Lernen und Kompetenzentwicklung in KI-basierten adaptiven Systemen

Uta Wilkens, Dominik Lins, Christopher Prinz und Bernd Kuhlenkötter

Der Beitrag widmet sich den Potenzialen und Grenzen KI-basierter Arbeitssysteme zur Unterstützung individueller und organisationaler Lernprozesse. Die Veranschaulichung erfolgt an den Einsatzmöglichkeiten adaptiver Systeme in der Produktion und gibt Beispiele guter Praxis, wie sich künstliche und individuelle Intelligenz im Arbeitsprozess wechselseitig ergänzen können. Dafür werden in konzeptioneller Hinsicht unterschiedliche Verfahren des maschinellen Lernens vorgestellt und um lerntheoretische Perspektiven ergänzt, die sich mit individuellen und organisationalen Lernprozessen beschäftigen.

Arbeitssysteme, in denen Lösungen durch das Zusammenwirken menschlicher und Künstlicher Intelligenz (KI) erzeugt werden, gewinnen erkennbar an Bedeutung. Unter dem Begriff bzw. den Methoden von KI kann zwischen vier Disziplinen unterschieden werden: (1) Lernen, (2) Schließen/Folgern, (3) Problemlösen/ Planen und (4) Optimieren. In diesem Beitrag werden unterschiedliche Formen individuellen und maschinellen Lernens (ML) in den Blick genommen, aus deren Zusammenspiel Entwicklungsimpulse für Produktion, Dienstleistung und Versorgungssysteme resultieren können. Ein besonderer Vorteil kann in der höheren Präzision und Qualität der Arbeitsausführung liegen. Stützt man KI auf Verfahren des maschinellen Lernens, dann zielt man auf intelligentes Problemlösen durch Maschinen − Computer, Roboter und digitale Assistenzsysteme – ab, die ausgehend von großen Datenmengen bei der Verwendung von Maschine Learning [1, 2], mittels Algorithmen Muster erkennen und dadurch Entscheidungsalternativen und Lösungswege erarbeiten. So kann individuelle Intelligenz durch maschinelle Leistung ergänzt werden, wo Individuen beispielsweise Grenzen in der Informationsverarbeitung oder visuellen Bildverarbeitung haben. Dies schließt maschinell erzeugte Selbstlernprozesse durch technische Rückkopplung unter Maschinen ein [3]. Menschliche Intelligenz resultiert aus den kognitiven, sozialen und emotionalen Prozessen der Verarbeitung von Information und Einordnung von Erfahrung, die internalisiert und kontextualisiert werden [4, 5]. Menschliche Intelligenz kann die Künstliche Intelligenz insbesondere dort unterstützen, wo domänenspezifische und implizite Erfahrungskomponenten eine wichtige Rolle spielen. Integriert man in Arbeitssystemen individuelle und maschinelle Lernverfahren, dann impliziert dies eine sozio-technische Systementwicklung, weil die maschinell erzeugte Dynamik mit individuellen Erfahrungen, Entscheidungen, Arbeitsausführungen verbunden werden, woraus Entwicklungsanstöße resultieren und das Leistungsspektrum erweitert wird.

Gegenwärtig werden einerseits die besonderen Potenziale herausgestellt, durch den Einsatz von KI zu besseren Lebens- und Arbeitsbedingungen zu gelangen [6, 7], was auch Entwicklungsperspektiven für den Menschen einschließt. Andererseits stehen Szenarien im Raum, wonach es neben einer Höherqualifizierung auch zu einer De-Qualifizierung kommen kann [8] oder Maschinen den Menschen die Denkleistung abnehmen können [9]. Das durch KI geschaffene zusätzliche Lernpotenzial, von dem der Mensch in seinem Arbeitsprozess de facto profitieren kann, gilt es genauer herauszuarbeiten. Dies erfolgt am Beispiel adaptiver Systeme in der Produktion und baut auf Grundlagen des maschinellen, individuellen und organisationalen Lernens auf.

KI und maschinelles Lernen in der Produktion

Die Forschung zur KI ist mittlerweile so gereift, dass sie in die praktische Umsetzung geht [10]. Erste Ansätze sind in der Produktion bereits vorzufinden. Voraussetzung für die Anwen dung der verschiedenen Methoden des maschinellen Lernens (ML) ist das Vorhandensein von Daten in ausreichend großer Menge und in erforderlicher Güte. Durch Einsatz von ML-Methoden sind beispielsweise Vorhersagen im Kontext von Predictive Maintenance erschlossen worden. Auch die Logistikbranche nutzt KI in verstärktem Maße, wodurch zum Beispiel mittels intelligenter Datenanalyse der Warenfluss agiler und weniger störanfällig gestaltet werden kann [11]. Diese Entwicklungen implizieren jedoch nicht, dass auch die Arbeitssysteme vollständig autonom durch die KI gesteuert werden. Die Menschen überwachen die Prozesse und stellen nach wie vor die letzte Instanz bei Entscheidungen dar. Sie handeln auf der Basis eigener Erfahrungen und Expertise.


Bild 1: Taxonomie des KI-gestützten Lern- und Entwicklungspotenzials [29].
 

Mittels KI-basierter Problemlösungsmethoden können Expertensysteme aufgebaut werden, die als Softwareanwendung, Menschen bei der Lösung von komplexen Problemen unterstützen. Die Expertensysteme basieren auf einer Wissensbasis und stellen ganz grundsätzlich Systeme dar, die das Wissen und die Erfahrung von Fachleuten in Wissensdatenbanken strukturiert abspeichern und auf diese Weise Entscheidungen auch automatisiert unterstützen können [12]. Voraussetzung dafür ist eine ausreichende Datenbasis, die durch eine Vielzahl an Sensoren für die Datengenerierung verbaut werden müssen. Deren Messwerte müssen aufbereitet (klassiert) und entsprechend abgelegt werden, um sie mithilfe von KI auszuwerten. Während die Datenerfassung in der Fertigung aufgrund eines hohen Automatisierungsgrads oftmals schon relativ gut vorbereitet ist, ist bei manuell ausgeführten Arbeitsprozessen mit geringem Automatisierungsgrad kaum Sensorik vorhanden [13]. Auch die Datenbasis ist in der Regel für Methoden der KI noch nicht nutzbar. Aus dem aktuellen Stand des Einsatzes von KI in der Produktion lassen sich mehrere Hypothesen aufstellen:
• In der Praxis werden bei nicht automatisierten Prozessen häufig nur unzureichend viele Daten erfasst.
• Auch bei hinreichend großen Datenmengen müssen diese erst systematisiert aufbereitet werden, um sie einer Nutzung zuzuführen.
• Die Prozesse, die mittels KI analysiert, überwacht, gesteuert oder optimiert werden sollen, sind häufig nicht im notwendigen Detailierungsgrad bekannt oder nicht in einem feinen Granularitätsgrad beschrieben.
• Es sind Rahmenbedingungen erforderlich, die eine Strukturierung und ein Vorgehen zur Aufnahme von Daten, auch technologiespezifisch, festlegen.

Zum Weiterlesen hier klicken