6. Abstraktion und Übertragbarkeit von Datenanalysen im industriellen Kontext

Aufgrund der zunehmenden Digitalisierung der industriellen Produktion rückt die industrielle Datenanalyse in den Fokus von Unternehmen, die im Zeitalter global konkurrierender Wertschöpfungsnetzwerke wettbewerbsfähig bleiben möchten. Das Verständnis industrieller Datenanalysen folgt dazu der Definition von Kap. 2. In diesem Kapitel wird außerdem der gebräuchliche, englischsprachige Ausdruck der Industrial Data Science (IDS) verwendet. Grundsätzlich folgt jedes IDS-Projekt im produzierenden Gewerbe einem ähnlichen Prozess, wobei bestimmte Prozesse und Abläufe in den Projekten wiederkehren (Schulz et al., 2021, S. 2 f.). Diese Erkenntnis ist den Nutzern der Datenanalyse seit der Entwicklung des Knowledge Discovery in Databases (KDD) spätestens bekannt (Fayyad et al., 1996, S. 13 ff.). Für eine Vorstellung von Vorgehensmodellen der industriellen Datenanalyse verweisen wir auf Kap. 3. Neben einem Prozessmodell sind menschliche Kompetenzen von entscheidender Bedeutung für den erfolgreichen Abschluss eines Datenanalyseprojekts. Hierfür definieren Mazarov et al. (2020, S. 63 ff.) vier Kompetenzbereiche und zugewiesene Rollen für die unterschiedlichen Verantwortlichkeiten in einem IDS-Projekt:

In ähnlicher Weise können die Kompetenzbereiche für verschiedene Verantwortlichkeiten in vier Gruppen unterteilt werden. Daher empfehlen Deuse et al. (2022, S. 3) den Ablauf eines IDS-Projekts in vier separate Elemente zu teilen (siehe Kap. 4). Das Ergebnis ist eine Prozesskette, die diese Aufgaben in einer bestimmten Reihenfolge anordnet und Interaktionspunkte definiert. Die Segmentierung von IDS-Projekten entlang der Prozesskette ermöglicht es den Mitarbeitern der genannten Kompetenzbereiche, ihre jeweiligen Fähigkeiten gezielt einzubringen. Darüber hinaus erleichtert die Prozesskette die Entwicklung von Analyseergebnissen in einer wiederverwendbaren Form, indem sie einzelne Teilanalysen klar voneinander trennt. Um jedoch eine gute Wiederverwendbarkeit von Lösungen für Datenzugriff, Datenanalyse, Datennutzung und Datenmanagement zu erreichen, ist eine geeignete Plattform für die Zusammenarbeit mit einer angemessenen IT-Infrastruktur erforderlich. Um dies zu erreichen, muss ein Unternehmen diese Rollen besetzen, um Projekte erfolgreich durchzuführen.

In den meisten Fällen müssen die erforderlichen Kompetenzen zunächst mit einem gewissen Aufwand aufgebaut werden. Gleichzeitig bietet die iterative Natur solcher Projekte den Mehrwert, dass diese Kompetenzen mittel- und langfristig nützlich sein können, indem sie in vielen weiteren Projekten eingesetzt werden. Es muss daher möglich sein, die eigene Datenanalyseaufgabe in Elemente (Module) zu unterteilen, die wiederum wiederverwendet werden können. Dieses Kapitel beschreibt die Methodik und Umsetzung der Abstraktion und die Generalisierung von Datenanalysen im Rahmen des AKKORD-Projekts (siehe Kap. 1). Somit ist es Unternehmen, insbesondere KMU, möglich, niederschwellig Datenanalysen auszuführen, (weiter-) zu entwickeln und im Unternehmen mit anderen Nutzern oder außerhalb mit anderen Unternehmen zu teilen. Dazu werden zunächst die bereits erhobenen Anforderungen zusammengefasst und danach die Modularisierung industrieller Datenanalysen methodisch und technisch mitsamt den entwickelten Funktionalitäten beschrieben. Spezifika des Projektergebnisses folgen im Anschluss. Ein Ausblick auf die zukünftige Nutzung schließt dieses Kapitel ab.

Für den erfolgreichen Einsatz von Datenanalysen im industriellen Umfeld, insbesondere für kleine und mittlere Unternehmen, gelten bestimmte Anforderungen. Syberg et al. (2023, S. 64 ff.) haben diese Anforderungen durch Experteninterviews mit Anwendern und Anbietern sowie auf Basis einer umfassenden Literaturrecherche erhoben.

Eine wichtige Grundlage für die Erhebung der Anforderungen stellt das FURPS-Modell von Grady und Caswell (1987) dar. Die Abkürzung steht für Functionality, Usability, Reliability, Performance, Supportability und wurde in Abb. 6.1 aufgegriffen. Dieses Modell ermöglicht eine strukturierte Erfassung und Kategorisierung der Anforderungen an die Qualität einer Softwarelösung und lässt sich auf die Entwicklung einer Kollaborationsplattform für die industrielle Datenanalyse übertragen. In dieser Adaption des bewährten FURPS-Modells werden explizit IDS-spezifische Anforderungen definiert. Dieses sichert eine stabile Datenanalyse-Pipeline.

Funktionalität. Im Bereich Functionality werden Anforderungen an die Fragmentierung des Analyseprozesses in Module gestellt, die wiederverwendbar und in verschiedenen Konfigurationen nutzbar sein müssen. Zudem müssen die Analyseergebnisse durch Schnittstellen oder Visualisierungsoptionen nutzbar gemacht werden können. Dies ist insbesondere bei KMU unabdinglich, da häufig keine eigenen Ressourcen zur Programmierung von Schnittstellen an eigene Systeme bestehen. Gleichzeitig sollten Visualisierungen von Datenanalyseergebnissen entsprechend zugänglich gewählt werden können, um zielgerichtete Auswertungen zu ermöglichen (Mazarov et al., 2020, S. 63 ff.).

Nutzbarkeit. Die Anforderungen im Bereich Usability beinhalten die Entwicklung von Modulen für alle Phasen eines IDS-Projekts, die auf die Bedürfnisse der industriellen Produktion abgestimmt sind. Diese Module müssen entsprechend der in Kap. 3 genannten Prozessmodelle beschrieben werden, um den erfolgreichen Verlauf des Projekts zu gewährleisten. Benutzer müssen in der Lage sein, Module auszuwählen oder bei Bedarf selbst zu erstellen und anderen wiederum zur Verfügung stellen zu können. Gleichzeitig muss das Verfahren entsprechend dokumentiert werden, um es für neue Benutzer zugänglich zu machen.

Zuverlässigkeit. Unter Reliability wird die Notwendigkeit betont, eine bestimmte Menge an Vorverarbeitung der Daten sowie Vorbereitung des Analyseprozesses technisch zu handhaben, um die erforderliche Datenqualität für Datenanalysen zu erreichen (West et al., 2021, S. 133 ff.).

Leistung. Die Anforderungen im Bereich Performance beziehen sich auf eine leistungsstarke Serverumgebung als Teil einer Cloud-Lösung, die eng mit der technischen Infrastruktur verbunden ist. Inhaltlich kann das Potenzial der Plattform in Bezug auf die Performance nur durch die Verknüpfung der praktischen Datenanalyse mit der Kompetenzentwicklung und dem kontinuierlichen Lernen in geeigneter Weise realisiert werden. Dennoch muss die Lösung methodisch und technisch ermöglichen, auch erweiterte Analyseverfahren aus dem Bereich des überwachten, semi-überwachten und unüberwachten Lernen zu nutzen.

Unterstützung. Die Supportability wird durch den kollaborativen Ansatz der Plattform sichergestellt. Dazu gehört auch die Umsetzung einer strukturierten Datenbank, die Möglichkeit zum Hoch- und Herunterladen von Daten und Ergebnissen sowie die Verfügbarkeit eines technischen Supports bei Problemen.

Diese Aspekte decken den Bereich der technischen Infrastruktur ab. Gleichzeitig erfordert die Heterogenität der Anwendungsfälle in den Unternehmen explizit eine Individualisierung. Dies bedeutet vor allem, dass die Analysemodule individuell angepasst werden können. So kann zum Beispiel eine Zeitreihenanalyse für ein Unternehmen im Vertriebsbereich sinnvoll sein (siehe Kap. 11), aber für einen anderen Benutzer im Bereich der Prozessüberwachung relevant sein (siehe Kap. 12). Entsprechend soll ein Modul wiederverwendet werden können, wenn es konfigurierbar und entsprechend auf andere Daten übertragbar ist. Gleichzeitig müssen auch Assistenzsysteme implementiert werden.

Die Abstrahierung und Modularisierung von bisher einmalig durchgeführten Datenanalysen ist das zentrale Objekt in der Befähigung von Unternehmen zur Anwendung industrieller Datenanalysen. Da die Entwicklung durch die Probleme der Anwender getrieben ist, ist eine Abstrahierung der Datenanalyse-Pipeline sinnvoll. Im Rahmen der Arbeiten im Leistungsbereich wurde das Grundkonzept von verallgemeinerten, wiederverwendbaren Modulen zur Problemlösung aufgegriffen und in ein Nutzungskonzept überführt. Verallgemeinerte Module sind in der Informatik weit verbreitet, sei es in der Medizintechnik oder im Bereich des Internet of Things (Banijamali et al., 2020; Sievi-Korte et al., 2019). Dieser Aufbau bietet zahlreiche Vorteile für die Anwender der Systeme:

Die Software bietet eine Vielzahl von Werkzeugen, um Datenvorverarbeitungsprozesse durchzuführen und darauf aufbauend niederschwellig ML-Modelle zu erstellen und zu trainieren. Das Portfolio enthält zahlreiche Algorithmen, die für verschiedene Anwendungsfälle wie Klassifikation, Regression, Clustering und Assoziationsanalysen geeignet sind. Darüber hinaus bietet die Software eine breite Palette von Reporting- und Visualisierungstools, um Ergebnisse und Erkenntnisse zu kommunizieren.

Die Abstraktion industrieller Datenanalysen in generalisierte Analysemodule ist der relevanteste Schritt, produzierenden Unternehmen den Einstieg in industrielle Datenanalyseprojekte zu ermöglichen. Für eine Anwendung ist aber die Bereitstellung der Module entscheidend. Die eigens dafür entwickelte Plattform AI-Toolbox ist dabei eine browserbasierte Softwarelösung, mit der die Analysemodule ausgeführt, angepasst und geteilt werden können. Das Kürzel AI steht dabei für Artificial Intelligence, die englische Bezeichnung für die Künstliche Intelligenz. Der Begriff Toolbox wurde gewählt, in Anlehnung an die Analogie des Werkzeugkoffers für industrielle Datenanalysen (siehe Kap. 1 und 4). Technisch handelt es sich bei der AI-Toolbox um eine container-basierte Spring-Boot-Applikation, deren Frontend mittels des React-Frameworks realisiert worden ist. In der Anwendung wird diese an einen sogenannten AI-Hub von RapidMiner angedockt. So ist es möglich, in gängigen Internetbrowsern und auf mobilen Endgeräten Analysemodule zu verwenden. In der grundsätzlichen Anwendung erhält der Nutzer eine Übersicht über die Funktionen der verfügbaren Module, kann die gewünschten Daten im entsprechenden Format hochladen und das Modul auf der AI-Toolbox selbst ausführen. Als Ergebnis werden eine Visualisierung sowie ein Ergebnisdatensatz ausgegeben. Neben dem Nutzer als Hauptanwender der Analysemodule bestehen mit dem Analysten und dem Admin zwei weitere Rollen. Die Rollenverteilung ist hierbei an ein transdisziplinäres Rollenkonzept für Industrial Data-Science-Projekte (Schwenken et al., 2023, S. 82 f.) angelehnt. Dabei ist der Analyst neben der Nutzung der Module in der Lage, bestehende Module zu modifizieren und eigene Module hochzuladen. Der Admin ist darüber hinaus in der Lage, die Implementierung der Plattformlösung technisch zu überwachen und zu steuern und fungiert so als technischer Support.

Der Aufbau der AI-Toolbox ist an gängige Plattformen angelehnt, die im Consumer Bereich marktführend sind. Das UX Design ist dabei möglichst einfach gehalten, um eine leichte Bedienbarkeit zu gewährleisten. Im Bereich Production Modules findet sich eine Übersicht über alle vorhandenen Analysemodule. Diese sind über ihre Bezeichnung und Icons schnell den eigenen Anwendungsfällen und Problemstellungen zugeordnet. Gleichzeitig dienen die Demoprozesse und Beschreibungen jedes einzelnen Moduls dazu, den Nutzer bei der Auswahl des passenden Moduls zu unterstützen. Der Bereich Dashboard zeigt die Ergebnisse des ausgewählten Analysemoduls. Dabei ist die Visualisierung nicht statisch, sondern entsprechend der gewählten Konfiguration anpassbar. So lassen sich Bereiche der Abbildung vergrößern und Inhalte ein-/ausblenden. Auch dies begünstigt die Nutzererfahrung, da mit geringem Aufwand Übersichtlichkeit in einer Visualisierung hergestellt werden kann, um Wissen aus der Analyse zu generieren. Beispielhaft ist eine Anomalie in einer Zeitreihe näher analysierbar, auch im Vergleich verschiedener Prognosemodelle im Rahmen der Absatzprognose lassen sich durch gezieltes Ein- und Ausblenden entsprechender Verfahren schnelle Vergleiche auf Basis der Visualisierung ziehen. Außerdem lassen sich Analyseergebnisse als CSV-Dateien exportieren.

Neben der reinen Verwendung der Analysemodule ist die AI-Toolbox vielmehr Plattformkonzept als Softwarelösung (siehe Kap. 3). Hierbei wird neben der reinen Nutzung von Analysemodulen das Ziel angestrebt, die Entwicklung und Verbreitung von Modulen zu vereinfachen. Dies wird durch die Möglichkeit realisiert, nicht nur vorhandene Analysemodule anpassen und wieder bereitstellen zu können, sondern vollständig neue Analysen in RapidMiner zu erstellen und auf der Plattform Anwender zur Verfügung zu stellen. Dadurch wird Skalierbarkeit und Flexibilität gewährleistet. Technisch fungiert die AI-Toolbox so als service-orientierte Schnittstelle zwischen Nutzern ohne große Vorkenntnisse und Datenanalysen. Zudem erfüllt die Möglichkeit des Datenexports eine Schnittstellenfunktion in andere Systeme. Auf der operativen Ebene wird die AI-Toolbox mit einer geschaffenen Verknüpfung zur Work&Learn-Plattform zu einer Kollaborationsplattform. Dieser Teil der Entwicklungen im AKKORD Projekt erfüllt Kommunikations- und Informationsfunktionen und ermöglicht außerdem eine Zusammenarbeit. Außerdem wurden durch textuelle und visuelle Anleitungen für einzelne datenanalytische Themenblöcke aber auch die Nutzung der AI-Toolbox selbst Voraussetzungen dafür geschaffen, das Personal in einem Unternehmen dazu zu befähigen, die Plattform zielführend einzusetzen.

Die Abstraktion industrieller Datenanalysen und die Umsetzung in modularisierte Elemente ist den obigen Ausführungen folgend ein vielversprechender Ansatz zur Verbreitung datenanalytischer Methoden in KMU. Die Umsetzung in Form einer Plattform wie der AI-Toolbox ist ein Erfolgsfaktor für die Implementierung in der täglichen Arbeit. Nutzer können die Analysemodule in ihrem bekannten Internetbrowser nutzen und schnell auf der Grundlage von Visualisierungen Wissen aus ihren Daten generieren. Der skalierbare Ansatz auf Basis von RapidMiner ermöglicht außerdem spezielle Anwendungen und individuelle Analysen für komplexe Problemstellungen. RapidMiner ist dabei explizit für den Einsatz von Maschinellen Lernverfahren bzw. datenwissenschaftlichen Methoden entwickelt worden. Jeder in RapidMiner verfügbare Operator ist dabei in ein Analysemodul auf der AI-Toolbox überführbar. Dadurch ist die Komplexität der angewandten Analysen nur durch die Rechenleistung der Umgebung begrenzt, auf der der zu Grunde liegende AI-Hub gehostet wird. Selbst die Einbindung von nicht RapidMiner-basierten Datenanalyseprozessen ist möglich, da die Software die freie Programmierung in anderen Programmiersprachen wie Python oder C++ mit entsprechend dafür entwickelten Operatoren unterstützt. So stellt die Abstraktion der industriellen Datenanalyseprozesse in Kombination mit der Bereitstellung auf der AI-Toolbox einen niederschwelligen Einstieg in die industrielle Datenanalyse dar, die gleichzeitig hoch spezialisiert und maximal individualisiert im Unternehmen eingesetzt werden kann. Kap. 18 stellt ein anschauliches Beispiel für den Einsatz von Analysebausteinen für den Anwendungsfall einer Spielzeug-Autorennbahn vor.

Die AI-Toolbox kann dabei eine Schlüsseltechnologie für Unternehmen in der datenbasierten Entscheidungsfindung und der Anwendung von Maschinellem Lernen sein. Entscheidend in der Roll-Out-Phase sind hierbei drei Aspekte. Erstens muss die technische Infrastruktur hergestellt werden. In der Entwicklung der Plattform hat sich gezeigt, dass das Hosting des zu Grunde liegenden AI-Hubs in die bestehende IT-Infrastruktur ein elementarer Punkt ist. Dabei müssen insbesondere auch Datenschutz- und Sicherheitsaspekte berücksichtigt werden. Cloud- und On-Premise-Lösungen sind beide im Einsatz. Die kontinuierliche Aufnahme von Daten innerhalb der Produktion ist als Grundlage für eine datengetriebene Optimierung Voraussetzung (Richter et al., 2022, S. 1). Zweitens ist der Roll-Out entsprechend zu organisieren. Zusammenfassend ist anzuführen, dass die Hürde der umfassenden Mitarbeiterschulung, die mit einer Softwareimplementierung häufig einhergeht, durch die begleitend entwickelte Work&Learn-Plattform minimiert wird. Dennoch sind klare Prozesse zur Einführung zu etablieren. Auch müssen die entsprechenden Rollen und Zuständigkeiten definiert werden. Der letzte Aspekt betrifft die Managementunterstützung. Gerade in der datenbasierten Entscheidungsfindung mithilfe von erweiterten Verfahren des Maschinellen Lernens, wie in vielen Digitalisierungsmaßnahmen, ist es wichtig, durch eine entsprechende Förderung Vertrauen in die Technologie zu schaffen, um so die Nutzerakzeptanz zu erhöhen.