Icon 00

Praxisbeispiel und aktuelle Herausforderungen

  • Die meisten Unternehmen haben bereits erkannt, dass Daten einen enormen Wert haben. Sie wollen sich von ihren Konkurrenten abheben, indem sie ihren Kunden maßgeschneiderte digitale Dienste anbieten. Gleichzeitig stehen die Automobilhersteller vor der Aufgabe, die Energieeffizienz und den Verbrauch von Elektrofahrzeugen zu optimieren – was durch den Einsatz von Machine Learning (ML) Modellen verbessert werden könnte. Diese Modelle müssen mit Hilfe von Daten aus dem Fahrzeug trainiert werden. Sowohl die Modelle als auch die Daten sind äußerst wertvoll und stellen ein potenzielles Unterscheidungsmerkmal für den Anbieter dar, die sie kontrolliert. Daher ist nicht jedes Unternehmen bereit, Daten zu teilen oder gar zu verkaufen. Stattdessen betonen die Unternehmen die Bedeutung des Datenschutzes, der Datenhoheit und des Dateneigentums. Nicht nur die Datenherkunft ist wichtig, sondern auch die lokale Speicherung der Daten. Der Grund dafür ist, dass einige Datenpunkte zu groß sind, um geteilt zu werden, während andere Datenpunkte zu sensibel sind, um geteilt zu werden.

  • Diese Herausforderung kann durch dezentrales Lernen gelöst werden. Mehrere Parteien trainieren gemeinsam ML-Modelle, ohne ihre Daten offenzulegen. Stattdessen trainieren sie das Modell lokal anhand ihrer eigenen Daten und teilen dann die Erkenntnisse aus dem Trainingszyklus. Dieser Prozess muss orchestriert werden. Es wird eine Lösung für diese Herausforderungen vorgeschlagen, die die erforderlichen Verwaltungsfunktionen einführt und es den teilnehmenden Organisationen ermöglicht, Schwärmen beizutreten und sie zu verlassen, ML-Modelle zu teilen und in einem ML-Ökosystem zusammenzuarbeiten. Sie bietet eine datenzentrierte Lösung für schnelle Vertragsabschlüsse, Vertragsüberwachung in Echtzeit und den vertrauenswürdigen und sicheren Austausch digitaler Dienste, die ein offenes Ökosystem für dezentrales Lernen ermöglicht.

  • Das beschriebene KI-System eignet sich besonders für Situationen, in denen Automobilhersteller, Zulieferer, Batteriehersteller und Betreiber von Recycling- oder Ladestationen ML-Modelle lokal im Fahrzeug trainieren, um die Energieeffizienz und den Verbrauch von Elektrofahrzeugen zu optimieren. Darüber hinaus könnte dezentralisierte ML auch im Bereich Predictive Maintenance eingesetzt werden. Dabei werden Sensordaten im Fahrzeug zusammen mit historischen Daten genutzt, um zentrale und dezentrale ML zur Vorhersage von Lebenszyklusereignissen (Verschleiß) von Bauteilen und Komponenten des Fahrzeugs zu kombinieren. Dies führt zu einer kontinuierlichen Qualitätsverbesserung von Teilen und Komponenten. Der Ansatz ermöglicht auch eine Echtzeitsteuerung und -simulation, indem ML direkt im Fahrzeug und auf Echtzeitdaten genutzt wird und nicht auf ein einzelnes Fahrzeug beschränkt bleibt.

  • Ein Hauptvorteil ist die quelloffene, plattformunabhängige und vollständig dezentrale Natur des Systems, was bedeutet, dass es keinen zentralen Verwahrer gibt, der auf die Daten oder Modelle der Teilnehmer zugreift. Das dezentrale ML, das durch die Lösung ermöglicht wird, wird also direkt zwischen den Modellanbietern und den Verbrauchern abgewickelt, ohne dass eine dritte Partei eingeschaltet werden muss. Die Lösung vermeidet auch langwierige Verhandlungen, da die Verbraucher den Schwärmen per Mausklick beitreten können und somit ein automatisiertes Onboarding ermöglicht wird. Das KI-System folgt den Gaia-X-Grundsätzen, indem es die Daten-Souveränität gewährleistet: Datenschutz und -sicherheit sind gewährleistet, das Eigentum wird im gesamten Ökosystem respektiert und geschützt, und jede Partei kann entscheiden, mit wem sie interagiert.

Infografik: 00

Welchen Mehrwert bietet das „Projekt Gaia-X“?

  • Viele Unternehmen und Forschungseinrichtungen arbeiten an verschiedenen Projekten im Bereich "Industrie 4.0 / Smart Manufacturing / Artificial Intelligence in Manufacturing". Dies ist mit einem enormen Aufwand an Forschungsgeldern verbunden. Gaia-X stellt eine erhebliche Beschleunigung und die Lösung für das gleiche Problem dar: souveräner Zugang zu Daten und deren Verteilung und ermöglicht Komptabilität und Neutralität.
  • Themen wie Dateneigentum, Datenschutz und Souveränität, aber auch technische, funktionale, regulatorische und gesetzliche Einschränkungen hindern Unternehmen daran zu kollaborieren. Gaia-X hilft, Mikro-Service-Architekturen zu vertrauen, indem es Rechenleistung und Daten über traditionelle Grenzen hinweg dezentralisiert.
  • Gaia-X ermöglicht neue Technologien wie dezentralisiertes ML und neue Geschäftsmodelle, die auf der gemeinsamen Nutzung von Daten basieren, um den Wert der Daten zu nutzen und Wettbewerbsvorteile (wieder) zu erlangen.

Paten

  • Christine Wenzel – Hewlett Packard Enterprise
  • Thomas Ernst – Hewlett Packard Enterprise
  • Hartmut Schultze – Hewlett Packard Enterprise
  • Florian Bühr – Hewlett Packard Enterprise
  • Marcus Friedrich – Hewlett Packard Enterprise