Best Practice: 12 Anwendungsfälle von KI & Big Data in der Industrie
Alle reden über Künstliche Intelligenz und Datenanalyse – aber vielen Unternehmen fehlt es an Ideen, wie sie die Technologien einsetzen können. Der Digitalverband Bitkom hat deshalb einen Leitfaden mit zwölf Best Practice-Cases “Konkrete Anwendungsbeispiele für KI und Big-Data in der Industrie” zusammengestellt, die im vergangenen Jahr auf dem Big Data.AI Summit des Bitkom vorgestellt wurden.
Dort wird u.a. gezeigt, wie sich Fahrzeugdaten nutzen lassen, um eine Risikoeinschätzung für das individuelle Fahrverhalten zu liefern, aber auch um Schlaglöcher auf einer Karte zu markieren und so die Straßenqualität zu verbessern. In einem anderen Anwendungsfall aus der Mobilität werden mit Hilfe von anonymisierten Smartphone-Daten Bewegungsmuster erstellt, um ideale Standorte für Car-Sharing-Stationen oder E-Auto-Ladestationen zu ermitteln.
Weitere Anwendungsmöglichkeiten für KI ergeben sich in der Medizin. Der Leitfaden zeigt, wie Künstliche Intelligenz in der Kieferorthopädie bei der sogenannten Kephalometrie genutzt werden kann. Diese ist vor jeder kieferorthopädischen Behandlung, wie etwa einer Zahnspange, vorgeschrieben. Dabei muss ein seitliches Röntgenbild sehr schematisch ausgewertet werden, was bisher rund 10 bis 15 Minuten dauert. Dank KI kann die Bildanalyse in weniger als einer Sekunde erledigt werden – bei weltweit etwa 10 Millionen Kephalometrien pro Jahr sind so gigantische Effizienzsteigerungen möglich. Aber auch in der Onkologie können Datenanalyse und KI helfen: Von der Krebs-Früherkennung, bei der selbst kleinste Veränderungen auf Röntgenaufnahmen und CT-Bildern entdeckt werden, bis hin zur perfekten individuellen Therapie, die auf den aktuellsten Leitlinien basiert.
Der Leitfaden behandelt darüber hinaus weitere Praxisbeispiele wie den Aufbau einer Price Engine für einen Kfz-Ersatzteilhändler, die Vorhersage von Fahrgastströmen auf Bahnhöfen sowie der Einsatz von KI und Datenanalyse in einer eher konservativen und wenig technologie-affinen Branche wie der Stahlindustrie.
Im Ergebnis sind es Beispiele, die es bereits in der Praxis gibt und zeigen, wie unterschiedliche Datenquellen sinnvoll kombiniert werden können und über Prognose-Modelle zum Machine Learning werden. Nach dem ersten Schritt, dem Erkennen von Potentialen, folgt im zweiten Schritt das Skalieren von Anwendungen, um so möglichst gezielt und fachbereichsübergreifend zu agieren.