Die besten KI-Tools bringen nichts, wenn sie nicht auf die richtigen Daten zugreifen können, oder die benötigten Daten nicht semantisch aufbereitet worden sind und interoperabel ausgetauscht werden können. Welche Rolle Data Spaces hier einnehmen und warum sie für den wertstiftenden Einsatz von KI so wichtig sind, erklärt Andreas Faath, Geschäftsführer der VDMA Abteilung Machine Information Interoperability (MII), im Interview.
Herr Faath, warum sollte sich die produzierende Industrie schon jetzt mit Data Spaces beschäftigen?
Die produzierende Industrie sollte sich bereits jetzt intensiv mit Data Spaces auseinandersetzen, da diese eine zentrale Rolle in der digitalen Transformation und Industrie 4.0 einnehmen. Sie sind integraler Bestandteil der EU-Datenstrategie für verschiedene strategische Bereiche, einschließlich der produzierenden Industrie. Data Spaces ermöglichen den sicheren und souveränen Austausch von Daten zwischen unterschiedlichen Akteuren, was zu einer verbesserten Zusammenarbeit, effizienteren Prozessen und der Entwicklung neuer Geschäftsmodelle führt. Durch die Nutzung von Data Spaces können Unternehmen sich optimal auf zukünftige Anforderungen vorbereiten. Der VDMA ist an den Projekten SM4RTENANCE, RoX, Factory-X, Wind-X und der Initiative Manufacturing-X beteiligt, um die Wettbewerbsfähigkeit und Resilienz der deutschen und europäischen Industrie durch Digitalisierung zu stärken.
Welche technologischen Mindestvoraussetzungen sollten erfüllt sein, um von Data Spaces zu profitieren?
Um Data Spaces optimal nutzen zu können, sollten Unternehmen über eine gute digitale Infrastruktur verfügen. Dazu gehören hochleistungsfähige Netzwerke, die schnelle und zuverlässige Internetverbindungen gewährleisten. Außerdem sind Datenmanagementsysteme in den meisten Fällen empfehlenswert, die große Datenmengen verwalten und speichern können. Schließlich ist die Interoperabilität wichtig, damit der Datenaustausch zwischen verschiedenen Systemen durch standardisierte Schnittstellen und Protokolle ermöglicht wird. Die größte Hürde für viele Unternehmen ist allerdings nicht technischer Natur, sondern besteht in der Heterogenität der Datenmodelle und -qualität. Nur wenn Transparenz über die eigenen Daten besteht, können diese Daten genutzt werden, um skalierbare Geschäftsmodelle aufzubauen. Dies kann durch semantische Modellierungen erreicht werden.
Ein wesentlicher Faktor für die Nutzung von Data Spaces ist das Vertrauen in diese. Wie kann die „Trustworthiness“ gesteigert werden?
Die Vertrauenswürdigkeit von Data Spaces kann durch eine Vielzahl von Maßnahmen und Strategien erheblich gesteigert werden. Zentral im Konzept von Data Spaces sind sogenannte Policies. Dies sind Regeln, die jeder Akteur im Data Space für seine Daten festlegt und die definieren, wer zu welchen Konditionen auf die Daten zugreifen kann. Nachdem diese Policies einmalig festgelegt wurden, sind sie automatisiert auslesbar und interpretierbar. Dies erlaubt das vollkommen autonome Abwickeln von Business Cases zwischen mehreren Akteuren im Data Space.
Wie gehen Unternehmen dabei am besten vor?
An erster Stelle stehen die Implementierung und Einhaltung strenger Sicherheitsstandards und Protokolle: Dazu zählen Verschlüsselungstechniken und regelmäßige Sicherheitsüberprüfungen. Ebenso wichtig ist die Wahrung der Datensouveränität und die strikte Einhaltung von Datenschutzrichtlinien, um das Vertrauen der Nutzer und Datenlieferanten zu stärken. Die Nutzung standardisierter Datenformate und Protokolle fördert zudem die Interoperabilität zwischen verschiedenen Systemen und Plattformen, erleichtert den Datenaustausch und erhöht den effizienten Einsatz von Data Spaces. Neben den Akteuren gibt es in einem Data Space auch eine oder mehrere Betreibergesellschaften, welche sog. „shared services“ zur Verfügung stellen. Dies können Services sein, die benötigt werden, um Akteure zu identifizieren und zu authentifizieren, oder beispielsweise eine neutrale Instanz wie ein Clearing House, das die korrekte Abwicklung von Datenhandel überwacht.
Welche Potenziale kann Künstliche Intelligenz im Kontext von Data Spaces erschließen?
Data Spaces sind entscheidend für den Einsatz von KI. Sie ermöglichen die Bereitstellung und Nutzung großer Datenmengen aus verschiedenen Quellen und verschiedenen Unternehmen, was die verfügbare Datenmenge erheblich steigert. Dies schafft eine reichhaltige Datenverfügbarkeit für KI-Systeme, die dadurch präzisere, skalierbare und umfassendere Analysen durchführen können. Allerdings bringt die Nutzung von Data Spaces auch Herausforderungen mit sich. Die große Menge an Daten und die Vielfalt der Quellen machen es besonders anspruchsvoll, die Daten korrekt und effizient zu verarbeiten. Daher ist es empfehlenswert überall, wo es möglich ist, auf standardisierte Datenmodelle zurückzugreifen, um die Heterogenität zwischen den Datensätzen zu reduzieren. Außerdem erfordert es smarte KI-Algorithmen und gute Datenmanagementstrategien, um sicherzustellen, dass die Datenqualität hoch bleibt und die Analysen zuverlässig sind. Um die Frage abschließend zu beantworten: Im Kontext von Data Spaces kann KI zahlreiche Potenziale erschließen. Sie kann große Datenmengen effizient analysieren und in diesen Muster erkennen. Durch die Automatisierung und Optimierung von Prozessen steigert KI die Effizienz erheblich. KI-Modelle können präzise Vorhersagen treffen und Unternehmen bei der Entscheidungsfindung unterstützen. Zudem ermöglicht KI die Bereitstellung personalisierter Lösungen und Dienstleistungen, die auf den analysierten Daten basieren.
