VDMA-Studie Industrie soll Daten freigeben, sonst drohen Marktnachteile

Der Branchenverband VDMA (Verband der Maschinen- und Anlagenbauer) entwickelte zusammen mit dem FH ISI (Fraunhofer-Institut für System- und Innovationsforschung) Szenarien zur Zukunft des maschinellen Lernens und der Datennutzung im deutschen Maschinenbau. Von glänzendem Erfolg bis zu Verlust an Marktanteilen ist alles drin.

Anbieter zum Thema

Fujitsu Technology Solutions GmbH

Disy Informationssysteme GmbH

QUNIS GmbH

VDMA e.V. Software und Digitalisierung IT@Automation

Bei digitalen Services für Endanwender ist Deutschland abgehängt, hier dominieren US-Plattformen wie Google oder Facebook. Das soll möglichst nicht auch noch im industriellen Bereich passieren, weshalb die Branchenverbände nun Bewusstseinsarbeit in Sachen Industrie 4.0, Maschinenlernen und Datenanalyse betreiben. In diesen Kontext lässt sich auch die aktuelle Studie „Maschinenlernen 2030, Zukunftsbilder für den Maschinen- und Anlagenbau“ einordnen. Die Studie ist die erste mehrerer Arbeiten, die sich damit befassen wollen, wie der deutsche Maschinenbau im Zeitalter der Digitalisierung marktführend bleiben kann.

Im Zentrum wird nach den Ergebnissen der Untersuchung dabei wohl stehen, wie gut es die Branche versteht, mit Daten umzugehen und inwieweit sie bereit ist, bislang gehegte Prinzipien hinsichtlich des Schutzes eigener Daten zugunsten von mehr Kooperation und Transparenz aufzugeben. Die Szenarien kamen dabei durch Workshops zustande, die das Competence Center des FH ISI veranstaltete und an denen unter anderem Wissenschaftler, Vertreter von Unternehmen sowie Vertreter von FH ISI und VDMA teilnahmen. Entstanden sind neben den Szenarien auch Handlungsempfehlungen an unterschiedliche Akteure (siehe unten).

Drei technologische Faktoren

Schlüssel dafür, warum ein Umdenken bezüglich bislang geübter Praxen erforderlich ist, ist ein Verständnis der zur Datenanalyse und zum Maschinenlernen genutzten Technologien. Dabei spielen, so die Studie, drei technologische Faktoren eine wichtige Rolle: die inzwischen massenweise kostengünstig verfügbare Rechenleistung, gepaart mit um Dimensionen leistungsfähigeren Algorithmen sowie die durch allgegenwärtige Sensoren und andere Quellen in Echtzeit massenweise erzeugten Daten.

Neuronale Netze, wie sie IBM beispielsweise jüngst bei einer Veranstaltung in München präsentierte, basieren auf der Verschaltung mehrerer Ebenen von gleichgeordneten logischen Knoten. Je mehr Ebenen, desto differenzierter können Analysen und daraus abgeleitete Aktionen oder Prognosen ausfallen. Während in den Anfangszeiten solcher Algorithmen höchstens ein paar Ebenen möglich waren, sind es inzwischen über 100.

Um effizient zu arbeiten, brauchen sie vor allem eines: massenweise und vielfältige Daten, denn aus jeder Information lernen sie dazu. Zu wenige Daten bedeuten, dass die Algorithmen relativ dumm bleiben und beispielsweise keine vernünftigen Prognosen liefern oder Handlungen anstoßen können. Dr. Eric Maier vom Kompetenzzentrum Future Business beim VDMA fasst zusammen: „Datenprotektionismus schadet, weil dann neuronale Netze nicht genug zu lernen haben.“

Vier Szenarien

Die vier Szenarien (Avantgarde gewinnt, Größe zählt, KMU-Netzwerke starten, Digitale Steppe hemmt) unterscheiden sich deshalb auch vor allem im Grad der gemeinsamen Nutzung und Analyse von Daten: Beim für die deutsche Wirtschaft günstigsten Szenario (Avantgarde gewinnt) sind Maschinen flächendeckend sensorbestückt, Daten werden in einem firmenübergreifenden europäischen Datenpool gehalten und gemeinsam mithilfe der Softwarelösungen globaler Marktführer genutzt, die Datenhoheit ist vertraglich geregelt. Nutzer profitieren von standardisierten, intuitiven Schnittstellen, kaum Ausfall- und Umrüstzeiten. Die Bedeutung des deutschen Maschinenbaus bleibt erhalten.

Beim Szenario „Größe zählt“ – angesichts der Aktivitäten von Siemens, SAP und auch globalen Playern wie GE, die Kundenbindung durch intelligente Algorithmen zu erhöhen – wohl das wahrscheinlichste, bewirkt demgegenüber etwas weniger Dynamik. Hier sammeln die großen Hersteller die Daten der Maschinen, Anlagen und Prozesse ihrer Kunden und nutzen sie. Damit verwandeln sie Produkte in Services und verbessern gleichzeitig ihre internen Prozesse, etwa in der Entwicklung. Die Großen kaufen in diesem Fall viele Start-ups zu, wie es ja bereits zu beobachten ist, und können ihre Kunden fester an sich binden, beispielsweise durch weniger Ausfälle.

Eine gewisse Dynamik entfaltet sich auch im dritten Szenario, „KMU-Netzwerke starten“, bei dem allerdings aufgrund des Beharrens gerade großer Player auf der üblichen datenprotektionistischen Praxis kleine, innovative Player die wichtigste Rolle spielen. Weil sie sich zu grenzübergreifenden Netzen zusammenschließen, die Daten in gemeinsame Pools einspeisen und analysieren, kommt auch hier eine ausreichend große kritische Masse an Daten zusammen, um innovative Analysen durchzuführen.

Basis für neue Mensch-Maschine-Schnittstellen

Ein Beispiel dafür sind temporäre Lernumgebungen, die mit Sensornetzwerken gekoppelt sind. Die erzeugten Analysen können die Basis für neue Mensch-Maschine-Schnittstellen sein, die optimales Benutzerverhalten belohnen. Auch Mixed-Reality-Umgebungen nennt die Studie als Anwendungsgebiet. Bei diesem Szenario haben neue, kleine Unternehmen die besten Chancen, während die Großen zurückfallen.

Eher negativ wirkt sich die „digitale Steppe“ aus. Hier werden die innovativen Potenziale des maschinellen Lernens verschenkt, weil niemand bereit ist, ausreichend Daten herauszurücken und weil wegen so gebremster Kostendegression nebst gleichzeitig geringeren Nutzeffekten weniger innovative Sensorik implementiert wird als in den übrigen Szenarien. Die eigentlich verfügbare Technologie der neuronalen Netze kann hier ihre Stärken nur beschränkt ausspielen. Maschinelles Lernen bleibt hier ein Mittel der Entscheidungsunterstützung, Betriebsvereinbarungen verhindern innovative Mensch-Maschine-Schnittstellen, weil man mehr Überwachung fürchtet.

Infolgedessen, so schlussfolgert die Studie, werde der deutsche Maschinenbau international Marktanteile einbüßen und vor allem auf dem deutschen Markt stark bleiben – dass es auch anders herum kommen und sich deutsche Datenschutzvorstellungen über Europa hinaus verbreiten könnten, wird in der Studie anscheinend für so unwahrscheinlich gehalten, dass diese Option nicht auftaucht. Dabei hat sich bereits in der Europäischen Datenschutz-Grundverordnung ein eher kritisches Verständnis der schrankenlosen Datennutzung durchgesetzt, wenn auch nicht ganz auf dem strengen deutschen Niveau.

Was tun?

Unternehmen rät der VDMA, anhand der eigenen Gegebenheiten über Chancen und Risiken des maschinellen Lernens nachzudenken und eine Strategie dafür zu entwickeln. In sie sollten Überlegungen dazu einfließen, welche Sensoren in Produkte integriert werden könnten, welche Daten und Kompetenzen für Machine Learning bereits vorhanden sind, mit wem der Datenaustausch sinnvoll wäre, ob es mögliche Pilotanwendungen gibt, welche Strategien Konkurrenten haben und ob Lieferanten zu Konkurrenten werden könnten, wenn sie Nutzungsdaten beispielsweise der von ihnen gelieferten Maschinen erhalten.

Abschließend gibt die Studie einige Handlungsempfehlungen. So sollen Unternehmen Sensoren in ihre Produkte integrieren, Kompetenz bei maschinellem Lernen aufbauen und rechtzeitig in Absprache mit Kunden Datenhoheit und -zugang sicherstellen. Die Softwareindustrie oder, so die Studie, am besten Maschinen selbst, sollen ein universelles Protokoll entwickeln, mit dem Systemkomponenten unterschiedlicher Lieferanten kommunizieren können. Die Politik soll die Ausbildung von Datenwissenschaftlern fördern und vernünftige Regelungen zu Datenhoheit und –Sicherheit entwickeln. Von Hochschulen und Fachhochschulen erwartet der VDMA, dass sie mehr Anwendungsbezug in ihre Studiengänge integrieren.

(ID:44675775)