Künstliche Intelligenz in der Felddatenanalyse

Rückmeldungen aus den Werkstätten sind eine wichtige Hilfe, um Probleme in Fahrzeugen früh zu finden und abzustellen. Die Auswertung der Texte ist allerdings mühsam und zeitaufwendig. Bis jetzt: Denn mithilfe künstlicher Intelligenz analysieren bei IAV inzwischen Computer die Schadensmeldungen. Die automatische Textklassifikation spart nicht nur Zeit – sie kommt problemlos mit unterschiedlichen Sprachen zurecht und liefert Ergebnisse, die transparent und reproduzierbar sind.

Kommt ein Fahrer mit einem Problem in die Werkstatt, nimmt der Techniker den Schaden auf und gibt ihn in einen Computer ein. Diese Schadensmeldungen werden bei den OEMs gesammelt und von einer Taskforce analysiert, – um Probleme zu erkennen (Defekte Teile? Länderspezifisches Problem?) und schnellstmöglich abzustellen. Das klingt einfacher, als es ist: „Die Mitarbeiter in den Werkstätten setzen nicht einfach Häkchen in einem elektronischen Formular, sondern geben Freitext in ein Feld ein“, erklärt Danny Vanis, IAV-Experte für die Felddatenanalyse. „Das führt dazu, dass jeder das gleiche Problem ein wenig anders formuliert.“ So entstehen für ein und denselben Sachverhalt ganz unterschiedliche Beschreibungen – etwa „verliert Öl“ und „musste Öl auffüllen“. Bisher sind Menschen dafür zuständig, Tausende von Meldungen pro Woche zu sichten, zu interpretieren und sie bestimmten vorgegebenen Fehlerklassen zuzuordnen.

Das ist schon in deutscher oder englischer Sprache aufwendig, wird aber noch komplizierter, wenn andere und weniger geläufige Sprachen und Zeichensätze hinzukommen, etwa Japanisch oder Chinesisch. Immerhin ist heute schon rund der Großteil aller Meldungen nicht in Deutsch abgefasst, und der Anteil anderer Sprachen – vor allem aus Asien – steigt ständig. Für Computer ist das alles kein Problem, wenn auf ihnen Algorithmen zur automatischen Textklassifikation laufen, die zuvor darauf trainiert wurden, Texte in verschiedensten Sprachen vorgegebenen Fehlerklassen zuzuordnen.

Genau diesen Ansatz verfolgen Danny Vanis und sein Kollege Marcel Klaumünzer, der sich im Digital Lab von IAV mit künstlicher Intelligenz beschäftigt, in einem Kundenprojekt. Zuerst bereiten sie die Texte auf, indem sie unter anderem Stoppwörter wie „und“ oder „aber“ entfernen. Danach sucht ein KI-Algorithmus nach Mustern und Gemeinsamkeiten, um die Fehlermeldungen zu klassifizieren. „Wir haben verschiedene Optionen wie neuronale Netze, Entscheidungsbäume und Support-Vector-Machines untersucht“, berichtet Klaumünzer. „Am Ende haben wir uns für Support Vector Machines entschieden, weil sie die beste Trefferquote von weit über 90 Prozent aufweisen“.

Aber auch die besten Algorithmen sind nicht perfekt, weshalb die IAV-Experten immer eine Validierung der Ergebnisse durchführen. Der Aufwand dafür ist sehr gering und nicht mit einer manuellen Analyse zu vergleichen. Es genügt, die Güte jeder Klassifikation zu betrachten, die der Algorithmus gleich mitliefert. Liegt sie unter einem vorgegebenen Schwellenwert – zum Beispiel 95 Prozent –, bearbeitet ein Mensch den „Problemfall“ nach. Außerdem trainieren Vanis und Klaumünzer ihr Modell einmal pro Woche mit neuen Meldungen, sodass es kontinuierlich besser wird. Die automatische Klassifizierung spart nicht nur Zeit – sie führt auch zu einer besseren Qualität der Auswertung, weil subjektive Einflüsse entfallen und das Ergebnis transparent und reproduzierbar wird. Noch geben die Hersteller die Klassen vor, in die der Algorithmus die Schadensmeldungen einsortiert. Theoretisch könnte das auch der Computer übernehmen.

Und noch eine Erweiterung des KI-Einsatzes ist möglich: Mit Hilfe einer Assoziationsanalyse ließen sich automatisch Zusammenhänge finden – also die Ursachen der Probleme feststellen. Außerdem ist der Einsatz des Klassifizierers nicht auf Informationen aus den Werkstätten beschränkt. „Diesen Algorithmus könnten wir zum Beispiel auch im Wissensmanagement zur Klassifizierung von E-Mails, Kalendereinträgen oder Fachartikeln einsetzen“, so Klaumünzer. „Dabei würde die KI entscheiden, in welche Kategorie ein bestimmter Text am besten passt.“