Inwiefern trägt KI zu mehr Produktivität in der Fertigung bei?
Stefan Bergstein: KI-basierte Zustandsüberwachung und visuelle Qualitätsprüfung in Echtzeit gehören zu den wichtigsten Anwendungsfällen, um die Produktivität in der Fertigung zu steigern. Oberstes Ziel ist es, die höchstmögliche Produktqualität zu erhalten und gleichzeitig die Produktion fehlerhafter Artikel zu minimieren oder sogar ganz zu eliminieren. Die frühestmögliche Erkennung von Qualitätsproblemen stellt sicher, dass die Fertigungsprozesse stets eine maximale Produktivität erreichen. Ebenso wichtig ist es, den Zustand der Produktionslinien zu überwachen. Das Erkennen und die Vorhersage potenzieller Ausfallzeiten – egal welcher Art – kann die Betriebszeit und damit die Gesamtproduktivität erheblich steigern.
Produktionsleiter achten bei der Systemauswahl auf… ?
Der erste Schritt sollte darin bestehen, nach Systemen zu suchen, die in identischen oder ähnlichen Anwendungsfällen erfolgreich zum Einsatz kamen. Als nächstes würde ich empfehlen, einen Partner oder Systemintegrator zu suchen, der Produktivitätsprobleme mit KI angeht. Wie üblich können Technologie und KI allein keine Probleme lösen – ein solides Verständnis des Unternehmens, dessen Ziele und des konkreten Anwendungsfalls sind unabdingbare Voraussetzung. Daher würde ich raten, die Suche nach einem Partner zu priorisieren, bevor überhaupt ein bestimmtes System oder eine bestimmte Technologie in Betracht gezogen wird.
Woran scheitern KI-Projekte?
Das liegt an zwei kritischen Faktoren. Ein Punkt ist die fehlende oder unzureichende Qualität der Daten für das Training der KI-Modelle: Beim ‚Supervised AI/ML Learning‘ ist die Verfügbarkeit von Trainings-, Test- und Validierungsdaten von hoher Qualität für das Anlernen robuster KI-Modelle entscheidend. Wer diesen Aspekt unterschätzt, riskiert das Scheitern seines KI-Projekts. Der andere maßgebliche Punkt ist der Einsatz von KI-Modellen in der Produktion: Während das Training von KI-Modellen in einer Data-Science- oder Laborumgebung gängige Praxis und relativ einfach ist, stellt die Nutzung dieser Modelle in Fertigungsbetrieben eine erhebliche Herausforderung dar. Dies liegt daran, dass die Modelle ständig überwacht werden müssen, um mögliche Verzerrungen oder einen ‚AI Model Drift‘ zu erkennen. Letzteres bezeichnet das Phänomen, dass die Vorhersagegenauigkeit von Machine-Learning-Modellen im Laufe der Zeit nachlassen kann. Um den Erfolg von KI-Projekten zu gewährleisten, muss also der gesamte Lebenszyklus sorgfältig durchdacht werden.
