1916 eröffnete die Minnesota Mining and Manufacturing Company oder 3M ihr erstes Forschungslabor, einen schrankgroßen Raum in ihrer Sandpapierfabrik in St. Paul. Es gab eine Reihe von Vorfällen in den ersten 14 Jahren des Bestehens des Unternehmens – einer betraf eine Lieferung von Sandpapier, die während des Transports durch eine verschüttete Kiste Olivenöl verpfuscht wurde, was die schlechte Qualität des Papiers enthüllte –, die den damaligen General Manager William McKnight inspirierten, einen Raum zum Testen von Produkten zur Verbesserung der Qualitätskontrolle zu erstellen.
Als McKnights Einfluss wuchs (er wurde 1949 Vorstandsvorsitzender von 3M), wuchs auch das Streben nach Qualität. Im Laufe der Jahre haben unternehmerisch denkende Wissenschaftler bei 3M alles, von wilden Ideen über Zwischenfälle wie die Sandpapierlieferung bis hin zu gescheiterten Experimenten, in Produkte umgewandelt, die heute im Haushalt nicht mehr wegzudenken sind, z. B. Klebeband und Klebezettel.
Mit Genehmigung von Wired
Qualität bleibt eine wesentliche Facette der Unternehmenskultur bei 3M. Angespornt durch den Erfolg des Labors hat 3M seine Forschungseinrichtungen deutlich erweitert. Fast sechs Prozent des Umsatzes des Unternehmens fließen mittlerweile in Forschung und Entwicklung. In St. Paul – wo fast 12 000 Mitarbeiter zusammenkommen, um neue Produkte zu entwickeln und auf den Markt zu bringen und alte zu verbessern – bemühen sich Tausende von Forschern und Wissenschaftlern in den Unternehmenslabors, die Innovationspipeline zu ergänzen.
Eines der wichtigsten Themen auf dem 3M Campus ist Machine Learning. Durch Machine Learning auf Amazon Web Services (AWS) verbessert 3M bewährte Produkte wie Sandpapier und treibt Innovationen in neuen Bereichen wie dem Gesundheitswesen voran. Vielleicht als Beweis für die Wirksamkeit der Programme, tragen Produkte, die jünger als fünf Jahre sind, durchweg zu etwa 30 Prozent des Umsatzes des Unternehmens bei. 3M bringt jedes Jahr etwa 1 000 neue Produkte auf den Markt.
„Es gibt nicht viele Unternehmen, die unser reichhaltiges materielles Fundament mit der digitalen Fähigkeit kombinieren können, um wirklich etwas Neues zu schaffen“, sagte Hung Brown Ton, Chefarchitekt am St. Paul Corporate Research Systems Lab. „Das Spannende für uns ist es, diese neuen Cloud-Funktionen wie Machine Learning zu nutzen.“
Überarbeitung eines 100 Jahre alten Produkts mit Machine Learning
Seit der Überwindung unzähliger Hürden bei der Sandpapierherstellung in der Anfangszeit des Unternehmens hat 3M die Schleifleistung seines langjährigen Produkts kontinuierlich verbessert. Bis zur jüngsten Einführung von Machine-Learning-Techniken in den Produktentwicklungs-Workflow war der Prozess jedoch äußerst zeitaufwändig.
Das ideale Sandkorn (eigentlich ein synthetisches Material namens Cubitron) schneidet am besten und hält am längsten. Um dieses Ideal zu erreichen, führt ein 3M-Techniker traditionell einen CT-Scan für jedes Blatt Papier durch, um die Anzahl der Körner auf einem Blatt zu beurteilen. Dann testete der Techniker jede Probe an einer rauen Oberfläche, um ihre Wirksamkeit zu messen und versuchte, diese Wirksamkeit mit dem Prozentsatz der Körner zu korrelieren.
„Dies erfordert einen langen Entwicklungsprozess, der Wochen dauert“, sagt Brown Ton, während er und sein Team mit Forschern zusammenarbeiten, die die neuen Schleifmuster und Produkte entwickeln (einschließlich des Produkts, das umgangssprachlich immer noch als Sandpapier bezeichnet wird).
Mit Machine Learning auf AWS, mit dessen Implementierung die Teams von Brown Ton vor etwas weniger als einem Jahr begonnen haben, ist der Prozess jetzt viel schneller und präziser geworden. Das 3M-Team testet derzeit Modelle, die traditionelles Bildtraining sowie neuronale Netzwerke auf Amazon SageMaker nutzen. Während die Technikerin die Muster noch testet, machen die Modelle die Bildanalysen deutlich schneller und helfen ihr, die besten Optionen zu bestimmen. Diese Modelle für Machine Learning ermöglichen es Forschern zu analysieren, wie geringfügige Änderungen in Form, Größe und Ausrichtung die Abrasivität und Haltbarkeit verbessern können. Diese Vorschläge wiederum fließen in den Herstellungsprozess ein.
Angesichts der Datenmenge, die durch diese Scans und Tests generiert wurde (ca. 750 GB pro handtellergroßes Blatt), hat das Team zunächst die technischen Hochleistungs-Laptops, die es für die Analysen angeschafft hatte, völlig überlastet. „Deshalb war es absolut sinnvoll, diese Funktion in die Cloud zu verlagern“, sagte Brown Ton, „weil wir durch die Rechenleistung jedes herkömmlichen Laptops oder Desktops, den wir kaufen konnten, enorm behindert wurden. Der heutige Prozess in AWS ist um Größenordnungen effizienter – und es ist eine Freude, unsere Zeit damit zu verbringen, Schleifmittel zu verstehen, anstatt darauf zu warten, dass Daten gesammelt und Tests abgeschlossen werden.“
Unmengen von unstrukturiertem Text in abrechenbare Codes umwandeln
Obwohl Sandpapier ein Grundprodukt von 3M ist, hat sich das Produktionsunternehmen mit dem Wachstum in neue Bereiche ausgeweitet – einschließlich des Gesundheitswesens. 3M gründete 1983 seine Tochtergesellschaft Health Information Systems (HIS), nicht lange nachdem das erste große elektronische Patientenaktensystem (EHR) entwickelt wurde. Heute verwenden 96 Prozent der Krankenhäuser EHRs, verglichen mit nur einem Bruchteil vor zehn Jahren und in all diesen Daten sah HIS eine Chance, etwas Neues zu entwickeln: eine Reihe von Produkten für die medizinische Codierung, die auf Machine Learning basieren.
Um Versicherungsanbietern ihre Services in Rechnung zu stellen, muss ein Gesundheitsdienstleister EHRs in die entsprechenden Abrechnungscodes übersetzen. Fehler im Prozess kommen häufig vor und können zu Zahlungsverzögerungen oder zu hoher Rechnungsstellung führen, was Betrug ist. In den USA verwalten die meisten Krankenhäuser dies mit Hilfe der Tools zur natürlichen Sprachverarbeitung (NLP) von HIS, die durch Machine Learning auf AWS unterstützt werden.
David Frazee, der Direktor des Forschungslabors und ein 14-Jahre-3M-Veteran, war zuvor CTO von HIS. Er sagte, dass der traditionelle Prozess zur Bestimmung von Abrechnungscodes erforderte, dass Personen, die als Coder bekannt sind, jeden Datensatz überprüfen und basierend auf Wissen und Erfahrung den richtigen Code aus einer von buchstäblich 141 000 Optionen auswählen. „Drei Wochen später könnten Sie demselben Codierer genau die gleichen Datensätze geben und er könnte einen anderen Code ermitteln“, sagte Frazee.
Seit April 2016 kombiniert HIS diese unvollkommene menschliche Expertise mit Modellen von Machine Learning, um Fehler im Prozess zu reduzieren. Ein Großteil einer EHR ist unstrukturiert – wie Frazee es ausdrückt, qualifiziert sich wahrscheinlich alles, was über das Gekritzel eines Arztes auf einer Serviette hinausgeht, als Datensatz –, es ist also eine Meisterleistung, die Modelle einfach dazu zu bringen, zu verstehen, was ein Datensatz bedeutet.
Zu diesem Zweck lehren Linguisten dem NLP-Modell, verwirrende Aufzeichnungen zu analysieren – zum Beispiel zu wissen, dass ein ärztliches Attest, in dem ein Körperteil als „kalt“ beschrieben wird, nicht bedeutet, dass der Patient eine Erkältung hat. Die Codierer bestätigen die Entscheidung des Modells (oder nicht). Ihre Bewertung wird an das Modell zurückgesendet, damit es die nächste Runde verbessern kann. Das Modell, das täglich unglaubliche drei Millionen Dokumente verarbeitet, lernt schnell und wählt in vielen Verfahren in etwa 98 Prozent der Fälle den richtigen Code aus. Das Modell selbst läuft auf leistungsstarken Amazon-EC2- und S3-Instances.
Sowohl Frazee als auch Brown Ton gehen davon aus, dass sich Machine Learning auf AWS in den kommenden Jahren im gesamten Unternehmen verbreiten wird.
„Das Forschungs- und Entwicklungsprojekt für Schleifmittel ist meiner Meinung nach sehr repräsentativ für die Zukunft der 3M-Kollision von Materialwissenschaft und Datenwissenschaft“, sagt Frazee. „Wir sind einer der besten Materialhersteller der Welt, aber wir haben uns nicht die Tatsache zunutze gemacht, dass wir viele Daten über unsere Materialien haben.“
„Und wenn man bedenkt, dass die Daten in der Cloud aggregiert, über das IoT erfasst und durch Machine Learning verarbeitet werden und dabei auch die Modellierung und Simulation sowie die Fähigkeit zur Visualisierung großer Datenmengen genutzt werden, kommen all diese Dinge für uns zusammen“, ergänzt Brown Ton. „Die weitere Nutzung dieser neuen und sich schnell entwickelnden Cloud-Funktionen ist für uns und unsere Kunden wirklich aufregend.“