Ein Maschinen- und Anlagenbauer möchte künstliche Intelligenz (KI) für sich nutzen. Wie trifft er die richtige Auswahl aus der Vielzahl an Möglichkeiten?

Markus Günther ist Produktmanager im Geschäftsbereich Produktion bei Inform GmbH. Dort ist er für das APS-System Felios zuständig. © Inform

Jedes Unternehmen ist individuell und sieht sich mit ganz eigenen Anforderungen konfrontiert. Für den Einstieg ist es dennoch sinnvoll, zunächst eine standardisierte Software-Lösung zu wählen. Mit der Zeit lässt sich diese dann auf die spezifischen Bedürfnisse des eigenen Betriebs anpassen beziehungsweise entsprechend erweitern. Hierzu können sich Projektverantwortliche daran orientieren, was etablierte Anbieter bereits am Markt anbieten. In der Regel lohnt auch ein Blick darauf, was andere Unternehmen in dieser Richtung schon umsetzen.

Was bedeutet Machine Learning konkret für den Maschinen- und Anlagenbauer?

Wichtig ist zunächst zu verstehen, dass ML nicht nur die Maschinen an sich smarter macht. Viele Menschen haben direkt klassische Anwendungsfälle wie Predictive Maintenance im Kopf, wenn sie den Begriff hören – dabei ist das nur ein kleiner Ausschnitt des Gesamtbildes. Mit ML lassen sich auch Prozesse und Dienstleistungen optimieren. Zum Beispiel können ML-gestützte Systeme anhand historischer Daten zuverlässige Vorhersagen zu Entwicklungen treffen, beispielsweise hinsichtlich der Wiederbeschaffungszeit von Zukaufteilen oder der Dauer bestimmter Arbeitsgänge. Damit ermöglicht ML eine genauere Planung und verbessert sowohl Prozessqualität als auch Termintreue. Dies verschafft Maschinen- und Anlagenbauern entscheidende Wettbewerbsvorteile in einem hart umkämpften Markt. Von großem Vorteil ist, dass die dafür benötigten Daten meist schon im Unternehmen vorhanden sind, beispielsweise im Kontext eines ERP-Systems.

Welche vorhandenen Unternehmensdaten lassen sich in der Regel für ML nutzen?

Welche Daten sich für die ML-Anwendung nutzen lassen, hängt ebenfalls von der jeweiligen Firma ab. Oft sind Unternehmen ganz überrascht, über was für einen wertvollen Datenbestand sie bereits verfügen. Im ERP-System sind zum Beispiel die Bestelldaten der vergangenen Jahre gespeichert. Diese kann ein ML-Algorithmus nutzen, um zukünftige Liefertermine beziehungsweise Wiederbeschaffungszeiten zu prognostizieren und damit eine genauere Produktionsplanung zu ermöglichen.

Generell machen sich Unternehmen oft zu große Gedanken über ihre Datenqualität. In vielen Fällen reichen bereits relativ grobe Daten aus, und einige Daten werden auch gar nicht gebraucht – beispielsweise die Pufferzeiten zwischen einzelnen Bearbeitungsschritten. Fertigungsbetriebe sollten sich durch solche Bedenken daher nicht von wichtigen Digitalisierungsvorhaben abhalten lassen, sondern die Sache lieber mit Unterstützung eines Dienstleisters angehen.

Welche Rolle spielen im Zusammenhang mit KI-Technologie ERP-Systeme und wann und wo kommen diese an ihre Grenzen?

ERP-Systeme eignen sich hervorragend, um Daten zu sammeln und zu verwalten. Vor diesem Hintergrund sind sie für die effiziente Koordination komplexer Produktionsvorgänge unerlässlich. Sie tragen jedoch nicht dazu bei, einen gesteigerten Mehrwert aus dem gegebenen Datenbestand zu ziehen. Spätestens bei der Auswertung geschweige denn Optimierung von Daten stoßen sie daher an ihre Grenzen. Den nächsten Schritt gehen dann KI-gestützte Systeme: Sie bauen auf dem ERP-System auf und gleichen seine Planungsschwächen durch eine präzise Produktionssteuerung aus.