Dott. Arnbjörn Eggerz
geschrieben von 
11. September 2019
Freigegeben in Blog

Die ungenutzte Möglichkeit des Maschinellen Lernens (Ml) und der künstlichen Intelligenz (KI) in der deutsch-/europäischen Energiespeicherindustrie

Seit Beginn der Mobilitätsrevolution und der "Energiewende" hat es einige Zeit gedauert, bis 2019 der Bedarf an Energiespeichern stetig steigt. Die aktuellen Marktzahlen zeigen rund 37 GW[1], die allein in Deutschland installiert sind, mit sehr großen jährlichen Kapazitätserweiterungen sowie einer Kapazität von mehreren Gigawatt, die mit neuen Elektrofahrzeugen eingeführt werden soll.

Gleichzeitig führt der globale Trend zur Elektrifizierung dazu, dass immer mehr Geräte zur Energiespeicherung eingesetzt werden. In rasantem Tempo entstehen neue Produktnischen wie E-Scooter oder E-Bikes. Dies ist zwar im Allgemeinen eine gute Nachricht, führt aber zu einer Verschiebung der globalen Wertschöpfungsketten, was für Deutschland und Europa eine große Herausforderung darstellt. So sollte die weltweit eher kleine Energiespeicherindustrie in Deutschland und Europa wachsam sein, um eine sehr wichtige Neuentwicklung nicht zu verpassen, nämlich die ungenutzte Chance der Künstlichen Intelligenz für Energiespeicher-Wertschöpfungsketten.

DER WIRTSCHAFTLICHE WANDEL ERFORDERT EINEN NEUEN ANSATZ - KÜNSTLICHE INTELLIGENZ ALS UNGENUTZTE CHANCE.

Um die Bedeutung der Argumentation zu erfassen und zu verstehen, warum der Fokus auf Künstliche Intelligenz für Deutschland und Europa von entscheidender Bedeutung ist, müssen die wirtschaftlichen Folgen des oben beschriebenen Szenarios verstanden werden. Mit einfachen Worten, es führt zu einer globalen Verschiebung der Wertschöpfungsketten.
Ein Paradebeispiel dient hierbei die Bedeutung der Motoren, welches die Kernkompetenz deutscher Automobilhersteller und Zulieferer darstellt und durch den Einsatz von Batterien ersetzt werden. Zugleich werden letztere genannte zum teuersten und wertvollsten Teil des Autos. Auch die Disruption der Energieerzeugung ist zu nennen. Für Deutschland, aber auch für andere Länder in Europa stellt sich daher die Frage, wer den wirtschaftlichen Nutzen aus dieser Verschiebung kontrolliert. Und ob dies es dem dominanten Akteur ermöglichen wird, größere Teile der Wertschöpfungskette herauszunehmen? Tatsächlich befürchtet man derzeit, dass dominante asiatische Unternehmen aufgrund der Abhängigkeit von ihrem Angebot und ihrer Dominanz bei Lithium-Ionen-Batterien (2) einfacher mehr Marge in der Autowertschöpfungskette erzielen können.

DIE PRODUKTION ALLEIN IST EIN ZU ENGER FOKUS.

Im Lichte dieser Fakten argumentiert der Autor dieses Artikels, dass Kompetenzen in der Künstlichen Intelligenz für die Batterieindustrie oberste Priorität haben sollten. Dies steht im krassen Gegensatz zur aktuellen Debatte über die Förderung der Gigafactory-Einrichtung in Deutschland als politische Antwort, die die bevorzugte Herangehensweise der deutschen Politik an das Thema Strukturwirtschaft ist, nämlich mit der Initiative von Wirtschaftsminister Peter Altmaier. So sehr Initiativen in diesem Bereich begrüßt werden, die makroökonomische und industrieökonomische Analyse der Branchenstruktur und der Lebenszyklusmodelle zeigt, dass es sich um das falsche Instrument zur richtigen Zeit handeln könnte [3]. Obwohl dies nicht der Ort ist, um die Gründe im Detail zu besprechen, sind einige Argumente schnell aufgelistet: Der Markt für Lithium-Ionen ist bereits vollständig aufgeteilt, er ist nicht der hoffnungslose Fall für den Start in eine neue Industrie, und sein potenzieller Arbeitsplatzbeitrag ist sehr gering [4].

KÜNSTLICHE INTELLIGENZ IM KONTEXT DER BATTERIEINDUSTRIE - NUTZUNG DER DATENEBENE

Im Gegensatz dazu lohnt es sich, die ungenutzten Möglichkeiten der Künstlichen Intelligenz zu berücksichtigen. Zuerst ein wenig Hintergrundwissen: Zum ersten Mal in der Geschichte wird die Datenerfassung von Echtzeitoperationen von Maschinen und Geräten immer mehr und mehr nahezu kostenlos verfügbar. Sensoren und kostengünstige Übertragungstechnologien ermöglichen eine systematische und automatische Erfassung von Betriebsdaten, die bis vor kurzem eine wiederholte Intervention vor Ort durch hoch bezahlte und qualifizierte Ingenieure erforderten. Gleichzeitig steht eine neue Klasse von analytischen Geschäftsinstrumenten zur Verfügung, die jedes Jahr von den allgemeinen Forschungsarbeiten und Verbesserungen der Künstlichen Intelligenz profitieren. Die zu benennende Anwendung ist das Teilfeld Machine Learning, das die Aufgabe der Reproduktion eines Modells der realen Welt durch einen Programmierer auf den Computer verlagert, der das Modell selbst definiert und programmiert, von Daten gespeist und nach Verbindungen sucht[5]. Obwohl diese Technologie auf dem Vormarsch ist und ihre Schattenseite hat, ist es die kommende Anwendungsschicht, mit der wir uns befassen.

Aber was sind die Auswirkungen auf die Unternehmen, insbesondere die Energiespeicherindustrie? Im Grunde genommen bedeutet dies, dass der Wettbewerb um die kritische Masse der besten Ingenieure in einem bestimmten Bereich auf ein neues Gebiet übergeht. Für die Batterieindustrie bedeutet dies, in KI-Talente zu investieren, anstatt zu versuchen, z.B. die vergleichsweise hohe Anzahl von elektrochemischen Spezialisten und Ingenieuren von LG oder anderen mit eigenem Personal, Forschung und Universitäten in Deutschland anzugleichen.
In diesem Bereich können weniger, aber hoch spezialisierte Programmierer, Datenanalytiker und Ingenieure des Bereichs den Unterschied ausmachen. Die Erschließung dieser Art von Fähigkeiten und Kenntnissen führt daher zu einer völligen Chancengleichheit für die Batterieindustrie, aber auch für viele andere Branchen.

Und das ist keine reine Theorie. Während derzeit eine Bewertungsstudie zur Identifizierung und Quantifizierung der wirtschaftlichen Auswirkungen der Künstlichen Intelligenz auf die Wertschöpfungskette der Batterieindustrie[6] durchgeführt wird, konnten einige der Vorteile, eine Reihe erfolgreicher Fallstudien und mehrere junge Unternehmen, die diese Technologien bereits einsetzen, identifiziert werden.

Unter den deutschen Beispielen, die der Autor hervorheben möchte, ist die Advanced Battery Analytics Startup TWAICE. Da der Autor das Projekt seit deren Gründung kennt, wurden sie befragt, um deren Stand der Dinge zu präsentieren. Die aktuelle, datengestützte Forschung des Unternehmens zeigt, dass durch den Einsatz dieser Technologien in Kombination mit Standardmodellen eine Verbesserung von bis zu 20-30% möglich erscheint[7]. Als zweites Beispiel ist eine kürzlich vorgestellte Forschung[8] von Prof. Birke und Max Weeber für den Bereich der Qualitätskontrolle vorsichtig optimistisch.

ZUKUNFTSAUSBLICK

Interessant ist, dass diese Zahlen jedoch nur die Verbesserung der bereits produzierten Lagerlösungen oder des Produktionsprozesses anzeigen. Aber dank der wachsenden Daten, die sowohl aus Modellen als auch aus Testdaten bestehen und die dann in naher Zukunft zusätzlich durch reale Daten gestützt werden, wird der nächste Fortschritt die Beschleunigung der Forschung rund um Batteriematerialien sein.

Tatsächlich zeigen erste Untersuchungen, dass die Kombination von Datenquellen zur Identifizierung vielversprechender Forschungsströme möglich ist [9]. Dennoch sind die Möglichkeiten nicht darauf beschränkt. Eine weitere Möglichkeit besteht darin, der Analyse Daten hinzuzufügen, die bisher ungenutzt geblieben sind. Zwei Möglichkeiten sind Audiodaten von Batterien oder Bildern. Wer weiß, was die systematische Analyse davon ans Licht bringt? Oder welche andere Form von Daten könnte man auch sammeln und analysieren?

Zusammenfassend lässt sich sagen, dass die Datenebene und das Wissen, bei sinnvollem Einsatz neuer Analysewerkzeuge und -methoden, sich einen Wettbewerbsvorteil im Batteriesektor und auf Patenten und Wissen basierenden zukünftigen Technologien verschaffen können. Abschließend ist zu sagen, dass diese Art von Werkzeugen eng mit den deutsch/europäischen Kerntechnologien wie Mess- oder Prüfgeräten verbunden ist, die immer mehr mit der Software-Ebene konkurrieren.

Die Chance ist da, sie muss nur genutzt werden.

Arnbjörn Eggerz, Founder

Iceventure

[1] Renewables Market insight 06 March 2019; Inspiratia - www.inspiratia.com/welcome/research

[2] Reportedly at the 16th Batteriestammtisch by the speaker, Asian players now demand to deliver not only basic cells but advanced solutions around it, significantly increasing their value chain participation - 10.01.2019

[3] Analysis by Iceventure – www.iceventure.de

[4] Presentation of results from „Roadmap Integrierte Zell- und Batterieproduktion Deutschland AG 2 - Batterietechnologie der NPE“; Dr. Kai-Christian Möller, Stellv. Sprecher Fraunhofer-Allianz Batterien, Fraunhofer Gesellschaft; https://www.iceseminars.eu/events/batteriestammtisch/10-runde-batteriezellfertigung-auch-in-deutschland.html - last accessed 062019

[5] Compare for discussion “Notes on AI bias”, Benedict Evans, April 2019; https://www.ben-evans.com/benedictevans/2019/4/15/notes-on-ai-bias - last accessed 062019

[6] “The economic impact of AI and ML on the battery industry value chain” [working title]; forthcoming study by Iceventure 2019; https://www.iceventure.de/studien/the-economic-impact-of-ai-and-ml-on-the-battery-industry-value-chain.html - last accessed 062019

[7] Internal study by TWAICE Technologies GmbH; 2019 - www.twaice.com

[8] Program title “Artificial Intelligence as a future part of battery design and production”; Prof. Dr. Kai Peter Birke, University Stuttgart; Battery Expert Forum, Frankfurt, 11.04.2019; https://www.battery-experts-forum.com/images/PDFs/Program.pdf - last accessed 062019

[9] Results shown and discussed in a personal talk with a professor of a leading German university.

A. Eggerz is entrepreneur and managing director of Iceventure.

Schreibe einen Kommentar

Achten Sie darauf, die erforderlichen Informationen einzugeben (mit Stern * gekennzeichnet).
HTML-Code ist nicht erlaubt.

 
Back to top