KI in der Industrie: Turbo für Produktivität und Qualität
Künstliche Intelligenz (KI) ist längst keine Zukunftsvision mehr, sondern eine Realität, die großes Potenzial für die Fertigungsindustrie bietet, um Produktivität und Qualität zu steigern und Kosten zu reduzieren. Dabei spielt die KI-gestützte Digitalisierung und Automatisierung von Prozessen ebenso eine wesentliche Rolle wie der Einsatz von Künstlicher Intelligenz in der Produktion und Qualitätssicherung. In diesem Blogbeitrag gibt Matthias Puhr, Data Scientist bei DCCS, Einblick in die konkreten Einsatzmöglichkeiten von KI für Industrieunternehmen und beleuchtet, was es zu berücksichtigen gilt, damit KI-Projekte den gewünschten Business-Mehrwert liefern.
KI - Lösungskatalysator komplexer Problemstellungen
Künstliche Intelligenz (KI) kann man abstrakt als eine Sammlung ausgereifter Technologien zur Erkennung und Analyse von komplexen Zusammenhängen in Daten beschreiben. Für die Industrie leistet die KI wertvolle Dienste, um Prozesse zu digitalisieren und Abläufe zu automatisieren. Mit KI-Methoden lassen sich unterschiedlichste vielschichtige Problemstellungen lösen, die bisherige Lösungsansätze vor große Herausforderungen gestellt haben. Künstliche Intelligenz ist überall dort anwendbar, wo ausreichend (qualitative) Daten vorhanden sind. Im industriellen Umfeld bieten sich insbesondere Produktionsprozesse für den Einsatz von KI an. In einem modernen Fertigungsprozess werden umfangreiche Daten erhoben und gespeichert, die in weiterer Folge als Ausgangsbasis für KI-Anwendungen dienen können.
KI als Qualitätsbooster
Großes Potenzial besteht in der Qualitätssicherung, wo KI komplexe Zusammenhänge aus den unterschiedlichsten Datenströmen erkennen kann und derzeit viele Aufgaben noch manuell von MitarbeiterInnen abgearbeitet werden. Menschen sind mit der Komplexität und Menge der vorhandenen Daten oft überfordert und schaffen es nicht oder nur mit großem zeitlichem Aufwand, aus der Datenflut Zusammenhänge oder Handlungsanweisungen abzuleiten. Hier kann die KI durch sinnvolle, kontextabhängige Vorfilterung der Daten unterstützen oder Prozesse sogar vollständig automatisieren.
Bilderkennung & Anomaly-Detection
Ein Paradebeispiel ist die visuelle Qualitätssicherung. Die großen Fortschritte der letzten Jahre auf dem Gebiet des maschinellen Sehens und der Bilderkennung und -analyse ermöglichen für viele Anwendungsfälle eine vollautomatische optische Prüfung von Bauteilen. Durch Verwendung von vortrainierten oder Open Source KI-Modellen in Kombination mit fortschrittlicher Anomalieerkennung können KI-Algorithmen entwickelt werden, die anhand von vorgegebenen Trainingsbildern lernen, wie ein Bauteil aussehen soll. Im Fertigungsprozess können so Kamerabilder von Bauteilen analysiert und fehlerhafte Produkte zuverlässig erkannt werden. Der große Vorteil dieses Anomaly-Detection Ansatzes ist, dass Abweichungen von einem gewünschten Sollzustand frühzeitig erkannt werden, ohne dass im Vorhinein alle möglicherweise auftretenden Fehler spezifiziert werden müssen. Die KI kann maßgeblich dazu beitragen, die Effizienz von Qualitätssicherungsprozessen zu steigern und damit die Kosten signifikant zu reduzieren.
KI - präzise, zuverlässig, schnell
Die großen Vorteile der künstlichen Intelligenz sind die konstanten, zuverlässigen Resultate der Algorithmen, das Erkennen von Mustern und Zusammenhängen in großen Datenmengen, und die Möglichkeit schnell und automatisiert Entscheidungen zu treffen.
Die Konstanz der Ergebnisse ist im Bereich der Qualitätssicherung besonders wichtig, da hier die gleichen Eingangsdaten stets zu gleichen Entscheidungen führen müssen. Im Gegensatz zu Menschen werden KI-Werkzeuge nicht müde und können viele monotone Aufgaben deutlich schneller abarbeiten als das für Menschen möglich ist. Mit intelligenten Systemen lässt sich so die Produktivität steigern und eine konstant hohe Qualität erzielen.
Der Einsatz von KI ist nicht nur in der Fertigung, sondern auch in vielen anderen Bereichen sinnvoll. Mehrwehrt kann vor allem auch die KI-unterstützte Digitalisierung und Automatisierung von Prozessen bringen. Ein vielfach vorkommender Anwendungsfall ist die Klassifizierung von Dokumenten. Das umfasst zum Beispiel die automatische Beurteilung von Anträgen oder die direkte Weiterleitung einer E-Mail an die zuständige Abteilung. Mit KI-Methoden können bei ausreichend vorhandenen Trainingsdaten Erfolgsquoten von weit über 90 Prozent erzielt werden.
KI-Projekte mit Business-Mehrwert
Am Markt gibt es zwar etliche KI-Standardlösungen für spezielle Anwendungsfälle, diese sind aber meist unflexibel und nur für eng gesteckte Einsatzzwecke nutzbar. Komplexere Anwendungsfälle oder kundenspezifische Aufgabenstellungen erfordern im Regelfall eine individuelle Anpassung und dementsprechendes Know-How von KI-ExpertInnen, die eine maßgeschneiderte, mehrwertstiftende Lösung entwickeln können.
Am Beginn eines KI-Projektes steht die umfassende Analyse der vorhandenen Daten und der jeweiligen Prozesse. Zusammen mit Stakeholdern und Domänenexperten erarbeiten sich die KI-Experten ein umfassendes Verständnis des betrachteten Anwendungsfalles und der Aufgabenstellung. Im nächsten Schritt werden die Daten aufbereitet und – wo notwendig – bereinigt, transformiert und homogenisiert. Die Form der Trainingsdaten für die KI muss zu den verwendeten Algorithmen passen. Welche Algorithmen für die Lösung in Frage kommen, hängt von vielen Faktoren ab. Eine große Rolle spielt hier die zur Verfügung stehende Infrastruktur und die Anforderungen an die Genauigkeit und Präzision. In der Praxis wird ein Modell, welches etwas schlechtere Ergebnisse in schnellerer Zeit und mit weniger Ressourcenverbrauch liefert, oft gegenüber einem genaueren Modell, das im Betrieb kostspieliger ist, bevorzugt.
Ein wichtiger Punkt ist auch das Deployment oder die Bereitstellung des KI-Modells. Es muss dafür gesorgt werden, dass die KI für alle potenziellen NutzerInnen zur Verfügung steht und im besten Fall nahtlos in die Bestandssysteme integriert ist. Im industriellen Umfeld kann auch die Integration der KI in den Produktionsprozess oder die Maschinensteuerung ein wesentlicher Erfolgsfaktor sein. Das Deployment wird oft vernachlässigt, was dazu führt, dass viele KI-Projekte nie über den Stand eines „Proof-of-Concept“ hinauskommen.
In der Praxis sind oft mehrere Iterationen der oben genannten Projektphasen sinnvoll, weil zum Beispiel im Verlauf des Projektes neue Datenquellen entdeckt werden oder neue Informationen berücksichtigt werden müssen. Im Zuge dieses iterativen Prozesses wird das KI-Modell laufend und mit geringem zeitlichem Aufwand verbessert, um ein optimales Ergebnis zu erzielen.
Praxis-Tipps für den Erfolg
Aus mehrjähriger Erfahrung in der Umsetzung von KI-Projekten mit Kunden aus der Industrie konnten wir einige Erfolgsfaktoren ableiten:
Die richtigen Fragen stellen
Falsche Fragen, Aufgabenstellungen oder Voraussetzungen führen oft zu Lösungen ohne großen Mehrwert. Projekte, mit der Prämisse „Welche Probleme kann KI lösen?“ oder „Macht was mit meinen Daten“ zu starten, ist kontraproduktiv. Es hat sich bewährt, vor Projektbeginn die folgenden Fragen zu stellen:
- Wo gibt es in Prozessen und Fertigungsschritten Herausforderungen oder Probleme, und wie kann KI unterstützen?
- Welche Daten/Informationen können zum Ableiten von Regeln verwendet werden?
- Gib es aufwändige, repetitive Aufgaben und können diese automatisiert werden?
- Wo kann und soll digitalisiert werden?
Nicht nach der 100 % Lösung suchen
Eine 100%-Lösung ist oft nur schwer oder mit unwirtschaftlich hohem Aufwand zu erreichen. Es ist meist nicht sinnvoll, direkt eine 100%-Lösung anzustreben oder zu versuchen MitarbeiterInnen vollständig zu ersetzen. Oft bieten auch schon Teillösungen oder die Automatisierung von Teilprozessen einen hohen Mehrwert, Qualitätsgewinn oder Einsparpotenzial. Sehen Sie die KI als eine Assistenzfunktion, die Menschen unterstützen und die Produktivität steigern kann.
Das Gesamtprojekt nicht unterschätzen
Die KI und der zugehörige Programmcode bilden in der Regel nur einen kleinen Teil der Gesamtlösung. Entscheidend für den Erfolg ist eine gelungene Integration in die Systemlandschaft und Infrastruktur des Kunden.
Im Gesamtprojekt benötigt man neben dem spezifischen Fach- bzw. Domänenwissen für das jeweilige Projekt auch Know-How aus den Bereichen Softwareentwicklung, KI und Infrastruktur.
Als langjähriger Digitalisierungspartner der Industrie begleitet DCCS Sie gerne und mit umfassender Expertise bei Ihrem KI-Projekt und führt es gemeinsam mit Ihnen zum Erfolg.