Das von der Westschweizer Hochschule für angewandte Wissenschaften und Kunst (Haute école spécialisée de la Suisse occidentale, HES-SO) betriebene Swiss AI Center bezweckt, den Einsatz von künstlicher Intelligenz bei der digitalen Transformation von Schweizer KMU zu vereinfachen, zu unterstützen und zu beschleunigen. Denn viele KMU seien für KI nicht ausgestattet, begründete Michael Jungo, wissenschaftlicher Mitarbeiter der HES-SO, in seinem Referat. In KMU fehle die Expertise – man habe schlicht nicht das nötige Personal, das sich mit der Materie auskennt. Auch fallen Kosten für Anschaffung, Lizenzen, Weiterbildungen und den Unterhalt an. Und schliesslich gehe es um vertrauliche, sensible Daten, die man nicht einfach einem Provider weitergeben wolle. Zwischen Forschung und KMU-Praxis gibt es laut Jungo eine grosse Lücke: In der Forschung würden Dinge entwickelt, die in der Industrie keinen Einsatz fänden, umgekehrt hätten KMU nicht die nötigen Kompetenzen, Forschungsergebnisse einzubinden. Diese Lücke möchte das Team des AI Centers schliessen. In den am AI Center beteiligten 28 Hochschulen aus sieben Kantonen der Westschweiz gibt es mehr als 150 Fachleute, die sich tagtäglich mit künstlicher Intelligenz auseinandersetzen und dementsprechend eine grosse Expertise mitbringen. Daraufhin stellte Jungo die drei Achsen vor, auf denen sich das AI Center bewegt. 

Angewandte Forschung
In Bereich der angewandten Forschung, der ersten Achse, entwickelte das AI Center ein Rapid-Prototyping-Tool: die Core Engine. Bei diesem Open-Source-Projekt handelt es sich um eine Infrastruktur, in die verschiedene KI-Anwendungen (APPs) wie Bausteine eingefügt und dann miteinander verkettet werden können. Zum Beispiel kann anhand eines Liedes ein Cover generiert werden, indem unter Einbezug verschiedener APPs, die miteinander verbunden werden, der Songtext erkannt, das Musikgenre definiert, die Stimmung eruiert und dann das Cover gestaltet wird. Vorhandene Bausteine aus der Bibliothek können genutzt und mit neuen ergänzt und verbunden werden. Mithilfe von KI-Diensten lassen sich also nahtlose Datenpipelines definieren. Die Dienste und Pipelines können kostenlos getestet, miteinander verkettet und so eigene Anwendungen und Workflows entwickelt werden. Das AI Center stellt KMU das Grundgerüst, die Infrastruktur zur Verfügung, deren Erstellung viel Wissen voraussetzt und die viel Instandhaltungsarbeit benötigt, und betreut sie auch.

Check-System
Die zweite Achse ist das sogenannte Check-System: Im Auftrag eines KMU lanciert das AI Center ein KI-Projekt, das in der Regel mit einem Prototyp abgeschlossen wird. Das entspricht dem Verfassen einer Machbarkeitsstudie. Es wird also abgeklärt, ob das angestrebte Ziel mit den vorhandenen Daten überhaupt erreichbar ist. Denn auch wenn KI vieles abdecken könne, sei nicht immer alles umsetzbar, so Jungo. Nicht zu unterschätzen seien die Daten. Sie seien für KI das Wichtigste. Das AI Center führe deshalb auch Schulungen durch, wie die Daten zu behandeln und zu bearbeiten seien. Zum Teil seien seitens KMU zu hohe Erwartungen da, das heisst, man habe zwar viele Daten, aber diese seien von zu geringer Qualität.

Für KMU sei der grosse Vorteil dieses Check-Systems, dass sie Zugriff hätten auf die Expertise der mehr als 150 KI-Experten, die genutzt werden könne, um eigene Projekte zu testen. Ein grosser Vorteil sei auch, dass der Server, also auch hier die Infrastruktur, vom AI Center zur Verfügung gestellt werde. In der Regel dauere ein solches Projekt 300 Stunden, wovon ein Drittel vom KMU selbst finanziell zu tragen ist. Die Ergebnisse können als Grundlage für grössere Projekte genutzt werden, und zum Beispiel auch, um eine Förderung durch Innosuisse zu beantragen. Anschliessend stellte der Referent drei Check-Beispiele vor.

Rekonstruktion fehlender Daten
Der erste vorgestellte Check betrifft die Entwicklung einer Methodik zur Rekonstruktion fehlender Daten für ein Smartmeter-Projekt des Swiss Energypark. Eine erste Analyse hatte eine Reihe von fehlenden oder korrupten Daten in den Zeitreihen des Stromverbrauchs aufgezeigt. Verschiedene Extrapolationsmethoden wurden daraufhin evaluiert, um die fehlenden Daten zu rekonstruieren. Es wurde ein Verfahren zur Bewertung der Qualität der rekonstruierten Daten entwickelt. Dabei wird ein Bereich fehlender Daten simuliert, die Daten werden neu erstellt und schliesslich werden die Ergebnisse der Extrapolation mit der Realität verglichen. Diese Methode ermöglicht es, nicht nur die durch den Rekonstruktionsprozess induzierte Unsicherheit zu messen, sondern auch die Rekonstruktionsmethode selbst zu bewerten, um sie zu verbessern.

RAP-ChatBOT
Das zweite Beispiel ist ein ChatBOT, der hilft, technische Dokumente besser zu verstehen. Wenn ChatGPT genutzt wird, erhält man in der Regel eine Antwort anhand der Daten, mit denen er trainiert wurde. Das Problem dabei sei, so Jungo, dass der BOT oft halluziniere und Dinge erfinde. Das Prinzip von RAP (Retrieval Augmented Generation) sei, den ChatBOT mit Teilen einer Dokumentation zu füttern und ihn nur anhand dieses Inhalts antworten zu lassen. Die Antworten basieren also rein auf der Dokumentation. Zudem zeige der BOT auch an, aus welchem Abschnitt der Dokumentation er jeweils die Antwort herhat.

Aufwertung von Dokumenten
Das dritte Projekt ist die Aufwertung von Dokumenten, die in einem schlechten Zustand sind. Oft gibt es schlechte Scans oder die Dokumente haben sonst eine schlechte Qualität. Das Ziel des Projekts ist, als Endergebnis einen strukturierten Output zu erhalten.

KI-Weiterbildung
Teil der dritten Achse ist das Workshop-Angebot des Centers für Anfänger und fortgeschrittene KI-Anwender, wozu auch die Einführung in MLOps gehört. MLOps (kurz für «Machine Learning Operations») ist eine Disziplin, die sich auf die Verbesserung der Bereitstellung, Verwaltung und Überwachung von Machine-Learning-Modellen in Produktionsumgebungen konzentriert. Durch die Verschmelzung der Prinzipien von Softwareentwicklung und -betrieb mit Datenwissenschaft und maschinellem Lernen zielt MLOps darauf ab, den gesamten Lebenszyklus des maschinellen Lernens zu automatisieren. Dazu gehören Aufgaben wie die Datenaufbereitung, das Modelltraining, die Bereitstellung und die laufende Wartung. Schliesslich soll sichergestellt werden, dass die bereitgestellten Modelle genau, skalierbar, reproduzierbar und sicher sind. Insgesamt soll MLOps den Prozess der Entwicklung und Bereitstellung von Modellen für maschinelles Lernen vereinfachen, was zu höherer Effizienz, Genauigkeit, Skalierbarkeit, kürzeren Markteinführungszeiten und besserer Zusammenarbeit führt. Diese Vorteile sollen zu besseren Ergebnissen und erfolgreicheren maschinellen Lernprojekten beitragen.

AI Days
Zur dritten Achse gehören auch die AI Days, die bisher zweimal jährlich mit jeweils mehr als 250 Teilnehmenden stattfanden und nächstes Jahr dreimal durchgeführt werden sollen. Der Fokus liegt auf den KMU. Die Konferenzen gaben dieses Jahr Inputs unter anderem zu Industrie 4.0 und
Smart Living.

Umgesetzte Projekte
Zu den Projekten, die mithilfe des AI Centers tatsächlich umgesetzt wurden, gehört die automatisierte Verarbeitung von Photonenimpulsen für dünne Solarenergiegeräte: In diesem Projekt wird das neuartige Flash-Infrarot-Glühverfahren (FIRA) zur Herstellung von Dünnschichtmaterialien auf der Grundlage von Perowskit-Silizium-Tandemsolarzellen untersucht.
Ein weiteres realisiertes Projekt ist das Projekt ModIA –hybride digitale Zwillinge: Dabei geht es um die Kombination von physikalischen Simulationen und KI zur Erstellung digitaler Zwillinge für die vorausschauende Wartung von Fütterungsmaschinen. Als drittes Projekt – eines, das von Innosuisse unterstützt wird – stellte Jungo die KI-basierte Anomalieerkennung zur vorausschauenden Wartung von Liebherr-Grossmotoren und zur Vorhersage der verbleibenden Lebensdauer in Echtzeit, basierend auf verschiedenen Sensoren vor. Das vierte vorgestellte Projekt war die Analyse von technischen Zeichnungen durch KI. Diese kann dabei helfen, relevante Informationen dem jeweiligen Bedarf entsprechend zu extrahieren, die Darstellung zu vereinfachen, Fehler zu erkennen und die Pläne interaktiv zu gestalten.