AI Praxis bei voestalpine High Performance Metals – Kultur, Ethik und Demokratisierung bei der KI Transformation

Michael Eder ist Global Chief Digital Officer bei der voestalpine High Performance Metals GmbH mit dem Ziel, die Digitale Transformation des Unternehmens technologisch aber auch kulturell und vom Mindset her voranzubringen. AI spielt eine besondere Rolle dabei. Nachdem man sich in den letzten zwei, drei Jahren intensiv dem Aufbau von Kompetenzen in diesem Umfeld gewidmet hat, sieht man nun spannende Anwendungsmöglichkeiten und praktische Usecases. Doch die Unternehmenskultur darf dabei nicht zu kurz kommen.

Mehr praxisnahen Austausch rund um Digitale Transformation und AI erwartet Sie bei der Confare Konferenz #IDEE2020 in Wien, mit Erfahrungsberichten aus Unternehmen wie Manner, Berliner Verkehrsbetriebe, Porsche Informatik und vielen mehr. Hier wird außerdem in Zusammenarbeit mit enliteAI der Confare #IDEAward verliehen als Auszeichnung für erfolgreiche digitale Innovation.

• Das sind die wichtigsten AI Trends, die Sie auf dem Radar haben sollten.
• voestalpine High Performance Metals auf dem Weg zum daten-getriebenen Unternehmen
• Erfahrungen beim Aufbau einer fail fast, fail often, fail cheap Kultur im Bereich AI

Welche Bedeutung hat AI für die Digitalisierungs-Strategie der voestalpine High Performance Metals?

Die High Performance Metals Division der voestalpine hat sich im Vergleich zu anderen Industrieunternehmen relativ früh mit dem Thema Digitalisierung auseinandergesetzt. Bereits 2016 starteten wir mit unserer Digitalsierungsstrategie „rethink and innovate“. Damals standen noch sehr traditionelle Themen wie Automatisierung, Data Generation, Robotics oder E-Commerce im Mittelpunkt. Wenngleich auch das Thema Data Science und AI schon eines von 5 Kern-Themen war. Seit nun mehr als 2 Jahren steht AI im Zentrum unserer digitalen Transformation. Die Haupttreiber dieser Entwicklung sind vielfältig und unterschiedlich. Einerseits haben wir intern ein besseres, breiteres Verständnis zum Thema AI aufgebaut. Darüber hinaus haben wir stark an der Datenbasis gearbeitet, was ja die Grundlage für datengetriebene Optimierungen ist. Andererseits haben die externen Entwicklungen im Bereich AI in den letzten 2-3 Jahren auch dazu geführt, die Technologie(n) für uns leichter oder überhaupt nutzbar zu machen, z. B. wenn ich an die Methodik des reinforcement learnings denke. Mit der Entwicklung des Verständnisses für die Thematik und damit mit der Bedeutung von AI bin ich also sehr zufrieden – es hat sich gut entwickelt und wir sehen Potenzial.

Wo fängt man am besten an? Welche Use-Cases haben sich bewährt?

Hierzu möchte ich unbedingt zunächst festhalten, dass es kein „Standard-Kochrezept“ gibt, welches Unternehmen einfach nach Vorlage implementieren können. Jedes Unternehmen ist höchst unterschiedlich und es kommt auf die spezifischen Charakteristika sowie Ausgangspunkte eines Unternehmens an, wie man startet. Wir haben dazu unseren eigenen Weg gefunden. Für traditionelle Unternehmen, die noch wenige Berührungspunkte mit AI in größerem Stile hatten, würde ich unbedingt empfehlen zu Beginn auch die kulturelle Komponente der Digitalen Transformation nicht zu vergessen. D.h. es sind auch Änderungen in den Kompetenzen und der Organisation selbst, sowie neue Prozesse und das Lernen mit dem Umgang mit Daten nötig. Weiters benötigt man am Anfang auch eine Handvoll sinnvoller Use Cases, um das Potenzial zu demonstrieren und zu lernen. Wir unterscheiden grob in Use Cases im Hauptprozess-Bereich und jene im Support-Prozess-Bereich – für beide Bereiche gibt es bei uns eigens aufgesetzte Programme. Sieht man sich den Hauptprozess-Bereich an, so sind es meist Projekte, die bei klassischen Themen wie der Verbesserung der Ausbringung, Qualität oder Verfügbarkeit der Anlagen ansetzen. Diese Themen sind zunächst mal naheliegend, man sollte jedoch die Potenziale von AI unbedingt breiter zu denken. So haben wir aber auch mit AI-gestützten Prozessverbesserungen in Support-Prozessen ganz gute Erfahrungen gemacht. Hier beispielsweise in den Bereichen der Labore, wo wir Analysen AI-gestützt durchführen, im Supply Chain Bereich, wo wir die Lagerstände und Planung optimieren, oder etwa auch an der Kundenschnittstelle, wo wir Anfragen automatisch ins ERP System einpflegen.

Mensch, Technologie, Organisation – Wo sehen Sie die wichtigsten Handlungsfelder beim Umsetzen?

Hier eine Reihung vorzunehmen ist schwierig bis unmöglich. Wie oben erwähnt liegt die „Kunst“ darin, alle Komponenten zu berücksichtigen. AI ist eine tolle Technologie, aber was nützt einem die, wenn das Verständnis beim Einzelnen fehlt um Potenziale zu realisieren oder zu institutionalisieren, oder die Organisation nicht vorhanden ist, um die nachhaltige Implementierung in Prozesse sicherzustellen. Wir haben für uns erkannt, dass wir den Kolleginnen und Kollegen das nötige Rüstzeug in die Hand geben müssen, um das Potenzial auch realisieren zu können. So haben wir mit den oben erwähnten Programmen organisatorische Weichenstellungen getätigt.

Darüber hinaus haben wir mit der „Digital Academy“ und darin enthalten mit dem „Data Science and AI“ Training die nötigen Instrumente zur Personalentwicklung installiert und etabliert. Hier werden Domain-Experten zu sogenannten AI-Translators ausgebildet. Diese fungieren in ihren jeweiligen Fachbereichen als Übersetzer zwischen Prozessen und Technologie. So ist gewährleistet, dass an den richtigen und realisierbaren Themen gearbeitet wird. Für die Umsetzung der Use Cases stehen dann Experten aus dem Bereich Data Science, Data Engineering, ML usw. zur Verfügung, die mit den Prozess-Experten die Use Cases abarbeiten. Wichtig ist uns ebenfalls eine fail fast, fail often, fail cheap Kultur im Bereich AI zu etablieren – dies stellt eine gewisse Herausforderung dar, steht es doch im Gegensatz zu von uns in der Vergangenheit oft eingesetzten traditionellen Projektierungsmodellen. Nichtsdestotrotz ist es unerlässlich die AI-Prozesse dahingehend aufzusetzen, da nicht alle Use Cases erfolgreich sein werden.

Was sind aus Ihrer Sicht die 5 wichtigsten AI Trends, mit denen man sich befassen sollte?

Aus technischer Sicht sind da einige Themen zu nennen, bei denen mittel-bis langfristig großes Potenzial besteht. In etwa reinforcement learning, welches Schritt für Schritt in die industrielle Reife gebracht wird – wir arbeiten hier selber an Lösungen. Weiters sehe ich in den Entwicklungen des NLP oder Machine Vision, dass immer mehr möglich erscheint, was vor 2-3 Jahren noch undenkbar war. Was sicherlich auch nicht vernachlässigbar ist, ist das Zusammenwachsen der Welten des HPC, Cloud und dem Edge Computing. Dies ist vor allem im industriellen Bereich ein wichtiges Thema für die Zukunft, ermöglicht es doch einerseits die rasche Entwicklung in hochperformanten Umgebungen und andererseits den Einsatz von KI ohne Latenzzeiten am Ort des Geschehens.

Aus kultureller/organisatorischer Sicht denke ich da an Themen wie Demokratisierung von AI, d.h. sie für mehr und mehr Personen im Unternehmen nutzbar und zugänglich zu machen. Dies passiert durch breite Wissensvermittlung. Weiters ist auch das Thema Ethik und AI eines, das stärker in den Fokus treten wird – siehe als Beispiel die Thematik der Gesichtserkennung im öffentlichen Bereich, wo gerade vor Kurzem namhafte Technologiespieler die Notbremse gezogen haben.

Wie sehen Sie die AI Perspektive der voestalpine High Performance Metals?

AI spielt eine zentrale Rolle in der Digitalisierungsstrategie in unserem Unternehmen. Über die Divisionen hinweg wird an einer Vielzahl an Themen gearbeitet, darüber hinaus herrscht reger Austausch zwischen den Experten. Was funktioniert? Was funktioniert nicht? Welche Kompetenzen haben wir schon erworben? Welche fehlen uns? Welches Unternehmen oder Start-Up kann uns bei einer spezifischen Themenstellung am besten weiterhelfen? Man sieht, wir haben uns beim Thema AI sowie generell bei der Digitalisierung dem kontinuierlichen Lernen verschrieben.

Interessante Videos zu diversen Themen finden Sie auf unserem YouTube-Kanal.