KI allein ist nicht die Lösung

Oft ziehen sich Digitalisierungsprojekte in der Fertigung endlos in die Länge, haben mit explodierenden Kosten zu kämpfen oder bringen nicht den erhofften Nutzen – keine Spur von einer größeren Resilienz gegenüber Produktionsstörungen oder von effizienteren Prozessen, die zu einer höheren Produktionsqualität bei sinkenden Kosten und gestiegener Nachhaltigkeit führen sollen. Besonders häufig betroffen sind erfahrungsgemäß Projekte, bei denen es um Künstliche Intelligenz (KI) oder Machine Learning (ML) geht – beides Technologien, die eigentlich State of the Art und extrem vielseitig sind. Was also läuft schief in den Unternehmen?

Ein Grundproblem ist, dass Unternehmen KI-Tools und -Anwendungen oft überhastet einführen. Sie wollen die vielversprechenden Technologien möglichst schnell einsetzen und fürchten, den Anschluss zu verpassen, wenn sie zu lange damit warten. Deshalb schaffen sie schicke Lösungen an, für die allerdings eine geeignete digitale Infrastruktur oder die benötigte Datenbasis fehlen.

Besser ist es, zunächst einen Schritt zurückzutreten und alle Abteilungen, Fertigungslinien und Prozesse ganzheitlich zu betrachten. Mit einer abteilungsübergreifenden Digitalisierung einzelner Prozesse können sie dann das digitale Fundament für effiziente und hoch automatisierte Abläufe errichten – und dabei fallen meist Anwendungsfälle auf, die sich für KI und ML eignen.

Lohnende Anwendungsfälle

Um wirklich lohnende Anwendungsfälle zu identifizieren und umzusetzen, müssen IT-Abteilungen eng mit Spezialisten aus Fertigung, Logistik und anderen Fachbereichen zusammenarbeiten. Schließlich kennen diese ihre Abläufe und geschäftlichen Herausforderungen am besten. Typische Szenarien, bei denen KI und ML in der Fertigung zum Einsatz kommen, sind beispielsweise die Überwachung von Produktionsschritten mit Videokameras und die Überwachung von Umgebungsbedingungen und Maschinenparametern mit Sensoren, um Anomalien zu entdecken, sodass sich Defekte frühzeitig erkennen oder im besten Fall vorhersagen  lassen. Entscheidend ist dann die Verfügbarkeit von Trainings-, Test- und Validierungsdaten in hoher Qualität und ausreichender Menge. Dieser Punkt wird gern unterschätzt, doch die Genauigkeit der Vorhersagen von KI-Modellen hängt nun einmal ganz direkt von den Daten ab, mit denen sie trainiert werden.

Immerhin müssen Fertigungsunternehmen das Rad nicht um jeden Preis neu erfinden und in jedem Fall eigene KI-Modelle entwickeln. Da viele Anwendungsfälle schon bekannt und umgesetzt sind, existieren vielfach bereits vortrainierte Modelle in der Open-Source-Community, die den Aufwand deutlich reduzieren. Unternehmen müssen diese Modelle lediglich anpassen und mit ihren eigenen, entsprechend gelabelten Daten füttern. Anschließend dürfen sie sich aber nicht zurücklehnen und die Projekte als abgeschlossen betrachten: KI- und ML-Anwendungen bedürfen einer kontinuierlichen Überwachung und Optimierung über ihren gesamten Lebenszyklus hinweg – schon allein, um einen sogenannten Model Drift zu verhindern. Gemeint ist das Phänomen, dass die Vorhersagegenauigkeit der Modelle im Laufe der Zeit nachlässt, weil sich z.B. die Fertigungsbedingungen und damit die Eingabedaten verändern.

Letztlich besitzen KI und ML zwar enormes Potenzial, sind allein aber kein Allheilmittel, das alle Probleme in der Fertigung auf wundersame Weise löst. Vielmehr benötigen sie ein digitales Fundament und eine langfristige Strategie, um ihre Stärken auszuspielen und Unternehmen auf ihrem Weg zur Industrie 4.0 entscheidend voranzubringen.

Bildquelle: Red Hat