_{Veröffentlicht am: 25. Februar 2025
Autor: Marc Laplante}

Wir stehen erst am Anfang, das volle Potenzial künstlicher Intelligenz (KI) auszuschöpfen. Während wir uns in dieser sich rasant entwickelnden technologischen Landschaft bewegen, wird immer deutlicher, dass KI unsere Arbeitsweise grundlegend verändert. Besonders im Asset-Management eröffnen sich durch KI wegweisende Möglichkeiten: Sie ermöglicht es uns, uns auf unsere Stärken zu konzentrieren, während Maschinen uns mit ihren spezifischen Fähigkeiten unterstützen.

Elektrizität benötigte mehrere Jahrzehnte, um sich vollständig durchzusetzen – ein Prozess, den Ajay Agrawal, Joshua Gans und Avi Goldfarb in ihrem Buch Power and Prediction: The Disruptive Economics of Artificial Intelligence als die „Zwischenzeit“ bezeichnen. Auch die Einführung von KI folgt einem Adaptionszyklus. Ob dieser ebenfalls Jahrzehnte dauern wird, bleibt abzuwarten. Was wir jedoch schon heute sagen können: Der Markt wird drei Arten von KI-Lösungen hervorbringen – Punktlösungen, Anwendungs­lösungen und Systemlösungen. Wer die Unterschiede kennt, kann gezielter entscheiden, welche KI-gestützte Software für das eigene Unternehmen relevant ist.

Drei Arten KI-gestützter Lösungen

Mit der zunehmenden Verbreitung von KI erfolgt in vielen Bereichen eine neue Arbeitsteilung – auch im Asset-Management. Während Menschen besonders gut in der Urteilsfindung, im abstrakten Denken und in der strategischen Entscheidungsfindung sind, können Maschinen eine Vielzahl von Routineaufgaben übernehmen. Sie verarbeiten Informationen schneller und objektiver als wir und sind daher besonders gut darin, präzise Vorhersagen zu treffen.

In Power and Prediction beschreibt der renommierte Ökonom Ajay Agrawal gemeinsam mit seinen Co-Autoren drei Arten von KI-Lösungen:

1. Die Punktlösung

Bei einer Punktlösung ersetzt eine KI-gestützte Technologie ein bestehendes Vorhersagesystem. Ein klassisches Beispiel ist die Schwingungsanalyse. Bereits seit den 1960er-Jahren nutzen Unternehmen diese Methode zur Zustandsüberwachung. Früher liefen Techniker durch Anlagen, um Messwerte manuell zu erfassen, die sie anschließend am Computer analysierten. Mit der Zeit wurden Analyseprozesse zunehmend automatisiert.

Heute verbessert KI die Mustererkennung, optimiert Signalverarbeitungen und automatisiert die Fehlerklassifizierung. Dadurch werden Abläufe effizienter und präzisere Prognosen möglich. Dies zeigt eindrucksvoll, wie KI eine bewährte Methode weiterentwickelt und zu einem integralen Bestandteil vorausschauender Instandhaltung macht.

2. Die Anwendungslösung

Anwendungslösungen sind KI-Technologien, die bestehende Prozesse oder Produkte erweitern und verbessern. Ein gutes Beispiel hierfür ist die natürliche Sprachverarbeitung (Natural Language Processing, NLP).

In einer Studie mit dem Titel Where Do We Start? Guidance for Technology Implementation in Maintenance Management for Manufacturing, die auf der ASME 2019 International Manufacturing Science and Engineering Conference vorgestellt wurde, heißt es:

„Eine der spannendsten Entwicklungen ist der Einsatz von natürlicher Sprachverarbeitung, um Wartungsberichte effizienter zu analysieren.“

Diese Technologie ermöglicht es, wertvolle Informationen aus unstrukturierten Textfeldern in Wartungsaufträgen automatisch zu extrahieren. Das bedeutet, dass Techniker weniger Zeit mit der manuellen Dateneingabe verbringen müssen. Statt Dropdown-Menüs zu nutzen, können sie ihre Beobachtungen einfach eintippen oder per Spracheingabe übermitteln – die KI übernimmt die Datenextraktion. Dies spart wertvolle Arbeitszeit und steigert die Effizienz.

3. Die Systemlösung

Systemlösungen sind allgegenwärtig – ähnlich wie Elektrizität. Während Elektrizität einst eine bahnbrechende Erfindung war, wurde sie mit der Zeit zum festen Bestandteil unseres Alltags. Heute reicht ein einfacher Sprachbefehl, um eine KI-gestützte Assistenzfunktion zu nutzen – so selbstverständlich, wie das Betätigen eines Lichtschalters.

Amazon-Gründer Jeff Bezos erklärte beim New York Times Deal Book Summit 2024:

„Es gibt keine Anwendung, die nicht durch KI verbessert werden kann.“
Er verglich KI mit der Einführung von Elektrizität oder Cloud-Technologien, die industrielle und digitale Entwicklungen maßgeblich vorangetrieben haben. KI wird sich in ähnlicher Weise als grundlegende Infrastruktur etablieren. Dies erleben wir bereits heute mit Anwendungen wie ChatGPT, deren Nutzerzahlen täglich steigen. Künftig wird nahezu jede Software eine KI-Ebene integriert haben – vergleichbar mit der Stromversorgung, die unsere Geräte antreibt.

Die richtige KI-Lösung wählen

Besonders im Asset-Management versprechen Anbieter derzeit viel: Einige werben mit automatisierter Ursachenanalyse, andere behaupten, ihre KI könne komplexe Zusammenhänge erkennen und verlässliche Vorhersagen treffen. Manche heben die umfassenden Möglichkeiten maschinellen Lernens oder simulationsbasierter Analysen hervor.

Doch bevor Unternehmen in solche Lösungen investieren, sollten sie die zugrunde liegenden Abhängigkeiten kennen. KI benötigt große Mengen hochwertiger Daten aus verschiedenen Quellen sowie eine strukturierte Datenpipeline, die unter anderem folgende Prozesse umfasst:

• Datenmodellierung und Fachexpertise
• Bewertung der Datenqualität
• Entwicklung von Prognosemodellen und Zugang zu Data-Science-Ressourcen

Ein Beispiel: Um eine KI-gestützte Ursachenanalyse zu ermöglichen, müssen zunächst umfassende Daten erfasst werden – von technischen Spezifikationen über historische Ausfälle bis hin zu Erfahrungsberichten von Mitarbeitern. Anschließend muss ein Ursachen-Wirkungs-Modell (Fault Tree Analysis) in das System integriert werden, das zwischen Symptomen und tatsächlichen Ursachen unterscheidet. Schließlich müssen die Analyseergebnisse sinnvoll in den Wartungsprozess eingebunden und Maßnahmen zeitnah umgesetzt werden.

Die Automatisierung der Ursachenanalyse durch KI mag eines Tages möglich sein. Doch bis dahin ist es wichtig, fundierte Entscheidungen darüber zu treffen, welche Art von KI-Lösung tatsächlich zum eigenen Asset-Management-System passt:

• Ersetzt sie lediglich eine bestehende Technologie?
• Oder hat sie tiefgreifende Auswirkungen auf gesamte Unternehmensprozesse?

KI heute nutzen, um Assets zu schützen

Eines steht fest: KI wird weiterhin intensive menschliche Unterstützung benötigen, bevor sie die in diesem Artikel beschriebenen Aufgaben zuverlässig übernehmen kann. Große Sprachmodelle erzielen bereits beachtliche Ergebnisse in standardisierten Wissensbereichen wie Instandhaltungsmanagement. Doch um präzise Handlungsempfehlungen für spezifische Wartungsfälle zu geben, müssen sie mit weit mehr Expertenwissen angereichert werden.

Mit der HxGN APM-Anwendung steht KI bereits heute zur Verfügung. Sie geht über eine einfache Punktlösung hinaus, da sie neue Einblicke in Kosten, Risiken und Leistungsfähigkeit bietet. HxGN APM nutzt maschinelles Lernen zur Mustererkennung, um den Entscheidungsprozess zu optimieren. Die HxGN Visual AI wurde speziell entwickelt, um Expertenwissen aus Ihrem Unternehmen systematisch in den Analyseprozess einzubinden.

Wir laden Sie herzlich ein, sich selbst ein Bild zu machen! Besuchen Sie unsere HxGN APM Website, um mehr über die Möglichkeiten von KI im Asset-Management zu erfahren.