eben für die eigene Dachanlage eine Prognose macht, zum Beispiel in die Zukunft für 24 Stunden. Wenn ich mir jetzt vorstelle, ich würde es gerne machen, wie lege ich denn jetzt konkret damit los? Also das klingt für mich jetzt immer noch so ein bisschen abstrakt. Okay, es gibt Tools, aber wie komme ich jetzt als KMU zum Beispiel ins Machen? Also wie gesagt, AutoML, das startet dann, wenn man eigentlich schon weiß, was man erreichen möchte. Wenn man noch gar nicht weiß, was man machen möchte mit KI, dann ist sozusagen AutoML ein Schritt zu weit gegangen. Wenn man weiß, ich habe jetzt hier meine Daten, ich habe jetzt nehmen wir nochmal das Beispiel mit der Dachanlage, ich habe eine PV-Anlage und ich weiß auch schon, ich habe genügend Daten, da hat mir vielleicht auch jemand mich schon unterstützt, ein KI-Trainer oder KI-Trainerin, und möchte das jetzt in ein Modell gießen, dann ist man eigentlich schon fertig. Man braucht nur diese Tabelle mit ausreichend Daten und kann dann auf ein AutoML-Tool gehen und das dann hochladen. Und sobald man diesen Schritt gemacht hat, wird man Schritt für Schritt durchgeführt, wo eben auch Fragen gestellt werden zu den Daten, was möchte man damit machen, wie lange soll das trainieren, wie gut soll es sein, genau. Also eigentlich braucht man nur die Idee und die Daten, einfach gesagt. Nur die Idee ist ja für den meisten schon das Schwierigste. Hast du auch da vielleicht Tipps, wie man sich damit mal beschäftigen kann, also wo man auch vielleicht ein bisschen angeleitet wird, um zu sagen, wo kann ich es denn bei mir im Unternehmen anwenden? Ja, wir haben zum Beispiel in unserem Tool auch Beispieldatensätze, weil wir haben auch oft die Schwierigkeit, dass wir mit Unternehmen reden, die erstmal ein Beispiel brauchen, wo wir auch wissen müssen, wie würde denn so ein Datensatz aussehen? Da haben wir ganz unterschiedliche Beispiele. Also man kann zum Beispiel auch herausfinden, welche Parameter in meiner Maschine haben denn einen Einfluss auf die Leistung, also wenn man jetzt im Industriekontext denkt. Auch das lässt sich zum Beispiel mit so einem AutoML-Tool umsetzen. Man trainiert dann sozusagen auf den ganzen Parametern aus der Historie und der Leistung und findet dann mit dem Tool raus, welcher der Parameter da am wichtigsten ist. Jetzt sind wir in diesem Podcast natürlich auch immer am Thema Nachhaltigkeit interessiert. Wie kann das jetzt helfen, also wie kann automatisiertes maschinelles Lernen mir helfen, nachhaltiger zu werden? Ja, da ist eigentlich die Frage, wie kann maschinelles Lernen Unternehmen nachhaltiger machen? Wir sind ja hier am Zentrum für Sonnenenergie und Wasserstoffforschung. Wir haben Nachhaltigkeit sozusagen schon im Namen stehen. Wir beschäftigen uns ausschließlich mit dem Thema maschinellen Lernen und Nachhaltigkeit und haben hier eine große Auswahl an Projekten, auf die wir zurückblicken können. Das kann reichen von nachhaltigen Prozessen besser machen mit KI. Also man hat sowieso etwas Nachhaltiges, zum Beispiel eine Windkraftanlage oder eine PV-Anlage auf dem Industriegebäude und das möchte man einfach besser nutzen. Dann möchte man vielleicht auch herausfinden, gibt es da Probleme? Möchte man hier vielleicht Predictive Maintenance machen, also bereits nachhaltige Prozesse besser machen mit KI, effizienter? Oder man hat eben vielleicht einen anderen Business Case, der an sich jetzt eher neutral ist und den möchte man dann mit KI nachhaltiger machen. Das geht zum Beispiel, indem man eben Strom einspart oder Ressourcen einspart. KI kann auch helfen, unnötige Materialien zu reduzieren oder Ausschuss zu reduzieren. Da ist die Bandbreite wirklich groß und wir haben auch in unserem Mittelstand-Digitalzentrum viele Beispiele, wie das mit KI möglich ist. Gerne einfach informieren auf der Website. Jetzt haben ja viele Unternehmen vielleicht auch Berührungsängste, gerade wenn es um Themen wie KI geht oder automatisiertes Maschinell- und Lernen. Das ist ja alles irgendwie so ein bisschen für viele noch so eher weit weg. Wie würdest du die jetzt überzeugen wollen oder was sind jetzt so die Punkte, warum man sich als Unternehmen damit beschäftigen sollte? Also es gibt meistens zwei Möglichkeiten. Entweder man muss überhaupt die Person von KI überzeugen. Dann verweisen wir gerne auf unsere Beispiele und auch oder man zeigt einfach mal die Zahlen, was das wirklich in Zahlen bedeutet, wie viel Effizienzsteigerung man da leisten kann oder auch CO2 reduzieren kann. Oder die Hürde ist natürlich, dass man denkt, das ist alles viel zu kompliziert. und da reicht meistens schon ein kleiner Blick auf unsere Website, wo man einfach in fünf Minuten erklärt, wie einfach es ist, doch nur so einen Datensatz hochzuladen. Und das überzeugt dann meistens schon den einen oder die anderen, dass man sagt, okay, so schwer ist es ja eigentlich gar nicht. Jetzt aus deiner Erfahrung heraus, wenn man sich als Unternehmen damit beschäftigen will, gibt es so klassische Fehler, die man direkt vermeiden kann? Oder gibt es Punkte, wo du sagst, wenn ihr euch damit beschäftigen wollt, dann legt am besten an der Stelle oder an der Stelle los? Ja, der größte Fehler ist, glaube ich, dass man gleich versucht, alles auf einmal zu lösen und so simpel, aber auch gleichzeitig der wichtigste Hinweis, mit kleinen low-hanging fruits anfangen, um erst mal sozusagen selber zu sehen, wie schnell sowas umgesetzt werden kann oder vielleicht auch wie schnell nicht. Denn wir haben oft das Problem, dass in der Theorie zum Beispiel Daten da sind und auch der Wille, aber man sieht dann doch in der Praxis, dass dann vielleicht dann doch nochmal etwas abgeklärt werden muss, welche Daten man verwenden darf und wie häufig die wirklich vorhanden sind, wie viele Fehler in den Daten sind. Also lieber erst mal einen kleinen Use-Case definieren und anhand dessen das alles durchspielen und daran merkt man erst mal schon mal, wo die kleinen Stolpersteine sind und die kann man dann lösen für den eigentlich größeren Use-Case, der vielleicht dann auch wirklich entscheidend ist für das Business-Modell oder für große Zahlen, die sich dann ändern. Also kleinen Anfang, weil da sieht man dann erst mal, wie gut funktioniert das wirklich mit unseren Daten. Wie groß ist denn jetzt generell der Aufwand? Weil viele haben ja auch immer Angst davor, so jetzt muss ich mich mit ganz neuen Dingen beschäftigen, jetzt brauche ich vielleicht, muss ich jemanden einstellen, der sich damit beschäftigt. Wie groß ist so der generelle Aufwand? Genau, also gerade in der Industrie, wo einfach Daten sowieso oft schon gesammelt werden in Maschinen, ist der Aufwand gar nicht so groß. Da ist der große initiale Aufwand vielleicht mal das zusammenzutragen, wo liegen eigentlich meine Daten. Also in der Datenvorbereitung liegt der größte Aufwand. Aber das, worüber wir gesprochen haben, also von Daten zum KI-Modell, dieser Aufwand kann mit automatisierten Maschinellern extrem verkürzt werden. Also gerade in den Bereichen, wo wir arbeiten, wo man Energie- und Industriedaten hat, da hat man ein fertiges KI-Modell in zwei Tagen. Also das ist natürlich immens kurz. Das dann wieder in den Betrieb zu bringen und wirklich in die tägliche Nutzung, das ist natürlich dann doch wieder Aufwand. Da muss man vielleicht einmal schon Software-Dienstleister einstellen oder sich einmal beraten lassen, wie man das wirklich macht. Aber wenn man diesen Schritt gemacht hat, dann kann man auch die nächsten Projekte deutlich schneller umsetzen. Jetzt haben wir gehört, was automatisiertes maschinelles Lernen ist. Aber wieso beschäftigt ihr euch eigentlich damit hier? Das ist eine gute Frage. Also wir sind hier ein Forschungsinstitut mit sehr vielen unterschiedlichen Domänexperten und Domänexperten. Also wir haben hier Chemiker, Elektrotechniker, Materialwissenschaftler, alles Mögliche, was man sich so vorstellen kann, an Leuten, die im Bereich erneuerbare Energien forschen. Und die wollen natürlich auch KI mal anwenden und vielleicht ihre eigenen Prozesse besser machen. Und zunächst hatten wir eigentlich angefangen, sich mit den Kolleginnen und Kollegen auszutauschen. Wir haben versucht, ihre Daten zu verstehen. Wir haben versucht, für die Kolleginnen und Kollegen KI-Modelle umzusetzen, die zu trainieren. Denn wir sind ja hier die Expertinnen und Experten. Und so war der ursprüngliche Plan. Aber was ziemlich schnell auffällt, ist, dass viel Wissen auf der Strecke bleibt, viel in der Kommunikation verloren geht. Und es am besten wäre, die Domänexpertinnen und Experten selber zu befähigen, KI-Modelle umzusetzen. Also irgendwie es zu schaffen, dass diese ihre KI-Modelle selber umsetzen können, um selber interpretieren können, was bedeutet das jetzt, dass mein Modell einen Fehler von 97 Prozent hat. Ist das jetzt gut oder schlecht? Denn sowas können die Domänexperten selber am besten einschätzen. Und da diese aber jetzt nicht unbedingt große Programmiererfahrung haben, haben wir uns entschieden, ein No-Code-Tool zu erarbeiten, wo wir sozusagen verschiedene Algorithmen im Hintergrund haben, wo man sich einfach durch Klicken auf einer Website ein KI-Modell zusammenbauen kann. Und das haben wir vor fünf Jahren gestartet und das hat sehr große Früchte getragen. Die Kollegen und Kollegen sind viel eher bereit, jetzt sich KI anzunehmen. Und genau diesen Prozess haben wir aber auch bei kleinen und mittelgroßen Unternehmen gesehen. Also einfach diese große Einschrittshürde zu nehmen, indem man sagt, wir vergessen jetzt Programmieren, wir machen einfach nur ein Web-Tool, wo ihr euch Schritt für Schritt durchklicken könnt. Und so sind wir dazu gekommen und haben gesehen, dass es nicht nur bei uns am ZSW wichtig ist, sondern ganz allgemein für kleine und mittelgroße Unternehmen. Okay, jetzt der abschließende Rat für alle, die bis jetzt zugehört haben. Was würdest du ihnen raten, wenn sie sagen, ich möchte jetzt loslegen? Ja, schaut euch einfach gerne mal unser AutoML-Tool an. Das haben wir ganz explizit für deutsche kleine und mittelgroße Unternehmen gebaut. Das ist kostenfrei sich anzumelden. Da kann man auch einfach unsere Beispieldatensätze durchklicken und vielleicht einfach ein Gefühl dafür bekommen, wie einfach es sein kann, von Daten zu einem fertigen Modell zu kommen. Das nennt sich KI-Lab EE. EE für erneuerbare Energien. Aber es ist auch möglich, wenn sie aus der Industrie kommen oder anderen Branchen. Also einfach mal auf unsere Website gehen. Die werden wir sicher hier auch verlinken. Ja, sich kostenfrei anmelden und durchklicken. Dann hat man schon mal eine Idee, wie einfach das geht. Und bei allen Fragen helfen ihnen die KI-Trainer aus dem Mittelstand Digitalzentrum, wie sie dann wirklich Schritt für Schritt zu ihrem eigenen Use Case kommen. Okay, also einfach mal loslegen, ausprobieren, gucken, wie es sich anfühlt. Gibt es abschließend noch was, was du unseren Zuhörern mitgeben möchtest, worüber wir vielleicht noch nicht gesprochen haben? Ja, wichtig ist uns, dass KI mehr ist, als nur einfach nur chatten. Mit KI kann man deutlich mehr erreichen. Das ist gerade für jeden, der mit Energie und Industriedaten zu tun hat, unabdingbar, sich damit mal auseinandergesetzt zu haben. Wenn man sagt, wir brauchen das trotzdem nicht, dann ist es okay. Aber es ist mehr als nur Chatbots. Und das ist uns auch wichtig, dass dieses öffentliche Bild nicht alles abdeckt. Denn gerade im kleinen und Mittelstand gibt es auch andere KI-Modelle für Prognosen, für Anomalie-Detektion, für vorausschauende Wartung. Und da lohnt sich KI enorm. Und das ist auch auf einer ganz anderen Ebene, als das, was man vielleicht von den anderen Modellen kennt. Danke Katharina Strecker für das spannende Interview. Wenn Sie noch Fragen haben, schicken Sie uns eine Mail und wir kümmern uns. Alle Infos zur Folge, weiterführende Links und natürlich auch einen Kontakt zu unseren Expertinnen finden Sie in den Show Notes. Ich bin Mats Kersting und würde mich freuen, wenn Sie auch in der nächsten Folge wieder dabei sind. Bis dahin wünsche ich uns allen erstmal ein gutes Klima. Ciao. Ja, danke ebenso. Ciao. Klima Neutral Digital gehört zu Mittelstand Digital. Das Mittelstand Digital Netzwerk bietet umfassende Unterstützung bei der Digitalisierung. Gefördert vom Bundesministerium für Wirtschaft und Klimaschutz. Alle Informationen finden Sie unter klima-neutral-digital.de. Konzept und Produktion Audio Textur