Liebherr stehe aktuell vor der Herausforderung, dass die große Vielfalt an Produkten – von klassischen Baufahrzeugen, wie Bagger oder Radlader, über Mining-Fahrzeuge bis hin zu Haushalts- und Industriegeräten – einer umfassenden Vernetzung bedarf, so Gruber. Mittels künstlicher Intelligenz sollen auf Basis der vernetzten Daten interne Prozesse optimiert, Vorhersagen getroffen und der Service rund um die Produkte verbessert werden. 

Seit einem halben Jahr gibt es deshalb das Kompetenzzentrum für Künstliche Intelligenz, das in der Liebherr Digital Development Center GmbH angesiedelt ist. Um das rasante Tempo zu bewältigen, das international in puncto künstlicher Intelligenz vorherrscht, sollen Synergien der Sparten im Kompetenzzentrum optimal gebündelt werden, so Gruber. Dabei werde zum einen das „Data Mindset“ der Mitarbeitenden geschärft und eine solide Datenplattform für jede Sparte entwickelt. Zum anderen sei die Beratung der Mitarbeitenden zentral: Diese hätten eine Vielzahl an Erwartungen an künstliche Intelligenz und Ideen, wie man Produkte und Service mittels KI optimieren könnte. Das Kompetenzzentrum ordnet diese Anforderungen ein und informiert, welche realistisch und umsetzbar sind. Nicht zuletzt entwickelt das Kompetenzzentrum Prototypen und setzt so konkrete Use Cases um. 

Das kann zu falschen Schlussfolgerungen und damit zu falschen Erwartungen an KI führen

Dr. Tobias Gruber, AI Tech Lead des Kompetenzzentrums für Künstliche Intelligenz bei der Liebherr Firmengruppe

Tobias Gruber sensibilisierte die Zuhörenden auch für die Fehleranfälligkeit und Herausforderungen von KI: Manchmal seien Daten, mit denen die KI trainiert wird, nicht repräsentativ für das Ergebnis, das man erreichen will (sog. Dataset bias) oder es würden nur die besten Ergebnisse gezeigt (sog. Cherry picking). „Das kann zu falschen Schlussfolgerungen und damit zu falschen Erwartungen an KI führen“, so Gruber. Als Beispiel nannte er die Bilderkennung im Kühlschrank, die de facto nur bei einer überschaubaren Anzahl an Produkten gut funktioniert und noch keinen umfassenden Algorithmus für die digitale Vorratshaltung bietet. 

Zudem sei eine gute Datengrundlage wichtig, damit KI verlässlich Vorhersagen treffen kann. Diese gewinne man am besten aus dem Einsatzfeld der Produkte: So kann direkt Feedback zu den Modellen gewonnen werden, das der Optimierung der Modelle zufließt (sog. Machine Learning Zyklus).  

Schließlich zeigte Tobias Gruber, wie bei Liebherr Chatbots mittels LLMs (Large Language Modellen) trainiert werden. Chatbots sind bei Liebherr häufig im Einsatz, um Kundenanfragen automatisiert zu beantworten. LLMs können in diesem Kontext helfen, zu bewerten, ob eine Antwort richtig oder falsch ist, welche Antwort besser ist oder wie genau die Antwort ist. Liebherr hat auf dieser Grundlage bereits einen Chatbot entwickelt, der Wissen zu einem speziellen Mobilkran zur Verfügung stellt. Einen Mitarbeitenden könne solch ein Chatbot momentan aber noch nicht ersetzen, so betont Tobias Gruber.

 

Kontakt