Erst digitalisieren, dann automatisieren

Viele Produktionsunternehmen haben sich eine umfassende Digitalisierung auf die Fahnen geschrieben. Die Vorteile reichen von der Steigerung der Ressourceneffizienz über die Vereinfachung der Qualitätskontrollen bis hin zu einer deutlichen Verringerung der Schadstoffemissionen. Da Digitalisierung in der Regel auch einen höheren Automatisierungsgrad ermöglicht, bringt sie natürlich auch Vorteile gegenüber der Konkurrenz mit sich und nimmt den Druck von Produktionsunternehmen, die wie viele Firmen anderer Branchen unter dem allgegenwärtigen Fachkräftemangel leiden.
Doch obwohl Ergebnisse und Fallbeispiele zeigen, wie wertvoll die Digitalisierung ist, scheitern reihenweise Unternehmen der Produktionsbranche an der Praxis. Insbesondere die Operationalisierung von KI-Tools und maschinellem Lernen stellt oft unüberwindliche Hürden dar. Daher müssen Unternehmen ihre Euphorie bremsen und dürfen das sprichwörtliche Pferd nicht von hinten aufzäumen – oder anders ausgedrückt: Auf die richtige Planung kommt es an.
Vor der Integration von KI und maschinellem Lernen steht die Inventur auf der Tagesordnung. Dabei geht es nicht darum, dass Unternehmen ihre Waren zählen, sondern um ihre Workflows und Assets. Sie müssen einen Blick auf das grosse Ganze werfen und herausfinden, welche Arbeitsabläufe ihre Mitarbeitenden manuell erledigen und welche Datensilos oder Flaschenhälse in der Kommunikation existieren. Die holistische Betrachtung der Workflows von Menschen und Maschinen ergibt ein digitales Gesamtbild, auf dessen Grundlage eine Digitalisierungsstrategie aufgebaut werden kann.
Wenn alle Abhängigkeiten und Zusammenhänge offenliegen, können Unternehmen einzelne Prozesse von Anfang bis Ende und abteilungsübergreifend digitalisieren. Erst wenn dieser Schritt vollzogen ist, zeigen sich Stellen, an denen KI- oder ML-Lösungen die Prozesse verbessern könnten oder gar eine Automatisierung möglich wäre. In einem klassischen Manufakturbetrieb könnten strategisch platzierte Sensoren zum Beispiel einzelne Teile einer Produktionsstrasse auf deren Abnutzung hin überwachen und automatisiert nötige Wartungsarbeiten durch Meldung an das zuständige Personal initiieren. Denkbar sind viele Anwendungsbereiche, auch früher in der Prozesskette, allerdings funktioniert die Automatisierung und der Einsatz von KI nur, wenn alle Workflows digitalisiert sind, nicht nur einzelne Teile.

Die richtige KI für jeden KPI
Die richtigen KI- oder ML-Tools für das eigene Anwendungsgebiet zu finden, ist für ein Unternehmen nicht selten ebenso schwierig wie überhaupt erst herauszufinden, wofür es die Technologie einsetzen möchte. Das liegt unter anderem daran, dass der Markt mit potenziellen Lösungen beinahe schon übersättigt ist. Es empfiehlt sich für Produktionsbetriebe daher, zunächst klare Ziele und Key Performance Indicators (KPIs) zu definieren. Anschliessend können die IT-Experten passende Softwarepakete daraufhin prüfen, wie gut sie sich eignen, die Vorgaben zu erfüllen.
In der Manufacturing-Branche gehören Produktionsvolumen, Kosten, Produktionsausfallquoten oder der personelle Aufwand zu typischen KPIs, an denen Fertigungsbetriebe gerne die Stellschrauben zu ihren Gunsten anziehen oder lockern möchten. Zukünftig werden verpflichtende ESG (Environmental, Social und Governance)-Berichte allerdings neue Faktoren ins Spiel bringen, auf die Produktionsunternehmen achten müssen, darunter die Arbeitssicherheit, Ressourceneffizienz oder die Nachhaltigkeit des Betriebs.
Gerade im ersten Bereich wird Künstliche Intelligenz eine gewaltige Rolle spielen, da sie durch die Erkennung und Analyse kleinster Anomalien die Arbeitssicherheit verbessern kann. In einer Produktionsanlage zum Beispiel würden Sensoren kontinuierlich die Abgase und die Luftzusammensetzung überwachen. Kommt es zu einem unvorher-gesehenen Ausstoss giftiger Stoffe, kann KI das Personal deutlich schneller warnen und gegebenenfalls schon Gegenmassnahmen einleiten, bevor das Gefahrenschutzpersonal reagieren kann.
Für die praktische Implementierung solcher Technologien bedarf es einer engen Zusammenarbeit zwischen IT-Abteilung, Fach-abteilung und der Führungsebene. Gerade die Expertise aus den einzelnen Abteilungen und dem Tagesgeschäft ist unabdingbar, um die richtigen Lösungen auszuwählen und auch mögliche Probleme zu identifizieren. Anschliessend geht es um den technischen Aspekt: Künstliche Intelligenz und Machine-Learning-Modelle basieren immer auf Daten. Unternehmen müssen daher sicherstellen, dass überhaupt genug Daten in ausreichender Qualität vorhanden sind, um solche Technologien für einen spezifischen Anwendungszweck zu trainieren.
Ist das nicht der Fall, steht vor der Implementierung von KI oder Machine Learning erst einmal die Notwendigkeit, die richtigen Daten kontinuierlich zu erheben, an erster Stelle. Der andauernde Nachschub an Daten ist auch für das Etablieren stetiger Trainingsprozesse und die Anpassung der Modelle bei Bedarf nötig. Es kann dafür in speziellen Fällen nötig sein, Data Scientists zu beschäftigen, die dem Fertigungsunternehmen in dieser Phase der Digitalisierung helfen. Mittlerweile gibt es allerdings auch vortrainierte Modelle, die in einer Cloud-Umgebung laufen und die firmeninterne IT-Spezialisten nur noch für den spezifischen Anwendungszweck konfigurieren müssen. Das gelingt ohne grossen Aufwand, da die Vorarbeit von den Service-Providern auf Basis ihrer Erfahrungen mit anderen Unternehmen der Fertigungsbranche bereits abgeschlossen ist. Data Scientists sind dadurch zwar nicht grundsätzlich überflüssig und es lohnt sich für jedes Unternehmen, Experten für die korrekte Konfiguration einer KI-Lösung zu engagieren, aber sie sind kostengünstiger und einfacher zu bedienen als Modelle, die komplett in Eigenregie trainiert werden müssen.

Software ist kein Selbstläufer
Was viele Unternehmen immer wieder vergessen ist, dass es nicht genügt, KI- und ML-Tools einmal zu implementieren. Anders als gewöhnliche Software sind sie keine Selbstläufer, bei denen Updates nur neue Funktionen hinzufügen oder Sicherheitslücken schliessen. Die IT-Abteilung muss die Software kontinuierlich betreuen und oft nachjustieren, um sie effizient und funktional zu halten. Genau diese mangelnde Weitsicht sorgt langfristig oft für das ultimative Scheitern solcher KI- und ML-Projekte. Eine sogenannte Closed Loop, die das Monitoring, Testen, (Re-)Training und die Fehlererkennung – also die ständige Evaluierung und Nachbesserung umfasst – ist daher notwendig. Nur so können Fertigungsbetriebe sicherstellen, dass ihre KI einwandfrei läuft und kostspielige Produktionsausfälle aufgrund fehlerhafter Modelle verhindern. Auch den weit verbreiteten Model Drift können sie so verhindern, der insbesondere bei sich verändernden Variablen auftritt und die Vorhersagegenauigkeit von Machine-Learning- und KI-Modellen verringert. Ein Confidence Score, den viele vortrainierte Lösungen bieten, verhindert wirksam verzerrte Ergebnisse, indem er dem Nutzer auf einer Skala anzeigt, wie sicher das Modell in seiner Entscheidung war. Wird er mit der Zeit immer geringer, sollten Data Scientists oder andere KI-versierte Mitarbeitende aus der IT-Abteilung nach den Gründen suchen und die KI im Zweifel einem Retraining unterziehen. Hat der Fertigungsbetrieb frühzeitig eine sinnvolle Datenerhebungsstrategie initiiert, gelingt dieser Wartungsschritt für die KI problemlos und kostengünstig.
Das Potenzial KI und maschinellen Lernens für die Fertigungsbranche ist gigantisch. Smarte KI- und ML-basierte Tools sind die treibende Kraft für Unternehmen, sich der vierten industriellen Revolution vollständig anzuschliessen und deren Vorteile zu geniessen. Dafür bedarf es allerdings einer sehr genauen und holistischen Planung, einer sinnvollen und datengetriebenen Strategie sowie der Implementierung von Mechanismen, die eine langfristig effiziente Arbeit der KI-Tools und ML-Modelle garantiert.

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