DissLiteratur/storage/S5E5FDF2/.zotero-ft-cache

Andreas Mockenhaupt
Digitalisierung und Künstliche Intelligenz in der Produktion
Grundlagen und Anwendung

Digitalisierung und Künstliche Intelligenz in der Produktion

Andreas Mockenhaupt
Digitalisierung und Künstliche Intelligenz in der Produktion
Grundlagen und Anwendung
Mit einem Geleitwort von Jürgen Rüttgers (Ministerpräsident des Landes Nordrhein-Westfalen a.D., Bundesminister für Bildung, Wissenschaft, Forschung und Technologie a.D., ehem. Vorsitzender der Independent High Level Strategy Group on Industrial Technologies der EU-Kommission, ehem. Sonderberater der EU-Kommission)

Andreas Mockenhaupt Wirtschaftsingenieurwesen HS Albstadt-Sigmaringen Sigmaringen, Deutschland

ISBN 978-3-658-32772-9

ISBN 978-3-658-32773-6  (eBook)

https://doi.org/10.1007/978-3-658-32773-6

Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im Internet über http://dnb.d-nb.de abrufbar.

© Der/die Herausgeber bzw. der/die Autor(en), exklusiv lizenziert durch Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2021 Das Werk einschließlich aller seiner Teile ist urheberrechtlich geschützt. Jede Verwertung, die nicht ausdrücklich vom Urheberrechtsgesetz zugelassen ist, bedarf der vorherigen Zustimmung der Verlage. Das gilt insbesondere für Vervielfältigungen, Bearbeitungen, Übersetzungen, Mikroverfilmungen und die Einspeicherung und Verarbeitung in elektronischen Systemen. Die Wiedergabe von allgemein beschreibenden Bezeichnungen, Marken, Unternehmensnamen etc. in diesem Werk bedeutet nicht, dass diese frei durch jedermann benutzt werden dürfen. Die Berechtigung zur Benutzung unterliegt, auch ohne gesonderten Hinweis hierzu, den Regeln des Markenrechts. Die Rechte des jeweiligen Zeicheninhabers sind zu beachten. Der Verlag, die Autoren und die Herausgeber gehen davon aus, dass die Angaben und Informationen in diesem Werk zum Zeitpunkt der Veröffentlichung vollständig und korrekt sind. Weder der Verlag, noch die Autoren oder die Herausgeber übernehmen, ausdrücklich oder implizit, Gewähr für den Inhalt des Werkes, etwaige Fehler oder Äußerungen. Der Verlag bleibt im Hinblick auf geografische Zuordnungen und Gebietsbezeichnungen in veröffentlichten Karten und Institutionsadressen neutral.

Planung/Lektorat: Sybille Thelen Springer Vieweg ist ein Imprint der eingetragenen Gesellschaft Springer Fachmedien Wiesbaden GmbH und ist ein Teil von Springer Nature. Die Anschrift der Gesellschaft ist: Abraham-Lincoln-Str. 46, 65189 Wiesbaden, Germany

Geleitwort
Europa hat Zukunft – Wenn wir es wollen! von Jürgen Rüttgers  Prof. Dr. Dr. h. c. mult. Jürgen Rüttgers war Ministerpräsident von Nordrhein-Westfalen und Bundesminister für Bildung, Wissenschaft, Forschung und Technologie. Er arbeitet als Anwalt in der Rechtsanwaltsgesellschaft Beiten Burkhardt und als Professor am Institut für Politische Wissenschaft und Soziologie der Universität Bonn. Die Europäische Kommission berief ihn von 09.2017 bis 09.2018 zum Vorsitzenden der Independent High Level Strategy Group on Industrial Technologies und von 10.2018 bis 11.2019 zum Sonderberater der EU-Kommission.
Europa braucht mehr Wachstum, und zwar ein Wachstum, das „smart, nachhaltig und inklusiv“ ist, weil 80 % des Wirtschaftswachstums der Europäischen Union auf Produktivitätssteigerungen beruhen.1
1Rüttgers, Jürgen (2020): Die Zukunft von ‚Smart City‘ und ‚Smart Country‘, Essay, Erschienen auf: regierungsforschung.de, S. 24
V

VI

Geleitwort

Alle reden von Digitalisierung. Viele kündigen an, wie wir im Jahre 2050 leben werden. Viele schwärmen von einer Welt, die wir aus Science-Fiction-Filmen kennen. Bei genauem Hinschauen reden wir wohl eher über den Einsatz von Robotern in der industriellen Fertigung, über schnellere Kommunikation, über eine bessere und transparente öffentliche Verwaltung, Künstliche Intelligenz, mehr Fahrassistenten und ähnliches. All das hat Auswirkungen auf unser Leben, unser Arbeiten, unser Lernen, unser Forschen, unser Reisen. Es geht also um die Orte, in denen wir leben, ob in Metropolen, im Umland, im ländlichen Raum. Es geht auch um Gerechtigkeit.
Für die Industrie heißen die Themen der Digitalisierung: Internet of Things, Industrie 4.0, autonomes Fahren und Energiewende.2
Seit ich mich mit den Themen ‚Zukunft‘ und ‚Wissensgesellschaft‘ befasse, höre ich: „Die Anderen sind besser!“ Viele Delegationen sind deshalb zum legendären MITI, dem Ministry of International Trade and Industry, das als mächtige Agentur der japanischen Regierung die japanische Industriepolitik, die Forschung und die Direktinvestitionen förderte, gefahren, um von Japan zu lernen. Deutsche Unternehmer fahren heute ins ‚Silicon Valley‘. Angstvoll schaut der Westen nach China, das anscheinend unaufhörlich versucht, das stärkste und modernste Land der Welt zu werden.3 Dabei entsteht Ähnliches wie ‚Cyber Valley‘ zwischen Stuttgart, Tübingen und Bodensee und in Bonn.
Dennoch sagt der Direktor des Deutschen Forschungszentrums für Künstliche Intelligenz (DFKI) Wolfgang Wahlster: „KI-Horrorszenarien halte ich für Unsinn.“ Der „Enabling-Digitalization-Index“ der Fa. EULER HERMES titelt „Westeuropa‚ weltweit führend‘“. Deutschland hat Platz 2, die Niederlande Platz 3 im Hinblick auf Regulierung, digitalen Bildungsgrad, Vernetzung, Infrastruktur und Marktgröße. 16 westeuropäische Nationen sind unter den besten des EDI-Rankings ‚Digital Pioneers‘ vom 30.03.2018.4
Die digitale Welt ist eine globale Welt. Nationale Kriterien reichen nicht mehr. Nur die EU kann für klare Standards und Normen in der digitalen Welt sorgen und damit weltweit die ökonomischen Regeln definieren, wie dies beim Datenschutzgesetz und beim Verbraucherschutz bereits gelungen ist. Und sie muss massiv in die KETs (Key Enabling Technologies, Schüsseltechnologien) investieren, besonders in Artificial Intelligence, digital security and connectivity.
Schlüsseltechnologien (KETs) haben seit 2009 Priorität in der EU-Industriepolitik. KETs wurden 2009 als „wissensintensiv und mit hoher FuE-Intensität, schnellen Innovationszyklen, hohen Investitionsausgaben und hochqualifizierten Arbeitsplätzen

2Rüttgers, Jürgen (2020): Die Zukunft von ‚Smart City‘ und ‚Smart Country‘, Essay, Erschienen auf: regierungsforschung.de, S. 10 3Rüttgers, Jürgen (2020): Die Zukunft von ‚Smart City‘ und ‚Smart Country‘, Essay, Erschienen auf: regierungsforschung.de, S. 6,7 4Rüttgers, Jürgen (2020): Die Zukunft von ‚Smart City‘ und ‚Smart Country‘, Essay, Erschienen auf: regierungsforschung.de, S. 9

Geleitwort

VII

verbunden“ definiert. Sie ermöglichen Prozess-, Waren- und Dienstleistungsinnovationen in der gesamten Wirtschaft und sind von systemischer Relevanz. Sie sind multidisziplinär und erstrecken sich über viele Technologiebereiche mit einem Trend zu Konvergenz und Integration. KETs können Technologieführern in anderen Bereichen helfen, ihre Forschungsanstrengungen zu nutzen. Die von der EU-Kommission identifizierten sechs KETs waren:
• fortgeschrittene Fertigungstechnologien, • neue Werkstoffe, • Nanotechnologie, • Mikro-/Nanoelektronik, • industrielle Biotechnologie und • Photonik.
Das Konzept der KETs war im Vorfeld des aktuellen mehrjährigen Finanzrahmens (2014–2020) maßgeblich an der Politik- und Programmgestaltung beteiligt.5
Die anhaltende Revolution in der industriellen Produktion – Industrie 4.0 – resultiert aus dem Zusammenfluss sich schnell entwickelnder Technologien. Diese reichen von einer Vielzahl digitaler Technologien (wie 3D-Druck, Internet der Dinge, moderne Robotik) und neuen Werkstoffen (auf Bio- und Nanobasis) bis zu neuen Prozessen (z. B. datengesteuerte Produktion, künstliche Intelligenz und synthetische Biologie). Europa verfügt bei einer Reihe dieser Technologien über beträchtliche Stärken und nimmt in einigen Fällen eine weltweite Führungsrolle ein. Dies gilt insbesondere für künstliche Intelligenz, digitale Sicherheit und Konnektivität. Sie wurden von China in seiner Strategie „Made in China 2015“, von Südkorea im Rahmen einer Initiative in Höhe von 1,5 Mrd. USD und von den USA im Rahmen eines Programms der US National Science Foundation als strategische Technologien identifiziert.
In Bezug auf Zukunftstechnologien haben mehrere vorausschauende Studien gezeigt, dass der derzeitige Satz von sechs KETs immer noch zu den Technologien gehört, die die Wirtschaft und Gesellschaft in den nächsten 10 bis 15 Jahren am wahrscheinlichsten beeinflussen werden. Die OECD hat auf der Grundlage mehrerer technologischer vorausschauender Untersuchungen in ihren Mitgliedsländern und in Russland 40 wichtige und neue Technologien ermittelt, die die verschiedenen „großen Herausforderungen“ der Welt am besten bewältigen können. Zehn davon stehen in Verbindung mit Digitalisierung und Künstlicher Intelligenz.
Die sechs KETs zeigen maßgeblich auf, dass KETs auch in Zukunft eine sehr wichtige Rolle spielen werden. Darüber hinaus werden Studien der Kommission

5European Commission (2018): Re-Finding Industry – Defining Innovation, Report of the independent High Level Strategy Group on Industrial Technologies, chaired by Jürgen Rüttgers, COM (2018) 306 final, S. 15

VIII

Geleitwort

über Zukunftstechnologien zufolge die bestehenden KETs weiterhin wichtig bleiben, um die großen Herausforderungen zu bewältigen, denen sich die Gesellschaft in den kommenden Jahren stellen muss.6
Neben diesen großen Zukunftsvisionen gibt es für die Industrie bei aktuellen Anwendungen bereits Herausforderungen im Detail.
Alex Pentland, Informatikprofessor am Massachusetts Institute of Technology (MIT), schreibt dazu: „Eine der aufschlussreichsten Erkenntnisse bei der Betrachtung von KI ist, dass Bürokratien der künstlichen Intelligenz ähneln: Sie operieren nach Vorschriften.“ Empathie, Intuition, Kreativität und manchmal der gesunde Menschenverstand bleiben auf der Strecke. Bürokratien sind selten innovativ. „Wir müssen die Daten aufzeichnen, die in jede ihrer Entscheidungen eingeflossen sind, und wir müssen die Resultate analysieren lassen“, fordert Pentland weiter.7
Dies ist bei KI systembedingt (z. B. wegen Black-Box-Phänomen) nicht immer möglich; daher wird für Konformitätsprüfungen an der „Erklärbaren KI“ (XAI) gearbeitet.
Darüber hinaus verdienen sie eine neue Forschungsrichtung, die mit dem XAI-Projekt „Explainable Artificial Intelligence“ an der Stanford University aufgenommen wurde, durch die Prozesse und Entscheidungsketten im Detail umfassend und verständlich gemacht werden sollen. Darüber hinaus müssen wir ein neues Verständnis dafür entwickeln, ob und inwieweit Korrelationen die kausale Entscheidungsfindung ergänzen oder sogar ersetzen können.8
In diesem Zusammenhang muss auch die Haftung für den Einsatz ‚künstlicher Intelligenz‘ gesetzlich geklärt werden.9
Aber es gibt auch Gefahren. Der französische Philosoph Gaspard König weist darauf hin, dass Menschen, denen man die Freiheit nimmt und sie mittels Künstlicher Intelligenz (KI) fremdsteuert, wie man aktuell in der Volksrepublik China besichtigen kann, sich politisch wehren oder praktisch verweigern werden. „Heute entscheiden die Algorithmen, so wie früher Gott.“10

6European Commission (2018): Re-Finding Industry – Defining Innovation, Report of the independent High Level Strategy Group on Industrial Technologies, chaired by Jürgen Rüttgers, COM (2018) 306 final, S. 20 7Rüttgers, Jürgen (2020): Die Zukunft von ‚Smart City‘ und ‚Smart Country‘, Essay, Erschienen auf: regierungsforschung.de, S. 21 8European Commission (2020): Re-Finding Industry – Defining Innovation, Report of the independent High Level Strategy Group on Industrial Technologies, chaired by Jürgen Rüttgers, COM (2018) 306 final, S. 38 9Rüttgers, Jürgen (2020): Die Zukunft von ‚Smart City‘ und ‚Smart Country‘, Essay, Erschienen auf: regierungsforschung.de, S. 17 10Rüttgers, Jürgen (2020): Die Zukunft von ‚Smart City‘ und ‚Smart Country‘, Essay, Erschienen auf: regierungsforschung.de, S. 17

Geleitwort

IX

Europa muss seine Industrie schützen. Daten sind für die digitale Industrie wichtig. Sie gehören aber den Datenproduzenten. Wer Daten nutzt, muss für Sicherheit sorgen.11
Die digitale Transformation eröffnet enorme Chancen, indem Bürger und Industrie durch neue partizipative Instrumente und eine effizientere, wettbewerbsfähigere und innovative Industrie gestärkt werden, Behördendienste effizienter und partizipativer werden und die Produktivität im privaten Sektor gesteigert wird. Gleichzeitig wirft es viele neue Fragen auf, wie zum Beispiel: Dürfen wir Algorithmen in unserem Rechtssystem verwenden? Wer ist für die Fake News in sozialen Netzwerken verantwortlich? Wer sollte handeln, um sicherzustellen, dass Hacker demokratische Wahlen nicht manipulieren? Können soziale Netzwerke Algorithmen, die den Nutzern unbekannt sind, verwenden, um die Kommunikation zu steuern und so das politische Denken der Nutzer zu beeinflussen? Könnten Einstellungsentscheidungen automatisch auf der Grundlage von Merkmalen getroffen werden, die von Internetdaten abgeleitet wurden? Inwieweit dürfen Informationen über Alter, Geschlecht und Krankheit für wirtschaftliche Entscheidungen oder für die Genforschung, Materialwissenschaft oder elektronische Miniaturisierung verwendet werden? Werden wir noch im Wertschöpfungsprozess gebraucht? Machen sich Maschinen selbstständig?
Die wichtigste Aufgabe wird jedoch die Durchsetzung der Menschen- und Bürgerrechte auch in der Digital- und Cyberwelt sein. Im Gegensatz zu den Versprechungen des Neoliberalismus, der die Regulierung verweigert und die Märkte die Zukunft bestimmen lässt, wissen wir aus Erfahrung, wie vorteilhaft klare Rahmenbedingungen für die Gesellschaft und ihre Grundwerte sind. Dies impliziert, dass die Grundregeln von demokratisch legitimierten Institutionen festgelegt werden sollten und nicht privaten Unternehmen überlassen werden dürfen.
Um ein neues Gleichgewicht zwischen dem Grundrecht auf Privatsphäre und dem Schutz personenbezogener Daten einerseits und dem Recht auf Sicherheit andererseits zu gewährleisten, ist unter Berücksichtigung der technologischen Entwicklung und der Marktnachfrage danach ein hohes Maß an Schutz des europäischen Datenschutzrechts erforderlich. Die neue Europäische Allgemeine Datenschutzverordnung (European General Data Protection Regulation) ist das ehrgeizigste Regelwerk der Welt und wird dem Einzelnen ein stärkeres Recht auf Information, Zugang und Löschung einräumen („Recht auf Vergessenwerden“).
Neben dem Rechtsrahmen werden weitere Investitionen in die Cybersicherheit eine wirksame Vorsichtsmaßnahme sein, um den Missbrauch der Datenschutzrechte der EUBürger zu verhindern. Eine weitere Erweiterung unseres Wissens über die digitale Welt

11Rüttgers, Jürgen (2020): Die Zukunft von ‚Smart City‘ und ‚Smart Country‘, Essay, Erschienen auf: regierungsforschung.de, S. 22

X

Geleitwort

und die Entwicklung der digitalen Wirtschaft auf der Grundlage unserer europäischen Werte werden den Märkten die richtigen Signale geben.12
Die europäische Industrie muss daher Start-ups und KMU mit einem Potenzial für bahnbrechende Innovationen mehr Aufmerksamkeit schenken, bei denen neue Innovationen mit hohem Risiko das Physische und das Digitale auf neuartige Weise miteinander verbinden.
Der Europäische Rat sollte seine Unterstützung auf die Notwendigkeit konzentrieren, wissenschaftliche Ergebnisse in Technologien umzuwandeln und die Anwendung von Technologien und technologiebasierten Lösungen zu erweitern. Dies würde ein schnelles Wachstum von Start-ups in der kritischen Phase der Unterbeweisstellung ihres Geschäftsmodells fördern und es ihnen ermöglichen, die kritische Masse zu erreichen, die sie zur Aufrechterhaltung ihres Geschäfts benötigen.

12European Commission (2020): Re-Finding Industry – Defining Innovation, Report of the independent High Level Strategy Group on Industrial Technologies, chaired by Jürgen Rüttgers, COM (2018) 306 final, S.40

Vorwort
Wer vom Anfang an genau weiß, wohin sein Weg führt, wird es nie weit bringen. Napoleon I. (Kaiser der Franzosen)
Die Berichterstattung Ende Juli 2020 zur Audi Hauptversammlung und seinem neuen Chef Markus Duesmann titelte für mich mit einem Paukenschlag: Der Automobilkonzern sei beim Thema Digitalisierung nur in der zweiten Reihe (Handelsblatt 2020). In der ersten Reihe steht keiner der altbekannten Wettbewerber, sondern ein neuer Name. Nie hätte ich gedacht, dass ein neuer Automobilkonzern entsteht, das Know-How der bekannten Automarken war für mich uneinholbar. Nun habe der Newcomer, Tesla, zwei Jahre Vorsprung. Grund: Rechner, Software, autonomes Fahren – also Digitalisierung und Künstliche Intelligenz – nicht Motorentechnik und Karosseriebau.
Digitalisierung und Künstliche Intelligenz (KI) verändern die Welt zügig. Da sehen die einen große Chancen auf eine bessere und gerechtere Zukunft. Dies ist durchaus berechtigt: Produkte werden sicherer und besser auf die Wünsche des Anwenders zugeschnitten. Die Produktion wird passgenauer, umweltfreundlicher und nachhaltiger. Die Arbeit soll weniger monoton, interessenorientiert und dezentral werden. Unternehmen erhalten eine höhere Planungssicherheit. Der Einzelne kann sich besser informieren und es entsteht in vielen Bereichen eine hohe Transparenz. Letzteres ist ein großer Beitrag zur Demokratie.
Nicht wenige aber haben Angst vor den Veränderungen. Dies ist nicht ganz unbegründet, da technischer Fortschritt immer auch soziale Veränderungen mit sich brachte: Es gab und gibt Gewinner aber auch Verlierer.
Vor allem im industriellen Bereich, vorneweg in der Produktion, zeichnen sich bereits heute große Veränderungen ab. Produkte und Produktionsprozesse verändern sich rapide, werden intelligenter, also smarter. Damit verbunden ändern sich die Qualifikationsanforderungen, diese werden i. A. höher. Geeignete Berufswahl, ggf. frühzeitige Umorientierung, sowie lebenslanges Lernen sind wichtige Faktoren, um auf der Gewinnerseite zu stehen.
Industrieferne Autoren, wie dem Philosophen Richard David Precht (Buchtitel: Künstliche Intelligenz und der Sinn des Lebens) und dem israelischen Historiker Yuval
XI

XII

Vorwort

Noah Harari (Buchtitel: 21 Lektionen für das 21. Jahrhundert) hadern mit der KI indem sie auf ggf. negative Effekte auf die Arbeitswelt fokussieren. Harari unterscheidet die ersten industriellen Revolutionen, die i. W. körperliche Arbeit automatisierte, und die jetzige vierte industrielle Revolution, die auch die geistige Arbeit an Maschinen übergibt. Da bleibe, so der Tenor, nichts mehr übrig. In den ersten Revolutionen hätte sich der Kutscher noch zu einer höherwertigen Aufgabe umschulen lassen können, jetzt müsse man aufpassen, nicht das Schicksal der Pferde zu teilen, d. h. unnötig zu werden.
Der Autor sieht diese Gefahr weniger. In den 1980iger Jahren wurden tatsächlich viele menschlich Aufgaben unnötig. Es sind aber neue hinzugekommen, auch solche, von denen man damals gar nicht wusste, dass es sie gibt. Insbesondere in der IT-Branche sind so mehr Berufe entstanden als anderswo weggefallen sind. Schon Henry Ford behauptete, seine Kunden würden auf die Frage, was sie sich wünschten, „schnellere Pferde“ antworten. Wie die Mobilitätskunden von damals wussten wir um 1990 nichts von Systemadministratoren, App-Designern, Daten-Analysten, Influenzern, Digitalisierungsmanager, Sozial-Media-Redakteur u. v. m. Mit der heutigen Digitalisierung und der KI wird es ähnlich sein: Es wird Aufgaben geben, die wir heute noch nicht kennen (können), auch und besonders im industriellen Umfeld.
Die Arbeit an diesem Buch hat gezeigt, dass viele deutsche Großunternehmen, z. B. Daimler und Porsche, als auch Mittelständler, wie z. B. Kößler, den Mensch weiterhin zentral und unverzichtbar im Mittelpunkt sehen. Damit unterscheiden sie sich deutlich von mancher düsteren Prognose in der Populärliteratur.
Eine Herausforderung gibt es aber dabei: Die neuen Arbeiten verlangen ein immer höheres Bildungsniveau. Dem wird mit neuen Bildungskonzepten begegnet. Klar ist aber leider auch, nicht jeder kann dabei aufschließen und bei den hohen Anforderungen an Qualifikation mithalten. Früher gab es stolze Schrankenwächter, Maschinenbediener, ungelernte Hilfsarbeiter u. ä. Heute machen deren Aufgabe Automaten, die noch programmiert werden müssen. In Zukunft macht dies dann eine KI. Alle mitzunehmen wird zusehends eine gesellschaftspolitische Herausforderung. Hierzu sind neue Konzepte notwendig. Staatliche Alimentation wird es nicht richten, weil die Menschen eine sinnvolle und sinnstiftende Aufgabe brauchen. Die Technologiefolgen abzuschätzen und Handlungsoptionen zu entwickeln, ist eine Aufgabe der Politik. Wichtig hier ist der Vorschlag des Wissenschaftsjournalisten Ranga Yogeshwar, der die Chance sieht über die Prioritäten des Lebens neu zu setzen und die Spielregeln entsprechend anzupassen (Yogeshwar 2018).
Die Politik stellt sich diesen Herausforderungen und ist bemüht wirtschaftlichen Chancen und gesellschaftliche Entwicklung positiv zu lenken. Viele Definitionen und Perspektiven in diesem Buch sind politikgetragen, die Bundesregierung und die EU-Kommission haben viele und lange Strategiepapiere und Weißbücher in Auftrag gegeben. Erstellt werden diese durch Expertenkommissionen, der Autor ist Mitglied in solchen beim VDI und beim DIN. Doch das Gebiet ist neu und unerschlossen, so sind sich die Experten auch nicht immer einig, was sich in diesem Buch bei den Definitionen zeigt. Klärung ist aber mittelfristig in Sicht.

Vorwort

XIII

Es gibt aber auch Irrationales: Verschwörungstheoretiker befürchten, dass die Roboter autonom Kriege führen oder gar die Weltherrschaft übernehmen. Das sieht die Wissenschaft allerdings als komplette Utopie an. Allerdings, wie es zu einer solch hohen öffentlichen Wahrnehmung kommt und mit welchen Werkzeugen für welchen Zweck dabei gearbeitet wird, das ist schon interessant. Denn solche Nonsens- bzw. Fake-News beeinflussen, bei geeigneter Verbreitung, die öffentliche Meinung, mit entsprechenden Folgen, auch auf die Demokratie. Immerhin glauben 36 % der Befragten einer Studie der British Science Association, dass die Entwicklung von intelligenten Programmen eine Bedrohung für das langfristige Überleben der Menschheit darstellt (Seng 2019). Kann man in diesem Zusammenhang zumindest Falschinformationen und politisch extremistische Darstellungen unterbinden? Dies ist schwierig zu fassen, denn hier tritt ein Dilemma hervor: Meinungsfreiheit gegen Schutz vor Agitation.
Dabei sollte auch nicht aus dem Auge verloren werden, dass manche Staaten die Digitalisierung und Künstliche Intelligenz ausnutzen, um ihre Bevölkerung zu kontrollieren. Hier tritt ein zweites Grundrechte-Dilemma hervor: Sicherheit und in Aussicht gestellter Wohlstand gegen Freiheitsrechte. In George Orwells Roman 1984 (geschrieben 1948) und in QualityLand von Marc-Uwe Klink (2017) wurde bereits die totale Überwachung mittels Digitalisierung zum Wohle der Bevölkerung beschrieben. Es gibt Länder, die dies bereits heute, im Rahmen des technisch Möglichen voll ausnutzend, umsetzen.
Damit sind wir aber bei einem wichtigen Aspekt der Künstliche Intelligenz: KI muss die Existenz von Irrationalitäten anrechnen, unterschiedliche kulturelle Bewertungen anerkennen, dabei Grundrechte nicht aus dem Blick verlieren und, wenn nicht alle relevanten Daten vorhanden sind, Unsicherheiten aushalten. Darüber hinaus können verschiedenen Ansichten existieren, ohne dass sie klar als wahr/falsch oder hilfreich/nichthilfreich klassifiziert werden können.
Das ist eine Herausforderung an die KI und aus mehreren Gründen schwierig: Einerseits sind KIs mathematisch-logisch agierende Systeme. Irrationalitäten und verschiedene Meinungen kommen dabei eigentlich nicht vor. Auch werden rein mathematisch-faktenorientierte Entscheidungen oft als gefühlskalt, wenig empathisch empfunden, was zu wenig Akzeptanz führt. Das wiederum kann zum Versagen der eigentlich logisch richtigen Lösung führen. Zum anderen sind abweichende, auch irrationale Ansichten oder Ideen nicht einfach auszufiltern. Während oben bereits der Nutzen für die Demokratie herausgestellt wurde, widerspricht ein Filteralgorithmus dem Recht auf freie Meinungsäußerung – wie oben gezeigt ein Dilemma. Darauf muss noch eine Antwort gefunden werden, genau wie zu einem weiteren Dilemma, der doppelten Verwendbarkeit – Gut und Böse gleichzeitig: Digitalisierung KI kann helfen, indem die Ergebnisse zu „guten“ Zwecken genutzt werden. Wir bekommen Hinweise zum gesünderen Leben, das Auto ruft bereits vor dem Unfall den Rettungsdienst. In der Wirtschaft weiß ich, wo meine Produkte sind, wie

XIV

Vorwort

sie genutzt werden und vor allem, wo Probleme liegen sowie wann sie gewartet oder erneuert werden müssen.
Umgekehrt möchte vielleicht nicht jeder, dass sein Druckerhersteller über das Internet of Things weiß, wie viel er druckt und womöglich noch Rückschlüsse anstellen kann, über was er druckt. Dies kann auch die Tür zur unlauteren staatlichen Überwachung öffnen, Beispiele gibt es bereits jetzt.
Sie bekommen keinen Kredit oder kein Einreisevisa? Dies kann daran liegen, dass ein undurchsichtiger Algorithmus eine gewisse Wahrscheinlichkeit ausrechnet, dass Sie straffällig werden (was Sie natürlich nicht vorhaben) oder sie wohnen einfach in der falschen Gegend.
Was sind also Chancen, was Risiken? Bei den Chancen der KI neigen wir dazu, der angeblich immer richtigen Mathematik, also den Algorithmen zu vertrauen. Dies basiert auf einer Managementtheorie, dass nur das messbare und berechenbare im positiven Sinne gemanagt werden könne: „What you can’t measure, you can’t manage“ (Bill Hewlett, Mitbegründer von Hewlett-Packard) bzw. „You can’t manage what you can’t measure.“ (Peter Drucker). Zunächst gilt hier aber die einfache Weisheit, dass das Leben grundsätzlich nicht berechenbar ist. So sind industrielle Prozesse durchaus mit KI zu optimieren, wir sollten aber im menschlichen Umfeld den Algorithmen nicht zu sehr Macht geben. Daher ist es wichtig, sich mit der KI-Ethik zu beschäftigen, auch wenn es nur um, in diesem Sinn eher unverfängliche, Produktionsthemen in diesem Buch geht. Hierzu gibt es mittlerweile neben der menschlichen Ethik auch eine sog. Maschinenethik. Beide hängen aber oft zusammen: So können sinnvolle KI-Produktionsprozesse durchaus Mitarbeiter überwachen, was nicht sein sollte. Auch Maschinen müssen demnächst ethische Fragestellungen lösen, hier ein noch eher unkritisches Beispiel: Bei Lieferengpässen, wer soll beliefert werden, wer ist nicht so wichtig. Schwieriger wird es, wenn Grundrechte gegeneinanderstehen: Wie viel KI-Überwachung ist akzeptabel zur Terrorabwehr oder für den Gesundheitsschutz (Freiheit gegen Sicherheit)? Soll eine KI bei der Rettung von Menschenleben denjenigen retten, der statistisch die höchste Überlebenswahrscheinlichkeit hat, oder den, der messbar für die Gesellschaft wichtiger ist? Wo kann dabei auf Transparenz von automatisierten Entscheidungen verzichtet werden, wo ist die Grenze? Interessant ist, dass diese Fragen kulturell und individuell sehr unterschiedlich beantwortet werden (siehe oben). Für eine breite gesellschaftliche Akzeptanz wird die Nachvollziehbarkeit und Transparenz solcher Entscheidungen wesentlichen Einfluss haben. Schon hier gibt es aber Schwierigkeiten, insbesondere beim maschinellen Lernen und Deep Learning gibt es Transparenz- und Nachvollziehbarkeitsgrenzen, weswegen man, weniger anspruchsvoll, auf die Erklärbarkeit setzt. Im Sinne des o. g. Napoleon Zitats wissen wir also nicht, wohin Digitalisierung und KI uns führt. Es lohnt sich aber, diese Technologie weiter zu entwickeln, richtig eingesetzt wird sie einen sehr positiven Beitrag für unser Leben mit sich bringen. Daher ist wichtig, den Prozess kritisch zu begleiten und positiv zu gestalten.

Vorwort

XV

Dieses Buch soll mit Blickrichtung auf die produzierenden industriellen Bereiche einen Beitrag dazu leisten. Dabei ist es aber auch wichtig, den Blick weiter als nur auf die Produktionsebene zu richten, alles hängt mit allem zusammen.
Anmerkungen zur Nutzung dieses Buchs 
Viele Quellen dieses Buchs stammen nicht aus wissenschaftlichen Abhandlungen, sondern, für die Ingenieurwissenschaft unüblich, von politischen Institutionen (EU, Bund), aus der allgemeinen Presse oder sogar direkt von Herstellern. Dies ist verschiedenen Umständen geschuldet:
Zum einen wird die Technologie weniger von der universitären Forschung getrieben, sondern vielmehr sind es Wirtschaftskonzerne, wie Apple, Google, Facebook aber auch Einzelpersonen wie Elon Musk, die voranschreiten. Wissenschaftliche Organisationen sind hier zumeist zu langsam, auch will sich nicht jedes Unternehmen in die Karten blicken lassen. Damit müssen die Quellen aber auch kritischer gesehen werden.
Zum anderen kümmert sich die Politik mehr um das Thema, natürlich aus wirtschaftlichspolitischen Erwägungen aber auch wegen der großen gesellschaftlichen Relevanz, in Form von Auswirkungen auf die Arbeitswelt, Persönlichkeitsrechte (Datenschutz) und sogar die Demokratie (Fake-News, Wahlbeeinflussung).
Als Lehrbuch konzipiert wird nicht davon ausgegangen, dass der gesamte Text hintereinander gelesen wird. Vielmehr wird sich der geneigte Leser wohl einzelnen, für ihn interessanten Kapiteln verstärkt widmen. Daher gibt es, wo sinnvoll, kurze StichwortWiederholungen und eine Reihe von Querverweisen.
Die Didaktikforschung hat herausgefunden, dass sich Sachverhalte besser verinnerlichen, wenn sie mit konkreten Beispielen und Geschichten verbunden werden. Aus diesem Grund wird, dort wo sinnvoll, etwas weiter ausgeholt – der eilige Leser mag dies überspringen.
Die Fragen zu den Kapiteln sind z. T. als Transferfragen gedacht. D. h. Grundlagen für die Lösungen finden sich im Kapitel, einige Aspekte erfordern aber ein DarüberHinaus-Denken und das kreative Einbinden eigener Erfahrung. Ggf. gibt es dabei kein konkretes Richtig oder Falsch, sondern eine nachvollziehbare Argumentation. Letzteres soll durch die Fragen didaktisch gefördert werden.
Digitalisierung und KI sind ein sehr globales Phänomen, daher gibt es viele englischsprachige Begriffe. Für viele gibt es auch eine deutsche Übersetzung, die aber wenig genutzt werden, z. T. fast unbekannt sind. Es gab Versuche, das Themengebiet einzudeutschen (so Industrie 4.0, bewusst mit „ie“ geschrieben), der Erfolg blieb aber gering. Auch gibt es das umgekehrte Phänomen, z. B. Digitalisierung ist in der hierzulande genutzten Bedeutung nicht ins englische zu übersetzen (dort wird „Technology“ genutzt, aber mit leicht anderer Geltung). Bisweilen haben sich deutsche Worte durchgesetzt, z. B. Maschinelles Lernen (für Machine Learning), manchmal sind die angelsächsischen Begriffe verbreiteter, z. B. Deep Learning (statt Tiefergehendes Lernen) oder Big Data statt Massendaten. Zwar ist der Autor Befürworter einsprachiger Texte, also entweder

XVI

Vorwort

komplett Deutsch oder komplett Englisch, dies ist hier aber kaum machbar und wenig hilfreich. Es verblieb eine Kompromisslösung.

Prof. Dr.-Ing. Andreas Mockenhaupt hat an der RWTH Aachen Machinenbau studiert und promoviert an der Universität Essen. Industrielle Erfahrungen sammelte er bei der Barmag AG (Akzo-Nobel, heute Barmag Oerlikon) beschäftigt und anschließend langjährig in Führungspositionen beim US-Konzern 3M. Heute ist er Professor an der Hochschule Abstadt-Sigmaringen im Bereich (Wirtschafts-)Ingenieurwesen. Während seiner Laufbahn dort war bzw. ist er Gutachter, u. a. beim DAAD, FIBAA und AQUIN, sowie in Expertengemien für Qualitätsmanagement und Künstliche Intelligenz, u. a. beim DIN und beim VDI.

Sigmaringen im Frühjahr 2021

Andreas Mockenhaupt

Inhaltsverzeichnis
1 Industrie und Gesellschaft im digitalen Wandel . . . . . . . . . . . . . . . . . . . . . . . 1 1.1 Digitale Transformation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  1 1.2 Mythen & Fakten. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  3 1.3 Technologische Veränderungen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  5 1.4 Technologiebruch und Disruption . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  7 1.5 Innovative Grundstrategien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  11 1.5.1 Innovationgrad. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  11 1.5.2 Innovation und das Verhältnis von Technik & Markt. . . . . . .  12 1.5.3 Handlungsoptionen im innovativen Umfeld. . . . . . . . . . . . . .  14 1.6 Gesellschaftlicher Wandel durch technische Innovationen . . . . . . . . . .  15 1.7 Wandel durch die Digitale Transformation . . . . . . . . . . . . . . . . . . . . . .  17 1.8 Auswirkungen auf die Arbeitswelt (Arbeit 4.0). . . . . . . . . . . . . . . . . . .  18 1.9 Personalmanagement im Wandel (HR 4.0) . . . . . . . . . . . . . . . . . . . . . .  24 1.10 Evolutionäre & disruptive Transformation. . . . . . . . . . . . . . . . . . . . . . .  26 1.11 Fragen zum Kapitel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  27 Literatur. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2 Grundlagen der Digitalisierung und Industrie 4.0. . . . . . . . . . . . . . . . . . . . . 31 2.1 Was ist neu?. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  31 2.2 Definitionen Automatisierung, Digitalisierung & Industrie 4.0. . . . . . .  32 2.3 Abgrenzung: Automatisierung, Digitalisierung, Industrie 4.0, Künstliche Intelligenz . . . . . . . . . . . . . . . . . . . . . . . . . . .  35 2.4 Geschichte der Digitalisierung & Industrie 4.0. . . . . . . . . . . . . . . . . . .  38 2.4.1 Geschichte der Digitalisierung. . . . . . . . . . . . . . . . . . . . . . . .  38 2.4.2 Die Industriellen Revolutionen 1.0 bis 4.0 sowie Industrie x.0. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  39 2.5 Technologiebasis für Digitalisierung und Industrie 4.0. . . . . . . . . . . . .  42 2.6 Agilität, Komplexität. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  43 2.7 Fragen zum Kapitel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  44 Literatur. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
XVII

XVIII

Inhaltsverzeichnis

3 Grundlagen der Künstliche Intelligenz (KI). . . . . . . . . . . . . . . . . . . . . . . . . . 47 3.1 Intelligenz. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  47 3.2 Definitionen und Aufbau einer KI . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  49 3.3 Starke & schwache KI. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  52 3.4 Artificial General Intelligence (AGI). . . . . . . . . . . . . . . . . . . . . . . . . . .  53 3.5 Hybride KI. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  55 3.6 Symbolische und subsymbolische KI . . . . . . . . . . . . . . . . . . . . . . . . . .  57 3.7 Autonomiestufen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  58 3.8 Geschichte KI. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  62 3.9 Interaktion von Mensch & KI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  66 3.10 Bots. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  67 3.11 Turing-Test. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  68 3.12 Anforderungen an eine KI. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  70 3.12.1 Vertrauenswürdige KI (Trusted AI). . . . . . . . . . . . . . . . . . . .  70 3.12.2 Black-Box-Problematik & Black-Box-Test. . . . . . . . . . . . . .  73 3.12.3 Transparente KI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  75 3.12.4 Erklärbare KI (Explainable AI – XAI). . . . . . . . . . . . . . . . . .  76 3.12.5 Zielgerichtete KI. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78 3.12.6 Diskriminierungsfreiheit . . . . . . . . . . . . . . . . . . . . . . . . . . . .  78 3.13 Patentsituation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  81 3.14 Künstliche Kreativität. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  84 3.15 Fragen zum Kapitel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  87 Literatur. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4 Ethische Aspekte. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93 4.1 Grundbegriffe der Ethik. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  93 4.2 Moralisches Dilemma. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 4.3 Haftung bei KI. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  99 4.4 Prinzip der Doppelwirkung (PDW). . . . . . . . . . . . . . . . . . . . . . . . . . . .  101 4.5 Doppelverwendung (Dual Use). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  102 4.6 Technologiefolgeabschätzung (TA). . . . . . . . . . . . . . . . . . . . . . . . . . . .  102 4.7 Maschinenethik, Maschinenmoral & Roboterethik. . . . . . . . . . . . . . . .  104 4.8 Ethische Leitplanken bei Digitalisierung & KI. . . . . . . . . . . . . . . . . . .  105 4.9 Gesamtbewertung und Messung einer KI-Ethik . . . . . . . . . . . . . . . . . .  107 4.10 Bewertung der Chancen und Risiken. . . . . . . . . . . . . . . . . . . . . . . . . . .  110 4.11 Fragen zum Kapitel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  111 Literatur. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
5 Daten der Digitalisierung und der KI. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115 5.1 Daten & Co.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  115 5.1.1 Daten – Informationen – Wissen . . . . . . . . . . . . . . . . . . . . . .  115 5.1.2 Datenerhebung, Datenerfassung & chaotische Datensammlung. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  118

Inhaltsverzeichnis

XIX

5.1.3 Metadaten & Datenmerkmale . . . . . . . . . . . . . . . . . . . . . . . .  119 5.1.4 Datenziele, Datenintegrität, Datenqualität &
Interoperabilität . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  120 5.1.5 Datenschutz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  122 5.2 Big Data (Massendaten). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  124 5.2.1 Datensammlung bei Big Data. . . . . . . . . . . . . . . . . . . . . . . . . 126 5.2.2 Kausalitäten vs. Korrelation bei Big Data. . . . . . . . . . . . . . .  127 5.2.3 Smart Data. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  128 5.3 Fragen zum Kapitel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  130 Literatur. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
6 Maschinelles Lernen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133 6.1 Maschinelles Lernen (Machine Learning – ML). . . . . . . . . . . . . . . . . .  133 6.1.1 Sieben Start-Schritte des maschinellen Lerners mittels Trainingsdaten. . . . . . . . . . . . . . . . . . . . . . . .  136 6.1.2 Initialdaten (synthetische Daten, Trainings-, Test- und Validierungsdaten).. . . . . . . . . . . . . . . . . . . . . . . . .  137 6.2 Drei Methoden des maschinellen Lernens. . . . . . . . . . . . . . . . . . . . . . .  138 6.2.1 Überwachtes Lernen (Supervised Learning). . . . . . . . . . . . .  139 6.2.2 Unüberwachtes Lernen (Unsupervised Learning). . . . . . . . .  140 6.2.3 Bestärkendes Lernen (Reinforced Learning). . . . . . . . . . . . .  141 6.2.4 weitere Lernmethoden (Lazy Learning, Eager Learning, Continuous Learning) . . . . . . . . . . . . . . . . . . . . . .  142 6.3 Mustererkennung. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  142 6.4 ML-Algorithmen (Übersicht). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  146 6.5 Inferenz. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  149 6.6 Stabilitäts-Plastizitäts-Dilemma & Drift (Concept/Model Drift). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  149 6.7 Meta-Lernen (Meta-Learning). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  151 6.8 Automatisiertes Maschinelles Lernen (AutoML). . . . . . . . . . . . . . . . . . 152 6.9 Tiefer gehendes Lernen (Deep Learning – DL). . . . . . . . . . . . . . . . . . .  154 6.10 Künstliche Neuronale Netze – KNN (Artificial Neuronal Network – ANN). . . . . . . . . . . . . . . . . . . . . . . . . .  155 6.11 Anwendungsbeispiel bei 3M . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  159 6.12 Fragen zum Kapitel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  161 Literatur. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
7 Maschinelle Entscheidungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165 7.1 Menschliche Entscheidung. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  165 7.2 Herausforderungen bei der „Faktenorientierten Entscheidung“ . . . . . .  168 7.3 Kontingenz (Selektion bei mehreren Alternativen) . . . . . . . . . . . . . . . .  174 7.4 Unsicherheit: Informationsmangel, -Verfügbarkeit, & -Asymmetrie. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  174

XX

Inhaltsverzeichnis

7.5 Empathie, Intuition, Irrationalität, Emotionalität bei Entscheidungen. . . . . . . . . . . . . . . . . . . . . . . . . . . . .  176
7.6 Exkurs: Spieltheorie (Game Theorie). . . . . . . . . . . . . . . . . . . . . . . . . . .  178 7.7 Entscheidungsheuristiken. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  180 7.8 Selbstorganisation & Chaostheorie bei KI. . . . . . . . . . . . . . . . . . . . . . .  180 7.9 Situationsbezogene flexible Auslegung von Regeln
in chaotischen Systemen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  184 7.10 Autonomie & Kontrolle bei KI-Entscheidungen. . . . . . . . . . . . . . . . . .  186 7.11 KI-Entscheidung bei Unsicherheit. . . . . . . . . . . . . . . . . . . . . . . . . . . . .  188 7.12 ADM-Systeme (Algorithmische Entscheidungsfindung –
Algorithm Decision Making). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  192 7.13 Fragen zum Kapitel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  195 Literatur. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
8 Weitere Werkzeuge der Künstlichen Intelligenz . . . . . . . . . . . . . . . . . . . . . . . 199 8.1 Maschine-zu-Maschine-Kommunikation (Machine-to-Machine – M2M). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  199 8.2 Mensch-Maschine-Interface (MMI), Human-Machine-Interface (HMI). . . . . . . . . . . . . . . . . . . . . . . . . . . . .  200 8.2.1 Haptisches Feedback . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  201 8.2.2 Gedankensteuerung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  203 8.3 Natural Language Processing (NLP). . . . . . . . . . . . . . . . . . . . . . . . . . .  204 8.4 Text Mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  206 8.5 Bild- & Objekterkennung (Image Recognition). . . . . . . . . . . . . . . . . . .  207 8.6 Intelligente, autonome Agenten. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  211 8.7 Robotic Process Automation (RPA). . . . . . . . . . . . . . . . . . . . . . . . . . . .  212 8.8 Fragen zum Kapitel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  213 Literatur. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 214
9 Angriffssicherheit und Manipulationssicherheit bei KI-Systemen . . . . . . . . 217 9.1 Angriffe auf industrielle IT-System. . . . . . . . . . . . . . . . . . . . . . . . . . . .  217 9.2 Cyberresilienz. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  220 9.3 Evasion, Bypassing (Ausweichen, Umgehen). . . . . . . . . . . . . . . . . . . .  221 9.4 Poisoning Attacks (Vergiftungsattacken). . . . . . . . . . . . . . . . . . . . . . . .  221 9.5 Adversarial Attacks (feindliche Angriffe) . . . . . . . . . . . . . . . . . . . . . . .  222 9.6 Backdoor Attacks – Backdooring (Angriff durch die Hintertür). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  223 9.7 Deep Fakes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  223 9.8 KI-basierte Intrusion-Detection- und Prevention-Systemen (IDS, IPS). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  224 9.9 Fragen zum Kapitel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  225 Literatur. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225

Inhaltsverzeichnis

XXI

10 Digitalisierung und KI in der Produktion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227 10.1 Chancen der Digitalisierung und KI in der Produktion. . . . . . . . . . . . .  227 10.2 Anforderungen an ein KI-System im Produktionsumfeld. . . . . . . . . . .  235 10.2.1 Skalierbarkeit. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  235 10.2.2 Resilienz bei autonomen Systemen. . . . . . . . . . . . . . . . . . . .  236 10.2.3 Robustheit (Robustness). . . . . . . . . . . . . . . . . . . . . . . . . . . . .  238 10.2.4 Plausibilität. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  241 10.3 Smart Factory, Smart Manufacturing & Production Level 4. . . . . . . . .  241 10.4 Autonome Produktion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  246 10.5 Internet der Dinge – (Industrial) Internet of Things (IoT & IIoT). . . . .  248 10.6 Maschine als Service – Machine as a Service – (MaaS). . . . . . . . . . . .  250 10.7 Fertigungsmanagementsysteme (Manufacturing Execution Systems – MES). . . . . . . . . . . . . . . . . . . . .  251 10.8 Eingebettete Systeme (Embedded Systems) . . . . . . . . . . . . . . . . . . . . .  252 10.9 Cyber-Physische Systeme (CPS und CPPS) . . . . . . . . . . . . . . . . . . . . .  255 10.10 System der Systeme – System of Systems (SoS). . . . . . . . . . . . . . . . . .  256 10.11 Ubiquitous Computing. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  257 10.12 Digitaler Zwilling (Digital Twin). . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  259 10.13 Digital Thread. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  261 10.14 Virtual, Augmented & Mixed Reality Systems (VR, AR, MR) in der Produktion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  262 10.15 Anwendung in der Entwicklung (Generative Design). . . . . . . . . . . . . .  264 10.16 Connected Shopfloor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  265 10.17 Fragen zum Kapitel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  265 Literatur. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 266
11 Datengetriebene Prozessanalyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 271 11.1 Arten der Datenanalyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  271 11.2 Process Analytics, Data Mining & Process Mining. . . . . . . . . . . . . . . .  273 11.3 Predictive Maintenance & Predictive Machines (PdM). . . . . . . . . . . . .  277 11.4 Collaborative Technologies (CM, CCM, SCC). . . . . . . . . . . . . . . . . . .  280 11.5 Fragen zum Kapitel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  283 Literatur. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 283
12 Qualitätsmanagement 4.0. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 285 12.1 Qualität 4.0 & Smart Quality. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  285 12.2 Qualitätssicherung & KI. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  286 12.3 Qualitätsmanagement &KI (DIN EN ISO 9000f). . . . . . . . . . . . . . . . .  288 12.4 KI-Normung & Konformitätsbewertung . . . . . . . . . . . . . . . . . . . . . . . .  289 12.5 KI-Zertifizierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  290 12.6 Umsetzung bei Qualität 4.0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  290 12.7 Exkurs: Lernen durch Fehler. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  294

XXII

Inhaltsverzeichnis

12.8 „In the Loop“-Simulationen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  294 12.9 Fragen zum Kapitel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  295 Literatur. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 295
13 Robotik. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 297 13.1 Robotik und KI. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  297 13.2 Historie und aktuelle Situation der Robotik. . . . . . . . . . . . . . . . . . . . . .  299 13.3 Moravecs Paradox & ‚Griff in die Kiste‘ (Bin Picking) . . . . . . . . . . . .  303 13.4 Soft Robotics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  304 13.5 Wahrnehmung bei Robotern & autonomen Systemen. . . . . . . . . . . . . .  306 13.6 Simultane Lokalisierung und Kartenerstellung (SLAM). . . . . . . . . . . .  308 13.7 Kollaborative Robotik (Cobots). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  309 13.8 Mensch-Roboter-Kollaboration (MRK) & Human Robot Interaction (HRI). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  310 13.9 Serviceroboter & Cobots . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  312 13.10 Schwarmrobotik (Swarm Robots) . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  315 13.11 Myorobotics & Exoskelette. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  317 13.12 Medizintechnik. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  318 13.13 Fragen zum Kapitel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  321 Literatur. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 321
14 Erfolgsfaktoren. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 325 14.1 Gestaltungsfelder. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  325 14.2 Wie kann man mit Digitalisierung & KI Geld verdienen?. . . . . . . . . . .  327 Literatur. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 331
15 Nachwort. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 333 Literatur. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 335
Anhang. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  337
Literatur. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  339
Stichwortverzeichnis. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  341

Abkürzungsverzeichnis

AGB

Allgemeine Geschäftsbedingungen

AI

Artificial Intelligence (siehe auch KI)

AutoML

Automatisiertes Maschinelles Lernen (Automated Machine Learning)

BMBF

Bundesministerium für Bildung und Forschung

BMWi

Bundesministerium für Wirtschaft und Energie

CCM

Collaborative Condition Monitoring

CIM

Computer-Integrated Manufacturing

CPS

Cyber-Physische Systeme (Cyber-Physical Systems)

CPPS

Cyber-Physische Produktionssysteme

CSP

Cloud-Service-Provider

DSGVO

Datenschutz–Grundverordnung

DIN

Deutsches Institut für Normung

DPMA

Deutsches Patent- und Markenamt

ERP

Enterprise-Resource-Planning

etc.

etcetera

ggf.

gegebenenfalls

GmbH

Gesellschaft mit beschränkter Haftung

GRPS

General Packed Radio Services

HiL (auch HitL) Hardware in the Loop

Http

Hypertext Transfer Protocol

i. A.

im Allgemeinen

i. d. R.

in der Regel

i. W.

im Wesentlichen

IaaS

Infrastructure as a Service

IoT

Internet of Things

IIoT

Industrial Internet of Things

IoTS

Internet of Things and Services

IP-Adresse	Adresse im Computernetzwerk basierend auf dem

Internetprotokoll (IP)

XXIII

XXIV
IPv4 IPv6 IT IuK KI KMU KPI lat. LVS M2M MES MIL o. g. OPC UA MMI NIST NFC PDA PDM PdM PDW RFID RTLS SaaS SCADA SCC SME sog. SoS SPS u. a. u. ä. u. g. usw. u. U. u. v. m. VDI VUKA WSN XAI z. T.

Abkürzungsverzeichnis
Internet Protocol Version 4 Internet Protocol Version 6 Informationstechnik Informations- und Kommunikationssysteme Künstliche Intelligenz (siehe auch AI) Kleine und mittlere Unternehmen (siehe auch SME) Key Performance Indicator – Schlüssel-Leistungskennzahlen lateinisch Lagerverwaltungssystem Maschine-zu-Maschine Kommunikation Manufacturing Execution System Model in the Loop (bereits) oben genannt Open Platform Communications Unified Architecture Mensch-Maschine-Interaktion National Institute of Standards and Technology Near Field Communication Personal Digital Assistant Produkt-Daten-Management Predictive Maintenance Prinzip der Doppelwirkung Radio-Frequency Identification Real-Time Locating System (Echtzeit-Lokalisierungs-Systeme) Software as a Service Supervisory Control and Data Acquisition Supply Chain Collaboration Small and Medium Enterprises (siehe auch KMU) sogenannte System of Systems Speicherprogrammierbare Steuerung unter andrem und ähnlichem (weiter) unten genannt und so weiter unter Umständen und vieles mehr Verein Deutscher Ingenieure Volatilität, Unsicherheit, Komplexität und Ambiguität Wireless Sensor Network Explainable AI (Erklärbare KI) zum Teil

Abbildungsverzeichnis
Abb. 1.1 Technologische Veränderungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  6 Abb. 1.2 Historisches Flugzeug mit Porsche-Motor. . . . . . . . . . . . . . . . . . . . . . .  9 Abb. 1.3 Mooney mit Porsche-Motor PFM 3200. . . . . . . . . . . . . . . . . . . . . . . . .  10 Abb. 1.4 Market Push & Technology Pull. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  13 Abb. 1.5 Handlungsoptionen im Spannungsfeld Technik und Markt. . . . . . . . . .  14 Abb. 1.6 Kondradiev-Zyklen und gesellschaftliche Veränderung. . . . . . . . . . . . .  16 Abb. 1.7 Veränderung der Beschäftigung bis zum Beginn
der digitalen Revolution 2010. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  20 Abb. 1.8 Veränderungen der nachgefragten Berufe durch die
Digitalisierung & KI (World Economic Forum, The Jobs Landscape, 2018) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  21 Abb. 1.9 Millennials und Generation Z sehen in Industrie 4.0 meist eher einen Wegbereiter als eine Bedrohung. . . . . . . . . . . . . .  22 Abb. 1.10 Die Arbeitgeber sind mit den Prioritäten der Millennials „nicht im Einklang“ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  23 Abb. 1.11 Personalmanagement im Wandel (HR 4.0). . . . . . . . . . . . . . . . . . . . . . .  25 Abb. 2.1 Auswahl von Kennzeichen und Herausforderungen bei Industrie 4.0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  34 Abb. 2.2 Abgrenzung Digitalisierung, Industrie 4.0 und Künstliche Intelligenz. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  36 Abb. 2.3 Möglichkeiten der Digitalisierung, Industrie 4.0 und KI. . . . . . . . . . . .  37 Abb. 2.4 Die vier industriellen Revolutionen. . . . . . . . . . . . . . . . . . . . . . . . . . . .  37 Abb. 2.5 Technologiebasis von Industrie 4.0 (World Economic Forum 2016). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  41 Abb. 3.1 Vier Phasen der Künstlichen Intelligenz. . . . . . . . . . . . . . . . . . . . . . . . . 50 Abb. 3.2 Aufbau eines KI-Systems. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  51 Abb. 3.3 Facebook KI-Chef Jerome Pesenti twittert an Elon Musk. . . . . . . . . . .  53 Abb. 3.4 Hybride KI – IT-Arbeitsplatz. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  56 Abb. 3.5 Hybride KI – Übertragung auf die Maschine. . . . . . . . . . . . . . . . . . . . .  56 Abb. 3.6 Symbolische und Subsymbolische KI . . . . . . . . . . . . . . . . . . . . . . . . . .  57
XXV

XXVI

Abbildungsverzeichnis

Abb. 3.7 KI-beeinflussende Autonomie-Stufen in der industriellen Produktion in Anlehnung an Plattform Industrie 4.0. . . . . . . . . . . . . . .  59
Abb. 3.8 Automatisierungsgrade des automatisierten Fahrens bis zum autonomen Fahren. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  60
Abb. 3.9 Umsetzung des automatisierten Fahrens . . . . . . . . . . . . . . . . . . . . . . . .  61 Abb. 3.10 Entwicklung der Künstlichen Intelligenz (KI). . . . . . . . . . . . . . . . . . . .  63 Abb. 3.11 Mensch und Maschine arbeiten zusammen . . . . . . . . . . . . . . . . . . . . . .  67 Abb. 3.12 Gutartige und bösartige Bots nach Internetverkehr . . . . . . . . . . . . . . . .  68 Abb. 3.13 Der Schachtürke: Kupferstich von Racknitz 1789. . . . . . . . . . . . . . . . .  69 Abb. 3.14 Kernanforderungen an eine vertrauenswürdige KI. . . . . . . . . . . . . . . . .  71 Abb. 3.15 White-Box- & Black-Box-Test. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  74 Abb. 3.16 Ansatz zur Bewertung von KI-Transparenz
(Bertelsmann Stiftung (Hrsg.), Hustedt und Hallensleben 2020). . . . . .  77 Abb. 3.17 KI-Entscheidungsablauf: Beweisbar, Transparent,
Erklärbar & Zielgerichtet. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  79 Abb. 3.18 Entwicklung der Patentanmeldungen im Bereich der
Künstlichen Intelligenz mit Wirkung für Deutschland. . . . . . . . . . . . . .  82 Abb. 3.19 Vergleich Patentanmeldungen im Bereich KI 2013
zu 2018 nach Ländern. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  82 Abb. 3.20 KI-Patentanmeldungen mit Wirkung für Deutschland
nach Teilgebieten für die Top 5 Länder 2018. . . . . . . . . . . . . . . . . . . . .  83 Abb. 4.1 Stele des Codex Hammurabi um 1750 v.Ch., Louvre,
Paris (CC-Lizenz, (Louvre 2011)). . . . . . . . . . . . . . . . . . . . . . . . . . . . .  100 Abb. 4.2 Theorien mit Produktions- & Wertebezug. . . . . . . . . . . . . . . . . . . . . . .  104 Abb. 4.3 VCIO-Modell (Bertelsmann Stiftung (Hrsg.),
Hustedt und Hallensleben 2020). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  108 Abb. 4.4 Vorschlag zur Gesamt-Systembewertung anhand
von Mindestanforderungen (Bertelsmann Stiftung et al. 2020). . . . . . .  109 Abb. 5.1 Zusammenhang zwischen Daten, Information und Wissen. . . . . . . . . .  116 Abb. 5.2 Viele Daten bleiben ungenutzt
(World Economic Forum & Kearney 2017). . . . . . . . . . . . . . . . . . . . . .  124 Abb. 5.3 Datenmerkmale Big Data vs. traditionelle Daten. . . . . . . . . . . . . . . . . .  125 Abb. 5.4 Von Big Data zu Smart Data. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  129 Abb. 6.1 „Künstliche Intelligenz“ (Artificial Intelligence) mit den
Teilgebieten „Maschinelles Lernen“ (Machine Learning) und „Tiefergehendes Lernen“ (Deep Learning). . . . . . . . . . . . . . . . . . .  134 Abb. 6.2 Maschinelles Lernen – Der Mensch bleibt noch Teil des Systems. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  135 Abb. 6.3 Entwicklung eines DL-Systems. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  137 Abb. 6.4 Drei Methoden des Maschinellen Lernens. . . . . . . . . . . . . . . . . . . . . . .  139

Abbildungsverzeichnis

XXVII

Abb. 6.5 Überwachtes Lernen bei der Zerspanung. . . . . . . . . . . . . . . . . . . . . . . .  140 Abb. 6.6 Vorgehensweise bei Mustererkennung mittels Lernphase. . . . . . . . . . .  144 Abb. 6.7 Vorgehen evolutionären Algorithmus (EA) bzw.
genetische Algorithmen (GA). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  145 Abb. 6.8 @elhotzo zu Algorithmen, Instagram 08.07.2020. . . . . . . . . . . . . . . . .  146 Abb. 6.9 Algorithmus = Verarbeitungsvorschrift . . . . . . . . . . . . . . . . . . . . . . . . .  147 Abb. 6.10 Beispiele für KI-Algorithmen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  148 Abb. 6.11 Unterschiedliche Driftarten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  151 Abb. 6.12 AutoML: Workflow im Vergleich zum klassischen
maschinellen Lernen (ML). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  153 Abb. 6.13 Vergleich Machine Learning (ML) vs. Deep Learning (DL). . . . . . . . .  155 Abb. 6.14 Menschliches neuronales Netzwerk. (Nöth 2020). . . . . . . . . . . . . . . . .  156 Abb. 6.15 Künstliches Neuronales Netzwerk (KNN). . . . . . . . . . . . . . . . . . . . . . .  157 Abb. 6.16 Aktivierungsfunktionen (Beispiele). . . . . . . . . . . . . . . . . . . . . . . . . . . .  158 Abb. 6.17 Instabiler Betriebspunkt mit höherer Effizienz als
stabilerer Betriebspunkt. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  159 Abb. 6.18 Einsatz von maschinellem Lernen bei 3M. . . . . . . . . . . . . . . . . . . . . . .  160 Abb. 6.19 Künstliche Intelligenz & Deep Learning bei 3M. . . . . . . . . . . . . . . . . .  161 Abb. 7.1 Entscheidungstypen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  166 Abb. 7.2 Dimensionen menschlicher Problemlösung. . . . . . . . . . . . . . . . . . . . . .  167 Abb. 7.3 Ceci n'est pas une pipe (René Magritte, 1929) Lizensiert:
Creative Commons Attribution 4.0. . . . . . . . . . . . . . . . . . . . . . . . . . . . .  172 Abb. 7.4 Taktische Überlegungen eines Produktionsleiters
beim Kauf einer vergleichsweise teuren Maschine . . . . . . . . . . . . . . . .  173 Abb. 7.5 Fehlertoleranz im Management nach 3M. . . . . . . . . . . . . . . . . . . . . . . .  173 Abb. 7.6 Positive Stimmung führt zu Risikovermeidung. . . . . . . . . . . . . . . . . . .  177 Abb. 7.7 Optionen bzw. Auszahlungsmatrix beim Chicken-Game. . . . . . . . . . . .  178 Abb. 7.8 Beispiele für Entscheidungsalgorithmen . . . . . . . . . . . . . . . . . . . . . . . .  180 Abb. 7.9 Magic Roundabout in Swindon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  182 Abb. 7.10 Menschen regeln (noch) den Verkehr besser als eine KI. . . . . . . . . . . .  185 Abb. 7.11 Steuert der Mensch oder der Computer? . . . . . . . . . . . . . . . . . . . . . . . .  187 Abb. 7.12 Cockpit eines Flugzeugs der Allgemeinen Luftfahrt . . . . . . . . . . . . . . .  188 Abb. 7.13 Unterteilung von ADM in DSS und AuDM. . . . . . . . . . . . . . . . . . . . . .  193 Abb. 7.14 Beispiele für teilhaberrelevante ADM-Systeme. . . . . . . . . . . . . . . . . . .  194 Abb. 8.1 Haptik. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  201 Abb. 8.2 Kreativität besser auf dem Papier – Skizze eines 18 Zylinder
Motors von Ferdinand Karl Piëch (VW) für den Bugatti Veyron. . . . . .  202 Abb. 8.3 MMI-Hand mit haptischem Feedback. . . . . . . . . . . . . . . . . . . . . . . . . .  202 Abb. 8.4 Anwendung einer haptischem Feedback-Hand bei
KI-unterstützten Arbeiten. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  203

XXVIII

Abbildungsverzeichnis

Abb. 8.5 Anwendung einer haptischem Feedback-Hand beim industriellen Training. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  204
Abb. 8.6 Jugendliche steuern einen Ball mit ihren Gedanken. . . . . . . . . . . . . . . . 204 Abb. 8.7 Identifikation eines Insekts aus Pixeln. . . . . . . . . . . . . . . . . . . . . . . . . .  207 Abb. 8.8 Klassifizierung & Bedeutungszuweisung: Wolke
(Sichtbehinderung aber ungefährlich), Gleitschirm (keine Wolke, Kollisionsgefahr). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  209 Abb. 8.9 Optische Doppeldeutigkeit – Ein Quadrat, wo keines ist. . . . . . . . . . . .  209 Abb. 9.1 Cyberangriffe auf Unternehmen (GDV G. 2020). . . . . . . . . . . . . . . . . .  218 Abb. 9.2 Cyberattacken legen Betriebe lahm (GDV G. d. 2018) . . . . . . . . . . . . .  219 Abb. 10.1 Mercedes-Benz Factory 56. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  228 Abb. 10.2 Konditorei ca. 1955. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 228 Abb. 10.3 Konditoreianforderung mit Industrie 4.0 . . . . . . . . . . . . . . . . . . . . . . . .  229 Abb. 10.4 Roboterarm glasiert mittels Künstlicher Intelligenz Aachener Printen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  229 Abb. 10.5 Produktionsregelung 2030 ermöglicht eine dynamische und situationsabhängige Produktionssteuerung. . . . . . . . . . . . . . . . . . .  230 Abb. 10.6 KI muss einen Mehrwert haben, daher bleibt der Mensch bewusst Teil des Prozesses. . . . . . . . . . . . . . . . . . . . . . . . . . . .  231 Abb. 10.7 Industrie-4.0-Anwendungsbereiche. . . . . . . . . . . . . . . . . . . . . . . . . . . .  232 Abb. 10.8 Deloitte Manufacturing 4.0-Cube. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  232 Abb. 10.9 Bausteine einer digitalen Infrastruktur in der Produktion in Anlehnung an (Siepmann und Roth 2016; Ruderschmidt 2019). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  233 Abb. 10.10 Risikomanagement & Robustheit. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  239 Abb. 10.11 Industrie 4.0 – Fertigung bei Porsche. . . . . . . . . . . . . . . . . . . . . . . . . . .  243 Abb. 10.12 Smart … Digitalisierung verändert Unternehmen aller Branchen tief greifend . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  243 Abb. 10.13 Beispiele für Smart Factory in der Automobilindustrie. . . . . . . . . . . . .  245 Abb. 10.14 Die Automatisierungspyramide . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  246 Abb. 10.15 Wandel der Automatisierungspyramide hin zu SPS. . . . . . . . . . . . . . . .  247 Abb. 10.16 MES-System. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  252 Abb. 10.17 Produktionsüberwachung per App. . . . . . . . . . . . . . . . . . . . . . . . . . . . .  253 Abb. 10.18 Aufbau eines Embedded Systems. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  254 Abb. 10.19 Aufbau eines Cyber-Physischen Systems (CPS). . . . . . . . . . . . . . . . . .  256 Abb. 10.20 Vom intelligenten System über die Kooperation von Systemen zur Cyber-Physischen System (CPS). . . . . . . . . . . . . . . . . . .  257 Abb. 10.21 Entwicklungsstufen vom Mainframe-Computer zu Ubiquitous Computing. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  257 Abb. 10.22 Virtual, Real & Mixed Reality in Anlehnung an: (Microsoft, Was ist Mixed Reality? 2018). . . . . . . . . . . . . . . . . . . . . . .  263 Abb. 11.1 Arten der Datenanalyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  273

Abbildungsverzeichnis

XXIX

Abb. 11.2 Prozess-Analytics. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  274 Abb. 11.3 CRISP-CM Modell. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  276 Abb. 11.4 OEE – Overall Equipment Effectivness Kennzahl. . . . . . . . . . . . . . . . .  277 Abb. 11.5 Wartungsstrategien. (Ausfallsicherheit vs. Kosten). . . . . . . . . . . . . . . .  280 Abb. 11.6 Predictive Maintenance. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 280 Abb. 12.1 Visuelle Qualitätsprüfung bei der Kößler Technologie GmbH . . . . . . .  287 Abb. 12.2 Handlungsfelder einer KI-Zertifizierung . . . . . . . . . . . . . . . . . . . . . . . .  292 Abb. 12.3 Das Analyse-Kontinuum. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  293 Abb. 13.1 Neue Arten von Robotern für die Digitale Revolution
(World Economic Forum 2018). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  298 Abb. 13.2 Auswirkungen von KI und Robotik – Szenarien in Anlehnung
an. (AG 5, Plattform Industrie 4.0, & BMWi 2019). . . . . . . . . . . . . . . .  299 Abb. 13.3 Leonardo da Vinci Getriebe, Auto . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  300 Abb. 13.4 Leonardo da Vinci – Roboter Ritter Rekonstruktion . . . . . . . . . . . . . . .  301 Abb. 13.5 Highlights der Roboterentwicklung. . . . . . . . . . . . . . . . . . . . . . . . . . . .  301 Abb. 13.6 Wachstumserwartung für Industrieroboter. . . . . . . . . . . . . . . . . . . . . . .  302 Abb. 13.7 Industrieroboter-Dichte nach Ländern. . . . . . . . . . . . . . . . . . . . . . . . . .  302 Abb. 13.8 Robotergreifer bei der Aufnahme einer frei positionierten
Büroklammer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  303 Abb. 13.9 Griff in die Kiste mit KUKA-Robotern. . . . . . . . . . . . . . . . . . . . . . . . .  304 Abb. 13.10 BionicSoftHand . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  305 Abb. 13.11 BionicSoftHand . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  306 Abb. 13.12 Kollaborative Roboter sind eine wachsende Nische. . . . . . . . . . . . . . . .  309 Abb. 13.13 Mensch-Roboter-Kollaboration (MRK) – HRC Cobots. . . . . . . . . . . . .  310 Abb. 13.14 Zeitliche und räumliche Trennung von Mensch und Roboter . . . . . . . .  311 Abb. 13.15 MRK bei Skoda mit Roboter von KUKA. . . . . . . . . . . . . . . . . . . . . . . .  312 Abb. 13.16 Service Robotik, interessanter Markt auch für Start-Ups. . . . . . . . . . . .  314 Abb. 13.17 Humanoider Serviceroboter. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  315 Abb. 13.18 Menschliche Wahrnehmung eines humanoiden Roboters . . . . . . . . . . .  316 Abb. 13.19 Anfänge der Roboternutzung in der Medizintechnik:
Robotersystem zur Dosierung von Krebsmedikamenten (1994) (Mockenhaupt 1994). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  319 Abb. 13.20 Blutprobenhandling heutzutage. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  319 Abb. 13.21 Roboter im Operationssaal mit MRK-Fähigkeit. . . . . . . . . . . . . . . . . . . 320 Abb. 14.1 Chancen & Herausforderungen von KI bei 3M. . . . . . . . . . . . . . . . . . .  327 Abb. 14.2 Manufacturing 4.0 Performancetreiber. . . . . . . . . . . . . . . . . . . . . . . . . .  328 Abb. 14.3 Priorisierter Nutzen durch I4.0-Anwendungen . . . . . . . . . . . . . . . . . . .  328 Abb. 14.4 Stichworte für den Einsatz von KI & Digitalisierung . . . . . . . . . . . . . .  329 Abb. 15.1 Deutscher KI-Innovationspreis 2020, Bernhard Schölkopf, Max-Planck-Institut für Intelligente Systeme. . . . . . . . . . . . . . . . . . . . .  335

Tabellenverzeichnis

Tab. 1.1
Tab. 3.1 Tab. 3.2 Tab. 3.3 Tab. 6.1 Tab. 7.1
Tab. 7.2 Tab. 7.3
Tab. 7.4
Tab. 10.1
Tab. 12.1
Tab. 12.2

Beispiele für Gewinner & Verlierer von Technologiebrüchen & Disruption. . . . . . . . . . . . . . . . . . . . . . . . . . . . .  10 Meilensteine der Künstlichen Intelligenz (Auswahl). . . . . . . . . . . . . . .  64 Künstliche Intelligenz im Film (Auswahl). . . . . . . . . . . . . . . . . . . . . . .  65 Künstliche Intelligenz in der Literatur (aktuelle Auswahl) . . . . . . . . . .  65 Kreativität vs. Kombinatorik beim Menschen bzw. KI . . . . . . . . . . . . .  143 S-Klassifikation der AWMF (Muche-Borowski und Kopp 2015) . . . . . . . . . . . . . . . . . . . . . . . . . . . .  191 Empfehlungsgrade nach AWMF (AWMF online kein Datum) . . . . . . .  191 Klassifizierte Handlungsempfehlungen in Anlehnung an European Resuscitation Council (ECR): nach (Ziegenfuß 2005). . . . . . . . . . . . . .  191 Kategorisierung von Anforderungen betreffend KI-Module mit hohen oder geringen Risiken nach DIN SPEC 92001-1:2019. . . . .  192 Unterschiede zwischen Virtual, Augmented und Mixed Reality (VR, AR, MR). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 264 Vergleich der sieben Grundsätze des QM und des agilen QM (Sommerhoff und DGQ 2016) . . . . . . . . . . . . . . . . . . . . . . . . . . . .  289 Auswahl von Normen und Standards mit KI-Bezug . . . . . . . . . . . . . . .  291

XXXI

Industrie und Gesellschaft im digitalen Wandel

1

1.1	Digitale Transformation
Tempora mutantur (Die Zeiten ändern sich) Digitalisierung und Künstliche Intelligenz gelten als die vielleicht größten Zukunftsthemen. Sicher ist, Innovationen aus KI und Digitalisierung werden die Welt verändern. Dies nicht nur im technisch-ingenieurwissenschaftlichen Sinne, sondern auch mit Konsequenzen für das gesellschaftliche Zusammenleben – mit gewinnbringenden Auswirkungen aber auch mit Ängsten, Risiken und Herausforderungen.
Der Digitale Wandel betrifft daher alle Lebensbereiche. Die Digitale Transformation, häufig synonym zum Digitalen Wandel genutzt, beschreibt die Veränderung mit Focus auf Unternehmen. Damit ist aber nicht nur der reine Technologiewandel gemeint, vielmehr verändert sich auch die Organisation, das Zusammenarbeiten von Menschen und Maschine und vor Allem die Art und Weise der Entscheidungsfindung und Verantwortlichkeit. Wie bei vielen Changemanagement-Prozessen kann die Digitale Transformation Unsicherheit und Bedenken hervorrufen. Beim Mitarbeiter, der seine Qualifikation weiter entwickeln muss (und ggf. damit überfordert ist) oder gar um seinen Arbeitsplatz bangt. Beim Management durch einen veränderten Informationsfluss und die damit verbundenen Verschiebungen in der Einflussnahme („Wissen ist Macht“) sowie durch die Problematik, am Ende Verantwortung für einen maschinellen Entscheidungsprozess übernehmen zu müssen, den man nicht durchschaut oder nicht beeinflussen kann. Dabei ist Digitalisierung selbst kein IT-Thema (Weber A. 2017). Dieses Denken ist zwar weit verbreitet, aber es ist Vorsicht geboten: Insbesondere die Künstliche Intelligenz (KI) ist IT-Technologiegetrieben, also Technology-Push (siehe Abschn. 1.5.2). Nun muss geklärt werden, wie die Anwendungen, z. B. im

© Der/die Autor(en), exklusiv lizenziert durch Springer Fachmedien Wiesbaden GmbH,

1

ein Teil von Springer Nature 2021

A. Mockenhaupt, Digitalisierung und Künstliche Intelligenz in der Produktion,

https://doi.org/10.1007/978-3-658-32773-6_1

2

1  Industrie und Gesellschaft im digitalen Wandel

­Wertschöpfungsbereich, aussehen können. Damit ist die Digitalisierung ein Querschnittsthema, so bezeichnet von der DLR Vorstandsvorsitzende Pascale Ehrenfreund (Ehrenfreund 2020).
Die Informations-Technologie entwickelt Werkzeuge, die KI ist eines, Anwender aus allen Gebieten nutzen diese dann breit und vielfältig. Ähnlich wie beim kalifornischen Goldrausch Mitte des 19. Jahrhundert gibt es Goldgräber und diejenigen, die die Werkzeuge bereitstellen – mit der Einschränkung, dass seinerzeit eher die Werkzeughersteller reich geworden sind.
Die Digitale Transformation basiert auf zwei technologischen Säulen: Zum einen hat sich die Rechnerleistung stark gesteigert, ein Effekt, der sich durch Cloud-Computing noch einmal verstärkt. Was früher ein teurer und großer Hochleistungsrechner für Spezialisten war, ist heute preiswert und vor allem auch bei sehr kleiner Baugröße für jedermann erschwinglich. Dadurch konnte die Digitalisierung in den Massenmarkt aber auch in die industrielle Produktion einziehen. Die zweite Säule ist die Sensortechnik, die ebenfalls kleiner, schneller und preiswerter bei höherer Auflösung wurde. Vor allem sind hierbei Kameras und GPS-Systeme zu nennen, aber auch Bewegungssensoren sowie die Sensoren zur Erfassung menschlicher Gesundheitsdaten. Beides zusammen ermöglicht riesige Datenmengen zu erfassen, zu speichern und zu verarbeiten. So wurden in der DDR in den 1980iger Jahren Telefonate noch von der Staatssicherheit (Stasi) manuell abgehört und manuell verarbeitet, per Schreibmaschine und Karteikarte, so zu sehen im Film: Das Leben der Anderen (Henckel von Donnersmarck 2006). Schon 2014 soll laut Whistleblower Eduard Snowden die amerikanische NSA in der Lage gewesen sein, 100 % der Telefonate eines Ziellandes automatisiert abzuhören (Süddeutsche Zeitung 2014). Anschließend können die tausenden Anrufe, ebenfalls automatisiert, auf Schlüsselworte hin untersucht werden. Wie von Alexa (Amazon), Siri (Apple) oder Übersetzungsapps bekannt, stellt die elektronische Verarbeitung von gesprochener Rede mittlerweile selbst für den Endverbraucher kein Problem mehr da. Diese Möglichkeit, mit bisher für unmöglich gehaltener Geschwindigkeit und Präzision extrem große Datenmengen in Echtzeit zu analysieren und daraus Informationen für personalisierte Dienste und individuelle Bedürfnisse bereitzustellen, birgt hohe Wachstumschancen. Daraus resultiert eine Art „Goldgräberstimmung“ auf allen Seiten, der IT, bei den Anwendern in Industrie, im Handel und der Medizin sowie beim Endverbraucher. Dabei hat die bereits fortgeschrittene Einführung der Digitalisierung tief greifende Auswirkungen auf die Wirtschaft und der hier beschäftigten Personen sowie für die Gesellschaft im Allgemeinen. Dabei gilt es, die Vorteile der Digitalisierung zu nutzen, aber auch mögliche Gefahren zu erkennen und abzuwenden. Ein Beispiel:

1.2  Mythen & Fakten

3

Eine Internet-Suchmaschine erkennt schneller eine mögliche Schwangerschaft oder den Ausbruch einer Grippewelle, nur über das Suchverhalten seiner Nutzer(in). Das klassische Gesundheitssystem ist eher träge, wartet z. B. auf statistisch abgesicherte Laborergebnisse.
Mit der frühzeitigen Information können im positiven Sinne schneller entsprechende Vorkehrungen getroffen werden. Umgekehrt könnte die zunächst nur von einem Algorithmus vermutete Schwangerschaft bzw. Krankheit negative Konsequenzen für den Einzelnen haben.
Darüber hinaus könnten die Daten zur (staatlichen) Überwachung genutzt, Fake-News verbreitet oder Stimmungen in eine bestimmte Richtung beeinflusst werden.
Vor allem die Bewertung (zukünftigen) menschlichen Verhaltens ist kritisch zu sehen, denn trotz statistischer Relevanz können Daten in die falsche Richtung weisen:
Eher unkritisch sind dabei Marketingprognosen (z. B. „Käufer, die dieses und jenes im Warenkorb haben, haben sich auch folgendes angesehen …“).
Kritisch wird es aber, wenn auf zukünftiges Verhalten geschlossen wird. Beispielsweise wird diskutiert, ob in der Verbrechensbekämpfung oder bei der Vergabe von Einreisevisa datenbasierte Prognosen genutzt werden dürfen, ohne dass die entsprechende Person bislang in irgendeiner Form auffällig war (z. B. „Personen mit diesem Datenprofil neigen zu bestimmten Verbrechen“). Letzteres wurde bereits in der Terrorismusbekämpfung der späten 1970iger Jahre unter dem Begriff „Rasterfandung“ kontrovers diskutiert.
Letztlich muss auch der Endnutzer in der Digitalisierung „mitgenommen“ werden. Nicht alles menschliche Verhalten ist dabei rational: So ziehen an britischen Universitäten drei von vier Studierenden Lehrbücher digitalem Material vor (Blackweel’s 2020). Dies obwohl digitale Medien mit mächtigen Such- und Speicherfunktionen gerade in Forschung und Lehre große Vorteile gegenüber Printmedien haben.

1.2	Mythen & Fakten
Um die Digitalisierung und die Künstliche Intelligenz ranken viele Mythen, die hier kurz angesprochen werden sollen, im dann folgenden weiter vertieft werden. Eine Künstliche Intelligenz kann alles (Was kann eine KI, was nicht?) Eine KI kann aus (vergangenen bzw. aktuellen) Daten lernen und daraus auf zukünftige Entwicklungen schließen. Dies ist ein starkes Werkzeug, insbesondere weil sehr große Datenmengen (Big Data) verarbeitet werden können und die KI darin Muster erkennen kann, die dem Menschen verborgen bleiben. Aber die KI unterliegt den Gesetzen der Statistik: Beispielsweise dem Gesetz der großen Zahlen folgend kann die Statistik eine Aussage darüber treffen, wie sich beim Roulette die Ergebnisse insgesamt verteilen, nicht aber konkret, ob beim nächsten Spielvorgang rot oder schwarz kommt. Die Kugel hat kein Gedächtnis und weiß nicht, ob vorher bereits x-mal rot gefallen ist, sie hat eine jeweils eigene Wahrscheinlichkeit, die Vergangenheit spielt keine Rolle. Das ist dann die Grenze der KIIntelligenz: Wenn vergangenheitsbezogene Daten keinen Einfluss auf die Zukunft haben, kann eine KI keine Wahrscheinlichkeit für eine konkrete Entwicklung geben.

4

1  Industrie und Gesellschaft im digitalen Wandel

Der Digitale Wandel kostet Arbeitsplätze: Alle technologisch orientierten Veränderungen haben auch Veränderungen in der Arbeitswelt mit sich gebracht. Es sind Aufgaben weggefallen, die fortan von Maschinen erledigt wurden, neue sind hinzugekommen. Nach einiger Zeit waren aber immer mehr Arbeitsplätze entstanden als weggefallen, volkswirtschaftlich also ein Gewinn. Dennoch gibt es auch Verlierer. Für Unternehmen bedeutest dies, zukunftsorientiert innovativ zu handeln, für den Einzelnen bedeutet dies, durch lebenslanges Lernen mit der Entwicklung Schritt zu halten. (siehe hierzu auch das Vorwort bzw. Abschn. 1.8).
Künstliche Intelligenz (KI) wird bald intelligenter sein als der Mensch Derzeitige Anwendungen entsprechen der schwachen KI. Dabei handelt es sich letztlich um Datenauswertung, weniger um Intelligenz. Nur sind die Datenreservoirs aufgrund der billigeren und kleineren Sensorik sowie der Datenspeicherungs- und -Übertragungstechnik um ein Vielfaches gewachsen (Big Data). Auch sind die Berechnungsprogramme aufgrund der gestiegenen Rechnerleistung schneller, effizienter und smarter. Was gesagt werden kann ist, eine KI hat keine „schlechten Tage“: Eine KI urteilt nicht, sondern entscheidend nach Daten und deren Auswertung durch Algorithmen. Menschen interpretiert und urteilen immer: Ein Beispiel für die Allgegenwart menschlicher Beurteilung ist die „Albatros-Kultur“ (Bundeszentrale für politische Bildung 2008).
Eine der menschlichen Intelligenz ähnlichen starken KI soll es laut Expertenmeinung frühestens in 30 Jahren geben. Ob diese dann auch emotional, überraschend oder kreativ mit dem Menschen mithalten kann, ist noch offen. Auch hier wird es Grenzen geben, siehe nächster Mythos.
Es besteht die Gefahr, dass eine KI über unser Leben bestimmt Bereits jetzt entscheiden Algorithmen darüber, ob wir z. B. einen Kredit oder ein Reisevisa bekommen. Wichtigstes Kriterium bei der Zulassung (Zertifizierung) solcher Systeme ist aber die Transparenz, d. h. es muss nachgewiesen werden, warum eine KI was tut. Kann dies, z. B. aufgrund eines intransparenten maschinellen Lernprozesses, nicht belegt werden, kann eine KI zwar entscheidungsunterstützend sein, aber ein Mensch behält das letzte Wort. Dieses Vorgehen steht aber im gewissen Widerspruch zum maschinellen Lernen. Die Lösung hier heißt erklärbare KI, d. h. alle zur Entscheidung herangezogenen Umstände müssen erklärbar sein. Wie eine solche Erklärbarkeit überprüft werden soll, daran wird noch gearbeitet.
KI wird das Leben einfacher und sicherer machen Jeglicher technische Fortschritt hat dazu geführt, dass das Leben einfacher und sicherer wird. Ein Kennzeichen dafür ist, die Lebenserwartung der Menschen, welche weltweit gestiegen ist. Dennoch sollte man nicht glauben, KI-Systeme sind fehlerlos. Dies wird z. B. beim autonomen Fahren gerne fälschlich angenommen. So irrte im September 2020 z. B. das eigentlich zuverlässige automatisierte Entscheidungsverfahren der deutschen Börse (Mohr 2020). KI-Systeme werden andere Fehler machen, als Menschen, sicherlich aber weniger. Derzeitige Herausforderungen sind die Robustheit und die Angriffssicher-

1.3  Technologische Veränderungen

5

heit. Robustheit bedeutet, dass ein System nicht wegen eines kleinen Fehlers den Dienst komplett aufgibt. Angriffssicherheit bedeutet, dass KI-Systeme nicht von Fremden für möglicherweise schädliche Zwecke, vom Datendiebstahl über Finanzkriminalität oder einfach zum Spaß, umprogrammiert werden können.
KI kann besser Zusammenhänge erkennen: Wenn ausreichend Daten vorhanden sind, ist eine KI wesentlich besser darin Muster und Zusammenhänge zu erkennen als der Mensch. Dies nutzt die KI aus beim maschinellen Lernen und ist ein großer Vorteil der KI. Aber Vorsicht: Eine KI scheitert sehr oft an statistischen Scheinzusammenhängen (scheinbarer, aber nicht vorhandener Zusammenhang, z. B. zwischen der Geburtenrate und der Anzahl an Klapperstörchen). Auch können einzelne falsche Pixel das Erkennen eines Bildes stören, was auch als Angriff auf ein System zu unlauteren Zwecken genutzt wurde. Bedeutungszusammenhänge, also z. B. ist ein Satz ironisch gemeint oder ernst, sind derzeit eine Herausforderung für KISysteme.
KI ist nichts für den Mittelstand Leider ist dies eine weitverbreitete Ansicht. Aber gerade bei mittelständischen Unternehmen sind aktuell die größten Chancen: Zumeist sind sie in einem sehr speziellen Fachgebiet unterwegs (Hidden Champions) und kennen dadurch ihr Produkt und den Markt bzw. ihre Kunden sehr gut. Dadurch haben sie Zugriff auf sehr spezielle Daten, die nicht auf dem freien Markt erhältlich sind. Umgekehrt können sie ihren Kunden Daten als Produkt anbieten, die dann z. B. die effiziente Nutzung oder die Wartung der Produkte im Einsatz optimieren oder deren KIs trainieren. Viele auf dem Markt befindliche KI-System lassen sich auf ein bereits vorhandenes System aufsetzten, was das Implementieren vereinfacht.
KI macht die Produktion effizienter und die Qualität besser Eine KI kann viel mehr Daten überwachen, und aus deren Entwicklung selber lernen. Dadurch wird der gesamte Wertschöpfungsprozess firmenintern und extern besser aufeinander abgestimmt. Durch das Internet of Things (IoT) melden Maschinen automatisiert ihre „Bedürfnisse“, Nutzungsdaten können weitläufig erhoben werden. Hierdurch können Probleme vorausschauend erkannt und Wartungsarbeiten optimiert werden. Beispielsweise durch Virtual Reality (VR), Cyberphysische Systeme (CPS) oder einem Digitalen Zwilling können Szenarien durchgetestet werden und erst, wenn erfolgreich, in die reale Welt übertragen werden.

1.3	Technologische Veränderungen
Seit Anbeginn der Menschheit bis Anfang der 1980iger Jahre standen materielle Produkte im Vordergrund, vom Faustkeil bis zum Fernseher. Diese Produkte waren gegenständlich und damit durch einfaches Wegschließen zu schützen. Zwar waren

6

1  Industrie und Gesellschaft im digitalen Wandel

Abb. 1.1   Technologische Veränderungen
Urheberrechte beispielsweise an Texten oder Musik bekannt, diese waren aber an ein Medium (Buch bzw. Schallplatte) gebunden, die für den Endverbraucher das eigentliche „Produkt“ darstellten.
In den 1980iger kam dann mit dem Aufkommen der Personal Computers die Unterscheidung zwischen Hard- und Software. Die Bedeutung des materiellen Produkts, der Hardware, sank, während die immateriellen Produkte (Software, Ton- und Videodateien) an Wichtigkeit gewannen. Beispiel hierfür ist das Aufkommen des Betriebssystems MS-DOS durch Microsoft bzw. IBM. Nach einiger Zeit war es für den Endverbraucher irrelevant, welche Hardware er nutzte – IBM oder ein anderer Hersteller – die Kompatibilität zum MS-DOS-Betriebssystem war entscheidend.
Abb. 1.1 zeigt grundlegende technologische Veränderung über die Zeit. Software war aber durch den Endverbraucher einfach zu kopieren, was für das Geschäftsmodell „Verkauf von Software“ schwierig war. In Folge hat sich dieses Problem auf die sogenannten Medien (u. a. Text, Audios und Videos in digitaler Form) übertragen. Es folgten verschiedene Methoden, die entsprechenden Urheberrechte zu sichern, mit zumeist nur sehr zeitlich begrenztem Erfolg. Die derzeit häufig eingesetzte Form ist die Onlineregistrierung, die individuelle Aktivierung und Überwachung von Lizenzen über das Internet. Dabei fallen individuell zuzuordnende Daten an (z. B. was, wann von wem gekauft wurde, wie lange es genutzt wurde, …), Daten, die im Sinne der Digitalisierung interessant sind, aber auch eine Herausforderung für den Datenschutz darstellen.

1.4  Technologiebruch und Disruption

7

Mit dem Aufkommen des Internets kam ab der Jahrtausendwende um 2000 „Information“ als Produkt hinzu. Viele, vormalig kostenpflichtige Software wurde kostenfrei zur Verfügung gestellt. Die Geschäftsmodelle orientierten sich an der Informationsgewinnung und -vermarktung. Der Endverbraucher „zahlte“ nicht mit Geld, sondern mit den Informationen, die er durch die Nutzung der Software über sich preisgab. Diese Information wurde dann weiter an Anbieter von Produkten und Dienstleistungen gewinnbringend verkauft. Am bekanntesten hierbei wurde das Unternehmen Google (Alphabet).
Datenschutzrechtlich galt dieses Geschäftsmodell zunächst als problemfrei, der Nutzer gibt ja seine Daten freiwillig und hat die Geschäftsbedingungen akzeptiert. Durch die Monopolstellung einiger Anbieter und den quasi Zwang die Geschäftsbedingungen zu akzeptieren, wird dies aber zunehmend als kritisch gesehen.
Mit dem Aufkommen des Smartphones, das erste iPhone wurde 2007 vorgestellt, verstärkte sich der Effekt. Das Smartphone entwickelte sich zu einem wichtigen, stark personalisierten Werkzeug der Endnutzer, welches ständig Daten versendet, die genutzt werden können. Dabei sind Anzahl und Qualität der Daten gestiegen, in Echtzeit, Ortsdaten, Gesundheitsdaten, usw.
Hieraus wurden neue Geschäftsmodelle entwickelt, mit durchaus großen Vorteilen für die Nutzer. Umgekehrt birgt es jedoch auch Gefahren, insbesondere der ungewollten Überwachung.
Eines dieser neuen Geschäftsmodelle ist, dass Information nicht mehr nur in die Richtung vom Anbieter zum Nutzer gehen, sondern dass die Endnutzer selber und zumeist kostenlos Inhalte generieren. Erfolgreiche Anbieter sind hierbei Facebook und YouTube aber auch die vielen Hilfs- bzw. Bewertungsplattformen.

1.4	Technologiebruch und Disruption
„Als Henry Ford günstige und verlässliche Autos gebaut hat, haben die Leute gesagt 'Was ist falsch an Pferden?’ Er ist da eine große Wette eingegangen und es hat funktioniert.“
Elon Musk (TESLA & SpaceX)
Durch das Aufkommen der Digitalisierung werden zahlreiche neue Betriebs- und Geschäftsmodelle entstehen – und andere verschwinden. Josef Alois Schumpeter, ein österreichischer Ökonom, prägte hierfür Anfang des 20. Jahrhunderts den Begriff der „Schöpferischen Zerstörung“.
Diese Schöpferische Zerstörung tritt meist im Zusammenhang mit Technologiebrüchen auf. Beim Technologiebruch wird eine veraltete Technologie innerhalb kurzer Zeit durch eine neue Technologie ersetzt.
Beispiele hierfür ist der der Übergang vom Propellerflugzeug zum Düsenjet oder die Ablösung von mechanischen Rechenwerken durch elektronische Taschenrechner. Aktuell ist die Umstellung der Automobilindustrie vom Kolbenmotor zum Elektroantrieb solch ein Technologiebruch.

8

1  Industrie und Gesellschaft im digitalen Wandel

Die Herausforderung hierbei ist weniger der technologische Wandel selbst, sondern vielmehr die kurze Zeitspanne für die Veränderung:
Neben den technischen Veränderungen bezüglich des Produkts und der Produktion müssen auch die Marktausrichtung (Kunden und Kundenwünsche verändern sich), die Organisation (z. B. Entwicklung und Vertrieb) sowie die Qualifikation der Mitarbeiter angepasst werden (z. B. durch Schulung, Entlassungen, Neueinstellungen).
Während bei der Automobilindustrie die technische Umstellung allein schon eine Herausforderung ist, so muss zusätzlich das Personal angepasst werden. Zum einen wird beim Elektroantrieb deutlich weniger Personal benötigt, zum anderen braucht man weniger Mitarbeiter mit Qualifikation im Metallbereich und mehr mit Know-How im Elektrik-/Elektronikbereich.
Konzernen mit gewachsenen Strukturen fällt dies häufig schwer, weil häufig die Anpassung der Organisation bei Konzernen mit vielen Mitarbeiten recht träge ­vonstatten geht, während der Markt sich schnell ändert. Im ungünstigen Fall verschwinden sie oder es verbleibt nur der Markenname. Aufgrund des Hauptauslösers Digitalisierung sind in zwischen 2000 und 2016 in den USA gut die Hälfte der Furtune-500-Firmen verschwunden, man rechnet mit noch einmal 40 % bis 2025 (Kroker 2016). Währenddessen etablieren sich neue Unternehmensgründungen (z. B. Start-Ups). Tesla als Automarke, gegründet 2003, gewachsen durch Risikokapital-Investoren, zunächst unterschätzt und eigentlich erst in den letzten Jahren richtig sichtbar, ist ein gutes Beispiel hierfür.
Dieses Phänomen des Technologierbruchs wird heutzutage auch als „Disruption“ (to disrupt (engl.) = stören, unterbrechen) bezeichnet:
• Disruption (disrumpere (lat.) = zerreißen) ist ein Prozess, bei dem ein gesamter Markt durch eine schnell wachsende Innovation zerstört wird.
• Eine „disruptive Technologie“ ist demnach eine neu aufgekommene Technik, die eine alte völlig ablöst oder weitestgehend verdrängt.

Erstmalig benutzt wurde der Begriff Disruption in einem anderen Sinne, nämlich 1843 bei der Abspaltung der Free Church of Scotland von der Church of Scotland. Der heutige Begriff kommt aus der Digitalwirtschaft in Verbindung mit der Start-Up-Szene und beschreibt in diesem Sinne das revolutionäre Denken eines Gründers und die immer wiederkehrende Zerstörung und Erneuerung. Disruption war das Wirtschaftswort des Jahres 2015 (Meck und Weiguny 2015).

Disruption bedeutet auch, dass etwas wegfällt. Das ist aber zumeist nicht kostenlos. Der Produktauslauf muss geplant werden. Die Ersatzteilversorgung muss über längeren Zeitraum aufrechterhalten werden, gesetzlich vorgeschrieben aber auch zur Imagepflege. Der Personalbestand muss umgebaut werden. Dies alles muss geplant und gemanagt werden, es müssen auch Aufwand und Kosten für das Berücksichtigt werden, was eigentlich ­wegfällt.

1.4  Technologiebruch und Disruption

9

Übersicht So mancher wurde ein „altes“ Produkt einfach nicht los, z. B. Porsche mit einem Flugzeugmotoren, interessanter Weise, weil dieser besser war als der Wettbewerb (Manager Magazin 2005; SPIEGEL 2005):
Porsche hatte versucht sein Motoren-Know-How auf Flugzeugmotoren auszuweiten, stellte diese neue Geschäftsfeld nach einiger Zeit wieder ein. Ersatzteile u. ä. mussten aber auch danach noch weiter bereitgestellt werden, was eine kleine Tochterfirma übernahm. Diese machte mit Millionenverlusten. 2005 beschloss der damalige Vorstandsvorsitzende Wendelin Wiedekings in einem ­Sanierungsplan daher, alle Maschinen mit Porsche-Motoren aufkaufen und stilllegen. Den Besitzern wurde eine kostenlose Umrüstung ihrer Flugzeuge mit einem neuen, anderen Motor angeboten. Viele Eigentümer weigern sich aber, weil der Porsche-Motor als überlegen galt. Ein Hurrikan half dann einige am Boden stehende Flugzeuge aus dem Verkehr zu bringen (ohne Personenschaden) (siehe Abb. 1.2 und 1.3).

Letztlich geht es dabei auch um Technologieführerschaft. Bis heute geben z. B. in der Automobilindustrie die bekannten großen Namen (VW, BMW, Daimler, …) den Ton an. Mit Tesla ist ein vollkommen neuer Wettbewerber entstanden, der seine Kernkompetenz aber auf einer anderen Technologiebasis hat (Akku, E-Mobilität, Laden). Auch Apple,

Abb. 1.2   Historisches Flugzeug mit Porsche-Motor. (Quelle: Unternehmensarchiv Porsche AG)

10

1  Industrie und Gesellschaft im digitalen Wandel

Abb. 1.3   Mooney mit Porsche-Motor PFM 3200. (Quelle: Unternehmensarchiv Porsche AG)

Tab. 1.1  Beispiele für Gewinner & Verlierer von Technologiebrüchen & Disruption

Fotografie

Technologie alt Foto-Filme

Unternehmen alt Kodak, Agfa

Technologie neu
Digitale Fotografie

Unternehmen neu Sony

Sofortbildkamera Polaroid

Computer-

--

Drucker

Digitalkamera

Samsung (Foto- Integriert in sparte), Olympus Handys

Huawei, Apple

Handys

Tastentechnologie Nokia

Smartphones

Huawei, Apple, Samsung

Kfz-Antrieb

Verbrennungsmotoren

BMW, VW, Daimler, …

Elektroantrieb Tesla

Audio, Video

Schallplatte, Ton- Div band (Cassette), VHS, CD, Blu-ray

Streamingdienste Spotify, Netflix, Amazon, Apple, …

Abspielgeräte

Zweckgebundene Einzelgeräte: Schallplattenspieler, TV, …

Grundig, Dual, Loewe, Uher, Metz, Phillips, Saba, …

Integriert in Computer & Handys

Huawei, Apple,

Google arbeiten von der Seite ihrer Technologieführerschaft aus an der Automobilität der Zukunft. Dass es aber nicht ganz so einfach ist, zeigt der Staubsaugerhersteller Dyson. Auch Dyson arbeitet am Elektroauto der Zukunft, gab aber das Projekt Ende 2019 auf. Tab. 1.1 zeigt Beispiele für Gewinner und Verlierer von Disruption.

1.5  Innovative Grundstrategien

11

Über Gewinner und Verlierer entscheidet heutzutage, ob und wie es gelingt, den digitalen Wandel technologisch und bezüglich der Belange von Stake-Holdern zu gestalten. Denn es ist nicht alleine die Technik mit Technologie Push oder Kunde mit Market Pull (siehe Abschn. 1.5.2), sondern viel allgemeiner die Interessengruppen, die (Rahmen-)Bedingungen und Märkte gestalten.

1.5	Innovative Grundstrategien
Variatio delecat (Verschiedenartigkeit erfreut)
Innovationen haben unterschiedliche Wirkungen: Zum einen können sie immensen wirtschaftlichen Erfolg haben, obwohl ihr Beitrag zur Technologieweiterentwicklung eher gering ist. Andere Innovationen betreten technologisches Neuland und verursachen in Folge eine große Vielfalt an Nachfolgeinnovationen. Dabei kann es einige Zeit dauern, bevor sich der wirtschaftliche Erfolg zeigt, großen Einfluss auf das gesellschaftliche Zusammenleben haben sie kaum. Dann gibt es Innovationen, die die Gesellschaft verändern. Beispiele für solche Basisinnovationen sind das Auto, die Antibabypille oder das Smartphone.
Meist wird dieses Potenzial aber am Anfang nicht erkannt. So unkten einige Wettbewerber bei der Vorstellung des ersten Smartphones, dem iPhone 2007 durch AppleGründer Steve Jobs, das „Ding“ werde schnell wieder verschwinden. Verschwunden sind stattdessen einige der vorher erfolgreichen Mobiltelefonhersteller und das Smartphone ist nicht mehr wegzudenken aus unserer Gesellschaft, mit durchaus beträchtlichen Konsequenzen.
Digitalisierung und Künstliche Intelligenz haben das Potenzial zu Basisinnovationen. Nach Hauschildt gibt es dafür mehrere Dimensionen der Innovation, vgl. (Hauschild und Gemünden 2011):
• inhaltliche Dimension (Was ist neu?) • Intensitätsdimension (Wie neu?) • subjektive Dimension (Für wen?) • prozessuale Dimension (Wo beginnt und wo endet die Neuerung?) • normativen Dimension (Ist neu gleich erfolgreich?)

1.5.1	Innovationgrad
Für die Einschätzung der technischen Neuartigkeit wird zwischen inkrementeller und radikaler Innovation unterschieden. Dabei bedeutet:
• Inkrementelle Innovation basiert auf geringen Änderungen von Produkten bzw. Produktionsabläufen. Der Fortschritt ist evolutionär, d. h. es wird vorhandenes

12

1  Industrie und Gesellschaft im digitalen Wandel

Wissen weiterentwickelt und optimiert. Dabei ist die technologische Unsicherheit gering, der Markt ist weitgehend bekannt. • Radikale Innovation ist disruptiv, z. B. durch die Nutzung vollkommen neuer Technologien (vgl. Abschn. 1.4). Sie basiert anfänglich i. d. R. nur auf Grundlagenwissen von Experten. Produkte sind am Markt zunächst unbekannt. Daher besteht eine hohe Unsicherheit bezüglich technischer Umsetzbarkeit und Markterfolg. Allerdings birgt eine radikale Innovation größere Gewinnchancen, z. B. durch Alleinstellungsmerkmale (Patent, USP – unique selling proposition, unique selling point).
Ein Beispiel für inkrementelle bzw. radikale Innovation stellt das Auto dar. Über Jahrzehnte hat es sich in kleinen Schritten inkrementell weiterentwickelt. Das Grundprinzip (Fahrgestell, Verbrennungsmotor, Eigentum) wurde stetig, aber immer nur gering verändert. Schon im Gründungsjahr der Ford Corp. 1903 rieten namhafte Bankiers davon ab, in das Unternehmen zu investieren mit den Worten: ‚The horse is here to stay but the automobile is only a novelty, a fad‘ (Das Pferd ist hier, um zu bleiben, aber das Auto ist nur eine Neuheit eine Modeerscheinung). Selbst das renommierte Magazin Scientific American schrieb schon 1909 ‚…, dass das Automobil praktisch die Möglichkeiten seiner Entwicklung erreicht habe…‘. (Kramer (IBM) 2017):
Nun kommen radikale Innovationen, ein verändertes Antriebskonzept (Elektromotor), verbunden mit anderer Produktionstechnologie (weniger Zerspanung, mehr Elektrik), sowie andere Marktkonzepte (Shared Economy). Es tauchen neue Anbieter auf (z. B. Tesla), vielleicht verschwindet die Tankstelle.
In Abschn. 2.2 wird weiter hierauf eingegangen und der Standpunkt vertreten, dass Digitalisierung eine inkrementelle Innovation und Künstliche Intelligenz eine radikale Innovation ist.

1.5.2	Innovation und das Verhältnis von Technik & Markt
„Wenn ich die Menschen gefragt hätte, was sie wollen, hätten sie gesagt: Schnellere Pferde.“ (Henry Ford & Bundespräsident Horst Köhler) (Köhler H. 2010)
Innovationen haben zwei Gesichter: das eine ist der Technologie zugewandt, das andere dem Markt. Dabei gibt es den ewigen Streit zwischen Ingenieuren und Marketing, was wichtiger sei: Ohne geniale technische Erfindungen gäbe es nichts zum Verkaufen, sagen die einen. Die anderen entgegnen: „If you build a better mousetrap, will the world beat a path to your door?“, also frei übersetzt, die innovativste Erfindung taugt nichts, wenn der Kunde sie nicht wahrnimmt.
Dabei können die Anstöße zur Innovation tatsächlich aus zwei Richtungen kommen, von der Marktseite oder von der Technologieseite (siehe Abb. 1.4):

1.5  Innovative Grundstrategien

13

Abb. 1.4   Market Push & Technology Pull
• Market-Pull: Nutzer (Kunden) wünschen sich neue Funktionen und können dies auch klar artikulieren. Diese Wünsche werden dann als neue Anforderungen an die Produktentwicklung weitergeleitet. Ein Beispiel ist die Memory-Sitzverstellung bei Autos.
• Technology Push: Aufgrund einer vielversprechenden, ggf. nur Experten bekannten neuen Technologie, werden Produkte ohne konkrete Kundenanforderung entwickelt. Ein Beispiel ist das iPhone aber auch das feuchte Toilettenpapier.
Gerade bei Basisinnovationen haben nur Spezialisten Einblick in und Verständnis für grundlegende technologische Neuerungen. Industrie 4.0 ist bisher sehr stark technologiegetrieben und gilt daher als technology push.
Die Herausforderung dabei ist, dass diese technischen Spezialisten häufig wenig Wissen um Marketing-Zusammenhänge und kaum Erfahrungen mit Nutzern haben. Die Gefahr ist es, weit weg von einem potenziellen Markt Produkte von Technik-Nerds entwickelten zulassen, mit kryptischen Bedienungsanleitungen, deren Genialität vom Normalnutzer nicht erstanden werden.
Market Pull setzt aber wiederum eine gewisse Grundkenntnis des Nutzers bzw. des Marketings über die technischen Entwicklungsmöglichkeiten voraus. Dies ist ebenfalls eine Herausforderung, bedingt die Technik doch ein vertieftes naturwissenschaftlichmathematisches Verständnis.
Für erfolgreiche Innovationen gilt es, beide Denkschulen zusammenzuführen. Ein Ansatz hierfür ist das sog. Rekursive Innovationsmanagement, vgl.: (Frank und Reitmeier 2003).

14

1  Industrie und Gesellschaft im digitalen Wandel

Abb. 1.5   Handlungsoptionen im Spannungsfeld Technik und Markt
1.5.3	Handlungsoptionen im innovativen Umfeld
Es ist wirklich schwer, ein Produkt für eine Zielgruppe zu entwerfen. Meistens wissen die Leute nicht, was sie wollen, bis man ihnen es zeigt. (Steve Jobs, Apple-Gründer, 1998)
Im innovativen Bereich der Digitalisierung und KI sind es derzeit vor allem USamerikanische sowie asiatische Konzerne, die den Takt angeben. Es gibt den Vorwurf, die Europäer hatten die Entwicklung verschlafen: Deutsche Unternehmer verschlafen, so ist zu lesen, den KI-Trend mit Robotern, Big Data und autonom fahrenden Fahrzeugen. Zwar dringe Künstliche Intelligenz (KI) langsam in den Alltag vor, doch gestandene deutsche Unternehmen schreckten vor dem KI-Einsatz noch zurück. (Steinbach 2018).
Was gibt es also für Handlungsoptionen (siehe Abb. 1.5)?
• Anwendungsentwicklung: Eine radikale Innnovation auf einem existierenden Markt muss den Nutzern zunächst nähergebracht werden, z. B. durch die Entwicklung geeigneter Anwendungen. Hierbei war beispielsweise der Apple-Gründer Steve Jobs Vorreiter (siehe Zitat oben): die radikale Innovation war 2007 das iPhone (Smartphone), der Markt für Mobiltelefone existierte aber schon. Damit die Nutzer wussten, was damit anzufangen sei, stellte er direkt die ebenfalls innovativen und bislang unbekannten Apps vor.
• Marktzugang/Trendsetting: Ist darüber hinaus der Markt neu, so muss zusätzlich ein geeigneter Marktzugang geschaffen werden. Bei radikal innovativen Produkten ist hier das Setzen eines Trends (aktiv) oder Folgen (passiv) eines Trends hilfreich.

1.6  Gesellschaftlicher Wandel durch technische Innovationen

15

• Stückkostenmanagement & Produktionserweiterung: Bei geringerem Innovationspotenzial stellt sich die Frage was ist noch auf dem Markt möglich? Bei existierenden, gesättigten Märkten sind die Wachstumschancen eher als gering einzuschätzen. Die Strategie dabei ist dann Produktionsoptimierung (Stückkostenmanagement), hier kann Digitalisierung und KI mit seinen Analysetechniken helfen. Kann demgegenüber der Markt ausgebaut oder neue Märkte erschlossen werden, ist die Strategie eher, die Produktion auszubauen bzw. zu erweitern.

1.6	Gesellschaftlicher Wandel durch technische Innovationen
Technische Innovationen haben schon immer auch Einfluss auf das gesellschaftliche Zusammenleben gehabt.
So hat die (erste) industrielle Revolution, beginnend im 18. Jahrhundert mit der Erfindung der Dampfmaschine, zu Landflucht und einer Verstädterung der Gesellschaft geführt. In Folge kam es zu einem wirtschaftlichen Aufschwung, im weiteren Verlauf aufgrund von Überproduktion und Preisverfall aber auch zu sozialen Nöten.
Daher ist der technologische Wandel häufig mit sozialen Ängsten der Betroffenen verbunden, insbesondere vor Verlust des Arbeitsplatzes und damit der finanziellen Existenzgrundlage, soweit nicht über Sozialsystem abgefedert.

Das Wort „Sabotage“ soll in Zusammenhang mit technologischem Wandel auf das französische Wort „Sabot“ (Holzschuh) zurückgehen: Arbeiter hatten aus Angst davor, dass die Mechanisierung ihre Arbeitsplätze wegrationalisiert, ihre Schuhe in zerstörender Absicht in Feldmaschinen geworfen.

Häufig wurde der technologische Wandel von sozialen Auseinandersetzungen begleitet. Die daraufhin erarbeiteten Lösungen waren z. T. hilfreich, z. T. aber auch kontraproduktiv:

Mit der Sozialgesetzgebung reagierte z. B. der deutschen Reichskanzler Otto von Bismarck im ausgehenden 19. Jahrhundert auf die, durch die Industrialisierung entstandene soziale Not der Arbeiter. Nicht nachzuahmen dagegen ist der Fall des Heizers auf britischen Lokomotiven: Dieser wurde zwar auf E-Loks nicht mehr benötigt, die Gewerkschaften setzten aber in den 1950iger Jahren die Weiterbeschäftigung durch. Diese Regelung wurde erst in den 1980iger Jahren durch die britische Premierministerin Margaret Thatcher nach einem kurzen, erfolglosen Streik der Gewerkschaft gekippt.

16

1  Industrie und Gesellschaft im digitalen Wandel

Abb. 1.6   Kondradiev-Zyklen und gesellschaftliche Veränderung. (Eigene Beschreibung)
Heutzutage wird dem vorausschauend mit Qualifikationsmaßnahmen, z. B. dem lebenslangen Lernen oder Umschulungsmaßnahmen, begegnet. Dennoch bestehen Ängste vor Jobverlust, der durchaus berechtigt ist, wenn man in der „falschen“ Branche arbeitet, auch sind nicht alle qualifizierungsfähig – eine Gesellschaft benötigt auch einfache Jobs. Umgekehrt wird es boomende Wirtschaftsbereiche geben.
Das Innovationen sporadisch auftreten, eine gesellschaftliche Relevanz haben und sich in ähnliche Zyklen entwickeln, hat Anfang des 20. Jahrhunderts der sowjetische Wissenschaftler Nicolai Dimitrijewitsch Kondratieff erkannt. Kontratjew (Namensschreibweise z. T. unterschiedlich) entwickelte in den 1920iger Jahren die Theorie der zyklischen Wirtschaftsentwicklung (Kondratieff 1926). Der Begriff „Kondratieff-Zyklus“ wurde aber erst vom österreichischer Wirtschafts- und Sozialwissenschaftler Joseph Alois Schumpeter (1883–1950) erstmalig 1939 in verwendet (siehe Abb. 1.6).
Darauf aufbauend wurden in den 1960iger und 1970iger-Jahren Theorien zum Zusammenhang von technischen Lösungen und gesellschaftlichen Veränderungen entwickelt 8 z. B. David McClelland und Johann Millendorfer).
• Der Kondratieff-Zyklus im heutigen Verständnis berücksichtigt eine technische Innovation als Auslöser für einen Konjunkturzyklus. In Folge eröffnet diese Basisinnovation dann neue soziale Perspektiven und wirkt so gesellschaftlich strukturverändernd.
Für die Vergangenheit sind fünf Kondratjew-Zyklen nachgewiesen. In jüngster Zeit beschäftigen sich mehrere Autoren, u. a. Erik Händeler, mit der Frage nach dem „Sechsten Kondratjew-Zyklus (Händeler 2018).

1.7  Wandel durch die Digitale Transformation

17

Dreißig Jahre nach dem fünften Kondratjew-Zyklus hat sich die Digitalisierung als neue Basisinnovation mit großen wirtschaftlichen Auswirkungen für die nächsten Dekaden etabliert, mit sich abzeichnenden gesellschaftlichen Veränderungen als „digitale Revolution“.
Kontrovers wird diskutiert ob, neben anderen Entwicklungen, Digitalisierung und Künstliche Intelligenz der Ausgangspunkt für den nächsten Kondratjew-Zyklus ist (Böhm 2016; Porschen 2018; Nefiodow 2020).
Wenn diese Zyklen als gesellschaftliche Veränderungen aufgrund von technologischen Innovationen begriffen werden können, so war sicherlich die Einführung des Smartphones ausschlaggebend für den aktuellen Zyklus. Unter dem Begriff Ubiquitous Computing (siehe Abschn. 10.11) verbirgt sich, der „Überall-Computer“. Informationen stehen immer und überall für Jedermann zur Verfügung. Kontrolle durch die Gesellschaft aber auch die Kontrolle der Gesellschaft sind dadurch einfacher möglich. Darüber hinaus gibt es mit dem iPhone & Co. neue Formen der Überall-Sofort-Kommunikation, z. B. über soziale Medien, Videokonferenzen u.v.m. Diese Informationsmöglichkeiten, gepaart mit einer Immer-Erreichbarkeit, haben die Gesellschaft in der letzten Dekade sehr verändert.
Der nächste Zyklus entsteht gerade, wir treten in das Zeitalter der digitalen Intelligenz ein. Kern dabei ist die Erhebung, Speicherung und Verarbeitung von Daten sowie autonome Schlussfolgerung und Handlungen von Maschinen. Dies ist bereits in der aktuellen Literatur verarbeitet, z. B. Dan Brown’s „Origin“, der nicht mehr so einfach in die Kategorie Science-Fiction einordbar ist.
Die Herausforderung für die Industrie ist, wie wird antizipiert (vorweggenommen), d. h. wie kann ich vorausschauend agieren, und wie kann dies in neue Prozesse, Produkte und Geschäftsmodelle umgesetzt werden.

1.7	Wandel durch die Digitale Transformation
Das Versprechen der künstlichen Intelligenz und der Informatik überwiegt im Allgemeinen bei weitem die Auswirkungen, die es auf einige Arbeitsplätze haben könnte, genauso wie die Erfindung des Flugzeugs die Eisenbahnindustrie negativ beeinflusst hat, aber eine viel größere Tür für den menschlichen Fortschritt geöffnet hat.
Paul Allen (Microsoft Mitgründer)
Der digitale Wandel hat neue Auswirkungen, dies ist besonders durch das Aufkommen des Smartphones ab 2008 erkennbar: Es sind neue Geschäftskonzepte entstanden, z. B. über Apps, andere sind verschwunden. Die Kommunikation der Menschen untereinander hat sich verändert und soziale Medien übernehmen die Funktion des Treffpunktes, mit positiven wie negativen Aspekten.
Die Herausforderung heute ist, die im Vergleich zum 20. Jahrhundert nochmals höhere Geschwindigkeit, mit der sich der digitale Wandel vollzieht.
Gesellschaftlich stellen sich neue Fragen, z. B. die nach dem Datenschutz. Neue Möglichkeiten, beispielsweise die, einfach, auch käuflich, eine große Anzahl von Zuhörern (Follower) zu bekommen und damit gewichtig zu erscheinen, schaffen auch

18

1  Industrie und Gesellschaft im digitalen Wandel

neue Herausforderungen: Wie gegen ungewollte Beeinflussung, Mobbing oder Verbreitung von Unwahrheiten vorgehen? Wie dabei die demokratischen Rechte auf freie Meinungsäußerung nicht aushöhlen? …
Letztlich wird das Konzept der Demokratie beeinflusst, positiv, weil viele Menschen sich einfacher am öffentlichen Diskurs beteiligen können, negativ, weil über die ­Verbreitung von Fake-News demokratiefeindliche Beeinflussung einfach und im großen Stil möglich wird. Auch stärkere Überwachung durch den Staat ist möglich, wie das Beispiel China zeigt.
Der Zusammenhang zwischen KI und Demokratie wird dabei als Automated Public Sphere bezeichnet. Diese entstehe, laut Paul Nemitz, Hauptberater in der Generaldirektion Justiz und Verbraucher der Europäischen Kommission, durch die von KI gesteuerten Medien, die zur Grundlage der Demokratie gemacht werden (SchwarzkopfStiftung und Vorbeck 2018). Eines der populärsten Beispiele hierfür sei, so Nemitz, die von dem Unternehmen Cambridge Analytics behauptete Erfolgskampagne für US Präsident Donald Trump: Anhand der Auswertung von Daten aus sozialen Netzwerken, u. a. besonders im eigentlich pro-demokratischen „rust belt“, soll deine wahlkreisgenaue Beeinflussung stattgefunden haben.
Für den Einzelnen ergibt sich die Frage nach dem Stellenwert seiner Privatsphäre. Persönliche Sicherheit steht dabei häufig im Widerspruch zu dem Wunsch, bestimmte Sachverhalte nicht öffentlich zu machen. So ist eine flächendeckende Überwachung per Gesichtserkennung der öffentlichen Sicherheit bezüglich Verbrechens- und Terrorismusbekämpfung zuträglich. Dies ist aber unvereinbar mit dem Wunsch, sich unerkannt in der Öffentlichkeit bewegen zu können. Auch ist der bargeldlose Zahlungsverkehr sicherlich praktisch und schützt bei Pandemie (Corona-Krise) gegen Ansteckung. Dritte wissen aber über mein Konsumverhalten, können dies überwachen und versuchen mich unbemerkt zu steuern.
Interessant ist auch der Faktor „Berechenbarkeit“: Die Digitalisierung hat hier einen ambivalenten Beitrag, positiv, weil plan- und kalkulierbar, negativ, weil nicht jeder Mensch in seiner Reaktion vorausberechenbar sein möchte. Auch ist eine prognostizierbare Welt vielleicht langweilig und in Verhandlungen ist Berechenbarkeit vermeintlich kontraproduktiv. So beruht der Verhandlungsstil des US-amerikanischen Präsidenten Donald Trump auf seiner "Unberechenbarkeit" und so möchte er auch wahrgenommen werden (Ross 2017). „Trump ist unberechenbar, und er ist stolz darauf.“ (Mounk 2016) Damit haben wiederum digitale Prozesse Schwierigkeiten.

1.8	Auswirkungen auf die Arbeitswelt (Arbeit 4.0)
„Die Automatisierung von Fabriken hat bereits Arbeitsplätze in der traditionellen Fertigung dezimiert, und der Aufstieg der künstlichen Intelligenz wird diese Zerstörung von Arbeitsplätzen wahrscheinlich tief in die Mittelschicht ausdehnen, wobei nur noch Aufgaben in den Bereichen Führsorge, Kreativität sowie Aufsicht übrigbleiben.“
Stephen Hawking (Astrophysiker), (aus dem Englischen übersetzt (Hawking 2016))

1.8  Auswirkungen auf die Arbeitswelt (Arbeit 4.0)

19

„Roboter verbessern die Arbeitsbedingungen und Jobchancen für unsere Mitarbeiter, sie ersetzen keine Mitarbeiter. In Wahrheit stellen wir weiter Menschen ein, darunter viele in Positionen, die mit in den neuen Gebäuden entstehen, wo Menschen und Roboter Hand in Hand arbeiten.“
Tye Brady, Technologie-Chef bei Amazon Robotics (t3n Digital Pioneers 2017).
Digitalisierung und Künstliche Intelligenz beeinflusst die Arbeitswelt bereits jetzt stark, dieser Trend wird sich noch beschleunigen. Die Auswirkungen werden durchaus unterschiedlich bewertet. Während der Philosophen Richard David Precht (Precht 2020) und der Historiker Yuval Noah Harari (Harari 2018) ein ehre düsteres Bild entwerfen sehen die Vertreter des Silicon Valley große Chancen. Dazwischen liegt der Wissenschaftsjournalist Rana Yogeshwar, der zwar sieht, dass unzählige Berufe aussterben werden, aber auch positives sieht und Aktionen anregt: „Dahinter verbirgt sich eine großartige Chance, denn die Prioritäten des Lebens werden neu gesetzt. Also müssen wir über neue Spielregeln nachdenken.“ (Yogeshwar 2018). Wie sieht es aktuell aus?
Bereits jetzt sind große Veränderungen im Bereich der Wertschöpfung zu sehen. Sehr konkret ist dies in der Automobilindustrie zu erkennen, wo digitalisierte Produktion auf ein KI-gesteuertes Produkt, dem autonom fahrenden Auto trifft.
Aber auch in der Medizin ändert sich, derzeit wenig beachtet, dramatisch viel: Die Corona-Pandemie hat die die Entwicklung der Telemedizin beflügelt. Wo jetzt noch Ärzte am anderen Ende sitzen, kann dies und vieles mehr demnächst vielleicht Alexa & Co. Vor allem die großen amerikanischen Technologie-Unternehmen wie Apple, Amazon und Google greifen nach Chancen in der Gesundheitsbranche (Baier 2020). „Doktor Big Tech“, wie der Focus titelt, wird den Arztberuf verändern, vielleicht weitreichender aber vor allem schneller als beispielsweise im klassischen Wertschöpfungsprozess in der Industrie.
Der digitale Hausarzt könnte mit Zugriff auf Echtzeitdaten von Vitaldaten, z. B. über smarte Uhren, Blutzucker-Echtzeitmessung, kombinieren mit dem tagesaktuellen Stand der Wissenschaft. Auch Stimmanalysen können diagnostische Informationen liefern (Anthes E. 2020a, b), Google erkennt bereits seit 2008 eine Grippewelle früher ohne einen Patienten zu sehen, alleine anhand von Suchanfragen (Helft 2008). Vielleicht hätte ein KI-Arzt die Pandemie in Wuhan früher erkannt und den vermutlich ersten CoronaFall in Frankreich, bereits Ende 2019, richtig zugeordnet. Darüber hinaus revolutioniert die KI-gesteuerte Robotik die Chirurgie und die KI-Mustererkennung die medizinischen bildgebenden Verfahren. Auch wenn, wie häufig gefordert, die letzte Entscheidungsgewalt behalten soll, welche Möglichkeiten bleibt ihm, gegen eine abgesicherte KIPrognose zu stimmen – allein haftungsrechtlich.
Katja Kallenbach vom Fraunhofer IOA sieht es in einem Blog unter dem Titel „KI in der Produktion: Menschliche Startschwierigkeiten mit der Künstlichen Intelligenz“ allerdings so:
Der Mensch habe Kreativ-, Sozial- und Beziehungsintelligenz, eine KI nicht. Zentrale Aufgabe einer KI-Strategie sei es deshalb, diese neue Arbeitsteilung zu moderieren und zu implementieren. Sich wiederholende Prozesse können von einer KI gesteuert werden, demgegenüber sollen Menschen dabei komplexe Ausnahmen kontrollieren (nach Kallenbach 2020).

20

1  Industrie und Gesellschaft im digitalen Wandel

Das hört sich zunächst an, wie weiland bei der Automatisierung. Richtig ist, die Veränderungen im Wertschöpfungsbereich sind derzeit (noch) evolutionär. Die technologische Entwicklung wird aber revolutionär wirken und wesentlich weiter in das Arbeitsleben und die Zusammenarbeit Mensch-Maschine reichen.
Optimistisch sieht es zunächst der Bürogerätehersteller Brother: „Vernetzte Geräte, die Daten sammeln und Algorithmen anwenden, werden bald anfangen, Lösungen für Produktivitätsprobleme anzubieten, die Menschen in vielen Fällen nie identifiziert hätten. … [Die] Mitarbeiter haben mehr Zeit und Freiraum, um strategische, geschäftskritische und wertschöpfende Aufgaben zu erledigen. „Im Weiteren warnt Brother aber bereits vor „massiven Arbeitsplatzverlusten, vor allem für gering qualifizierte Beschäftigte“. (Brother 2019).
Ein Beispiel für die Anwendung im administrativen Bereich ist die Google Gmail-Funktion „Intelligentes Schreiben“, die auf maschinellem Lernen beruht und personalisiere Vorschläge direkt beim Email schreiben gibt (Google 2020). Ob eine gefällige Nachricht überhaupt den Empfänger emotional erreicht, wenn er vermuten muss, dass der auf ihn zugeschnittene Inhalt auf einem Algorithmus beruht, sei dahingestellt. Im Marketing, bei persönlich zugeschnittenen Kaufvorschlägen, scheint es jedenfalls gut zu funktionieren.
Tatsache ist aber, dass sich bislang durch den technologischen Wandel die Beschäftigung volkswirtschaftlich gesehen ehr erhöht hat. Allerdings fielen Arbeitsplätze in einigen Wirtschaftsbereichen weg, wie Abb. 1.7 zeigt, dafür entstanden in

Abb. 1.7   Veränderung der Beschäftigung bis zum Beginn der digitalen Revolution 2010. (Quelle: Institut für Arbeitsmarkt-und Berufsforschung)

1.8  Auswirkungen auf die Arbeitswelt (Arbeit 4.0)

21

einem anderen Bereich neue. Schwierig vorherzusagen ist allerdings, was hinzukommen wird. Henry Fords Kunden sollten sich angeblich schneller Pferde gewünscht haben, in Unkenntnis der Möglichkeiten eines Autos. Ale industriellen Revolutionen haben neue Berufsfelder hervorgebracht, die vorher nicht bekannt waren. Insofern sollte eine heutige Berufswahl Flexibilität vorsehen oder eine berufliche Spezialisierung in einem Bereich erfolgen, der voraussichtlich auch noch in zwanzig Jahren erfolgversprechend nachgefragt wird. Abb. 1.8 zeigt die Prognose für die Veränderungen der nachgefragten Berufe.
Die jetzt ins Berufsleben eintretenden Generationen zeigen sich mehrheitlich interessiert von Digitalisierung und Industrie 4.0, so eine Studie von Deloitte über das Vertrauen der Millennials (Geburtsjahrgang 1983 bis 1994) und der nachfolgenden

Abb. 1.8   Veränderungen der nachgefragten Berufe durch die Digitalisierung & KI (World Economic Forum, The Jobs Landscape, 2018)

22

1  Industrie und Gesellschaft im digitalen Wandel

Abb. 1.9   Millennials und Generation Z sehen in Industrie 4.0 meist eher einen Wegbereiter als eine Bedrohung. (Quelle: Deloitte Millennial Survey 2018)
Generation Z (zwischen 1995 und 1999 geboren) (Deloitte 2018). Die Hauptaussage lautet: „Industrie 4.0 wird meinen Job erweitern und mich dabei unterstützen, mich auf kreativere, menschlichere und wertschöpfendere Arbeiten zu konzentrieren“ (siehe Abb. 1.9).
Nicht außer Acht gelassen werden sollte allerdings eine gewisse Diskrepanz zwischen dem, was die junge Generation erwartet, und das, was ihrer Meinung nach die Prioritäten der Arbeitgeber sind. Besonders interessant für Industrie 4.0 ist die Antwort auf die Effizienzsteigerung eines der erklärten Ziele der Digitalen Revolution (siehe Abb. 1.10). Bei der Frage „Drive efficiency, find quicker and better ways of doing things“ gibt es eine deutliche Diskrepanz.
Wichtig ist aber auch der Blick auf die bestehende Belegschaft. Bei Technologiebrüchen sind viele Unternehmen sehenden Auges in den Konkurs gefahren, weil sie zu vielen Mitarbeitern, mit falscher Qualifikation hatten.

1.8  Auswirkungen auf die Arbeitswelt (Arbeit 4.0)

Abb. 1.10   Die Arbeitgeber sind mit den Prioritäten der Millennials „nicht im Einklang“. (Quelle: Deloitte Millennial Survey 2018)

23

24

1  Industrie und Gesellschaft im digitalen Wandel

Übersicht So war beim trat beim Kassen- und Rechnerhersteller NCR Anfang der 1970iger Jahre das Problem auf, dass ein großes Know-How, sowohl in der Entwicklung als auch in der Produktion, bei mechanischen Rechenwerken vorlag.
Plötzlich waren diese aber nicht mehr nachgefragt, elektronische Rechner wurden bezahlbar und waren besser. Natürlich hatte das Management diese Entwicklung vorhergesehen, aber aus einem Dreher für Zahnräder macht man nicht über Nacht einen Elektrotechniker. Dies führte letztlich zur Pleite.

Wichtig ist also sich frühzeitig Gedanken über Weiterqualifikation und lebenslanges Lernen zu machen. Auch sollte man sich klar machen, nicht alle Mitarbeiter sind aus den verschiedensten Gründen qualifikationsfähig. Betrieblich und gesellschaftlich ist wichtig, auch für diese eine geeignete Lösung zu finden. Nach den Erfahrungen des Autors sind es übrigens genau diese Mitarbeiter, die z. B. bei Kaizen die besten Ideen haben. Das „Yes we can“-Vorrücken sollte vom Erfahrungsschatz begleitet werden. Letztlich wird es wegweisend sein, die Expertise aller Mitarbeiter richtig zu kombinieren, was auch das Nutzen neuer digitalisierter bzw. KI-basierter Formen im Personalmanagement mit einschließt.

1.9	Personalmanagement im Wandel (HR 4.0)
Die Veränderungen bei Arbeit 4.0 im Blick wird klar, das Personalmanagement, also u. a. Personalbeschaffung, -qualifizierung und -führung, wird sich ebenfalls verändern (siehe Abb. 1.11). Bereits jetzt haben einige Unternehmen den Personalbeschaffungsprozess weitgehend automatisiert und nutzen Künstliche Intelligenz mithilfe von Algorithmen und Big Data. Automatische Entscheidungssysteme (Algorithm Decision Making (ADM), siehe Abschn. 7.12) haben darüber hinaus den Vorteil, dass sie unbestechlich und frei von Bias (kognitive Verzerrungen, Befangenheit, Vorurteilen, etc.) sind. Genau deshalb ist aber eine solche ADM „teilhaberrelevant“, d. h. die Entscheidungen haben direkte Auswirkungen auf Personen (nach: Zweig et al. 2018) und müssen besonders beobachtete werden.
• Recruiting 4.0 (alternative Bezeichnung: Social Recruiting) steht für die digital gestützte Personalsuche und den digitalen Bewerbungsprozess mit erhöhter Geschwindigkeit und Effizienz, optimiert für mobile Anwendungen. Recruiting 4.0 beinhaltet zumeist das Robot-Recruiting (siehe unten).
Hierunter fallen neben für mobile Endgeräte optimierte Bewerbungsmöglichkeiten auch Imagekampanien (Unternehmenswahrnehmung), Stellenausschreibungen sowie

1.9  Personalmanagement im Wandel (HR 4.0)

25

Abb. 1.11   Personalmanagement im Wandel (HR 4.0)
Karriereseiten. Die Ausschreibungen sollen auch von Suchmaschinen sowie Bots bzw. maschinellen Such-Agenten gefunden werden. Das bedeutet, dass sie anders geschrieben sein müssen, man spricht hierbei vom Computional Thinking – denken wie ein Computer.
Darüber hinaus beinhaltet Recruiting 4.0 die Automatisierung des Bewerbungsprozesses unter Zuhilfenahme von Algorithmen:
• Robo-Recruiting als Teil von Recruiting 4.0 bezeichnet den Einsatz von intelligenten Technologien und Künstlicher Intelligenz bei der Personalauswahl. Algorithmen treffen die (Vor-)Auswahl.
Die neuen Werkzeuge des digitalen Personalmanagements sind:
1. Sozial Media & Talent Mining Hier gibt es zunächst die Möglichkeit die Unternehmenswahrnehmung zu verbessern und aktiv nach Talenten zu suchen und proaktiv mit Interessenten in Kontakt zu bleiben. Darüber hinaus sollte aber die Unternehmensbewertung durch externe und interne User beobachtet und soweit wie möglich gesteuert werden, z. B. über Influencer.
2. Online-Jobbörsen zur Talent-Gewinnung aber auch zur Unternehmensdarstellung, Wettbewerbsbeobachtung, Erkennung von Abwanderungstendenzen, …

26

1  Industrie und Gesellschaft im digitalen Wandel

3. Mobile Recruiting Dezentrale Technologien, z. B. die Überall-Erreichbarkeit, wird an Wichtigkeit zunehmen. Hierzu gehört auch das sog. Talent-Relation-Management.
4. Software as a Service (SaaS) und Cloud-Dienstleistungen für standardisierte Prozesse, wobei datenschutzrelevante bzw. schützenswerte Daten weiterhin im Unternehmen verbleiben.
5. Digitale Personalakte & automatisierte Zeugniserstellung 6. Harvesting: Profile Mining & CV-Database Search
Harvesting meint verfügbare Quellen systematisch „abzuernten“. Dies bedeutet die Nutzung von Big Data bei der Personalbeschaffung (z. B. Lebensläufe vervollständigen), Personalplanung (z. B. Trendscouting – Wissen, was morgen gebraucht wird) und Qualifikationsplanung (wo wird Know-How knapp) aber auch bei der Personal-Einsatzplanung (Wissen, welcher Bedarf morgen abgefragt wird) 7. Talent Mining & Recruiting 4.0 Automatisierte & algorithmenbasierte Personalsuche, -beschaffung und -auswahl.
Im Gegensatz zu anderen Mitarbeitern sehen nach einer Untersuchung von JobStairs die wenigsten Personalentscheider in der Automatisierung von Recruiting-Prozessen eine Bedrohung, nur 13,05 % befürchten negative Auswirkungen (Jäger 2017).
Nicht unerwähnt sein soll aber in diesem Zusammenhang, dass der Bewerber 4.0 sich auf die automatisierten Prozesses vorbereiten kann: Im Internet gibt es bereits Hinweise darauf, wie ein Algorithmus zu täuschen oder zu manipulieren ist – allerdings sind umgekehrt auch die Algorithmen lernfähig. Auch können Algorithmen Fehler machen, siehe (Mohr 2020).
Die Herausforderung derzeit ist, dass Unternehmen viele „old-school“ Mitarbeiter, die entweder qualifiziert werden müssen oder – viel schwieriger – mit dem digitalen Wandel nicht Schritt halten können. Umgekehrt sind die Personalmärkte mit geeigneten „digitalin“ Talenten leer gefegt. Die Unternehmen wetteifern daher um entsprechende Fachleute, umgarnen sie teilweise mit besonderen Angeboten, um moderne High-TechMitarbeiter zu bekommen bzw. zu binden. (Stichwort: „War of Talents“). Hinzu treten Effekte der Globalisierung, des demografischen Wandels und der Generation Y bzw. Z (Digital Natives). Dies ist ein Dilemma, auch weil die Erfahrung der älteren Mitarbeiter wichtig ist und nicht verloren gehen darf. Es stellt sich immer wieder heraus, dass altgeglaubtes Wissen von Bedeutung ist. Erfolgreich ist, wer zusammenführen kann.

1.10	Evolutionäre & disruptive Transformation
Auch im industriellen Bereich ist der Wandel allgegenwärtig. Zunächst ergeben sich große Chancen, die es zu nutzen gilt: Produkte können, z. B. durch die Auswertung großer Datenmengen, passgenau für den Kunden angeboten werden. Die zugehörige Produktion wird flexibler, effizienter und kann sich autonom schnell an wechselnde

1.11  Fragen zum Kapitel

27

Bedürfnisse anpassen. Durch bessere Planungsgenauigkeit gelingt es, nachhaltiger und ressourcenschonender zur produzieren.
Daneben gibt es neue, häufig innerbetriebliche Herausforderungen: Der technologische Wandel selbst muss beherrscht sein und die damit verbundene personelle Umstellung erfordert Fingerspitzengefühl.
Wird die technologische Veränderung nicht angegangen, verliert das Unternehmen Marktanteile an innovativere Wettbewerber. Gelingt der Umbau auf der Mitarbeiterseite nicht, so werden i. A. die Kosten zu hoch. Beides kann u. U. auch ein großes Unternehmen zerstören.
Im Produktionsbereich herrscht derzeit (noch) eine evolutionäre Transformation vor.
• Von evolutionärer (weiterentwickelnden) Transformation spricht man, wenn bestehende Strukturen und Prozesse um neue Technologien ergänzt werden.
In der produzierenden Industrie sind diese neuen Technologien zunächst Vernetzung (z. B. Internet of Things bzw. Industrial Internet of Things) und die damit verbundene Verarbeitung großer Datenmengen (z. B. Big Data). Auch wenn jetzt nicht nur lokale Produktionsdaten aus der eigenen Fabrik verarbeitet werden, sondern, vollkommen neu auch vom Produkt während der Nutzung, und ach, wenn jetzt Maschinen und Produkte selbstständig untereinander kommunizieren, an den grundsätzlichen Abläufen im Unternehmen hat sich (noch) wenig geändert.
• Eine disruptive (zerstörenden) Transformation verändert die Basis von Strukturen und Prozessen. Sie müssen vollkommen neu ausgerichtet werden, mit umfassenden Konsequenzen.
Eine weitreichende Konsequenz ist, dass disruptive Transformation neben der eingesetzten Technik auch die Qualifikation der Mitarbeiter betrifft. Dies ist häufig auch ein zeitliches Problem. Disruption in Form eines Technologiesprungs (siehe Abschn. 1.4) vollzieht sich i. A. schnell. Mitarbeitern mit dann nicht mehr passenden Qualifikation müssen umgeschult werden bzw. man wird sich mittelfristig von ihnen trennen müssen. Beides ist nicht einfach und dauert. Personal mit der notwendigen Qualifikation ist aber häufig schwierig anzuwerben, da auf dem Arbeitsmarkt gesucht, selten passgenau zu finden und teuer.

1.11	Fragen zum Kapitel
1. Ab 1980 fand ein Wandel von materiellen zu immateriellen Produkten statt. Nennen sie Beispiele und überlegen Sie, welche Herausforderungen sich durch den Wandel ergeben.

28

1  Industrie und Gesellschaft im digitalen Wandel

2. Was ist „Disruption“? Beschreiben Sie anhand eines Beispiels, welche Handlungsoptionen sich für einen produzierendes Unternehmen, mit Schwerpunkt in diesem disruptiven Bereich, daraus ergeben.
3. Unterscheiden Sie „Technologie Push“ und „Market Pull“. Wo würden Sie Digitalisierung und Künstliche Intelligenz zuordnen? Stellen Sie Überlegungen zur jeweiligen Strategie für ein innovatives, forschungsstarkes Unternehmen an.
4. Beschreiben Sie die innovativen Dimensionen der Digitalisierung und der Künstlichen Intelligenz. Unterscheiden Sie dabei evolutionäre und revolutionäre Veränderungen.
5. Stellen Sie strategische Überlegungen an für den Fall: a) Sie arbeiten mit einer allgemein bekannten Technologie, können aber zusätzlich neue Märkte eröffnen. b) Sie haben ein innovatives Produkt, das anders ist, als alles bislang bekannte. Ihre existierenden Kunden reagieren verhalten, die Entwicklung neuer Märkte ist derzeit kaum möglich.
6. Beschreiben Sie den Zusammenhang von technologischer und sozialer Entwicklung anhand eines Kondradieff-Zyklus. Was könnte der Auslöser für einen neuen Kondradieff-Zyklus sein?
7. Welches sind bei der Elektromobilität „interessierte Parteien“? Wie ist deren Interessenlage, deren Strukturierung und wie werden Entscheidungen innerhalb dieser interessierten Parteien sowie übergreifend herbeigeführt? Was können Sie als ein Hersteller von mechanischen Getrieben tun?
8. Die Kostenexplosion im Gesundheitswesen wird häufig mit der technologischen Entwicklung und innovativen Verbesserungen begründet. Im Gegensatz dazu wurden Mobiltelefone im Laufe der Zeit ebenfalls besser, der Funktionsumfang stieg, nur der Preis sank drastisch. Warum ist dies so gegensätzlich? Analysieren Sie tabellarisch beide Innovationsmärkte in Bezug auf die beteiligten Interessengruppen (Politik, Gesellschaft, Anbieter, Kunden etc.) Ziele, Struktur, Einflussmöglichkeiten sowie Beitrag zur Entscheidungsfindung.
9. Was sind die Veränderungen bei Arbeit 4.0? Unterscheiden Sie dabei positive Entwicklungen sowie Risiken. Wie könnte ein Unternehmen sich darauf vorbereiten?
10. Warum ist bezüglich der Arbeitswelt die Produktion, die Automobilindustrie und die Medizin besonders von KI-Veränderungen betroffen? Wo sehen sie Chancen, wie begegnen Sie den Risiken?
11. Was ist Recruiting 4.0? Wie kann ein mittelständisches Unternehmen sich gegenüber Großkonzernen dabei durchsetzen?
12. Im Zusammenhang mit Industrie 4.0 wird häufig vom lebenslangen Lernen gesprochen. Diskutieren Sie die gesellschaftliche Dimension und überlegen sie, ob den Vorteilen auch Herausforderungen gegenüber stehen. Wie wollen Sie diesen begegnen?

Literatur

29

Literatur
Anthes, E. (9. Oktober 2020a). KI erkennt Krankheiten: Alexa, habe ich Covid-19? https:// www.spektrum.de/news/kuenstliche-intelligenz-unterscheidet-stimme-von-gesunden-undkranken/1777593. Zugegriffen: 8. Okt. 2020.
Anthes, E. (30. September 2020b). Alexa, do I have COVID-19? https://www.nature.com/articles/ d41586-020-02732-4. Zugegriffen: 30. Sept. 2020.
Baier, C. (19. Oktober 2020). Doktor Big Tech. https://www.focus.de/finanzen/news/gesundheitdoktor-big-tech_id_12522846.html. Zugegriffen: 18. Okt. 2020.
Blackweel’s. (23. 03 2020). Umfrage der buchhandlungskette Blackweel’s. DIE ZEIT Wissen hoch 3 (Email-Newsletter).
Böhm, J. (23. Mai 2016). Meinung: Ist Digitalisierung der 6. Kondratieff? https://www.computerwoche.de/a/digitale-transformation-trend-oder-industrielle-revolution,3312556. Zugegriffen: 17. Mai 2020.
Brother, I. (6. August 2019). Arbeit 4.0: So sieht das Büro der Zukunft aus. https://www.brother.de/ blog/digitalisierung/2019/arbeit-4. Zugegriffen: 28. Mai 2020.
Bundeszentrale für politische Bildung. (15. 01 2008). Die Albatros-Kultur. https://www.bpb.de/ lernen/grafstat/projekt-integration/134613/info-06-01-uebung-die-albatros-kultur. Zugegriffen: 15. Dez. 2020.
Deloitte. (2018). Deloitte Millennial Survey 2018 Das Vertrauen junger Talente in die Wirtschaft nimmt ab und die Loyalität gegenüber Unternehmen sinkt. https://www2.deloitte.com/de/de/ pages/innovation/contents/Millennial-Survey-2018.html. Zugegriffen: 28. Mai.
Ehrenfreund, P. (01 2020). Fünf Minuten mit Pascale Ehrenfreund. Harvard Business Manager, 106.
Frank, K., & Reitmeier, P. (2003). Rekursives Innovationsmanagement. Lohmar: Eul. Google. (2020). Intelligentes Schreiben. https://support.google.com/mail/answer/9116836?hl=de.
Zugegriffen: 28. Mai 2020. Händeler, E. (2018). Die Geschichte der Zukunft – Sozialverhalten heute und der Wohlstand von
morgen – Kondratieffs Globalsicht. Moers: Brendow. Harari, Y. (2018). 21 Lektionen für das 21. Jahrhundert. München: Beck. Hauschild, J., & Gemünden, H. (2011). Dimensionen der Innovation. In S. Albers, & O. Grass-
mann (Hrsg.), Handbuch Technologie- und Innovationsmanagement (S. 21 ff.). Wiesbaden: Gabler. Hawking, S. (1. Dezember 2016). This is the most dangerous time for our planet. https://www. theguardian.com/commentisfree/2016/dec/01/stephen-hawking-dangerous-time-planetinequality. Zugegriffen: 11. Oct. 2020. Helft, M. (11. November 2008). Google uses searches to track Flu’s spread. https://www.nytimes. com/2008/11/12/technology/internet/12flu.html?_r=1&scp=1&sq=Google%20Influenza&st= cse&oref=slogin. Zugegriffen: 30. Sept. 2020. Henckel von Donnersmarck, F. (Regisseur). (2006). Das Leben der Anderen [Kinofilm]. Jäger, W. (2017). Recruiting 4.0 – Zukunftsvision oder Realität. https://hr-marketing.com/ recruiting-4-0-zukunftsvision-oder-realitaet/. Zugegriffen: 6. Apr. 2020. Kallenbach, K. (9. Januar 2020). KI in der Produktion: Menschliche Startschwierigkeiten mit Künstlicher Intelligenz. https://blog.iao.fraunhofer.de/ki-in-der-produktion-menschliche-startschwierigkeiten-mit-kuenstlicher-intelligenz/. Zugegriffen: 28. Mai 2020. Köhler, H. (14. Januar 2010). Anders ans Ziel kommen. https://www.bundespraesident.de/ SharedDocs/Reden/DE/Horst-Koehler/Reden/2010/01/20100114_Rede.html. Zugegriffen: 13. Juni 2020. Kondratieff, N. (1926). Die langen Wellen der Konjunktur.

30

1  Industrie und Gesellschaft im digitalen Wandel

Kramer (IBM), M. (2017). Die technischen Hilfsmittel, um Kunden zu befragen, sind vorhanden. Woran es mangelt, sind die adäquate Fragestellung und das Ziehen der richtigen Schlüsse. https://e-3.de/schnellere-pferde/. Zugegriffen: 13. Juni 2020.
Kroker, M. (24. August 2016). Digitale Transformation: 40 Prozent der Fortune-500-Firmen verschwinden in nächster Dekade. https://blog.wiwo.de/look-at-it/2016/08/24/digitaletransformation-40-prozent-der-fortune-500-firmen-verschwinden-in-naechster-dekade/. Zugegriffen: 30. März 2020.
Manager Magazin. (2005). Flugzeugmotoren Porsche macht Millionenverluste. https://www. manager-magazin.de/unternehmen/artikel/a-345044.html. Zugegriffen: 30. Aug. 2020.
Meck, G., & Weiguny, B. (27. Dezember 2015). Frankfurter Allgemeine Zeitung. https://www. faz.net/aktuell/wirtschaft/wirtschaftswissen/das-wirtschaftswort-des-jahres-disruption-babydisruption-13985491.html. Zugegriffen: 17. Mai 2020.
Mohr, D. (6. September 2020). Die Deutsche Börse hat sich geirrt. https://www.faz.net/aktuell/ finanzen/deutsche-boerse-hat-sich-geirrt-wichtiger-aktienindex-16940485.html. Zugegriffen: 8. Sept. 2020.
Mounk, Y. (29. Februar 2016). Trump vertritt auch deutsche Interessen Seite 2: Trump ist unberechenbar – und ist stolz darauf. https://www.zeit.de/politik/ausland/2016-02/donaldtrump-us-wahl-kandidat-republikaner/seite-2. Zugegriffen: 20. Mai 2020.
Nefiodow, L. (2020). Häufig gestellte Fragen zum 6. Kondratieff. https://www.kondratieff.net/ digitalisierung. Zugegriffen: 10. Juni 2020.
Porschen, H. (2018). Was Unternehmertum und Digitalisierung mit der Theorie der langen Wellen zu tun hat. „Digitaler Suizid“: https://www.hubertusporschen.com/2018/06/19/was-unternehmertum-und-digitalisierung-mit-der-theorie-der-langen-wellen-zu-tun-hat. Zugegriffen: 10. Juni 2020.
Precht, R. (2020). Künstliche Intelligenz und der Sinn des Lebens. München: Goldmann. Ross, A. (13. Februar 2017). Amerikas Außenpolitik: Unberechenbar aus Prinzip. https://www.
faz.net/aktuell/politik/trumps-praesidentschaft/aussenpolitk-von-donald-trump-ist-gewolltunberechenbar-14874604.html. Zugegriffen: 20. Mai 2020. Schwarzkopf-Stiftung, & Vorbeck, K. (23. Januar 2018). Konferenzraum der Schwarzkopf-Stiftung. https://schwarzkopf-stiftung.de/events/recht-und-demokratie-im-zeitalter-der-kuenstlichenintelligenz-der-beitrag-der-europaeischen-union-mit-paul-nemitz/. Zugegriffen: 18. Mai 2020. SPIEGEL. (2005). Verluste bei Porsche. Der Spiegel, 10, S. 73. Steinbach, A. (18. September 2018). Unternehmen verschlafen den KI-Trend. https://www. springerprofessional.de/transformation/kuenstliche-intelligenz/unternehmen-verschlafen-denki-trend/16038826. Zugegriffen: 13. Juni 2020. Süddeutsche Zeitung. (18. März 2014). NSA kann alle Telefonate eines Landes abhören (unter Berufung auf einen Bericht der Washington Post). https://www.sueddeutsche.de/digital/ internet-ueberwachung-nsa-kann-alle-telefonate-anderer-staaten-abhoeren-1.1916436. Zugegriffen: 17. Mai 2020. t3n Digital Pioneers. (12. Januar 2017). Amazon zeigt, wie Roboter und Menschen zukünftig zusammenarbeiten werden. https://t3n.de/news/amazon-robotics-logistikzentrum-762335/2/. Zugegriffen: 11. Okt. 2020. Weber, A. (2017). Digitalisierung – Machen! Machen! Machen! Wiesbaden: Gabler. World Economic Forum. (2018). The jobs landscape. https://www.weforum.org/agenda/2018/09/ future-of-jobs-2018-things-to-know/abgerufen. Yogeshwar, R. (25. Januar 2018). STERN(05/2018). Zweig, A., Fischer, S., & Lischka, K. (2. 2018). Wo Maschinen irren können – Verantwortlichkeiten und Fehlerquellen in Prozessen algorithmischer Entscheidungsfindung. https:// www.bertelsmann-stiftung.de/fileadmin/files/BSt/Publikationen/GrauePublikationen/ WoMaschinenIrrenKoennen.pdf. Zugegriffen: 10. Juni 2020.

Grundlagen der Digitalisierung und Industrie 4.0

2

2.1	Was ist neu?
Die Idee von Automatisierung und Digitalisierung reicht geschichtlich sehr weit zurück: Ca. 60 v. Chr. konstruierte Heron von Alexandria einen Wagen, der eine vorgegebene Strecke abfahren konnte. Das Fuhrwerk wurde von einem Seil mit einem Gewicht angetrieben. Die Richtung des Wagens konnte mithilfe von Stiften geändert werden, sozusagen einem primitiven Vorläufer des heutigen Binärcodes (EU Automation 2016).
In der heutigen Euphorie um Innovationsführerschaft wird vieles vermischt, manches ist eigentlich schon als Vorstellung längst bekannt, anderes wirklich neu.
Dies kann besonders gut am Begriff „Computer Integrated Manufacturing (CIM)“ gezeigt werden: Ende der 1980iger-Jahre kam die Idee des CIM auf, einer vernetzten, automatisierten Fertigung. Geforscht wurde an CIM bereits seit Anfang der 1970iger Jahre, die Umsetzung erlebte aber erst in Ende der 1980iger Jahre und vor allem in den 1990iger Jahren einen Höhepunkt. Eine Literaturstudie der TU Darmstadt beschäftigt sich mit der Frage, ob Industrie 4.0 wirklich neu ist (Meudt et al. 2017):
„Häufig wird Industrie 4.0 mit Bezeichnungen wie „CIM reloaded“, „CIM 2.0“ oder „Alter Wein in neuen Schläuchen“ in Verbindung gebracht. Hiermit wird die Frage aufgeworfen, ob Industrie 4.0 eine grundsätzlich neue Idee darstellt oder vielmehr dem bereits existierenden CIM-Ansatz entspricht.“ Die Autoren der Studie kommen dann zu dem Fazit: „Grundsätzlich ist es empfehlenswert, bei der Entwicklung Industrie 4.0-spezifischer Konzepte auf bestehende CIM-Ansätze zurückzugreifen. Eine Eins-zueins-Übertragung auf heutige Unternehmensstrukturen erscheint jedoch kaum erfolgsversprechend.“ CIM solle, so die Studie, gemäß den Anforderungen von Industrie 4.0 gezielt modifiziert und weiterentwickelt werden.

© Der/die Autor(en), exklusiv lizenziert durch Springer Fachmedien Wiesbaden GmbH,

31

ein Teil von Springer Nature 2021

A. Mockenhaupt, Digitalisierung und Künstliche Intelligenz in der Produktion,

https://doi.org/10.1007/978-3-658-32773-6_2

32

2  Grundlagen der Digitalisierung und Industrie 4.0

Derzeit sieht es tatsächlich so aus, dass die aktuellen Anwendungen in der Produktion, aus der Digitalisierung kommend, eher inkrementelle Innovationen sind. Gerne werden diese dann mit dem Hypewort „Industrie 4.0“ firmiert, doch für viele Anwendungen gilt:
„Das Thema KI wird, wie jeder Hype, später abflachen und realistisch eingeordnet werden. Wir sprechen hier technisch von Konzepten, die 20 Jahre alt sind. Jetzt sind sie vielfach anwendbar und werden ihren Platz im Bereich Datenintelligenz finden bzw. haben ihn teilweise schon gefunden.“ (Interview: Was sind die Erfolgsfaktoren für die künstliche Intelligenz? Interview mit Herrn Dr. Sönke Iwersen von der HRS Group, 2019).
Ähnlich sieht es die Fraunhofer Gesellschaft, die meint, dass sich aktuell auf dem Shopfloor vorrangig KI-Anwendungsfälle befinden, die auf Maschinendaten basieren (Fraunhofer IAO 2020). Bei der Verleihung des zweiten Deutschen KI-Preises im Oktober 2020 brachte es ein Teilnehmer der Podiumsdiskussion so auf den Punkt: Derzeit sei KI angewandte Statistik in Kombination mit einem guten Marketing.
Die radikale Innovation wird gespeist aus der Künstlichen Intelligenz (KI) und dem Deep Learning. Diese ist in manchen Bereichen, insbesondere in reinen IT-Produkten, bereits angekommen, aber in der industriellen Produktion (noch) eher im Experimentierstadium als Pilotprojekte.
„Die KI hat heute Einzug gehalten in die Industrien der Logistik & Transport, Banken, Automobilbranche & Travel. Dort werden KI-Themen genutzt, um Prozess-Effizienzen zu heben. Darüber hinaus kommen wertstiftende Ergebnisse aus intelligenten Datenprozessen, indem Datenprodukte genutzt werden, die KI beinhalten. Vieles davon ist aber noch im Laboratorium und sucht noch nach Marktreife für sich.“ (Interview: Was sind die Erfolgsfaktoren für die künstliche Intelligenz? Interview mit Herrn Dr. Sönke Iwersen von der HRS Group, 2019).
Das ändert sich aber aktuell rapide. Als Annäherung kann die Entwicklung wie folgt beschrieben werden: • Reaktive Automaten (gibt es bereits) können nicht auf „Erfahrungen“ zurückreifen • Statistik- und algorithmenbasierte Maschinen als schwache Künstliche Intelligenzen (aktuelle Entwicklungen) nutzen vergangenheitsbezogene bzw. aktuelle Daten, lernen selbstständig daraus und prognostizieren die Ergebnisse in die Zukunft • Starke Künstliche Intelligenzen ähneln der menschlichen Intelligenz, benötigen aber in der letzten Ausbaustufe auch Empathie, Kreativität sowie darüber hinaus Selbsterkenntnis (Bewusstsein). Die Umsetzung liegt weit in der Zukunft, ggf. ist sie technologisch nicht realisierbar.

2.2	Definitionen Automatisierung, Digitalisierung & Industrie 4.0
Betrachtet man die Geschichte der industriellen Produktion, so verläuft diese von der manuellen Fertigung über die Automatisierung und Digitalisierung zu dem, was heute als Industrie 4.0 bezeichnet wird. Diese Begriffe sollen hier zunächst definiert werden und

2.2  Definitionen Automatisierung, Digitalisierung & Industrie 4.0

33

im nächsten Kapitel voneinander und zusätzlich zur Künstlichen Intelligenz abgegrenzt werden.
• Automatisierung (aus dem Griechischen für „selbsttätig handeln“) Das Ausrüsten einer Einrichtung, so dass sie ganz oder teilweise ohne Mitwirkung des Menschen bestimmungsgemäß arbeitet (nach DIN 19233).
Automatisierung kann rein mechanisch realisiert werden, aber auch programmgesteuert ablaufen. Es handelt sich aber immer um rein repetitive, sich wiederholende Handlungen, die automatisiert werden. Nicht automatisieren lassen sich demnach Tätigkeiten, die Kreativität oder Intelligenz benötigen.
In seiner ursprünglichen Bedeutung meint Digitalisierung das Umwandeln von analogen Werten in digitale Formate, notwendig zur weiteren Verarbeitung durch Computer. Neben dieser Begriffsbestimmung hat sich im ökonomisch-industriellen Umfeld eine erweiterte Deutung etabliert:
• Digitalisierung bezeichnet als Oberbegriff den Einsatz vernetzter, digitaler Technologien in allen Bereichen von Wirtschaft und Gesellschaft.
Für Anwendungen in der Produktion kann nach neuerer Begriffsbestimmung griffiger formuliert werden:
• Digitalisierung automatisiert die Datenverarbeitung und erlaubt damit die Verarbeitung sehr großer Datenmengen.
Digitalisierung ist ein Werkzeug, dass es ermöglicht, selbstständig (maschinell) Daten zu ordnen, sie besser zu verstehen und daraus (Optimierungs-)Potenzial zu schöpfen.
Im Bereich der industriellen Fertigung wird bei Digitalisierung zusätzlich der Begriff Industrie 4.0 verwendet:
• Industrie 4.0 spezialisiert auf den industriellen Einsatz und bezeichnet die Integration der Digitalisierung in Produktionsprozesse. Dabei kommen zusätzlich Elemente der (schwachen) Künstlichen Intelligenz (KI) zum Tragen.
Als Zukunftsprojekt bezeichnet gehört Industrie 4.0 laut Bundesregierung zu den Schlüsseltechnologien mit besonderer volkswirtschaftlicher Hebelwirkung (BMBF, Die neue Hightech-Strategie Innovationen für Deutschland, 2014). Das Bundeswirtschaftsministerium (BMWI) spricht von der „intelligenten Fabrik“ (siehe auch Kapitel „Smart Factory“ 10.3) und formuliert (BMWi B. f., 2020): „In der Fabrik der Industrie 4.0 koordinieren intelligente Maschinen selbstständig Fertigungsprozesse; ServiceRoboter unterstützen Menschen in der Montage bei schweren Arbeiten, fahrerlose Transportfahrzeuge kümmern sich eigenständig um Logistik und Materialfluss.“ „Industrie 4.0 bestimmt dabei die gesamte Lebensphase eines Produktes: Von der Idee über die Entwicklung, Fertigung, Nutzung und Wartung bis hin zum Recycling.“

34

2  Grundlagen der Digitalisierung und Industrie 4.0

Abb. 2.1   Auswahl von Kennzeichen und Herausforderungen bei Industrie 4.0
Abb. 2.1 zeigt eine Auswahl von Kennzeichen sowie von Herausforderungen bei Industrie 4.0.
Das übergeordnete Ziel von Digitalisierung und Industrie 4.0 ist die Effizienz- und Produktivitätssteigerung. Im industriellen Bereich ist damit zum einen die Kostensenkung verbunden, zum anderen eine starke Flexibilisierung. Hierbei sind zwei Richtungen zu unterscheiden, die Vernetzung und die Selbststeuerung innerhalb der Wertschöpfungskette:
Vernetzung ist die systemtechnische Verbindung aller beteiligten Produktionsmittel, mit dem Ziel, automatisiert Daten untereinander auszutauschen und intelligent miteinander zu interagieren. Dabei muss die virtuelle Welt (der Daten) mit der realen, physischen Welt (der Menschen) zusammengeführt werden.
Selbststeuerung bezeichnet die Fähigkeit von Maschinen aktiv und in Echtzeit die Umwelt zu erfassen, die Situation selbstständig zu analysieren und interpretieren sowie angemessen darauf zu reagieren. Dieser Prozess ist für die Digitalisierung und Industrie 4.0 essenziell und setzt eine autonome Entscheidungsfähigkeit (vgl. Künstliche Intelligenz) voraus.
Industrie 4.0 führt letztlich zur intelligenten Produktion (Smart Factory, siehe Abschn. 10.3), bei der die gesamte Wertschöpfungskette intelligent auf veränderliche Rahmenbedingungen reagiert.

2.3  Abgrenzung: Automatisierung, Digitalisierung, Industrie 4.0 …

35

2.3	Abgrenzung: Automatisierung, Digitalisierung, Industrie 4.0, Künstliche Intelligenz
Im Zuge der Entwicklung von der Automatisierung zur Digitalisierung bzw. Industrie 4.0 treffen zwei Welten aufeinander, bei der Automatisierung die Operational Technology (OT) und bei der Digitalisierung die Informationstechnologie (IT). Beide Technologien haben unterschiedliche Prioritäten:
Die OT fokussiert auf den operativen Produktionsprozess, weitgehend mechanisch ausgelegt mit begrenzten digitalen Steuerungskomponenten als Insellösungen und ohne Datenvernetzung. Die digitalen Komponenten haben bei OT vor allem die Aufgabe, eine permanente Verfügbarkeit von Maschinen und Anlagen zu sichern.
Beim Übergang zur Digitalisierung und Industrie 4.0 findet die Vernetzung von Maschinen und Anlagen, aber auch des Qualitäts- und Umweltmanagements, eine zentrale Rolle. Einheitliche Datenprotokolle und (drahtlose) Kommunikation für eine Maschine-zu Maschine-Kommunikation (M2M) werden wichtig.
Dies führt zu einem Paradigmenwechsel, der von den Mitarbeitern zunächst verstanden werden muss. Dazu ist es auch wichtig, die Unterschiede zwischen den Begrifflichkeiten zu verstehen. Diese werden häufig vermischt bzw. synonym benutzt, was aber zu einer beständig gestellten Frage führt, was ist neu und was ist wirklich neu?
• Digitalisierung in der Produktion ist die Fortführung dessen, was als Automatisierung begonnen hat. Hier steht der Computer im Vordergrund, die digitale Auswertung von Daten. Fortschritte entstehen durch den Zugriff auf riesige, bisher nicht gekannte Datenreservoirs (Big Data) sowie die Möglichkeit durch höhere Rechnerleistungen, diese auch auszuwerten. Soweit der Stand der Technik.
• Bei Industrie 4.0 ist es die Vernetzung von Maschinen und Produkten, welche innovativ wirkt. Hinzu treten die Miniaturisierung und Einbettung der Sensorik in Maschinen und Produkten, die mehr und vor allem bessere Daten liefern. Die aktuelle Umsetzung in der Produktion wird noch von der Datenauswertung bestimmt, „Intelligenz“ in Form der schwachen KI tritt aktuell hinzu.
• Künstliche Intelligenz definiert sich über das maschinelle Lernen sowie über autonomes Entscheiden und Handeln. Anwendungen in der Produktion befinden sich, je nach Definition (siehe Abschn. 3.2), in der Experimentier- oder Pilotphase.
Abb. 2.2 zeigt eine Einordnung der Begrifflichkeiten: Digitalisierung nutzt Verfahren, die bereits seit einiger Zeit angewendet werden.
Letztlich geht es darum Daten zu erfassen, sortierend zu analysieren und als Information darzustellen bzw. automatisiert zu nutzen. Das ist nicht wirklich neu. Dennoch gibt es in der letzten Dekade einen großen, evolutionären Entwicklungssprung.
Dieser speist sich aus der exponentiell gestiegenen Rechnerleistung, Speichervolumina (auch in der Cloud) und den Möglichkeiten der digitalen High-Speed-Vernetzung. Zusätzlich entwickelte sich der Effekt der Daten-Dezentralisierung und

36

2  Grundlagen der Digitalisierung und Industrie 4.0

Abb. 2.2   Abgrenzung Digitalisierung, Industrie 4.0 und Künstliche Intelligenz
Überall-Vernetzung, getragen u. a. durch die Einführung des Smartphones (2007, iPhone). Dadurch entstanden riesige Datenmengen, die, zunächst ungenutzt brach liegend, jetzt in Echtzeit, aber eher sortierend, verarbeitet werden können.
Industrie 4.0 ist quasi das Bindeglied zwischen Digitalisierung und Künstlicher Intelligenz (siehe Abb. 2.3). Der Fortschritt hier kommt durch die vollständige Vernetzung innerhalb der Wertschöpfungskette, aber auch durch die Vernetzung mit dem Produkt, das durch die o. g. Überall-Vernetzung Nutzungsdaten in Echtzeit an den Hersteller sendet. Beides wird begünstigt durch große Fortschritte in der Sensortechnik, insbesondere deren Miniaturisierung, sowie eine weitreichende Integrationsmöglichkeit durch Einbettung (embedded Systems, siehe Kap. 10.8) in (Produktions-)Maschinen, aber eben auch in Endprodukten.
Bei der derzeitigen Umsetzung von Industrie 4.0 handelt es sich noch um eine evolutionäre, inkrementelle Transformation: Nach und nach werden digitale Technologien zu bestehenden Prozessen und Strukturen hinzugefügt, derzeit noch eher auswertend.
Die neuen Werkzeuge sind die der datengetriebenen Prozessanalyse und heißen Process Analytics, Data Mining & Process Mining, Predictive Analysis u. ä., Grundlage ist Big Data. Darüber hinaus gibt es neue Werkzeuge über die Vernetzung, das (Industrial) Internet of Things (IoT – IIoT), das Cyber-Physische System (CPS) oder auch den Digitalen Zwilling. Letztliche sind aber Digitalisierung und der derzeitige Stand der Industrie 4.0 nur mit Einschränkungen „intelligent“.
Die Durchforstung gigantischer Kundendaten durch Digitalisierung (Big Data) mit dem Resultat einer Kaufempfehlung à la „Andere Kunden mit ähnlichem Warenkorb

2.3  Abgrenzung: Automatisierung, Digitalisierung, Industrie 4.0 …

37

Abb. 2.3   Möglichkeiten der Digitalisierung, Industrie 4.0 und KI. (Quelle: Carl Zeiss MES Solutions GmbH – Guardus)

Abb. 2.4   Die vier industriellen Revolutionen

38

2  Grundlagen der Digitalisierung und Industrie 4.0

hatten noch folgendes gekauft …“ mag der Umsatzsteigerung dienen. Die Optimierung von Wertschöpfungs- und Produktionsprozessen durch Maschine-zu-MaschineKommunikation (M2M), mehr Sensorik sowie durch automatisierte Rückmeldungen aus der Anwendung innerhalb von Industrie 4.0 mag ganz neue Effizienzhorizonte eröffnen. Aber dies hat noch nicht wirklich etwas mit „Intelligenz“ zu tun.
Innovativ und damit wirklich neu bei KI ist das maschinelle Lernen und die damit einhergehende Selbstoptimierung. Daten werden nicht mehr sortiert und determiniert, d. h. mit vorgegebenen Baumstrukturen, analysiert. Jetzt sind Maschinen in der Lage, unbekannte Muster zu erkennen, daraus autonom Bewertungsschemata zu entwickeln, um diese dann mit dem Ziel der Selbstoptimierung wieder infrage zu stellen. Durch den autonomen, maschinellen Lernprozess kommt so etwas wie wirkliche „Intelligenz“ ins Spiel.
Der wirkliche Innovationssprung kommt mit der Zusammenführung von Industrie 4.0 und der künstlichen Intelligenz. Diese ist der Treiber bei der aktuellen Weiterentwicklung der Industrie 4.0 in Richtung revolutionäre Transformation. Kennzeichen sind die Einbindung der Digitalisierung, zusammen mit Autonomie, selbstständiges Lernen und Selbstoptimierung von Maschinen in ein Gesamtkonzept über die gesamte Wertschöpfungskette und darüber hinaus. Einige Autoren sehen das unter einen neuen Namen, nämlich als Weiterführung in eine Industrie x.0 (siehe Abschn. 2.4).
Auch wird der Lernprozess selbst immer menschenähnlicher. Wie lernt ein Kind? Zum einen durch Anleitung und Nachahmung. Dies wir z. T. im überwachten bzw. unüberwachten maschinellen Lernen nachgebildet. Aber es lernt auch erfinderisch selbst, angespornt durch intrinsische oder extrinsische Belohnungen. Dies wird maschinell im verstärkten Lernen nachempfunden, hierbei kann es sogar zu Ansätzen von maschineller Kreativität kommen. (siehe Kap. 6).

2.4	Geschichte der Digitalisierung & Industrie 4.0
2.4.1	Geschichte der Digitalisierung
Vorab interessant ist, dass der Begriff „Digitalisierung“ nicht von der Technik eingeführt wurde, sondern aus der Politik stammt. Gemeint sind dabei strukturelle Anpassungsprozesse in Gesellschaft, Wirtschaft und Industrie, die aufgrund des Aufkommens einer digitalen Automatisierung notwendig wurden. Auch war der Begriff zunächst im angelsächsischen Sprachraum unbekannt, dort wird eher von „Technology“ gesprochen, was aber wiederum im Deutschen nicht mit „Technologie“ zu übersetzt werden kann, sondern eher mit „Digitalen Technologien“. Im Gegensatz zur Deutschen „Digitalisierung“ beschäftigt sich „Technology“ aber weniger den gesellschaftlichen Wandel, sondern mehr mit technologischen bzw. innovativen Chancen.
Die digitale Automatisierung begann in der 1970iger Jahren mit dem Erscheinen der speicherprogrammierbaren Steuerung (SPS) in der Produktion. Neben höherer

2.4  Geschichte der Digitalisierung & Industrie 4.0

39

Produktivität durch Prozessautomation und -optimierung hatte dies auch weitreichenden Auswirkungen auf die Arbeitswelt: Es wurde eine andere, vor allem höhere Qualifikation benötigt – vom Maschinenbediener zum Anlagenprogrammierer – und führte wegen der schnellen Weiterentwicklung u. a. zur Anforderung an lebenslanges Lernen. • Die speicherprogrammierbaren Steuerung (SPS) ist ein digital arbeitendes
elektronisches System für den Einsatz in industriellen Umgebungen mit einem programmierbaren Speicher zur internen Speicherung der anwenderorientierten Steuerungsanweisungen zur Implementierung spezifischer Funktionen. (nach DIN EN 61131 Teil 1). Als Entwickler der SPS gilt Richard E. Morley, der im Jahr 1969 ein auf einem Halbleiter basierendes Logiksystem vorstellte (genannt: Modicon 084)
Waren diese Automaten zunächst Insellösungen, d. h. die Maschinen standen für sich alleine, wurden sie durch die aufkommende Vernetzungstechnologie immer weitern zu einem Gesamtsystem integriert.
Mit Computer Integrated Manufacturing (CIM, siehe Abschn. 2.1) wurden Produktionsanlagen vernetzt, wenngleich noch an feststehende Leitungen zwischen den Maschinen gebunden. Profitierte diese Entwicklung zusätzlich vom Aufkommen hochflexibler Handhabungsgeräte, wie Industrierobotern, fehlte es aber an digitaler Verarbeitungsgeschwindigkeit, Vernetzungsstandards, standardisierte Datenbanksysteme u. ä. Die Vernetzung endete häufig innerhalb der Fabrik, die Rolle des Internets war damals noch nicht abschätzbar (siehe auch Abschn. 10.3).
Das änderte sich um 2010 durch stark verbesserte Rechnerleistung, Fortschritte im Bereich der Sensorik und eine leitungsunabhängige Vernetzung über das Internet. Insbesondere veränderte sich die Produktion grundlegend, 2011 war der Begriff der „vierten industriellen Revolution“ geboren.
Im industriellen Sektor stellt die Digitalisierung eine Erfolgsgeschichte dar, allerdings gab es auch Phasen der Besinnung bzw. Abkühlung. Diese entstanden i. W. durch die Erkenntnis, dass die Datensicherheit nur schwierig in den Griff zu bekommen ist. Besonders sichtbar wurde dies ab Anfang der 2010er Jahre durch Whistleblower wie Edward Snowden und Julian Assange. Industriell ging es aber eher um den nicht autorisierten Know-How-Abfluss, eine Problematik, die immer noch schwelt.

2.4.2	Die Industriellen Revolutionen 1.0 bis 4.0 sowie Industrie x.0
Der Begriff „Industrie 4.0“ wurde im Zuge der Hannover Messe 2011 vorgestellt. Im internationalen Wettbewerb sollte bewusst ein auf den deutschen Sprachraum angepasstes Wort genutzt werden (Endschreibweise mit „ie“), um die deutsche Ambition auf Mitgestaltung des Themas zu signalisieren (Lindekamp 2015). Dementsprechend gibt es keine direkte englische Übersetzung. Im angelsächsischen Sprachraum gibt es aber Synonyme wie „Smart/Advanced Manufacturing“, u.v.m.

40

2  Grundlagen der Digitalisierung und Industrie 4.0

Nach einem anfänglichen Hype wurde ab Mitte 2017 „Industrie 4.0“ als Begriff zurückhaltender verwendet, wenngleich er nicht verschwand. Auslöser damals waren u. a. mehrere Cyberangriffe auf Unternehmen, die die Euphorie vorübergehend bremsten und zu einer gewissen Ernüchterung führten, so Sandro Gaycken, Cybersecurity-Experte und Direktor vom Digital Society Institute, zu Industrie 4.0 im ZDF heute-journal (Gaycken, heute-journal, 2017).
Insbesondere der Mittelstand ist seither eher abwartend (vgl. (Ruderschmidt 2019). Die mit Industrie 4.0 zusammenhängende Strategie wurde aber weiterverfolgt, auch weil sie von der Bundesregierung, Verbänden und Interessengruppen breit gefördert wird. Die Endung „4.0“ wird weiterhin in verschiedenen Zusammenhängen als Zeichen der Aktualität genutzt, z. B. „Arbeit 4.0“, „Qualität 4.0“ usw. Industrie 4.0 steht für die vierte industrielle Revolution:
• Die erste industrielle Revolution, beginnend mit der Erfindung der Dampfmaschine durch James Watt u. a., zeichnete sich durch die Mechanisierung der Arbeit aus. Mechanische Arbeit, vormals durch Tiere oder den Menschen geleistet, wurde durch Maschinen unterstützt bzw. ersetzt.
• Die zweite industrielle Revolution war die Einführung der Fließbandarbeit. Erstmalig industriell Mitte des 19. Jahrhunderts in den Schlachthöfen von Chicago eingeführt *), verhalf Henry Ford 1913 dieser Produktionstechnik zum Durchbruch. Kennzeichen sind Arbeitsteilung (nach Frederick Taylor als Taylorismus bezeichnet) und die Möglichkeit zur Massenproduktion. *) Upton Sinclairs Roman „The Jungle“ von 1906 berichtet über die unmenschlichen Zustände auf den Schlachthöfen von Chicago
• Die dritte industrielle Revolution zeichnet sich durch den Einsatz von Elektronik in Informationstechnologie aus. Erschwingliche Computer ermöglichten einfache Datenverarbeitung und Steuerung von Maschinen. Die Digitalisierung war aber noch nicht „intelligent“ und arbeitete nach einfachen Entscheidungsbäumen (If–Then-Schleifen). Die Systeme waren nicht vernetzt (Stand-Alone).
• In der jetzt anstehenden vierten Industriellen Revolution ist die Informationstechnologie weitgehend in das tägliche Leben integriert. Große Datenmengen können in Echtzeit verarbeitet werden. Die Maschinen lernen selber und kommunizieren untereinander selbstständig. Menschliche Sprache und Gestik wird erkannt, worauf Maschinen autonom reagieren können.
Wie bereits oben gezeigt, beinhaltet die derzeitige Umsetzung von Industrie 4.0 u. a. noch kaum Aspekte des Maschinellen Lernens oder der Künstlichen Intelligenz. Einige Autoren sehen dies als nächstes Ziel der aktuellen Entwicklung von Industrie 4.0 an, andere, z. B. (Schaeffer 2017), führen statt der weitergehenden 5.0 bzw. 6.0 den Begriff Industrie x.0 ein.

2.4  Geschichte der Digitalisierung & Industrie 4.0

41

Abb. 2.5   Technologiebasis von Industrie 4.0 (World Economic Forum 2016)
• Industrie x.0 ist die konsequente Weiterentwicklung der Digitalen Transformation mit den Schwerpunkten Cyber Physical Systems (CPS), Internet of Things (IoT), Cloud Services & Big Data, Maschinelles Lernen & Deep Learning sowie Blended Reality (wird von den meisten Autoren allerdings innerhalb Industrie 4.0 gesehen, Quelle hier: (FGW 2018; Schaeffer 2017))
Abb. 2.5 zeigt die strategische Technologiebasis von Industrie 4.0, so definiert vom World Economic Forum.

42

2  Grundlagen der Digitalisierung und Industrie 4.0

Aber Vorsicht, zwischen Industrie 3.0 und 4.0 (bzw. x.0) kann es zu Verwechselungen kommen, so Christoph Plass von der Managementberatung Unity, über den Zusammenhang von Produktion und Internet:
„Viele zu Industrie 4.0 veröffentlichte Beispiele und Erklärungen stellen eigentlich Beiträge zur Industrialisierung auf dem Stand von Industrie 3.x dar, also der vorangegangenen Revolution. Bei Industrie 4.0 ist jedoch nicht der Computer die zentrale Technologie, sondern das Internet. Dabei sind Werkstücke und Produktionsmittel digital miteinander ­verbunden und untereinander kommunikationsfähig. Das ermöglicht es, kundenindividuelle Produkte zu den Bedingungen der Massenproduktion herzustellen.“ (Plass 2015)
In einer weiteren Stufe der Industriellen Revolution würde wohl der Unterschied zwischen Menschen und Maschine verschwimmen, der Mensch erkennt nicht mehr, ob sein Gegenüber natürlichen oder maschinellen Ursprungs ist (vgl. Turing-Test, Abschn. 3.11).

2.5	Technologiebasis für Digitalisierung und Industrie 4.0
Für die Digitalisierung und für Industrie 4.0 bedarf es neuer Technologien. Diese sind z. T. bereits vorhanden, andere befinden sich noch in einen Prozess der Erstentwicklung, Verbesserung und Weiterentwicklung. Zu diesen gehören (in Anlehnung an: Cernavin et al. 2018):
• Sensortechnologie zur Erfassung der Umgebung
• Big Data zur Analyse sehr großer Datenmengen
• Kommunikationstechnologien zur Datenübertragung in Echtzeit (Real Time) oder in Near-Real-Time
• Maschinelles Lernen und Künstliche Intelligenz zur Einordnung der Informationen und zur Entscheidungsfindung
• Internet of Things (IoT) – bei Digitalisierung allgemein Industrial Internet of Things (IIoT) – bei Industrie 4.0 zur Selbststeuerung von Maschinen untereinander
• Robotik zur vollständigen Automatisierung der Produktion (ggf. auch Dienstleistungsbereich, z. B. Pflege)
• Cyber-physische Systeme (CPS) und digitale Zwillinge zur Verknüpfung der realen und der virtuellen Welt

2.6  Agilität, Komplexität

43

2.6	Agilität, Komplexität
In der Digitalisierung werden häufig die Begriffe Komplexität und Agilität verwendet.
• Agilität beschreibt in diesem Zusammenhang die Fähigkeit eines Systems, sich veränderten äußeren Bedingungen bezüglich Volatilität, Unsicherheit, Komplexität und Ambiguität (VUKA) anzupassen (Mockenhaupt 2019; Aulinger 2019): – Volatility/Volatilität: zunehmende Häufigkeit, Geschwindigkeit und Reichweite von Veränderungen – Uncertainty/Unsicherheit: abnehmende Möglichkeit, Ereignisse und Entwicklungen vorauszusagen – Complexity/Komplexität: zunehmende Anzahl relevanter Variablen, deren Wirkungsweise aufeinander nicht berechenbar ist (siehe auch weiter unten) – Ambiguity/Ambiguität: zunehmende Viel- oder Mehrdeutigkeit von Informationen
• Komplexität beschreibt die Eigenschaft eines Systems, dessen Gesamtverhalten sich nicht aus der Summe des Verhaltens seiner einzelnen Teilsysteme beschreiben lässt.
Einfacher ausgedrückt: Auch wenn wir das Verhalten aller an einem Vorgang beteiligten Systeme kennen und verstehen, in Kombination kann die Reaktionsweise dennoch überraschen.
Komplexe Systeme sind oft in ihrer Reaktionsweise schwierig einzuschätzen. Damit sind sie sozusagen die Vorstufe von chaotischen Systemen (die wenig mit dem landläufigen Begriff „Chaos“ zu tun haben – siehe Abschn. 7.8). Chaotische Systeme reagieren selbst auf kleinste Veränderungen der Eingangsgrößen mit sehr großen, zumeist unberechenbaren Veränderungen im Resultat.
Es geht aber nicht immer darum, die Komplexität zu beherrschen, ggf. kann sie auch reduziert werden. Das menschliche Gehirn ist sehr gut in der Lage, bei einem „zuviel“ an Informationen bzw. Zusammenhängen die Komplexität zu reduzieren mit dem Ziel, eine Handlungsfähigkeit aufrecht zu erhalten. So sollte auch eine KI nicht mit Daten überfrachtet werden, wichtiger ist die Fähigkeit zur Lösungsfindung zu optimieren.
• Komplexitätsreduzierung ist eine menschliche Fähigkeit, um eine Handlungsfähigkeit in unübersichtlichen Situationen aufrecht zu erhalten. sie funktioniert über den Abgleich mit gespeicherten Modellen, die bereits klassifiziert sind.
Ein Beispiel ist ein unbekanntes Tier-Geräusch. Die Ursachensuche und vor allem die Einschätzung des Risikopotenzials wäre viel zu komplex, um in der zur Verfügung stehenden Zeit zu einem Ergebnis zu kommen. Also wird ein Modell genutzt: Modell 1 (Zoobesuch): Tiergeräusche werden als ungefährlich klassifiziert. Modell 2 (wildes Camping in Afrikas Savanne): Klassifikation als Gefährlich.

44

2  Grundlagen der Digitalisierung und Industrie 4.0

Beim autonomen Fahren gibt es als weiteres Beispiel die Erkennungsproblematik Ball vs. Blätter: Die KI muss nicht genau wissen, wie die Gegenstände aussehen oder welche Farbe sie haben, aber während die Blätter eher unwichtig sind, folgt dem einem Ball vielleicht ein Kind. Der Mensch ordnet einfach in ein bekanntes Modell ein – Herbst vs. Fußball.
Die Übertragung dieses Prinzip der Komplexitätsreduzierung auf autonome KISysteme bzw. Robotern ist allerdings noch begrenzt (vgl. Abschn. 8.5 bzw. 13.5). Allerdings macht der Mensch hierbei auch recht häufig Fehler, was zu Entscheidungsanomalien (z. B. „gute Qualität kostet“) oder zum sog. Herdentrieb (im Notfall rennen alle auf den einen, bereits überfüllten Notausgang zu) führt.

2.7	Fragen zum Kapitel
1. Unterscheiden Sie Automatisierung, Digitalisierung und Künstliche Intelligenz. Wie würden Sie Industrie 4.0 dabei einordnen?
2. Was bei Digitalisierung und Künstlicher Intelligenz ist disruptiv? Woraus speisen sich diese disruptive Innovationen technologisch?
3. Beschreiben Sie die vier Industriellen Revolutionen. Was ist jeweils neu gewesen und wie hat es das gesellschaftliche Zusammenleben beeinflusst?
4. Was denken Sie ist revolutionär (wirklich neu) und was ist evolutionär bei der Digitalisierung?
5. Was ist Technologiebasis bzw. welches sind die Schlüsseltechnologien für Industrie 4.0? Wie könnte es weiter gehen (Industrie x.0)?
6. Definieren Sie die vier Dimensionen der Agilität und finden Sie Beispiele hierfür aus dem Bereich der industriellen Fertigung.
7. Überlegen Sie sich Beispiele für komplexe und chaotische Systeme. 8. Wozu ist eine Komplexitätsreduzierung gut, wie läuft sie ab?

Literatur
Aulinger, A. (2019). Die drei Säulen agiler Organisationen. https://steinbeis-iom.de/app/ uploads/2016-10-Whitepaper_Die_drei_Sa%CC%88ulen_agiler_Organisationen.pdf. Zugegriffen: 10. Juni 2020.
BMBF. (2014). Die neue Hightech-Strategie Innovationen für Deutschland. https://www.bmbf.de/ upload_filestore/pub_hts/HTS_Broschure_Web.pdf. Zugegriffen: 10. Juni 2020.
BMWi (GAIA-X). (4. Juni 2020). Broschüre: GAIA-X – das europäische Projekt startet in die nächste Phase. https://www.bmwi.de/Redaktion/DE/Publikationen/Digitale-Welt/gaia-x-daseuropaeische-projekt-startet-in-die-naechste-phase.html. Zugegriffen: 5. Juni 2020.
BMWi, B. f. (2020). Digitale Transformation in der Industrie. https://www.bmwi.de/Redaktion/ DE/Dossier/industrie-40.html. Zugegriffen: 10. Juni 2020.

Literatur

45

Cernavin, O., Lemme, G., & Stowasser, S. (2018). 2. Technologische Dimensionen der 4.0-Prozesse. In Prävention 4.0. Wiesbaden: Springer. https://www.springerprofessional.de/ technologische-dimensionen-der-4-0-prozesse/15188074abgerufen.
EU Automation. (26. September 2016). Eine kurze Geschichte der Robotik. https://www. euautomation.com/de/automated/article/eine-kurze-geschichte-der-robotik. Zugegriffen: 11. Oct. 2020.
FGW, F.g. (2018). Digitale Transformation. https://www.fgw.de/digitalisierung/themenfelder.html. Zugegriffen: 16. Juni 2020.
Fraunhofer IAO. (2020). Innovationsnetzwerk – Menschzentrierte KI in der Produktion. https:// www.engineering-produktion.iao.fraunhofer.de/de/innovationsnetzwerke/innovationsnetzwerkkuenstliche-intelligenz-in-der-produktion.html. Zugegriffen: 28. August.
Gaycken, S. (28. Juni 2017). heute-journal. ZDF. Interview: Was sind die Erfolgsfaktoren für die künstliche Intelligenz? Interview mit Herrn Dr.
Sönke Iwersen von der HRS Group. (2019). https://www.dataleaderdays.com/interview-wassind-die-erfolgsfaktoren-fuer-die-kuenstliche-intelligenz/. Zugegriffen: 30. Apr. 2020. Lindekamp, C. (14. April 2015). Plattform Industrie 4.0 Deutschland wehrt sich gegen das „Y“. (Handelsblatt). https://www.handelsblatt.com/technik/hannovermesse/plattform-industrie-4-0deutschland-wehrt-sich-gegen-das-y/11636154.html?ticket=ST-5219658-9y2Tev669gljmfscgQ15ap4. Zugegriffen: 18. Mai 2020. Meudt, T., Pohl, M., & Metternich, J. (24. Juli 2017). Modelle und Strategien zur Einführung des Computer Integrated Manufacturing (CIM). https://tuprints.ulb.tu-darmstadt. de/6653/1/20170609%20-%20V%C3%96%20-%20Literaturueberblick%20CIM.pdf. Zugegriffen: 13. Juni 2020. Mockenhaupt, A. (2019). Qualitätssicherung – Qualitätsmanagement. Hamburg: Handwerk und Technik. Plass, C. (15. Oktober 2015). Internet und Produktion: Vor Industrie 4.0 kommt noch Industrie 3.0. https://www.com-magazin.de/praxis/business-it/industrie-4.0-kommt-industrie-3.0-1013483. html. Zugegriffen: 16. Juni 2020. Ruderschmidt, R. (2019). Digitalisierungsmöglichkeiten der Produktion durch Industrie 4.0. Bachelor-Thesis an der Hochschule Albstadt-Sigmaringen, Studiengang Wirtschaftsingenieurwesen. Schaeffer, E. (2017). Industry X.0 Digitale Chancen in der Industrie nutzen. München: Redline. World Economic Forum. (2016). Stratecic Intelligence. https://intelligence.weforum.org/topics/ a1Gb0000001RIhBEAW?tab=publications. Zugegriffen: 10. Juli 2020.

Grundlagen der Künstliche Intelligenz (KI)

3

„Künstliche Intelligenz (KI) ist der nächste, konsequente Schritt im Rahmen der digitalen Transformation“,
Dieter Westerkamp, Bereichsleiter des VDI Technik und Gesellschaft (van den Heuvel 2019).

3.1	Intelligenz
„If you expect a machine to be infallible, it cannot also be intelligent.“ „Wenn man erwartet, dass eine Maschine unfehlbar ist, kann sie nicht auch intelligent sein.“ Alan Turing Großes Ziel der Künstlichen Intelligenz ist die Nachbildung menschlicher Intelligenz. Hierzu muss zunächst definiert werden, was Intelligenz überhaupt ist, leider gibt es für eine solch einfache Frage keine universell verbindliche Antwort:
• Intelligenz (lat. intellegere: erkennen, verstehen) bezeichnet in der Psychologie ein hypothetisches Konstrukt, das die Fähigkeit, Kognition (erkennen) und individuelles Wissen kreativ zu kombinieren, beschreibt.
Durch die Fertigkeit Beziehungen zu erfassen entsteht Kreativität. Es können neue Erkenntnisse bzw. Lösungen entstehen oder Bekanntes weiterentwickelt werden. Auch erhält der Mensch hierdurch die Fähigkeit, mit unbekannten Situationen und informeller Unsicherheit umzugehen.
Von der menschlichen Intelligenz ist die Künstliche Intelligenz allerdings noch weit entfernt. Erfolgreich sind jedoch auf ein konkretes Anwendungsgebiet spezialisierte KIs, Spiele-KIs beispielsweise, wie beim Schach oder Go. Auch digitale Sprachassistenten (Anwendungsgebiet: Verständnis natürlich gesprochener Sprache) funktionieren bereits

© Der/die Autor(en), exklusiv lizenziert durch Springer Fachmedien Wiesbaden GmbH,

47

ein Teil von Springer Nature 2021

A. Mockenhaupt, Digitalisierung und Künstliche Intelligenz in der Produktion,

https://doi.org/10.1007/978-3-658-32773-6_3

48

3  Grundlagen der Künstliche Intelligenz (KI)

gut, wenngleich Bedeutungsinterpretation der Worte in Richtung „was gemeint war“, noch zu wünschen übriglässt.
Ein Textverständnis (Abfolge der Worte) hat eine KI bereits, auch eine Anweisung daraus extrahieren und umsetzen ist für Siri, Alexa & Co. kein Problem. Menschliches Sinnverständnis für die Feinheiten der Sprache (den wirklichen Inhalt erfassen), diese Fähigkeit ist bei KIs derzeit nur sehr begrenzt vorhanden.
Es liegt an zweierlei Gründen: Zum einen ist die Funktion des menschlichen Gehirns hochkomplex und auch wissenschaftlich noch nicht vollkommen verstanden. Was Bewusstsein ist und wofür es evolutionär gut sein könnte, wissen wir kaum. Neuronale Netzwerke, die technische Nachbildungen des menschlichen Gehirns, stoßen hier an ihre Grenzen. Zum anderen bezieht der Mensch seine Informationen aus einer Vielzahl von Sensoren (Sinnen), die in dieser Perfektion und gegenseitiger Abstimmung technisch (noch) nicht realisierbar sind oder derzeit für den vorgesehenen Einsatzzweck schlichtweg zu teuer. Zum Sinnverständnis in der Kommunikation gehört sicherlich auch die Erfassung und Einordnung der Gestik und Mimik, ggf. der Geruchs- und Berührungssignale etc. Hier könnte aber der technologische Fortschritt schneller voranschreiten, erste Erfolge gibt es bereits (siehe Roboterin „Sophia“ Abschn. 3.4). Was eine KI aber deutlich besser kann als der Mensch ist der Abgleich mit einem riesigem Wissensreservoir in Form von Daten: Die KI gründet ihre „Intelligenz“ aus der Verarbeitung riesiger Datenmengen sowie dem Schlüsse ziehen über mathematische Algorithmen. Stichworte sind: Big Data, Maschinelles Lernen – dies ist aber als schwache KI derzeit noch die evolutionäre Fortführung der Digitalisierung und bereits gut in Anwendungen, z. B. in der Produktion umgesetzt. „Es gibt diese diffuse Idee, dass eine KI klug sei. Sehr oft wird dabei der Grundmechanismus nicht verstanden – nämlich, dass die Methoden, die heute so viel diskutiert sind, einfach statistische Verfahren sind, die nach Mustern in Daten suchen. Und es ist vielen Menschen nicht bewusst, wie viele Steuerungsmöglichkeiten es dabei gibt.“ (Zweig K. 2020). Weitergehend und noch im Experimentierstadium geht es um die technologische Umsetzung von biologischer Intelligenz (Stichworte hier: starke KI, Neuronale Netze, Deep Learning). „Derartige Fähigkeiten, die nicht auf einem Verständnis von biologischer Intelligenz beruhen, können wir als Silicon Intelligence bezeichnen, da sie eng mit Fähigkeiten siliziumbasierter Informationstechnologie verknüpft sind.“ (Brock 2018). Daher stellt sich die Frage, was genau ist Intelligenz? Reimund Neugebauer, Präsident der Fraunhofer-Gesellschaft stellte anlässlich der Wissenschaftskonferenz „Futuras in Res“ die Frage „Was ist IQ bei KI?“ und definierte in seiner Antwort darauf fünf Schlüsseldimensionen für Intelligenz (Fraunhofer 2019):
1. Reasoning (Vernunft, Überlegung, Begründung) 2. Communication (Sprache, Ausdruck, Verstehen) 3. Perception (Wahrnehmung mit Sinnen) 4. Consciousness (Bewusstsein, Problemlösungskompetenz) 5. Empathy (Einfühlungsvermögen)

3.2  Definitionen und Aufbau einer KI

49

In der Psychologie gibt es in diesem Zusammenhang den Ansatz der Theory of Mind (ToM), der aber über o. g. Schlüsseldimensionen noch hinaus geht:
• Die Theory of Mind (ToM) beschreibt die Fähigkeit, sich in die Gedanken anderer hineinversetzen zu können, d. h., die Gedanken und Überzeugungen anderer logisch erschließen zu können (Stangl 2020).
Damit KIs schlüssig auf Menschen reagieren können, müssen sie einschätzen können, zu welchen Überzeugungen und Schlüssen der Gegenüber kommt. Dies selbst dann, wenn die KI z. B. aufgrund eines Informationsvorsprungs weiß, dass die Annahmen des Gegenübers nicht der Realität entsprechen.
Dieses Konzept der „individuell gedachten Realität“, in der Erkenntnistheorie als Konstruktivismus bezeichnet, bereitet einer Künstlichen Intelligenz Schwierigkeiten.

3.2	Definitionen und Aufbau einer KI
Das Verständnis für Künstliche Intelligenz (KI), im englischen Artificial Intelligent (AI) genannt, ist sehr unterschiedlich und komplex. Eine allumfassende Definition gibt es derzeit nicht, auch weil sich das Verständnis für KI stetig und dynamisch weiterentwickelt. Der Fortschritt soll hier auch anhand der Definitionsentwicklung in drei Stufen dargestellt werden:
Stufe 1: ein gewisses Maß an Intelligenz
• „KI ist die Fähigkeit digitaler Computer oder computergesteuerter Roboter, Aufgaben zu lösen, die normalerweise mit den höheren intellektuellen Verarbeitungsfähigkeiten von Menschen in Verbindung gebracht werden …“ (Encyclopaedia Britannica 1991)
Damit fielen in den Anfängen der computergesteuerten Produktion z. B. die Speicherprogrammierbare Steuerungen (SPS) in die Definition, heutzutage würde sie nicht als KI bezeichnet.
Stufe 2: Lernen und Autonomie Im neuern Verständnis beinhaltet KI darüber hinaus die Fähigkeit, situationsabhängig autonom zu entscheiden oder durch Lernen neue Wege zu gehen (statt vom Ersteller vorgesehene Entscheidungsbäume bzw. If-Then-Schleifen):
• Künstlicher Intelligenz (KI) [bedeutet die] Fähigkeit einer Funktionseinheit, solche Fähigkeiten auszuführen, die im allgemeinen menschlicher Intelligenz zugeordnet werden, z. B. Schlussfolgern und Lernen. (ISO/IEC 2382 (1998) bzw. DIN SPEC 13266:2020-04)

50

3  Grundlagen der Künstliche Intelligenz (KI)

• Künstliche Intelligenz (KI) bezeichnet Systeme mit einem „intelligenten“ Verhalten, die ihre Umgebung analysieren und mit einem gewissen Grad an Autonomie handeln, um bestimmte Ziele zu erreichen. KI-basierte Systeme können rein softwaregestützt in einer virtuellen Umgebung arbeiten (z. B. Sprachassistenten, Bildanalysesoftware, Suchmaschinen, Sprach- und Gesichtserkennungssysteme), aber auch in HardwareSysteme eingebettet sein (z. B. moderne Roboter, autonome Pkw, Drohnen oder Anwendungen des ‚Internet der Dinge‘). (Europäische Kommission 2018)
Stufe 3: Unsicherheit und veränderliche Bedingungen
• [Bei Künstlicher Intelligenz] geht es darum, technische Systeme so zu konzipieren, dass sie Probleme eigenständig bearbeiten und sich dabei selbst auf veränderte Bedingungen einstellen können. Diese Systeme haben also die Eigenschaft zu lernen und mit Unsicherheiten (Wahrscheinlichkeiten) umzugehen, statt klassisch programmiert zu werden (BMBF 2019) (vgl. auch Abschn. 7.10 Entscheiden bei Unsicherheit).
Heutzutage werden vier Entwicklungsstufen der Künstlichen Intelligenz unterschieden (siehe Abb. 3.1):
Grundsätzlich besteht ein KI-System aus (siehe Abb. 3.2):

Abb. 3.1   Vier Phasen der Künstlichen Intelligenz. (In Anlehnung an: IEC TS-1-1 und DIN Roadmap KI 2020)

3.2  Definitionen und Aufbau einer KI

Abb. 3.2   Aufbau eines KI-Systems

51

52

3  Grundlagen der Künstliche Intelligenz (KI)

• Computersystem (Hardware) • Programm-Code (Software) • Algorithmen (Verarbeitungs- und Entscheidungslogik) • Sensoren (extern, intern oder als eingebettete Systeme – embedded Systems) zur
Wahrnehmung der Umwelt • Kommunikationstechnik (Netzwerke, Mensch-Maschine-Schnittstellen) zur Ver-
ständigung mit der Umwelt • Aktoren (zum Agieren, Manipulation in der realen Welt z. B. Räder, Greifer, Roboter) • Gedächtnis (Modelle, Simulationen, Digitale Zwilling, interne Datenspeicher & Wissen) • Zugriff auf virtuelle Welt (Internet, externe Daten & Wissen, Virtual Reality, …)

3.3	Starke & schwache KI
„Die KI ist noch Lichtjahre davon entfernt, einen Biologen im All zu ersetzen.“ Astronaut Ulrich Walter (Walter 2020)
Zur besseren Einordnung von lernenden Systemen wird häufig die Unterscheidung zwischen starker und schwacher KI (englisch: weak AI oder narrow AI) verwendet. Während sich die schwache KI mit konkreten Anwendungsproblemen beschäftigt simuliert starke KI tatsächliche (menschliche) Intelligenz.
Begriffsbestimmung Bundesregierung innerhalb der nationalen KI-Strategie (BMBF und BMWi, Nationale Strategie KI: Strategie Künstliche Intelligenz der Bundesregierung 2018):
• Die starke KI formuliert, dass KI-Systeme die gleichen intellektuellen Fertigkeiten wie der Mensch haben oder ihn darin sogar übertreffen können.
• Die schwache KI ist fokussiert auf die Lösung konkreter Anwendungsprobleme auf Basis der Methoden aus der Mathematik und Informatik, wobei die entwickelten Systeme zur Selbstoptimierung fähig sind. Dazu werden auch Aspekte menschlicher Intelligenz nachgebildet und formal beschrieben bzw. Systeme zur Simulation und Unterstützung menschlichen Denkens konstruiert.
Die starke KI existiert derzeit weitgehend nur im Forschungsumfeld. Industrielle Anwendungen existieren – wenn überhaupt – nur im Experimentalstadium. Wissenschaftler rechnen damit, dass die starke KI erst frühestens in 20 bis 40 Jahren realisierbar ist (Moeser 2018).
Kennzeichen der starken KI sind:
• Umgebungswahrnehmung • Verständnis für die erkannten Komponenten • Zielgerichtete, sinnvolle Handlung

3.4  Artificial General Intelligence (AGI)

53

Hierzu bedarf es weiter Aspekte:
• Kommunikation in natürlicher Sprache (NLP – Natural Language Processing) • Logisches Denken • Lernfähigkeit • Entscheiden bei Unsicherheit • Planungsfähigkeit zur Erreichung eines übergeordneten Ziels
Die schwache KI kann als Weiterentwicklung der klassischen Informationstechnologie verstanden werden. Die Innovationen speisen sich i. W. aus den erheblich vergrößerten Rechnerleistungen, Speicherkapazitäten und Cloudtechnologie sowie den Zugriff auf gigantische Datenreservoirs durch schnellere und bessere Netzwerke und das in der letzten Dekade wesentlich ausgebaute, flächendeckende Internet. Die schwache KI assistiert dem Menschen, benötigt aber auch noch menschliche Assistenz.
Starke KI geht einen großen Innovationssprung weiter und simuliert menschliche Fähigkeiten und Fertigkeiten. Damit soll die starke KI autonom, ohne menschliche Kontrolle, agieren, womöglich so, dass ein Außenstehender nicht unterscheiden kann, ob es sich um einen Menschen oder eine Maschine handelt. In der allerletzten Ausbaustufe könnte eine starke KI ein Bewusstsein für seine eigene Existenz entwickeln. Ob dies möglich, sinnvoll oder überhaupt wünschenswert ist, ist noch offen. Immerhin ist das menschliche Bewusstsein wissenschaftlich, wenn überhaupt, nur in Ansätzen wissenschaftlich erklärbar.

3.4	Artificial General Intelligence (AGI)
Eine Variation der starken KI ist die Artificial General Intelligence (AGI). Für die Digitale Agenda des Deutsche Bundestags wird AGI gedeutet als (Westerheide 2017): „Eine künstliche Intelligenz, die auf menschenähnlicher Intelligenz basiert und mit Menschen interagieren kann (Anmerkung: Turing-Test, siehe Abschn. 3.11). Bisher gibt es keine AGIs.“
So sieht es auch der Facebook KI-Chef Jerome Pesenti in einem Tweet gegen den Visionär sowie Chef von Tesla und SpaceX Elon Musk. Pesenti twittert (siehe Abb. 3.3):

Abb. 3.3   Facebook KI-Chef Jerome Pesenti twittert an Elon Musk

54

3  Grundlagen der Künstliche Intelligenz (KI)

„…. Elon Musk hat keine Ahnung, wovon er redet, wenn er über KI spricht. Es gibt keine AGI und wir treffen nicht annähernd menschliche Intelligenz“ (Pesenti, Facebooks KI-Chef: „Elon Musk hat keine Ahnung, wovon er redet“ 2020).
Die Herausforderung liegt an folgendem: Während die textliche Spracherkennung kein Problem mehr darstellt (schwache KI – siehe Sprachassistenten wie Alexa, Siri, …), besteht die Problematik bei der Einordnung von Situationen in einen Kontext.
So kann eine verbale Äußerung, z. B. „mach schneller“, eine klare Anweisung sein – verbindlich oder optional -, aber auch ironisch gemeint (also gegenteilig) sein.
Natural Language Processing (NLP) versucht, natürliche Sprache zu erfassen und mithilfe von Algorithmen computerbasiert den „Sinn“ zu verstehen. Ziel ist die Kommunikation zwischen Menschen und Maschine auf Basis der natürlich gesprochenen Sprache.
Ebenfalls die Entscheidung bei Unsicherheit ist schwierig, nicht nur die Entscheidung selbst sondern auch die Verantwortlichkeit für die Konsequenzen – Mensch oder Maschine. Unsicherheit kann beispielsweise durch das Fehlen von Daten entstehen oder durch die Interpretierbarkeit von Informationen, insbesondere beim NLP.
In diesem Zusammenhang spricht man von Risikoentscheidung. Die DIN EN ISO 9000:2015 definiert unter dem Stichwort Risiko auch den „Zustand des auch teilweise Fehlens von Informationen“.
Führung und Management im Unternehmen besteht häufig auch darin, auf Basis unzureichender Informationen Entscheidungen zu treffen und die Konsequenzen dieser „Entscheidung bei Unsicherheit“ zu tragen. Verlaufen im Wald, muss man sich an einer Weggabelung entscheiden ohne wirklich zu wissen wohin es geht.
Unabhängig von dem Begriff der starken KI werden noch „Fähigkeiten“ wie Bewusstsein, Selbsterkenntnis und Empfindungsvermögen (Einfühlungsvermögen, Empathie)diskutiert.
Um einen Eindruck vom Stand der Technik bei der starken KI zu erhalten, sei auf die Roboterin „Sophia“ verwiesen. Sophia ist ein in Hongkong entwickelter weiblicher humanoider Roboter mit menschlichem Aussehen und Verhalten. Sie kann menschliche Gestik und Mimik interpretieren und selbst imitieren. Am 25. Oktober 2017 verlieh Saudi-Arabien Sophia als weltweit erstem Roboter die Staatsangehörigkeit. Sophia wurde während der Verleihungszeremonie von dem CNBC-Moderator Andrew Sorkins interviewt (CNBC via YouTube 2017).
Demgegenüber ist schwache KI für den Markt interessant. Wenngleich sehr selbstständig in abstrakten Aktivitäten agierend, die Kontrolle der schwachen KI liegt vollständig beim Menschen. Von der restlichen Informatik grenzt sich die schwache KI durch die Fähigkeit zur Selbstoptimierung ab.
Elemente der schwachen KI sind:
• Zeichen und Texterkennung • Textliche Spracherkennung • Autovervollständigung

3.5  Hybride KI

55

• Automatisiertes Übersetzen • Navigation • Selbstoptimierung

Bei dem allermeisten, was sich derzeit unter „KI“ firmiert auf dem Markt befindet, handelt es sich um schwache KI. Dies sieht die Allianz Industrie 4.0 Baden-Württemberg ähnlich: „Demnach dient die Anwendung von KI in einem ersten Schritt daher dazu, Maschinen, Roboter und Softwaresysteme zu befähigen, abstrakt beschriebene Aufgaben und Probleme ohne konkrete Handlungsanweisungen durch den Menschen auszuführen.“ (Allianz Industrie 4.0 2019).
Derzeitige KI-Strategien, z. B. die der Bundesregierung, orientieren sich an der Lösung von Anwendungsproblematiken, also der schwachen KI (Bundesregierung 2018). Dabei wird unterschieden:

1. Deduktionssysteme, maschinelles Beweisen (Beweis der Korrektheit von Hard- und Software)
2. Wissensbasierte Systeme (Methoden zur Modellierung und Erhebung von Wissen)
3. Musteranalyse und Mustererkennung 4. Robotik (autonome Systeme) 5. Intelligente multimodale Mensch-Maschine-Interaktion
(Analyse und „Verstehen“ von Sprache, Gestik, …) Dennoch werden einige Ansätze der starken KI einwickelt bzw. daran geforscht: So gilt das Spracherkennungsmodell GPT-3 von Open AI (einer Non-Profit-Organisation, zu den Investoren gehört u. a. Elon Musk und Microsoft) als eines der ersten Allgemeinen Künstlichen Intelligenzen (Artificial General Intelligence - AGI) (siehe Kapitel 3.4). GPT-3 steht dabei für Generative Pret-rained Transformer 3 und basiert auf einer Entwicklung von Google. Das System soll Kreativität künstlich erzeugen können, also Artificial Creativity. (Katzlberger 2020)

3.5	Hybride KI
Derzeit stößt die KI noch in vielen Bereichen an ihre Grenzen. Daher wird versucht, menschliches Wissen, Interpretations- und Entscheidungsfähigkeit mit den Fähigkeiten der KI, nämlich große Datenmengen zu verarbeiten, Mustererkennung, einordnen und Klassifizierung von Daten, etc., zu verbinden. Es entsteht ein hybrides System, das im Gegensatz zu einem monolithischen Ansatz steht.
Hybride KI-Systeme lernen nicht nur anhand von Daten, sondern der Mensch bringt sein Wissen mit ein. Damit lernen Hybride KI-Systeme schneller, weil sie bestimmte „tote Äste“ ausschließen können und auch bestimmte, für den Menschen situativ erkennbare Fehler nicht machen.

56
Abb. 3.4   Hybride KI – IT-Arbeitsplatz. (Quelle: RUMPEL Präzisionstechnik)

3  Grundlagen der Künstliche Intelligenz (KI)

Abb. 3.5   Hybride KI – Übertragung auf die Maschine. (Quelle: RUMPEL Präzisionstechnik)
Damit handelt es sich um ein sog. soziotechnisches System. Bessere Ergebnisse werden erreicht, weil keiner der beteiligten Akteure alleine die Aufgabe bezüglich Inhalts und Zeit in gleicher Weise erledigen könnte. Abb. 3.4 und 3.5 zeigen einen hybriden-KI-Arbeitsplatz.
Ein weiterer Vorteil des hybriden KI-Ansatzes liegt in der höheren Transparenz und Erklärbarkeit der Ergebnisse. Hier haben reine KI-System Schwierigkeiten, bezüglich Produktionsanforderungen, wie Nachvollziehbarkeit, Planbarkeit und letztlich auch Zertifizierbarkeit sind die Kombination von KI und Expertenwissen im Vorteil.
Neben der Produktion sind hier klassische Einsatzgebiete der hybriden KI Diagnoseverfahren in der Medizin.
Vorsicht ist allerdings wegen der Diffusion von Verantwortung geboten, siehe hierzu Abschn. 3.9.

3.6  Symbolische und subsymbolische KI

57

Abb. 3.6   Symbolische und Subsymbolische KI
3.6	Symbolische und subsymbolische KI
Heutige KI-Ansätze unterscheiden sich weiter in symbolische und subsymbolische KI (siehe Abb. 3.6).
Bei der symbolischen KI werden aus Fakten, Ereignissen und Zusammenhängen abstrakte Modelle gebildet. Dabei sind die Modelle klar nachvollziehbar in Entscheidungsbäume bzw. -wege strukturiert. Diese erlauben dann logische und für den Menschen nachvollziehbare Folgerungen, z. B. die Planung komplexer Vorgänge. Symbolische KI ist Top-Down-Orientiert, erst die Daten, dann das Modell und schließlich die Schlussfolgerung.
Nachteil dieses eher klassischen KI-Verfahrens ist zum einen, dass die Datenbasis möglichst vollständig sein muss. Eine symbolische KI kann daher mit Daten-Unsicherheiten nur begrenzt umgehen. Zum anderen wirkt sich nachteilig aus, dass aufgrund der Modellbildung über vorab definierte Regeln wenig wirklich Neues entwickelt wird.
Merkmal einer subsymbolischen KI ist das Lernen aus Erfahrungen und Beispielen. Dabei werden neuronale Netzwerke genutzt, die u. a. Regelmäßigkeiten in großen Datenmengen erkennen können. Diese werden bewertet und können, beispielsweise bei Bildern oder Texten, vervollständigt werden.

58

3  Grundlagen der Künstliche Intelligenz (KI)

Die Problematik hierbei ist, dass die Entscheidungsfindung für den Menschen nicht immer transparent dargestellt werden kann. Wir wissen teilweise nicht, was die KI warum macht. Eine Lösungsmöglichkeit dabei ist, äußere Grenzen, Leitplanken, zu bestimmen, innerhalb derer sich die KI frei bewegen kann.

3.7	Autonomiestufen
„Ein völlig KI-gesteuertes Auto wird es nie geben“ Michael Bolle, Bosch-Digitalvorstand (FOCUS 2020).
Bei der Anwendung von KI ist wichtig zu wissen, welche Art bzw. Stufe der Eigenständigkeit erreicht werden soll.
Gut umgesetzt und eingeführt sind mittlerweile Assistenzsysteme (Stufe 1). Die Maschine übernimmt schwierige Aufgaben, der Mensch trifft aber die Entscheidungen und ist auch verantwortlich. Auch sind begrenzt autonome System im Einsatz (Stufen 2 und 3), wichtig dabei ist die menschliche Eingriffsmöglichkeit und Verantwortung, sei es nur noch als (kurzfristige) Rückfallebene.
Schwierig und bislang nur im Experimentierstadium umgesetzt sind Anwendungen, in denen der Mensch außen vor bleibt. In der leichteren Variante (Stufe 4) ersetzt eine vorausschauende Programmierung den menschlichen Eingriff. Auch hier kann der Mensch als Notfall-Backup dienen, allerdings mit deutlichem Zeitverzug. Vollautonomie der Stufe 5 ist noch wenig umgesetzt und eher Vision.
Die Plattform Industrie 4.0 unterscheidet fünf KI-beeinflussende Autonomie-Stufen in der industriellen Produktion. Nicht eingerechnet ist dabei die Stufe 0 – keinerlei Autonomie. Abb. 3.7 zeigt diese sind in Anlehnung an (Plattform Industrie 4.0 und BMWi (Hrsg.) 2019):
Für das autonome Fahren sind ähnliche Autonomiestufen (hier Automatisierungsgrade genannt) vom VDA vorgeschlagen worden, diese seien hier zur Veranschaulichung mit aufgeführt Quelle: (Verband der Automobilindustrie (VDA) 2015):
Prototypen für das autonome Fahren der Level 4 und sogar 5 gibt es bereits. Es stellt sich aber die Frage, ob die geforderte Sicherheit auch im harten Alltagsbetrieb ausreichend realisiert werden kann.
So existiert z. B. die Aussage, dass 90 % der Unfälle im Verkehr durch autonomes Fahren vermieden werden (McKinsey 2015). Diese seien auf menschliches Versagen zurückzuführen, also Fehler, die autonome Autos nicht machen (vgl. auch Dahlmann 2017). Dass dem so ist, dafür gibt es keinerlei belastbare statistische Untersuchung, es ist eine Vermutung. Möglicherweise machen Maschinen aber auch einfach andere Fehler. Wichtig wäre der Nachweis, dass insgesamt das Unfallgeschehen reduziert würde.
Übersicht Üblich in der Automobilindustrie ist ein Prozessfähigkeitsindex von cpk = 1 (bzw. 1,33), was immerhin noch 2699 (bzw. 66) Fehler pro eine Million zulässt. Derzeit sind in Deutschland rund 58,2 Millionen Fahrzeuge zugelassen (Stand

3.7 Autonomiestufen

Abb. 3.7   KI-beeinflussende Autonomie-Stufen in der industriellen Produktion in Anlehnung an Plattform Industrie 4.0

59

60

3  Grundlagen der Künstliche Intelligenz (KI)

Abb. 3.8   Automatisierungsgrade des automatisierten Fahrens bis zum autonomen Fahren. (Quelle: VDA)
01.01.2020), was bei Zugrundelegung der Prozessfähigkeitsindices über 170.000 (bzw. 3842) Fehler bedeuten würde. Im Vergleich: 2019 gab es in Deutschland 3046 Verkehrstote und 380.000 Unfallverletzte.
Von beherrschten Prozessen ist gemäß dieser Definition der Stand der Technik beim autonomen Fahren derzeit noch entfernt. Das Ingenieurproblem ist, dass 99,9 %ige Sicherheit sich meist noch recht einfach erreichen lässt, benötigt wird aber zumeist mehr, und hier steigt der Aufwand exponentiell.
Allerdings fordern die Autohersteller mehr gesetzlichen Freiraum zum Testen von Level 4 und Level 5 Fahrzeugen (Delhaes 2020), Level 4 auf öffentlichen Straßen soll zeitnah möglich werden.
Anmerkung zu Prozessfähigkeitsindex: Ein Prozess gilt als bedingt beherrscht, wenn das Verhältnis von Toleranz zu Prozessstreubreite mindestens 1 ist, er gilt als beherrscht, wenn dieser Wert 1,33 übersteigt. (Mockenhaupt 2019)
Das Problem hierbei ist die Skalierbarkeit, d. h. das Anpassen von Erkenntnissen auf andere Grö-ßenverhältnisse. Dieses Skalierungsproblem taucht häufig auf, insbesondere dann, wenn Produkte aus dem Labormaßstab in eine Massenproduktion übergehen sollen (Upscaling). Aktuelles Beispiel ist der Corona-Impfstoff: Die Herstellung

3.7 Autonomiestufen

61

Abb. 3.9   Umsetzung des automatisierten Fahrens. (Quelle: VDA)
im Labor funktionierte gut, beim Impfstart der Bevölkerung, Anfang 2021, traten dann aber Engpässe aufgrund von Produktionsschwierigkeiten auf. So musste die EUKommissionspräsidentin eingestehen, unterschätzt zu haben, welche Komplikationen bei der Produktion von Corona-Vakzinen auftreten können (Finke & Süddeutsche Zeitung 2021). Gerade in der menschlichen Bewertung solcher Zusammenhänge ist die vorherrschende Ansicht der Unfehlbarkeit technischer Gerätschaften zentral. Autonome Entscheidungen sollen fehlerfrei-er, also grundsätzlich besser sein als menschliche. Diesen Zusammenhang wird aber von Wissen-schaftlern u. a. aus den Geisteswissenschaften bzw. der Naturphilosophie angezweifelt, z. B. im Buch „Unberechenbar“ von Thomas Schwartz und Harald Lesch (Lesch & Schwartz, Unberechenbar - Das Leben ist mehr als eine Gleichung 2020). Es gibt aber bezüglich autonomer System auch neue, ganz andere Erkenntnisse von der Marketing- bzw. Kundenseite: Colin Angel von iRobot, einem Hersteller von Saugrobotern, sagte in einem STERN-Interview (Kramper 2020): Seine Kunden wollen gar nicht, dass der iRobot autonomer und selbstständiger würde. Ähnlich einer menschlichen Haushaltshilfe wollen sie mit ihm sprechen, um ihm etwa zusagen, wann sie sich gestört fühlen. „Ich habe jahrelang gesagt, der perfekte Staubsauger ist ein Gerät, dass Sie nicht sehen und berühren und dass sie nie anfassen müssen. Nun musste ich einsehen, dass ich nicht richtig lag. Der perfekte Staubsauger ist ein Gerät, das zuhören kann. Der das tut, was sie wollen.“
Für die Produktion gilt ähnliches: In Anlehnung an die o. g. Autonomiestufen definiert das Netzwerk SmartFactoryKL den sogenannte Production Level 4 bewusst

62

3  Grundlagen der Künstliche Intelligenz (KI)

so, weil es die Integration den Menschen in die Produktionsabläufe der Industrie 4.0 weiterhin notwendig macht (SmartFactoryKL 2020). Das dies durchaus erwünscht ist sieht auch Sascha Kößler vom Mittelstandsunternehmen Kößler Technologie GmbH so: „Viele KI-Chancen hören sich gut an, funktionieren aber nur, wenn der Mensch im Prozess bleibt.“

3.8	Geschichte KI
Der Begriff „Artificial Intelligenz“ geht auf den US-amerikanischen Informatiker John McCarthy zurück, der am 31.08.1955 einen Projektantrag nutzte (McCarthy et al. 1955). Im Sommer1956 lud er Wissenschaftler aus verschiedensten Disziplinen zu einem Workshop mit dem Titel Dartmouth Summer Research Project on Artificial Intelligence ein. „Ziel einer Künstlichen Intelligenz ist es, Maschinen zu entwickeln, die sich verhalten, als verfügten sie über Intelligenz“.
Bereits in diesem Antrag formulierte McCarthy sieben konkrete Forschungsschwerpunkte:
1. Automatische Computer 2. Wie muss ein Computer programmiert werden, um eine Sprache zu benutzen? 3. Neuronale Netzwerke 4. Theoretische Überlegungen zum Umfang einer Rechenoperation 5. Selbst-Verbesserung 6. Abstraktionen 7. Zufälligkeit und Kreativität
In Deutschland startete die KI-Forschung 1975. Damals fand am Lehrstuhl für Informatik der Universität Bonn ein erstes informelles Treffen mit dem Titel „Künstliche Intelligenz“ statt. Künstliche Intelligenz entstand in der Folge als Teilgebiet der Informatik. Ansatzpunkte kommen aus der Kybernetik (wissenschaftliche Forschungsrichtung, die u. a. biologische, technische, soziologische Systeme auf selbsttätige Regelungs- und Steuerungsmechanismen hin untersucht) sowie der Kognitions- und Neurowissenschaften. Ziel ist es, intelligentes Verhalten auf Maschine zu übertragen und damit zu automatisieren.
Im weiteren Verlauf der Zeit entwickelte sich die KI über mehrere Stufen, wie Abb. 3.10 zeigt. Tab. 3.1 zeigt eine Auswahl der bisherigen Meilensteine bei der Entwicklung der Künstlichen Intelligenz.
Treiber der KI waren Fortschritte bei Geschwindigkeit, Speicherkapazitäten und der Vernetzung (dabei insbesondere das Internet) aber auch die Miniaturisierung der Sensorik. Entscheidender Wendepunkt war der Übergang von Expertensystemen zu Endgeräten und Anwendungen für Jedermann, der auf die Einführung des Smartphones. Auf die Vorstellung des Apple iPhones (2007) kann das Ubiquitäre Computing (Ubiquitous

3.8  Geschichte KI

Abb. 3.10   Entwicklung der Künstlichen Intelligenz (KI)

63

64

3  Grundlagen der Künstliche Intelligenz (KI)

Tab. 3.1  Meilensteine der Künstlichen Intelligenz (Auswahl)

1943 1950 1956 1957 1958 1960 1966 1986 1997 1998 2002 2010 2011 2012 2014 2016
2017
2018 2029 2045

Vereinfachtes Modell für künstliche neuronale Netzwerke (Warren McColloch und Walter Pitts)
Turing-Test zur Feststellung menschlichen Denkvermögens bei Maschine (Allan Turing)
„Artificial Intelligence“ taucht erstmalig als Begriff auf (Dartmouth Conference, USA)
General Problem Solver (GPS), gescheitertes Softwareprojekt zur allgemeinen Problemlösung
Programmiersprache LISP (MIT, USA)
Perzeptrom (von perception, engl. Wahrnehmung), Grundstein für neuronale Netzwerke
ELIZA, erster Chatbot (simuliert Gesprächspartner)
NETtalk: System zur Generierung gesprochener Sprache, trainiert durch ein künstliches neuronales Netz
Erste Roboter-Fußballweltmeisterschaft mit 38 Teilnehmer IBM Schachcomputer „Deep Blue“ besiegt Schachweltmeister Garri Kasparow
„Furby“ Plüschtier für Kinder, das „gepflegt“ werden muss
Erster autonomer Roboter für zu Hause (Staubsauger Roomba von iRobot)
IBM Computer „Watson“ gewinnt des Jeopardy! Quiz (TV-Quizshow)
Siri (Apple) erkennt und verarbeitet gesprochene Sprache auf einem Handy
Googles autonome fahrendes Auto erhält Straßenzulassung in Nevada, USA
General Adversarial Networks (GANs): Algorithmen für überwachtes lernen, Fähigkeit zur Kreativität
Amazon Echo („Alexa“): sprachgesteuerter Assistent für zu Hause Selbstlernender Microsoft Chatbot „Tay“ musste nach wenigen Stunden vom Netz genommen werden, weil er von rassistischen Eingaben einiger Nutzer lernte und selbst rassistisch wurde „AlphaGo“ von Google DeepMind gewinnt im Strategiespiel Go (komplexer als Schach) gegen Champion Lee Sedol
„AlphaGo Zero“ lernt nach Eingabe der Spielregeln ausschließlich durch Spiele gegen sich selbst, nach 72 h gewann es 100:0 Spiele gegen AlphaGo KI „Liberatus“ gewinnt im Poker Roboterin Sophia erhält die Staatsangehörigkeit von Saudi-Arabien
KI „Duplex“ von Google ruft u. a. beim Frisör an und vereinbart einen Termin
Nach dem Moor’schen Gesetz (Verdoppelung der Prozessorleistung alle zwei Jahre) wird ein Computer die Leistung des menschlichen Gehirns erreichen
Vorhersage der Technischen Singularität, d. h.: KI ist dem Menschen überlegen und entwickelt sich selbstständig weiter

Computing), der „allgegenwärtige und überall Computer“ datiert werden, das aber neben Endkundenanwendungen auch industriell eingesetzt wird (siehe Abschn. 10.11). Möglich war dieser industrielle Einsatz zum einen durch o. g. technische Fortschritte aber auch wegweisend dadurch, dass die Technologie für den Massenmarkt preislich erschwinglich wurde und sich beide Bereiche z. T. vermischten.

3.8  Geschichte KI

Tab. 3.2  Künstliche Intelligenz im Film (Auswahl)

1927 1968

1982 1984

1999 2015

Tab. 3.3  Künstliche Intelligenz in der Literatur (aktuelle Auswahl)

2014 2017 2017

2018 2019

65
Metropolis Regisseur: Fritz Lang (D) Odyssee im Weltraum – 2001 Regisseur: Stanley Kubrick Blade Runner Regisseur: Ridley Scott Terminator Regisseur: James Cammeron The Matrix Regisseur: Die Wachowskis Ex Machina Regisseur: Alex Garland
ZERO – Sie wissen was du tust Autor: Marc Elsberg Origin Autor: Dan Brown 4 Qualityland (dunkle Edition/helle Edition) Marc-Uwe Kling Die Tyrannei des Schmetterlings Autor: Frank Schätzing 2024-Singularity Autor: Matt Javis

Aktuelle Anwendungen beschränken sich im Wesentlichen auf die Verarbeitung großer Datenmengen aus den verschiedensten Quellen, bei Entscheidungen bleibt der Mensch letztes Glied in der Kette. Die aktuelle Weiterentwicklung, in vielen Fällen bereits mit Einzelanwendungen in der Testphase, geht in Richtung tatsächlicher Autonomie der Maschinen. Dies setzt u. a. eine Normierung der maschinellen Kommunikation (Interoperabilität) und zusätzlicher Sensorik in Form von eingebetteten Systemen (embedded Systems) voraus, aber auch abstrahierte Informationsverarbeitungs- und Entscheidungsstrategien bei Unsicherheit und im veränderlichen Umfeld.
Letztlich haben die Möglichkeiten der Künstlichen Intelligenz auch Autoren und Filmemacher inspiriert. Tab. 3.2 und 3.3 zeigen eine aktuelle Auswahl.

66

3  Grundlagen der Künstliche Intelligenz (KI)

3.9	Interaktion von Mensch & KI
Die Künstliche Intelligenz soll dem Menschen nutzen, daher müssen Menschen und KI interagieren. Umgekehrt ist es wichtig, dass der Mensch erkennt, er kommuniziert bzw. interagiert mit einer Maschine. Bislang ist dies schwierig, wird auch nicht immer so gewünscht: So stellte Google 2018 anlässlich der Google I/O Keynote den Telefon-Assistenten Google Duplex vor, der in einer Demo eine Reservierung in einem Restaurant vornahm (GoogleWatchBlog 2018). „Die künstliche Intelligenz streut „mmhs“ und „ahs“ in das Gespräch ein, macht Denkpausen in Momenten, in denen auch ein Mensch kurz innehalten würde, und reagiert mit einer bisher nicht gekannten Natürlichkeit dem menschlichen Gesprächsteilnehmer gegenüber. Dem ist dabei nicht bewusst, dass er gerade mit einer KI telefoniert, wie bei den Demo-Telefonaten, die Google auf der I/O zeigte, deutlich wird.“ (Pförtner 2018) Die Frage, ob ein Mensch erkennt, dass er mit einer Maschine interagierte, wurde bereits im Turing-Test als Nachweis der KI-Fähigkeit angewendet (siehe auch Abschn. 3.11 Turing Test).
In der industriellen Wertschöpfung wird das KI-getriebene Zusammenwirken von Mensch und Maschine im Rahmen unterschiedlicher Abstufungen beschrieben (Winter 2018). Dabei wird unterschieden zwischen:
• ferngesteuerten Systemen • Assistenzsystemen • automatisierten Systemen, die Teilaufgaben selbstständig erledigen • voll-autonomen Systemen
Auch in der Produktion sollen Menschen und KI-gesteuerte Roboter (sog. Cobots) zusammenarbeiten, dies wird Mensch-Maschine-Kollaboration genannt (siehe Abschn. 13.8). Abb. 3.11 zeigt einen BionicSoftHand der Firma Festo.
Eine besondere Problematik ist die Diffusion der Verantwortung. Abgesehen von einer rechtlichen Bewertung, wer haftet (siehe Abschn. 4.3), vermengt sich die Verantwortung schon bei jeder Entscheidung, die der Mensch mit Unterstützung einer KI trifft. Die Maschine macht einen Vorschlag, der Mensch übernimmt sie, übernimmt sie nicht oder übernimmt sie verändert. Derzeit basieren alle sicherheitsrelevanten Zertifizierungen darauf, dass der Mensch die letzte Entscheidungsgewalt hat. Da dieser aber kaum alle Daten kennt und auch den Algorithmus nur in Ansätzen versteht, verlässt er sich auf die Expertise der Maschine.
Dies kann zu einer Komplizenschaft zwischen Menschen und Maschine führen. Verstärkt wird ein solcher Effekt durch die menschliche Erkenntnis der eigenen Fehlerhaftigkeit in Verbindung mit einem medial getriebenen, quasi grenzenlosen Vertrauen in die Fehlerlosigkeit einer Machine (siehe „autonomes Fahren“, Abschn. 3.7). Es aber gibt Beispiele, wo sich auch Maschinen irren (Mohr 2020).

3.10 Bots

67

Abb. 3.11   Mensch und Maschine arbeiten zusammen. (Quelle: ©Festo SE & Co. KG, alle Rechte vorbehalten)
3.10	Bots
Ein Bot ist eigentlich ein Computerprogramm, dass bestimmte Aufgaben automatisiert selbstständig ausführt. Dabei werden KI-Technologien genutzt. Bots können auch untereinander kommunizieren, hierbei spricht man von Botnet.
Eingesetzt werden Bots beispielsweise, um das Internet nach Informationen für Suchmaschinen zu durchforsten (sog. Webcrawler) oder um in Diskussionsforen bedenkliche Inhalte zu finden und zu bereinigen. Hierbei muss immer das Grundrecht auf freie Meinungsäußerung abgewogen werden, was den Betreibern der Sozialen Netzwerke derzeit Mühe macht.
Sozial Bots wiederum agieren in sozialen Netzwerken und können u. a. automatisiert liken und kommentieren. Dies täuscht was menschliche Aktivität vor. Allerdings sind Social Bots bei den meisten Anbietern entsprechender Plattformen per AGB (allgemeine Geschäftsbedingungen) nicht erlaubt. Die Herausforderung für die Betreiber liegt jedoch beim Erkennen der sozial Bots. Wenn erkannt, werden sie zumeist gelöscht oder isoliert, dann können sie nur noch „untereinander“ kommunizieren.
Interessant wird es, wenn KIs natürliche sprachliche Fähigkeiten besitzen und in der Lage sind, mit Menschen synchron zu kommunizieren. Diese werden im Fachjargon textbasierte Dialogsysteme genannten, oder einfacher Chatbot. Sozial Bots können dabei auch als Chatbot fungieren, der Unterschied ist fließend. Diese Technologie ist mittlerweile soweit fortgeschritten, dass es schwierig ist, zwischen einem realen Chat-Partner und eine Maschine zu unterscheiden (siehe Turing-Test, Abschn. 3.11).

68
Abb. 3.12   Gutartige und bösartige Bots nach Internetverkehr. (Nach: Radware Ltd. 2019)

3  Grundlagen der Künstliche Intelligenz (KI)

Dies kann unkritisch sein, z. B. bei Pflegerobotern, die mit ihren Patienten natürlich kommunizieren sollen, aber auch gefährlich im Sinne einer Beeinflussung. Denn klar ist, bei Chatbots geht es um die intelligente Täuschung des Gegenübers. Noch (!) ist es einfach: „Computer erkennt man daran, dass sie nicht plaudern können“ (SWR2 Wissen und Rooch 2020).
Eine Herausforderung für industrielle Anwendungen ist: Nach einer Untersuchung von Radware (Radware Ltd. 2019) mit einer Umfrage von über 260 industriellen C-Level Führungskräften sind mehr als die Hälfte des Internet-Bot-Verkehrs bösartige Bots (siehe Abb. 3.12). Anmerkung: C-Titel werden wegen ihrer Internationalität gerne im Bereich IT/Digitalisierung genutzt. Positionen im C-Level-Management erkennt man an den Bezeichnungen „Chief … Officer“ (CxO). Diese Titel sind lediglich englischsprachige Bezeichnungen das oberste Management im Unternehmen.
3.11	Turing-Test
Bereits 1950 stellte der britische Mathematiker und visionäre Informatiker Alan Mathison Turing (1912–1954) Überlegungen zu „Computing Machinery Intelligence“ (Computer-Intelligenz) an. Er schlug ein Experiment vor, das herausfinden sollte, ob eine Maschine das Denken des Menschen nachahmen kann. 2021 ehrte die Bank of England Alan Turing auf der 50 Pfund Banknote, u. a. wegen seines Beitrags zur Entschlüsselung des Enima-Codes im 2. Weltkrieg aber auch als späte Wiedergutmachung für das Leid, dass er als homosexueller Wissenschaftler ertragen musste. 
Beim sogenannten Turing-Test treten Mensch gegen Maschine in einer schriftlichen Unterhaltung gegeneinander an. Dadurch wird ausschließlich die Funktionalität der Software untersucht, nicht aber der Einfluss von Mimik, Gestik, Tonalität etc. Auch das Vorhandensein eines Bewusstseins wird nicht geprüft. Der Test gilt als bestanden, wenn sich 30 Teilnehmer, jeweils in einem fünf minütigen schriftlichen Chat, nicht einordnen können, ob sie sich mit einem Menschen oder mit einer Maschine unterhalten haben.

3.11 Turing-Test

69

Abb. 3.13   Der Schachtürke: Kupferstich von Racknitz 1789. (Quelle: (Wikimedia, The Turk – Wikimedia))

2008 verfehlte eine Software diesen Test an der University of Reading knapp, 2014 wurde er erstmalig bestanden. (ZEITonline, Künstliche Intelligenz: Computerprogramm gaukelt erfolgreich Menschsein vor 2014).
Der Schachgroßmeister Kasparov beschuldige jedenfalls nach einem verlorenen Spiel 1997 die Konstrukteure seines Gegners, den IBM-Supercomputer Deep Blue, dass einige der Züge so intelligent und kreativ gewesen seien, dass nur Menschen dahinterstecken können. Er war der Überzeugung, dass eine moderne Version des Schachtürken hilfreich war (siehe Abb. 3.13: Mechanischer Schachroboter von Wolfgang von Kempelen (1769) genannt „Der Schachtürke“ woher auch der umgangssprachliche Begriff „getürkt“ kommt). Originalzitat: „Wissenschaftlich ausgedrückt war das Match ein Betrug. IBM hat keine Beweise vorgelegt, dass dem nicht so ist, obwohl sie die Beweislast getroffen hat. Wenn ich sage, dass durch menschliche Einwirkungen manipuliert wurde, so hätten sie mit den Rechenprotokollen widerlegen oder darstellen müssen, dass ich Unrecht habe.“ (Schach Nachrichten 2005)
Das Problem beim Turing-Test ist: Grundsätzlich erfordert das Zusammenarbeiten von Menschen und KI Vertrauen und Akzeptanz. Diese wird aber gar nicht abgefragt. So können Drohnen sicher fliegen, vielleicht sogar sicherer als der Mensch, und sie können selbstständig landen. Kaum jemand würde sich aber in ein Passagierflugzeug ohne Piloten an Bord setzen. Obwohl der Mensch Fehler macht ist das Vertrauen in ihn größer.

70

3  Grundlagen der Künstliche Intelligenz (KI)

Um den Turing-Test zu bestehen, muss der Computer sich daher dümmer anstellen als er ist: Auf die Frage, wie viel Einwohner Köln hat, würde die Antwort „am 31.12.2018 waren es 1.089.984 Personen“ eine KI sofort entlarven, beim Turing-Test wäre sie durchgefallen. Auch kommen in der Industrie, insbesondere im Vertrieb aber auch in der Produktionsplanung, taktische Erwägungen hinzu: Sich „dumm zu stellen“ oder auch einmal über Nichtigkeiten zu plaudern, um vom Thema abzulenken, ist eine gängige Praxis in der menschlichen Kommunikation. Aber auch wäre ein Schachspiel uninteressant, wenn die KI ständig gewinnt, umgekehrt auch, wenn die KI einen gewinnen lässt. So ließe sich eine KI auch durchschauen.
Um den Turing-Test zu bestehen, müsste eine KI sich also an den Gegenüber anpassen und, wenn nötig, hinter den eigenen Möglichkeiten zurückstehen, sich taktisch verhalten, auch einmal freundlich – höflich die Wahrheit dehnen (siehe „Notlüge“ 7.2). Dies mindert aber das Vertrauen in die Künstliche Intelligenz.

3.12	Anforderungen an eine KI
3.12.1	Vertrauenswürdige KI (Trusted AI)
Wichtig für eine Akzeptanz aber auch darüber hinaus für eine rechtskonforme, sichere Anwendung ist eine Vertrauenswürdigkeit einer KI. Hierbei gibt es international verschiedene Ansätze. Die deutschen KIs versuchen hier mit einem Label AI Made in Germany zu Punkten. Der Slogan soll für eine verlässliche, durchsichtige KI stehen und ein Gütesigel werden. „Es geht um individuelle Freiheitsrechte, Autonomie, Persönlichkeitsrechte, die Entscheidungsfreiheit des Einzelnen. Um Hoffnungen, Ängste, Potenziale und Erwartungen. Es geht aber auch um neue Märkte für deutsche Unternehmen, den weltweiten Wettbewerb, vor allem mit den USA und China, und um die Zukunft Deutschlands als Industriestandort.“ (KI-Strategie Deutschland 2020).
Einige Unternehmen sehen eine Vertrauenswürdige KI dann auch als Wettbewerbsvorteil. Beispielsweise meint Michael Bolle, Bosch Technikchef: „Wenn KI für den Menschen keine Blackbox ist, entsteht Vertrauen, das in einer vernetzten Welt zum wesentlichen Qualitätsmerkmal wird.“ (dpa, Bosch verspricht Einschränkungen für künstliche Intelligenz 2020).
Die EU-Kommission hat für KI-Anwendungen 2019 sieben Kernanforderungen aufgestellt, damit sie vertrauenswürdig gelten (hier verkürzt wiedergegeben), diese wurden 2020 im Weißbuch zur Künstlichen Intelligenz übernommen (siehe Abb. 3.14) Quellen: (Europäische Kommission 2020) (Europäische Kommission 2019):
• Vorrang menschlichen Handelns und menschlicher Aufsicht hierbei wird weiter unterschieden: – Human-in-the-Loop: interaktive Einbindung des Menschen – Human-on-the-Loop: Überprüfung und Kontrolle durch den Menschen – Human-in-Command: Gesamtsteuerung durch den Menschen

3.12  Anforderungen an eine KI

71

Abb. 3.14   Kernanforderungen an eine vertrauenswürdige KI. (Nach: EU-Kommission)
• Technische Robustheit und Sicherheit dies umfasst: – Fehlertoleranz (Angemessener Umgang mit Fehlern) – Sicher gegen subtile Manipulationsversuche – Rückfallstrategie im Fall von Problemen (kein Totalabsturz) – Klären und Bewerten von Risiken
• Privatsphäre und Datenqualitätsmanagement – Anforderungen an den Schutz von Daten, insbes. personenbezogener Daten – Integrität der Daten – Behebung von Verzerrungen und Ungenauigkeiten in den Daten – Dokumentation – Regelung zum Zugang zu den Daten
• Transparenz – Rückverfolgbarkeit der Entscheidungen d. h. Entscheidung und -prozess, Datenerfassung sowie Algorithmus protokolieren & dokumentieren – verständliche Erklärung des Entscheidungsalgorithmus – weitergehende Erläuterungen u. a. zu der Transparenz des Geschäftsmodells – KI-System soll sich nach außen als solches zu erkennen geben und Verantwortlichkeit benennen