Wie die Produktion von KI profitieren kann

In der Produktion entstehen täglich erhebliche Datenmengen, viele dieser Daten liegen jedoch brach. Durch das Industrial Internet of Things (IIoT), intelligente Algorithmen und die Möglichkeit einer günstigen Echtzeitverarbeitung rücken diese Produktionsdaten jetzt in den Fokus. Cloud-Plattformen helfen dabei, diese Technologien in den Produktionsalltag zu integrieren, Erkenntnisse aus den Daten zu gewinnen und die Entscheidungsfindung vor Ort an der Maschine zu unterstützen.

Ein Beispiel dafür sind intelligente (Cognitive) Services für die KI-basierte Bilderkennung an der Produktionslinie. Per Foto oder Videoaufnahme wird die Qualität analysiert, um Schwankungen frühzeitig zu erkennen. Auf dieser Basis lassen sich Maschinenparameter rechtzeitig anpassen und Maßnahmen für die vorausschauende Wartung ergreifen. KI dient dazu, Maschinenbediener und -bedienerinnen vor Ort zu unterstützen. Indem tiefes Domänen- und Prozesswissen automatisiert wird, können auch Mitarbeitende mit weniger Erfahrung besser mit Problemen umgehen und die richtigen Maßnahmen ergreifen. KI unterstützt zudem bei vielen Optimierungsaufgaben, wie der Planung der Produktionsreihenfolge oder der nötigen Personalausstattung.

Für viele branchentypische KI-Fragestellungen gibt es bereits Programmkomponenten als einfach hinzubuchbare Services zur Verfügung. Die Azure-Synapse-Dienste von Microsoft vereinfachen zudem das Zusammenführen aller Datenquellen für Analysen und die Zusammenarbeit aller Beteiligten in einem Datenanalyse-Projekt. Daten aus Anwendungen und IoT-Geräten werden in eine Pipeline aufgenommen und an die entsprechenden Services weiterverteilt. Dazu gehört beispielsweise auch die Verarbeitung von Video-Streaming-Daten in Echtzeitanalysen für die Qualitätskontrolle.

Die Einstiegshürden für KI sinken

Unternehmen bezahlen nur für die tatsächlich benötigte Performance in der Cloud (Pay-per-Use) – also bei Streaming-Analytics zum Beispiel, wie viele Daten pro Minute verschoben werden. Damit entfällt die Bereitstellung ansonsten überdimensionierter Infrastruktur, wie sie etwa für Trainingsphasen von KI-Algorithmen nötig wäre. Zugleich ermöglicht die hohe Skalierbarkeit, klein anzufangen und die Lösung nach Bedarf auszubauen. In kleinen Versionen sind viele Komponenten sogar teilweise kostenfrei. Eine spätere Erweiterung, wie ein Roll-out auf mehrere Werke, ist dennoch problemlos möglich. Datensicherheitsaspekte wie zum Beispiel die Verschlüsselung sind durch die Plattform mit abgedeckt. Werden Rechenzentren in Deutschland oder der EU gewählt, ist die DSGVO-Konformität gesichert.

Auch für KMU mit wenigen Maschinen oder Anlagen, die bisher kaum Daten gesammelt haben, kann auf dieser Basis der Einstieg in die KI-Nutzung gelingen. Dabei helfen vorkalibrierte Modelle, die mit den eigenen Daten trainiert werden. Die bisher aufwendigen und wissensintensiven Data-Science-Aufgaben werden deutlich vereinfacht. Oft reicht ein geringes Maß an externer Unterstützung durch erfahrene Partner, um deutliche Optimierungspotenziale zu erschließen.

Bei der Vorbereitung kommt es vor allem auf eine eindeutige Kennzahlendefinition an. Sollen beispielsweise Durchlaufzeiten in der Produktion optimiert werden, muss für alle Beteiligten klar sein, welcher Parameter gemessen und optimiert wird. Wird ab dem Zeitpunkt gerechnet, an dem das Rohprodukt in die Fabrik kommt oder wenn es in die Maschine eingelegt wird? Will man den Mittelwert oder den Median messen? Häufig erweist sich schon eine trivial klingende Kennzahl als kompliziert. Jedes Unternehmen hat eigene Ausprägungen von Kennzahlen, oft hat sogar jede Abteilung eine eigene Definition. Nur mit klaren Definitionen wächst jedoch das für den Erfolg notwendige Vertrauen in die Ergebnisse aus den Algorithmen.

Daten- und Kennzahlenqualität müssen stimmen

Zudem ist es wichtig, die richtigen Daten zu akquirieren. Um den bestmöglichen Nutzen zu erzielen, ist es wenig hilfreich, wahllos Daten zu sammeln und zu speichern. Immer wieder stellt sich bei der Analyse und Anwendung heraus, dass relevante Informationen nicht oder nicht mit der nötigen Qualität gespeichert wurden. So fehlt etwa der passende Zeitstempel oder die richtige Granularität. Die Erfahrung zeigt: Das interdisziplinäre Zusammenspiel zwischen Prozess-Know-how und Datenwissen ist bei KI absolut wesentlich. Es ist in der Regel zielführender, Daten mit Blick auf konkrete Fragenstellungen zu sammeln, anstatt unkoordiniert mit Sensorik alle Maschinendaten zu speichern.

Produzierende Unternehmen, die auf IIoT setzen und intelligente Datenanalytik nutzen, profitieren von einer Effizienzsteigerung und Kostensenkungen. Zugleich haben sie damit die Grundlage gelegt, um neue digitale Geschäftsmodelle und Services umzusetzen. Je konsequenter und zügiger ein Betrieb die digitale Transformation in Angriff nimmt, desto besser ist er im Wettbewerb aufgestellt.