Im Themenschwerpunkt Arbeit 5.0 und im Rahmen des Interreg AT-SK Projektes „Twin City Future Innovation Manufacturing Hub“ fand der erste Workshop zu „Future Skills & KI“ Ende Oktober statt. In dieser Reihe findet ein Austausch von Best Practices aus Wissenschaft und Praxis statt, der sich mit dem Einsatz von Künstlicher Intelligenz in Organisationen beschäftigt, sowie welche Kompetenzen gebraucht werden und wie sich Unternehmen auf Herausforderungen im Zusammenhang mit KI vorbereiten können.
Zu Beginn präsentierte Julia Bock-Schappelwein, WIFO, zu Berufen im Spannungsfeld von Demographie, Ökologisierung und Digitalisierung, die Ergebnisse des AMS-Reports zu „Arbeitsmarkt und Beruf 2030“. Transformationsprozesse haben schon immer stattgefunden, das Besondere aktuell ist die Geschwindigkeit, mit der sie voranschreiten. Verändernde geopolitische Rahmenbedingungen oder eine Pandemie beschleunigen zusätzlich Veränderungen in Richtung Ökologisierung und Digitalisierung. Verstärkend kommt die demographische Komponente hinzu, geburtenstarke Jahrgänge scheiden aus dem Erwerbsleben aus und es rücken geburtenschwache Jahrgänge nach. Der Einsatz neuer Technologien erfordert spezifische Kompetenzen, auch durch die Ökologisierung entstehen steigende Anforderungen an die Qualifikationen, sowie werden dadurch auch neue Beschäftigungsbereiche erwartet. Als Future Skills werden neben den klassischen Kompetenzen vor allem transformative und digitale Schlüsselkompetenzen gefordert. In der Studie wurden Berufsbranchen nach drei Kriterien – Demografie, Digitalisierung und Ökologisierung – bewertet und inwiefern sie von diesen beeinflusst werden. Die wichtigsten Outputs sind: Digitale Technologien unterstützen die menschliche Arbeit und weisen eher wenig Potenziale zur Substitution dieser. Künstliche Intelligenz betrifft jetzt stärker kognitive Routinetätigkeiten, während in früheren Automatisierungswellen manuelle Routinetätigkeiten ersetzt wurden. Aufgrund der Altersstruktur sind neben einigen akademischen Berufen auch ingenieurtechnische Berufe wie Material- und Ingenieurtechnik, Prozesssteuerung, Biotechnologie sowie einige Handwerksberufe wie Metallarbeiter:innen, Mechaniker:innen und verwandte Berufe betroffen. Handout One Pager
Links zu den Studien: Arbeitsmarktpolitische Maßnahmen im Hinblick auf die Ökologisierung der Wirtschaft
Theo Kopetzky, SCCH, veranschaulicht wie KI grundsätzlich funktioniert und trainiert wird. Unter KI werden Machine Learning, Deep Learning und Large Language Models verstanden und diese sind schnelle, intuitive Systeme, die bisher keine rationale Entscheidung treffen oder selbst denkende Systeme sind. KI-Modelle werden vom Menschen mit Daten gefüttert und werden vom Menschen trainiert, nach welchen Mustern sie große Datenmengen verarbeiten und klassifizieren sollen. Sie sind keine eigenständigen Systeme. Damit KI-Systeme richtig genutzt und eingeschätzt werden, ist es wichtig diese zu verstehen, um auch die richtigen Erwartungen an sie stellen zu können. KI-Systeme lernen nie „von selbst“. Sie werden entworfen und von menschlichen KI-Ingenieur:innen trainiert. Selbst die fortschrittlichsten KI-Systeme werden von Menschen geschaffen und von einem Menschen in Betrieb genommen. Die Menschen, die das System entwerfen und/oder betreiben, definieren auch die Ziele. Alles, was darüber hinausgeht, wäre „künstliches Leben“, die auf anderen Techniken und anderen Prinzipien basiert und zur Science-Fiction gehört. Abschließend verweist er auf das White Paper zu „Trusted Artificial Intelligence“, das vom SCCH, der TÜV Austria und JKU verfasst wurde und eine erste Zertifizierung von KI-Lösungen anbietet. TÜV Austria Zertifizierung von KI
Manuel Woschank, Montanuni Leoben, und Corina Pacher, Technische Uni Graz, beschäftigen sich mit digitalen Kompetenzen in der Produktion und Logistik und stellten das dazugehörige EU- Forschungsprojekt, „EE4M – Engineering Education of the Future in Production and Logistics“ und dahinterliegende empirische Studie, die sich mit zukünftigen Kompetenzen und der systematischen Kompetenzentwicklung beschäftigt, vor. Gemeinsam in internationalen Forschungsnetzwerken beschäftigt man sich bereits seit Jahren damit, wie neue Technologien Produktionsprozesse und Logistik verbessern können. Mittlerweile dazugekommen sind die Themen der Nachhaltigkeit. Digitalisierung soll Unternehmen bei der Dekarbonisierung unterstützen damit zur Nachhaltigkeit beitragen. Gleichzeitig sollen die Arbeitsplätze attraktiver werden und als weiterer Faktor rückt dadurch der Mensch in den Fokus der Forschung der digitalen Transformation.
Im EE4M Projekt arbeitet man an einer Weiterentwicklung der Ingenieursausbildung in der Logistik und will die Themen identifizieren, die zukünftig in der Produktion prägend sein werden. Als Schlüsseltechnologien können vor allem Material Identifikation und Material Tracking, Augmented Reality und Digitale Zwillinge und der Bereich der Human-Machine Kollaboration, die in Richtung Entscheidungsunterstützung eingesetzt werden, genannt werden. Zu den Kompetenzen sagen die Studienergebnisse, dass neben Digitalisierungskompetenzen aus technischer Sicht vor allem digitale Transformationskompetenzen notwendig sind. Es ist ein Changemanagement erforderlich, die Einführung neuer Technologien ist eine Management Aufgabe. Als weitere Schlüsselkompetenzen kann der Bereich der Data Science hervorgehoben werden. Das Netzwerk rund um die MUL und der TU Graz bietet maßgeschneiderte Weiterbildungspakete, die ein problem- und praxisbasiertes Lernen in Laboratorien und ein intelligentes und zukunftsfähiges Lernen ermöglichen. Handout One Pager Projekte: EE4M SME4.0 SME 5.0
Michael Ginner und Axel Sonntag, KPMG, gaben einen Einblick, wie eine KI-Strategie im Industrieunternehmen aufgesetzt werden kann. In einer jährlich durchgeführten Studie, die KPMG vor 10 Jahren gestartet hat, sagen 64% der Befragten CEOs, dass sie unabhängig von der wirtschaftlichen Situation in KI investieren werden. Gleichzeitig haben 60% die Sorge, dass die Mitarbeiter:innen nicht entsprechend vorbereitet sind. Neben den technischen Aspekten sind es rechtliche und ethische Fragen sowie regulatorische EU-Rahmenwerke, die Industrieunternehmen beschäftigen.
Bei der Strategiefindung werden vier große Bereiche beleuchtet, in welchen Bereichen im Unternehmen soll KI eingesetzt werden, wie sind die organisatorischen Gegebenheiten, Compliance Policy und Prozesse, welche technologische Basis und Tools werden benötigt, und wie schaffe ich das Verständnis und die nötige Kultur in der Belegschaft. Bei der Identifizierung der richtigen Use Cases bietet sich ein strukturierter Approach, da es meist eine Fülle an Ideen geben kann, aber die Ressourcen begrenzt sind. Und gleichzeitig stellt sich die Frage nach dem größten unmittelbaren Mehrwert für das Unternehmen. In einem ersten Bewertungsprozess wird eine Matrix mit der Gegenüberstellung der Dimensionen des Aufwandes und Mehrwerts erstellt. Im Anschluss werden die Use Cases detaillierter mit Fachabteilungen, Controlling ausgewertet bzw. einer technischen Validierung unterzogen. Diese Schritte führen schlussendlich zu einer priorisierten KI-Roadmap.
Thomas Doms, TÜV Austria und Wolfgang Wilke, Data Intelligence, stellen die Herangehensweise bei der Implementierung von KI-Modellen sowie einige konkrete Use Cases, die von der Data Intelligence implementiert wurden, vor. Die TÜV Austria hat außerdem eine KI-Zertifizierung und das Kompetenzzentrum Trustify mitbegründet, welche Unternehmen bei der Qualitätssicherung von KI und der Umsetzung der Vorgaben durch den AI Act unterstützen. Zuallererst geht es um die Identifikation einer Idee bzw. der Problemstellung, die gelöst werden soll und der Definition eines Ziels. Was soll erreicht werden und mit welchen Metriken soll die Zielerreichung gemessen werden. KI basiert auf Daten und somit sind Datenquellen, das Sammeln und Analysieren der Daten eine Grundvoraussetzung für den Einsatz von KI. Darauf basierend kann ein geeignetes Modell ausgewählt werden, welches mit Trainingsdaten gefüttert wird. Das Testen und Bewerten vor der Implementierung und die laufende Überwachung des Models während des Einsatzes sind Voraussetzung, um jederzeit valide Ergebnisse zu gewährleisten.
Der erste Use Case ist das „Rise Device“ der TÜV Austria, das eingesetzt wird, um die Materialermüdung bei Stahlbrücken digital und durchgehend zu überwachen. Es werden Sensoren um den Riss angebracht und jedes Mal, wenn der Zug die Brücke überquert, werden durch die Belastungen im Material akustische Signale gesendet, welche durch den Algorithmus analysiert werden. Im zweiten Use Case wird die Degradierung von Photovoltaik-Modulen überwacht. Diese verlieren mit der Zeit ihre Effizienz. Das Ziel dabei ist es, das Degradationsverhalten zu verstehen und wie verschiedene Einflussfaktoren darauf wirken. Daraus ableitend soll die Lebensdauer von PV-Modulen verlängert werden. Dies wurde mittels Bildverarbeitung und spektralen Messungen umgesetzt. Der dritte Use Cases ist aus dem Bereich der Faserherstellung. Dabei wurde eine sensorgesteuerte Faserproduktionslinie überwacht und damit die Überwachung entlang der gesamten Produktionskette ermöglicht bzw. optimiert und damit können zuverlässige Qualitätsinformationen allen Entscheidungsträgern zur Verfügung gestellt werden.
Die TÜV Austria unterstützt mit Schritt für Schritt Anleitungen, die Data Scientist und Data Ingenieure bei der Umsetzung von Prozesse rund um Daten unterstützen und dadurch Qualitätsstandards gewährleistet werden.
Abschließend spannen Andreas Dieminger und Christian Wallmann, Welser Profile, den Bogen von der Transformation und Organisationsentwicklung, über welche beruflichen Rollen sich wandeln und welche Kompetenzen gefragt werden bis zu ausgewählten KI-Use Cases. Welser Profile produzieren auf Kundenanfragen Sonderprofile aus Stahl. Das Unternehmen zeichnet sich durch den Pioniergeist seiner Mitarbeiter:innen aus. Der Mensch steht dabei im Mittelpunkt und auch die Verantwortung für die jüngeren Generationen wird u.a. durch das neu errichtete Lehrlingsausbildungszentrum gelebt. Es wird laufend in die Kompetenzentwicklung der Mitarbeitenden und Führungskräfte investiert. Die Transformation erfordert ein lebenslanges Lernen. Die Führungsmannschaft ist gefordert, die Potenziale der Mitarbeiter:innen optimal zu entfalten und braucht vor allem unternehmerische Kompetenzen. Bei den Mitarbeitenden sind neben digitale Kompetenzen insbesondere Lernfähigkeit und Problemlösungskompetenzen gefragt. Fachliche Kompetenzen werden je nach Bereich definiert und weiterentwickelt.
KI spielt bei Welser Profile eine große Rolle und es vieles ausprobiert und unterschiedliche Use Cases werden bereits umgesetzt. Das Ziel ist es, geeignete Use Cases auch in den Produktionsprozess zu integrieren. Es werden Chatbots eingesetzt, um eine Menge Dokumenten zusammenzutragen zum Beispiel über das Organisationssystem, zur Compliance, Sicherheitsmaßnahmen etc. Es kann jeder im Unternehmen eigene Chatbots erstellen bzw. für die gesamte Organisation vorschlagen. Machine Learning wird eingesetzt zur Stahlbedarfsprognose, oder um Zahlungseingänge zu prognostizieren. Knowledge Graphs sind als internes Projekt im Einsatz, in dem alle Objekte innerhalb und außerhalb der Organisation und entlang der Wertschöpfungskette mit deren Beziehungen dargestellt werden. So können bspw. auf einen Blick Störungen erkannt werden und weitere Parameter wie Maschinenauslastung oder Stahlherkunft transparent dargestellt werden. In einem weiteren Projekt gemeinsam mit Ars Electronica wurde im Rahmen von einem „Test-before-Invest“ AI5 Production anhand von Computer Vision eine Querschnittsähnlichkeit von Profilen untersucht. Handout One Pager
Vielen Dank an alle Vortragenden und Teilnehmer:innen. Die Aufzeichungen und Präsentationen sind im Mitgliederbereich für Mitglieder der Plattform zugänglich.
