Wie die Digitalisierung der Produktion gelingt

Mehr Ressourceneffizienz, vereinfachte Qualitätskontrollen, weniger CO2-Emmissionen – der Nutzen, den sich Produktionsunternehmen von einer umfassenden Digitalisierung versprechen, ist gross. Auch mit Hinblick auf die lockenden Wettbewerbsvorteile und den herrschenden Fachkräftemangel stehen automatisierte Prozesse und intelligente Maschinen in der Branche hoch im Kurs.
Aber trotz des hohen Zuspruchs und der immer grösser werdenden Bedeutung einer digitalen Ausrichtung scheitern immer noch viele Projekte an der Umsetzung. Davon betroffen sind viele Werkzeuge und Methoden aus den Bereichen künstliche Intelligenz und maschinelles Lernen. Wie kann die Operationalisierung gelingen? Für die Antwort müssen Unternehmen einen Schritt zurückgehen.
Der Transformationsprozess beginnt mit einer ganzheitlichen Betrachtung des Unternehmens, denn das besteht aus mehr als nur einzelnen Fertigungslinien. Bevor State-of-the-Art-Technologien zum Einsatz kommen, ist die Digitalisierung der Prozesse notwendig. Wo gibt es Abläufe, die Mitarbeitende manuell erledigen? Sind im Laufe der Zeit Datensilos oder ein Flaschenhals beim Informationsaustausch entstanden? Wie bei dem Bau eines neuen Gebäudes entscheidet ein gut geplantes und solide konstruiertes Fundament über den späteren Erfolg einer Digitalstrategie und den darauf aufbauenden Technologien zur Automatisierung.
Für Unternehmen bedeutet dies, dass sie ihre Transformation als Ganzes betrachten müssen. Ein Zukaufen von glitzernden KI-Tools nach Best-of-Breed-Manier ist daher meist nicht nur zu kurz gedacht, sondern im Kontext einer übergeordneten Strategie auch kontraproduktiv. Sinnvoller ist eine umgekehrte Herangehensweise: die abteilungsübergreifende Digitalisierung einzelner Prozesse – vom Einkauf und dem Personalwesen über die Lagerlogistik bis hin zu Vertrieb und der eigentlichen Produktionslinie. Erkennen Unternehmen bei diesem Schritt einzelne Abläufe, die von KI- oder ML-Lösungen profitieren, ist eine Umsetzung denkbar.
Beispiele aus der Praxis sind etwa Anwendungen aus dem Bereich Computer Vision, mit denen die Software mittels Kameras die Fertigung von Bauteilen und deren Unversehrtheit überwacht. Dabei handelt es sich allerdings nur um einen einzelnen Prozess innerhalb der gesamten Qualitätssicherung – sie decken damit nur einen kleinen Teilbereich ab. Voraussetzung für den erfolgreichen Einsatz und die Umsetzung der übergeordneten Strategie ist jedoch die durchgehende Digitalisierung der gesamten Prozesskette.

Qual der Wahl bei KI- und ML-Lösungen
Der Markt für KI- und ML-Lösungen boomt, auch produzierende Unternehmen sehen sich schnell einer schier unüberschaubaren Auswahl gegenüber. Bei der Frage, welches Angebot für die eigenen Anforderungen sinnvoll ist, hilft die übergeordnete Frage nach den ausgerufenen Zielen sowie Definition von KPIs. Die Manufacturing-Branche hat darauf viele mögliche Antworten: Produktionsvolumen, Kosten, Downtime der Anlagen oder Mangelware sind dabei nur einige Beispiele für konkrete Zahlen entlang der Fertigungslinie. Mit den verpflichtenden ESG-Reports werden in Zukunft aber auch andere Faktoren immer wichtiger, etwa die Arbeitssicherheit, die Ressourceneffizienz oder der eigene ökologische Fussabdruck.
KI und ML können in diesem Bereich unterstützen, etwa mit Lösungen der Anomaly Detection, einem Teilbereich der Predictive Maintenance. Dabei misst die Software verschiedene Parameter, wie Temperatur oder Vibration, und vergleicht sie mit vorgegebenen Normwerten. Entdeckt das System Abweichungen, können Unternehmen proaktiv Gegenmassnahmen einleiten, bevor beispielsweise Produktionsanlagen aufgrund von Schäden längere Zeit ausfallen. Damit diese und andere Technologien ihren Weg von der Idee bis in die Produktion schaffen, müssen IT-Abteilungen und zuständige Führungskräfte einige wichtige Entscheidungen treffen.
Zum einen ist die Einbindung der Fachseite essentiell, um die geschäftlichen Prozesse abzudecken, die Expertise aus dem Tagesgeschäft zu involvieren und Probleme zu identifizieren. In einem nächsten Schritt stellen sich weitere Fragen: Liegen genug Daten vor, um mit ihnen Modelle zu trainieren? Wie ist es um die Qualität der Daten bestellt? Und wie können Unternehmen sicherstellen, dass eine kontinuierliche Datenerhebung realisierbar ist – eine weitere Prämisse, um stetige Trainingsprozesse zu etablieren und Anpassungen an den Modellen vorzunehmen.
Eng verbunden ist dabei die Entscheidung, ob das Unternehmen in dieser Phase der Digitalisierung auf Data Scientists angewiesen ist, oder ob es alternative Lösungen gibt. Die kommen zunehmend in Form von vortrainierten Modellen aus der Cloud, an denen Unternehmen nur noch feingranulare Anpassungen vornehmen müssen und sie mit ihren gelabelten Daten füttern.
Diese Services sind auch deswegen für die Fertigungsindustrie vielversprechend, weil zahlreiche Anwendungsfälle schon lange bekannt sind und entsprechende Lösungen bereits existieren. Auf diese Weise generierte Modelle sind mit geringem Aufwand trainierbar, um beispielsweise Verschleissmerkmale an den Anlagen zu erkennen oder Produkte auf ihre korrekte Herstellung hin zu überprüfen. Diese durchaus kostengünstigen Cloud-Lösungen machen Data Scientists zwar nicht ihre zentrale Rolle streitig, sie erweitern allerdings das Portfolio an Lösungen.

Das Problem mit der Operationalisierung
Ein grosser Stolperstein bei der Implementierung von KI- und ML-Tools liegt in der fehlenden langfristigen Ausrichtung der Projekte. Die eingesetzten Modelle sind keine Anwendungen, die nach der einmaligen Einrichtung von sich aus immer weiter funktionieren. Die kontinuierliche Betreuung und Justierung sind wichtige Bestandteile dieser Prozesse – und ein Grund, warum zahlreiche Projekte in der Praxis scheitern.
Unternehmen benötigen daher eine Closed Loop für ihre KI- und ML-Projekte, die eine beständige Verbesserung der Anwendungen sicherstellt. Neben der Entwicklung, beziehungsweise der Implementierung, sind dabei Aspekte wie Monitoring, Testing, neues Training und die Fehlererkennung essenziell, damit die Tools verlässliche Ergebnisse produzieren können. Auf diese Weise ist auch das weit verbreitete Problem des Model Drift zu verhindern, bei dem die Vorhersagegenauigkeit der Modelle aufgrund veränderter Variablen abnimmt und Resultate verzerrt.
Einen wichtigen Indikator für dieses Phänomen liefern viele Lösungen gleich mit: den Confidence Score. Die Skala gibt an, wie sicher sich das Modell bei seiner Entscheidung ist. Verschiebt er sich, sind Fehlersuchen und Training notwendig – auch aus diesem Grund müssen Unternehmen ihre Daten kontinuierlich erheben, auswerten und ihre Modelle trainieren. Wer diese Schritte von Anfang an in seine Digitalstrategie miteinbezieht, spart sich die meist hohen Kosten, die bei einer Nachrüstung anfallen.
Künstliche Intelligenz und maschinelles Lernen besitzen riesiges Potenzial, um die gesamte Manufacturing-Branche mit intelligenten Lösungen auszustatten und damit den Weg zur Industrie 4.0 zu ebnen. Voraussetzung dafür ist eine an die eigenen Anforderungen angepasste Strategie sowie eine langfristige Ausrichtung auf die Arbeit mit KI-Tools und ML-Modellen.

INFOS | KONTAKT
Red Hat (Schweiz)
Europaallee 41
CH-8021 Zürich
T +41 (0)44 214 60 12
www.redhat.com