Daten sind sprichwörtlich das “neue Gold“ unserer Zeit. Während 2010 weltweit zwei Zettabytes (dies entspricht einer Milliarde Terabytes) an Daten generiert wurden, waren es 2020 bereits 47 Zettabytes. Dieser immense Zuwachs wird zudem für die kommenden Jahre auf über 2142 Zettabytes (in 2035) prognostiziert [Sta19]. Es zeigt sich, dass neben der Menge an Daten auch die Anzahl an End- bzw. Erzeugergeräten zunimmt: Laut Statista wird die Anzahl an internetfähigen Produkten bis 2025 auf 75 Milliarden geschätzt.

Zur Erschließung und Nutzung dieser Datenflut birgt der Einsatz künstlicher Intelligenz enorme Potentiale, gerade für die Produktentstehung. Durch den erfolgreichen Einsatz von KI können Produktionskosten gesenkt, die Entwicklungszeit verringert und Ressourcen optimal genutzt werden. So wird beispielsweise von einer durchschnittlich um 38% gesteigerter Rentabilitätsrate bis 2035 durch den Einsatz von KI ausgegangen [Dau17].

Um die Potentiale von künstlicher Intelligenz für die Produktentstehung voll entfalten zu können, spielen die Daten aus der Produktentstehung eine zentrale Rolle: Die heterogenen , komplexen Daten aus den unterschiedlichen Softwareframeworks der Engineering IT müssen für KI-Anwendungen nutzbar sein (oder nutzbar gemacht werden). Hersteller von Softwarelösungen, besonders im KIBereich, passen sich auf die steigende Nachfrage der Industrie an. Doch die Standards der Industrie und solche im noch neueren „KI-Sektor“ unterscheiden sich, weshalb die Zusammenarbeit beider Domänen noch nicht ihr volles Potential erreicht hat. Daher wird im Projekt „KI-Marktplatz“ unter Anderem der Fragestellung nachgegangen, inwiefern die in der Engineering IT üblichen Datenstandards von den gängigsten KI-Frameworks direkt eingelesen und genutzt werden können, und in welchen Fällen dies eventuell nicht problemlos funktioniert. Dazu wurde im Projekt der Begriff der „AI Readiness“ eines Standards definiert, als die Fähigkeit des Standards, von definierten KI Frameworks eingelesen zu werden bzw. transformiert werden zu können in Formate, die diese Fähigkeit besitzen. Ziel ist es, eine Empfehlung zur Nutzung geeigneter Datenstandards aus der Engineering IT für den Einsatz von KI-Anwendungen zu geben, sowie auf spezifische Herausforderungen einzugehen. Dieses Whitepaper gibt einen ersten Überblick über die Ergebnisse der Analyse. Der Fokus liegt auf neutralen, offenen Standards, um eine tool- und vendorübergreifende Sicht zu gewährleisten.