DS: Bitte stellen Sie Neuron Soundware kurz vor - ich weiß, dass Sie Sound für die vorausschauende Wartung von Maschinen und die Vorhersage von Maschinenausfällen einsetzen. Aber wie genau funktioniert das?

PK: Wir verwenden Methoden der künstlichen Intelligenz, um neuronalen Netzen beizubringen, Standardmaschinengeräusche zu erkennen. Wir haben eine Datenbank mit Geräuschen und verschiedenen Fehlern, die wir direkt mit den Kunden aufzeichnen. Diese Datenbank ermöglicht es uns, einige der Probleme auf eine viel effizientere Weise zu erkennen. Zum Beispiel mit Geräuschen von ähnlichen Geräten desselben Typs. Algorithmen ermöglichen es uns, im Voraus zu erkennen, wann eine Anomalie auftreten wird - und um welche Art von Defekt es sich handelt. Mit zunehmender Rechenleistung sind wir in der Lage, den Algorithmus in einen relativ kleinen Mikrocomputer zu quetschen. Vor kurzem haben wir auch eine Version entwickelt, die es uns ermöglicht, das Signal vollständig innerhalb des Computers zu verarbeiten. nBoxunsere zentrale Hardware-Einheit. Das bedeutet, dass wir in Zukunft bei allen neuen Installationen das gesamte Signal vor Ort verarbeiten und die Anzahl der Kanäle verdoppeln können, so dass wir keine Terabytes an Daten zwischen dem Gerät und der Cloud verschieben müssen. Das ist eine zuverlässige, robuste Lösung, die auf lange Sicht auch billiger ist.

DS: Und wie genau läuft der Prozess zwischen Ihnen und dem Kunden ab? Gibt es eine Hardware, die den Ton aufnimmt und ihn an Sie zur Bearbeitung weiterleitet?

PK: Wir verwenden verschiedene Arten von Mikrofonen, am häufigsten das Piezo-Kontaktmikrofon, das an die nBox angeschlossen wird; das Mikrofonsignal geht dann an die Digitalisierungsplattform in der Box. Anschließend senden wir das Signal zur Verarbeitung in die Cloud, oder wir können das Signal direkt in unserem Edge-Gerät analysieren.

DS: Verwenden Sie neuronale Netze für tiefes Lernen oder etwas anderes?

PK: Wir verwenden verschiedene Algorithmen, nicht nur tiefe neuronale Netze. Es hängt wirklich von Projekt zu Projekt ab und davon, welche Anforderungen es gibt und wie die Datenlage ist. Es gibt Fälle, in denen wir sehr viele Daten haben, und in diesem Fall verwenden wir einen Deep-Learning-Algorithmus. Wenn wir weniger Daten haben, was häufiger der Fall ist, verwenden wir andere Techniken, um das Problem zu lösen. Was nicht so häufig vorkommt, was wir aber sehr gut können, ist der Umgang mit einem großen Mangel an Daten. Die Technik, mit der wir diese Situation bewältigen, ist das Herzstück unserer Technologie, und wir können den Algorithmus für eine bestimmte Maschine sehr schnell kalibrieren. Wir haben vortrainierte Modelle für verschiedene Gerätetypen und kalibrieren sie im letzten Schritt für die spezifische Arbeit einer bestimmten Maschine.

DS: Die Erkennung selbst läuft wie genau ab? Um es mit einem Beispiel aus der realen Welt zu vergleichen: Ist es so, als würde ich einer Festplatte zuhören und ein Klicken hören, woran ich erkenne, dass sie bald kaputt geht?

PK: Das stimmt, das kann man so sagen. Wir erwähnen oft eine "Geschichte", mit der alles begann, was unser Geschäft betrifft und wie wir über die Arbeit, die wir tun, denken. Mein Freund fuhr mit seinem Auto, als er plötzlich ein Problem im Motor hörte - der Motor hörte sich anders an; das Auto war Jahre alt, und er wusste genau, dass etwas nicht stimmte. Er ging zum Mechaniker, aber der konnte nicht herausfinden, wo das Problem wirklich lag. Sie sahen sich das Armaturenbrett an und konnten kein offensichtliches Problem feststellen. Also ließ er den Mechaniker stehen und fuhr weiter. Und siehe da, 100 Kilometer später brach auf der Autobahn ein Zylinder und zerstörte den gesamten Motor. Er sagte mir damals, dass er großes Glück hatte, 2 Tage vor Ablauf der Garantie zu sein, sonst hätte ihn die ganze Sache eine unangemessene Menge Geld gekostet. Wir fragen unsere Kunden, wenn sie mit einem neuen Fall kommen, den wir noch nicht gelöst haben, ob sie einen erfahrenen Techniker vor Ort haben, der dank seiner großen Erfahrung das Problem allein durch Abhören der betreffenden Maschinen erkennen kann. Oft helfen uns diese Techniker, ihre Daten tatsächlich zu verstehen und zu beschriften. Sie kennen bereits den Klang des Geräts und das Problem: Das ist es, was uns oft den grundlegenden Input für den Aufbau des Algorithmus liefert. Unsere Grundphilosophie, die sich daraus ableitet, lautet: Wenn ein Mensch es lernen kann, kann es auch ein Computer. In der Tat gibt es akustische Phänomene, bei denen der Algorithmus besser ist als der Mensch - wir verfügen über breitere Frequenzsensoren, die empfindlicher sind als das menschliche Ohr und sogar Geräusche erkennen können, die wir niemals physisch hören könnten und die z. B. auf einen bevorstehenden Maschinenausfall hinweisen könnten.

DS: Beispiele für die Anwendung dieser Technologie über das Auto Ihres Freundes und die Autoindustrie hinaus sind also praktisch alle Maschinen, die Geräusche machen?

PK: Wir bauen die Hardware nicht direkt in die Autos ein, obwohl wir in der Vergangenheit auch solche Daten analysiert haben. Stattdessen konzentrieren wir uns jetzt auf Datensätze für Maschinen, die einen hohen Mehrwert für den Kunden haben: das können zum Beispiel verschiedene Kompressoren in der Produktion, große Dieselmotoren, Kräne, Turbinen und so weiter sein. Wir führen auch eher qualitative, prozessorientierte Funktionen vor Ort aus, z. B. Aufgaben wie Qualitätskontrolle oder Unterstützung bei der Organisation von Arbeitern und ihren Schichten, je nachdem, welche Maschinen wann laufen. Es ist ein breites Spektrum dessen, was wir tun und tun können.

DS: Sie arbeiten also viel in der industriellen Produktion?

PK: Ja, das ist unser Hauptgeschäft: in den Fabriken, alles Mechanische, wirklich. Wir bereiten uns jetzt auf die Überwachung von Lagern, Lagern, Zuführungen, die gelegentlich kaputt gehen, usw. vor. Im Moment haben die Unternehmen ein Problem in der Logistik, und wir können helfen, dieses Problem zu lösen. Unsere Technologie kann eigentlich für alles eingesetzt werden, was mechanische Teile hat. Das Unternehmen kann die Erkenntnisse dann strategisch nutzen.

DS: Was meinen Sie genau mit der Überwachung der Arbeitnehmer? Helfen Sie, sie zu organisieren?

PK: Wir hatten ein solches Projekt, ja. Man kontrolliert die Funktion von Produkten, indem man hört, ob sie so funktionieren, wie sie sollen: zum Beispiel Klimaanlagen oder Servomotoren und so weiter. Man steht am Ende der Produktionslinie und prüft, ob alles so funktioniert, wie es soll, also eine Qualitätskontrolle - zum Beispiel bei Haushaltsgeräten wie Kühlschränken. Das äußert sich manchmal nicht als expliziter Produktfehler (dass der Kühlschrank nicht einfriert), sondern zum Beispiel als ein seltsames Geräusch, das das Gerät von sich gibt, ohne dass es als solches kaputt ist. Die Leute geben das Produkt dann zurück, weil es sich nicht richtig anhört und sie befürchten, einen kaputten Kühlschrank gekauft zu haben. Wir Menschen sind so verdrahtet, dass wir, wenn etwas quietscht oder knarrt, das Gefühl haben, dass es kaputt ist, weil wir es schon einmal woanders erlebt haben, und diese psychologische Assoziation herstellen. Die Unternehmen wollen diese Beschwerden und Produktrückgaben vermeiden, und hier kommen wir ins Spiel. Das ist ein Beispiel dafür, was wir tun können.

DS: Sie ersetzen also eigentlich die Leute, die vor Ihnen die Rolle Ihrer Technologie übernommen haben?

PK: Statt sie zu ersetzen, unterstützen wir sie. Natürlich sind sie nicht in der Lage, alles zu hören. Sie hören sich eine Auswahl von Proben an, wenn sie neben der Maschine gehen, oder sie führen regelmäßige Kontrollen durch. Die Unternehmen sind heute daran interessiert, den Prozess vollständig zu automatisieren und wirklich alles zu kontrollieren und alles zu hören. Wir bieten daher eher ein Beratungssystem an, mit dem wir ein Produkt identifizieren können, bei dem die Wahrscheinlichkeit eines Fehlers hoch ist. Natürlich kann eine 'echte Person' die Maschine immer noch überprüfen. Der zweite Anwendungsfall, den wir jetzt in der Praxis testen, ist, wenn Menschen etwas zusammenbauen - wir hören zu, wie sie es montieren, ob sie alle Aufgaben erledigt haben, die sie mit dem Produkt erledigen müssen, und wenn nicht, müssen sie zum Beispiel noch einmal nach der richtigen Anzahl von Schrauben suchen. Wenn ein Bauteil richtig in eine Maschine eingebaut ist, kann man es hören, es gibt ein unverwechselbares Geräusch von sich - und wenn nicht, ist es nicht richtig eingebaut. Wir können das mit Hilfe des Algorithmus erkennen, was für die Montage sehr nützlich ist.

DS: Ist die akustische Überwachung kontinuierlich oder schaltet sie sich manchmal ein und aus?

PK: Das hängt von der Maschine ab. Bei der Qualitätskontrolle ist es kontinuierlich, bei manchen Geräten erfassen wir die Daten einmal pro Minute für ein paar Sekunden; es kommt darauf an.

DS: Handelt es sich bei Ihren Geschäftskunden um große und mittlere Unternehmen? Oder eher kleinere?

PK: Ich würde sagen, im Allgemeinen größere Unternehmen, Automobilhersteller oder Unternehmen wie Airbus. Es gibt eine Menge Dinge bei den großen Herstellern, Energie oder Nachfrage bei chemischen Fabriken oder Raffinerien, die interessante Anwendungsfälle sind. Ich denke, dass die gesamte Branche, die sich mit der Digitalisierung der Infrastruktur befasst, an diesem Bereich interessiert ist. Es gibt Bereiche, in denen das Problem des Sensorausfalls bereits gelöst ist; in diesen Fällen bringen wir bessere Algorithmen ein. Dann gibt es Orte, an denen unsere Lösung dank der Tatsache, dass die IoT-Welt billiger ist, auf einer viel größeren Anzahl von Geräten installiert werden kann.

DS: Ist das auch für kritische Energieinfrastrukturen möglich, zum Beispiel für Windkraftanlagen?

PK: Ja, wir haben es in der Ausschreibung, es gibt ein großes Interesse an diesem Bereich. Letzten Monat kam eine Anfrage von einem Technologiemakler aus China. Sie haben eine Leistung von 120 Gigawatt an Wind- und Wasserkraft; selbst solch große Kunden schreiben uns und interessieren sich für uns. Natürlich kann es Jahre dauern, China ist weit weg, aber der Markt ist riesig, und wir haben ausgerechnet, wie viele der 20 gängigsten Gerätetypen überwacht werden können - wie viele es weltweit gibt. Ich habe eine Studie von einem Marktforschungsunternehmen durchführen lassen, und es handelt sich um einen potenziellen weltweiten Umsatz von 65 Milliarden Euro, der unsere Art der vorausschauenden Überwachung erfordert. Dazu gehören natürlich auch Maschinen, die kleiner sind als eine Turbine in einem Kraftwerk, wie Klimaanlagen oder Werkzeugmaschinen, aber die Zahl ist hoch, und wir bereiten standardisierte Lösungen für diese ersten Installationen vor. Bisher bieten wir sie für die einfacheren Maschinentypen wie Elektromotoren, Pumpen, Kompressoren und dergleichen an. Hier sind wir in der Lage, die Lösung direkt zu installieren und sofort mit der Aufzeichnung und Vorhersage von Ausfällen zu beginnen. Für kompliziertere oder kundenspezifische Aufgaben sammeln wir gemeinsam mit dem Kunden spezifische Datensätze. Wir haben zum Beispiel den Bedarf an Tunnelbau besprochen. Bei kundenspezifischen Projekten hören wir uns an, wie die Maschinen arbeiten. Auch Eisenhütten sind daran interessiert; man hört, dass die Metalle plötzlich anders schmelzen, und man möchte den Prozess automatisieren, um den Schmelzvorgang zu verkürzen und Zeit und Geld zu sparen. Wir arbeiten mit Kunden zusammen, die daran interessiert sind, die Technologie zu testen und sie gleichzeitig für den Verkauf vorzubereiten. Wir sind dabei, die Anzahl der Mitarbeiter in der Verkaufsabteilung zu erhöhen, um Lösungen aus den ersten Projekten, die wir mit Kunden vorbereiten, weiterverkaufen zu können.

DS: Interessant! Und wie viele Mitarbeiter haben Sie derzeit in Ihrem Unternehmen?

PK: Wir haben über 20 Leute im Team, einige installieren und entwerfen Hardware, andere schreiben Software, trainieren Modelle, visualisieren die Ergebnisse, und einige arbeiten im Team für maschinelles Lernen, das künstliche Intelligenz entwickelt, und der Rest ist für Marketing, Kundenbetreuung, Projektmanagement, Betrieb und Finanzen zuständig.

DS: Werden Sie expandieren?

PK: Wir sind dabei, das Einstellungstempo zu erhöhen, wir haben viele offene Stellen, die auf unserer Website für Startupjobs zu finden sind.

DS: Und, sofern Sie darüber sprechen wollen, haben Sie ein Problem, die Kapazitäten zu füllen? Sind Sie in der Lage, genügend Leute zu finden?

PK: Wir haben viele Kandidaten, die zu uns kommen. KI zieht viele Leute an, aber ich glaube, dass einige von ihnen unter einer gewissen Illusion darüber leiden, wie es in der Praxis tatsächlich funktioniert, und dann enttäuscht sind, dass sie nur Daten in Blackboxen einspeisen, die jemand anderes gebaut hat. Es ist eine sehr detaillierte, pingelige Arbeit. Es gibt viele kleine Dinge, die man ständig tun und bedenken muss. Wir haben keinen Mangel an Kandidaten, aber es gibt nicht so viele Leute, die wirklich langjährige Erfahrung haben oder in der Lage sind, einen wissenschaftlichen Artikel in eine Form der KI-Implementierung umzuwandeln. Und die zweite Sache, die anspruchsvoll ist, ist, dass viele Leute daran interessiert sind, in der Fintech-Branche zu arbeiten, da sie zum Beispiel statistische Modelle oder Betriebswirtschaft an der Universität studiert haben. Was die Einstellung als solche betrifft, so haben wir während des Zulassungsverfahrens eine Testfunktion, und einige der Kandidaten geben auf und schließen es nicht ab; wir haben nicht die sauberen, etikettierten Daten, an die sie vielleicht gewöhnt sind, sondern einen endlosen Strom von scheinbar unordentlichen Daten, in denen man sich orientieren muss. Und dann gibt es noch andere Stellen, für die sich die Leute interessieren und auf die sie sich bewerben würden und an die die Bewerber im Allgemeinen sehr hohe Anforderungen stellen - Grafikdesigner oder Front-End-Entwickler zum Beispiel. Das ist aber für unser Unternehmen nicht ideal, weil wir solche Dinge lieber an jemanden auslagern, der diese Leute zur Verfügung hat. Zum Beispiel unsere mobile Anwendung - wir haben sie gerade auf dem Markt gekauft.