Hindernisse bewältigen, Vorteile nutzen Herausforderungen bei der KI-Implementierung am Shopfloor

Anbieter zum Thema

INFOMOTION GmbH

QUNIS GmbH

Industrielle Hersteller können mithilfe der Künstlichen Intelligenz (KI) nicht nur die digitale Transformation beschleunigen, sondern auch deutlich mehr mit weniger Aufwand erreichen. Welche Hindernisse tauchen dabei auf und wie lassen sie sich überwinden?

Durch den Einsatz von KI-Technologien ist es möglich, qualitativ hochwertigere Produkte mit deutlichen Effizienzsteigerungen herzustellen. Das heißt, der Anwender kann von spürbaren Einsparungen, höheren Umsätzen und attraktiven Wettbewerbsvorteilen profitieren.

Jedoch stehen Hersteller vor nicht zu unterschätzenden Herausforderungen durch kürzere Markteinführungsfristen, immer komplexere Produkte sowie strenge Qualitätsvorschriften und -standards. Einige der wichtigsten Punkte sind in der Folge aufgeführt:

Integration in bestehende Infrastruktur

Damit KI-Systeme die erwarteten Ergebnisse liefern können, müssen sie große Informationsmengen in Sekundenbruchteilen verarbeiten. Der einzige Weg, das zu erreichen, besteht darin, Geräte mit geeigneter Infrastruktur und Verarbeitungskapazitäten zu betreiben.

Nicht alle Industriebetriebe verfügen über die notwendige Infrastruktur und entsprechende Ausrüstung zur Implementierung von KI. Das bedeutet, viele Unternehmen halten immer noch veraltete Geräte im Einsatz, die den Herausforderungen der KI-Implementierung nicht gewachsen sind.

Aufgrund der rasanten Entwicklung der KI-Technologien besteht die Möglichkeit, dass die Systeme innerhalb kürzester Zeit veralten können. Daher benötigen Unternehmen die Flexibilität, Upgrades oder Änderungen vorzunehmen, ohne in zusätzliche Ausrüstung investieren zu müssen. Eine Lösung sollte dazu in der Lage sein, die veralteten KI-Modelle wiederzuverwenden und über die anfängliche Bereitstellung oder das Pilotprogramm hinaus zu skalieren.

Produktionsstandorte verfügen oft über eine Vielzahl von Maschinen, Werkzeuge und Produktionssysteme, die unterschiedliche und manchmal konkurrierende Technologien verwenden (Interoperabilität), von denen einige möglicherweise auf veralteter Software laufen, die nicht mit dem Rest ihres Systems kompatibel ist. Mangels Standards und allgemeiner Rahmenbedingungen müssen Anlagenbauer entscheiden, wie sie ihre Maschinen und Systeme am besten verbinden und welche Sensoren oder Konverter sie installieren.

Edge-Bereitstellungen

Ein Ziel in der modernen Fertigung besteht darin, Daten aus mehreren Maschinen, Prozessen und Systemen zu nutzen, um den Fertigungsprozess in Echtzeit zu optimieren. Eine solche präzise Überwachung und Steuerung von Fertigungsanlagen und -prozessen benötigt große Datenmengen und maschinelles Lernen (ML). Edge-Computing ermöglicht es, Daten lokal zu verarbeiten, Daten zu filtern und die Datenmenge zu reduzieren, die an einen zentralen Server gesendet wird, entweder vor Ort oder in eine Cloud. Daher ist es für intelligente Fertigungsanwendungen entscheidend, Vorhersagemodelle auf den Edge-Geräten wie Maschinen, lokalen Gateways oder Servern bereitzustellen.

Anforderungen an Budgets

Die Entwicklung, Implementierung und Integration von KI-Technologien samt ihrer Trainingsstrategien werden nicht nur Zeit, sondern auch ein Budget erfordern. Das bedeutet, die Hersteller müssen mit KI-Experten zusammenarbeiten, die über die erforderlichen Kenntnisse und Fähigkeiten verfügen, ein fortlaufendes KI-Schulungsprogramm für ihre Mitarbeiter starten und wahrscheinlich ihre IT-Infrastruktur deutlich aktualisieren, um den Anforderungen gerecht zu werden. Obwohl es unmöglich ist, einige dieser Kosten zu vermeiden, lassen sie sich auf jeden Fall minimieren, indem budgetfreundliche Schulungsprogramme oder sogar kostenlose Anwendungen zum Einsatz kommen.

Unzureichende oder minderwertige Daten

KI-Systeme funktionieren, indem sie anhand einer Reihe von Daten trainiert werden, die für die Aufgabe relevant sind. Der Zugriff auf saubere, aussagekräftige und qualitativ hochwertige Daten ist entscheidend für den Erfolg von KI-Initiativen. Jedoch stehen meist die Fertigungsdaten entweder nicht oder nicht in ausreichender Menge bereit oder sie sind oft verzerrt, veraltet oder mit vielen Fehlern behaftet. Dies kann verschiedenen Ursachen geschuldet sein.

Ein Beispiel sind Sensordaten, die in der Produktion oft unter rauen Betriebsbedingungen erfasst werden müssen, wo extreme Temperatur-, Lärm- und Vibrationsvariablen zu ungenauen Daten führen können. Ältere Anlagen setzen sich aus vielen proprietären Systemen zusammen (Interoperabilität), die nicht miteinander kommunizieren, wobei Betriebsdaten auch über mehrere Datenbanken in verschiedenen Formaten verteilt sind, die sich für Analysen nicht eignen und eine umfangreiche Vorverarbeitung erfordern.

Entscheidungsfindung in Echtzeit

Dies wird in Fertigungsanwendungen immer wichtiger, beispielsweise zur Qualitätsüberwachung, zur Einhaltung von Kundenlieferterminen und mehr. Oftmals müssen Entscheidungen innerhalb von Sekunden umgesetzt werden, um ein Problem zu erkennen, bevor es zu ungeplanten Ausfällen, Defekten oder Sicherheitsproblemen kommt. Eine schnelle Entscheidungsfindung erfordert Streaming-Analysen und Echtzeit-Vorhersagedienste, die es Herstellern ermöglichen, sofort zu handeln und unerwünschte Folgen zu verhindern.

Mangel an KI-Experten

Erfahrene Daten- und KI-Experten sind leider immer noch rar. KI-Projekte erfordern im Grunde ein interdisziplinäres Team aus Daten-Analysten, ML-Ingenieuren, Software-Architekten sowie BI-Analysten. Dieser Bedarf zeigt sich besonders deutlich im verarbeitenden Gewerbe, einem Sektor, den viele junge Daten-Experten eher als eintönig, repetitiv und wenig anregend empfinden.

Management der Implementierungen

Industriebetriebe müssen diese Hindernisse verstehen und für ihre Implementierungen überwinden. Hier ein paar Ansätze als Kurzanleitung für KI-Initiativen:

Use Case auswählen: Für das verarbeitende Gewerbe empfiehlt es sich, als Einstieg eine einfache Anwendung wie beispielsweise eine visuelle Inspektion zu wählen. Das stellt frühe Erfolge sicher und ermöglicht es dem Anwender, sich mit KI-Technologien vertraut zu machen. Ein solcher Ansatz birgt noch einige weitere Vorteile: Bilder lassen sich einfach aufnehmen, speichern und bearbeiten.

Im Allgemeinen existieren nur Datenformate wie jpg, tiff oder png, sodass eine umständliche Konvertierung von Formaten wegfällt. Es gibt bereits viele hervorragende Algorithmen zur Bildanalyse, die als Ausgangspunkt dienen können. Das ultimative Ziel mag dabei eine völlig andere Anwendung sein, aber wenn mit einer visuellen Inspektion begonnen wird, kann ein Unternehmen wichtige Erfahrungen bei KI-Implementierungen sammeln und den Wert eines Betriebs bereits steigern.

Schrittweise vorgehen: KI-Algorithmen lernen ähnlich wie Menschen, indem sie viele Beispiele einfach „sehen“. Eine einfache Erkennung von häufiger auftretenden Anomalien, bei der der Algorithmus lernt, zwischen einem OK- und einem Nicht-OK-Produkt zu unterscheiden, ist daher ein guter Anfang. Anders verhält es sich bei der Fehlerkategorisierung, insbesondere wenn es um die Kategorisierung seltener Fehler geht. Meist verfügen die Hersteller einfach nicht über genügend Beispiele defekter Einheiten, als dass der Algorithmus sie zuverlässig kategorisieren könnte.

Das heißt konkret: Anstatt sofort von Null auf eine detaillierte Fehlerkategorisierung umzusteigen, sollte mit der Unterscheidung zwischen guten und fehlerhaften Einheiten begonnen werden. In der Folge kann der Hersteller eine immer detailliertere Fehlerkategorisierung hinzufügen, da das Modell dann genügend Beispiele für verschiedene Fehler sieht, um sie zuverlässig unterscheiden zu können.

Datenstrategie entwickeln: Ein großer Teil einer KI-Implementierung besteht darin, die Daten zu erhalten, die zum Trainieren der Algorithmen erforderlich sind. In der Praxis ist es aber häufig so, dass entweder die erforderlichen Daten nie erfasst wurden, oder die Daten erheblich bearbeitet werden müssen. Daher wird nicht nur eine KI-Roadmap benötigt, sondern auch eine zielführende Datenstrategie. Das bedeutet, dass der Hersteller die historischen Daten sammeln und bereinigen muss, die für die Erstellung des ersten Modells erforderlich sind.

Fachwissen erwerben: Viele Hersteller können nicht mit Big-Tech um Top-Talente konkurrieren. Sie sollten sich daher um eine andere, zweigleisige Strategie zur Qualifizierung ihrer Belegschaft und die Auswahl einer Lösung fokussieren, die sich möglichst einfach implementieren, integrieren, warten und durch neu geschaffene internen KI-Ressourcen erweitern lässt.

(ID:50064397)