Künst­li­che In­tel­li­genz in der In­dus­trie

Ma­chi­ne Learning

Digital Manufacturing - - INHALT - VON BURK­HARD RÖH­RIG Burk­hard Röh­rig ist Ge­schäfts­füh­rer bei Gfos.

Der Nut­zen von Ma­chi­ne Learning

Die Di­gi­ta­li­sie­rung ist om­ni­prä­sent und ver­än­dert al­le ge­sell­schaft­li­chen Be­rei­che dra­ma­tisch, so na­tür­lich auch die pro­du­zie­ren­de In­dus­trie. Ins­be­son­de­re der Ma­schi­nen­bau wird sich den Her­aus­for­de­run­gen stel­len müs­sen, will er sei­ne in vie­len Be­rei­chen be­ste­hen­de Pro­dukt­füh­rer­schaft be­hal­ten.

DAS SCHLAG­WORT In­dus­trie 4.0 be­deu­tet nichts an­de­res als ei­nen Pa­ra­dig­men­wech­sel für die deut­sche Ma­schi­nen­bau­und Fer­ti­gungs­in­dus­trie. Pro­duk­ti­ons­stra­ßen wer­den nicht län­ger von Ap­pli­ka­tio­nen ab­ge­schnit­ten sein und ei­nen ma­nu­el­len Be­stell­pro­zess not­wen­dig ma­chen. Im Ge­gen­teil: Sie wer­den ein in­te­gra­ler Be­stand­teil des Netz­werks sein. So wird die ein­zel­ne Ma­schi­ne zur Han­dels­wa­re und aus­tausch­bar.

In­dus­trie 4.0 wird zu­dem durch Soft­ware vor­an­ge­trie­ben und er­mög­licht. Erst durch An­wen­dun­gen sind Un­ter­neh­men in der La­ge, ih­re Pro­zes­se schlan­ker und da­mit agi­ler zu ge­stal­ten. Sie ge­währ­leis­ten auch, dass die Pro­duk­ti­ons­stra­ße und das Back-of­fice naht­los zu­sam­men­ar­bei­ten. Noch wich­ti­ger: Soft­ware treibt das Netz­werk an, auf dem al­le In­dus­trie-4.0kom­po­nen­ten auf­bau­en. Im Un­ter­schied zur klas­si­schen Di­gi­ta­li­sie­rung von Un­ter­neh­mens-pro­zes­sen – wie ERP, CRM, PLM – oder Pro­duk­ten (et­wa ein­ge­bet­te­te oder me­cha­tro­ni­sche Sys­te­me) er­for­dert dies das Ver­ste­hen und Den­ken in der neu­en, in­ter­net­ba­sier­ten Welt.

Für den Ma­schi­nen­bau wird die zu­neh­men­de Aus­tausch­bar­keit ei­ner ein­zel­nen Ma­schi­ne in vie­len Be­rei­chen da­zu füh­ren, dass zu­künf­tig nicht mehr die Ma­schi­ne selbst, son­dern die Leis­tung und Ver­füg­bar­keit ei­ner Ma­schi­ne ver­kauft wird. Hier­mit än­dert sich die Ge­schäfts­grund­la­ge für den Ma­schi­nen­bau gra­vie­rend, denn das Er­satz­teil­ge­schäft, das bis­her ent­schei­dend war, ent­fällt. Statt­des­sen gilt es, die Er­war­tun­gen hin­sicht­lich ei­ner 24/7-Ver­füg­bar­keit zu er­fül­len. In die­sem Zu­sam­men­hang spricht man von „dis­rup­ti­ven Ve­rän­de­run­gen“.

Dies ist wohl auch der Grund, war­um die The­men künst­li­che In­tel­li­genz und ins­be­son­de­re Ma­chi­ne Learning höchst prä­sent im Ma­nage­ment und in vie­len Fach­be­rei­chen der Ma­schi­nen­bau­er sind.

Was KI und Ma­chi­ne Learning ist

Ma­chi­ne Learning kann man tat­säch­lich wört­li­ches neh­men und mit ma­schi­nel­lem Ler­nen über­set­zen. It-sys­te­me er­hal­ten die Fä­hig­keit, auf der Grund­la­ge vor­han­de­ner Da­ten­be­stän­de und Al­go­rith­men Mus­ter und Ge­setz­mä­ßig­kei­ten zu er­ken­nen und Lö­sun­gen zu ent­wi­ckeln – al­so selbst­stän­dig zu ler­nen.

Die­se Al­go­rith­men fol­gen nicht ein­fach nur streng de­fi­nier­ten Pro­gramm­vor­ga­ben, son­dern tref­fen da­ten­ge­stütz­te Vor­her­sa­gen, in­dem sie auf Ba­sis von Bei­spie­len Wis­sen ge­ne­rie­ren – al­so ler­nen.

In der In­dus­trie ba­siert ma­schi­nel­les Ler­nen auf der Grund­la­ge von vie­len ge­won­ne­nen Da­ten mit Hil­fe von Sen­so­rik, Cy­ber Phy­si­cal Sys­tems und Soft­ware. Ma­chi­ne Learning ent­wi­ckelt aus den

Da­ten In­for­ma­tio­nen, die die Pro­duk­ti­on ef­fi­zi­en­ter und plan­ba­rer ma­chen.

Turn Big in­to Smart Da­ta

Die Ana­ly­se rie­si­ger Da­ten­men­gen (Big Da­ta) ist zu ei­nem ent­schei­den­den Fak­tor für den ef­fi­zi­en­ten Ein­satz künst­li­cher In­tel­li­genz in der Wirt­schaft ge­wor­den. Doch ent­schei­dend ist nicht nur die Men­ge der Da­ten, son­dern auch die rich­ti­ge In­ter­pre­ta­ti­on. Nur so kann aus Big Da­ta auch„smart Da­ta“wer­den.

Gro­ße Play­er wie Goog­le ha­ben die Ma­schi­nen­in­tel­li­genz längst für sich ent­deckt und in­te­grie­ren KI in ei­ne Viel­zahl von Pro­duk­ten. Ibm-che­fin Gin­ni Ro­met­ty er­klärt: „In we­ni­gen Jah­ren wird je­de grö­ße­re Ent­schei­dung […] mit Hil­fe von künst­li­cher In­tel­li­genz und ko­gni­ti­ven Tech­no­lo­gi­en fal­len.“For­scher im Si­li­kon Val­ley ge­hen noch wei­ter und sa­gen vor­aus, dass in cir­ca zehn Jah­ren künst­li­che In­tel­li­genz die mensch­li­che über­trof­fen ha­ben wird.

Dass KI be­reits im All­tag an­ge­kom­men ist, zeigt sich in vie­len An­wen­dungs­fäl­len – gera­de im Be­reich der Aug­men­ted Rea­li­ty. Den­ken wir nur an He­ad-up-dis­plays im Au­to, Rei­se-apps oder die di­gi­ta­le Um­klei­de­ka­bi­ne.

KI in die Pra­xis

Grund­sätz­lich bie­tet Ma­chi­ne Learning ei­ne Viel­zahl von Nut­zen­po­ten­tia­len. Für die Auf­ga­ben der vor­aus­schau­en­den In­stand­hal­tung (Pre­dic­tive Main­ten­an­ce) wird der Nut­zen von Ma­chi­ne Learning be­son­ders deut­lich: Frü­her war In­stand­hal­tung häu­fig rein re­ak­tiv. Erst wenn be­reits ein Feh­ler auf­ge­tre­ten war, konn­te die­ser be­ho­ben wer­den. Dies führ­te zu War­te­zei­ten und Still­stän­den.

Heu­te fin­det In­stand­hal­tung pro­ak­tiv statt. Denn auf der Grund­la­ge vie­ler ge­won­ne­ner In­for­ma­tio­nen las­sen sich künf­tig auf­kom­men­de Pro­ble­me an ei­ner Ma­schi­ne so recht­zei­tig dia­gnos­ti­zie­ren und plan­bar be­he­ben, noch be­vor ei­ne Stö­rung ein­tritt und zu ei­ner Pro­duk­ti­ons­un­ter­bre­chung führt. Für die In­stand­hal­tung ei­nes Ma­schi­nen­bau­ers oder auch Kun­den be­deu­tet dies, dass die In­stand­hal­tung plan­bar und da­mit deut­lich ef­fi­zi­en­ter wird. War­te­zei­ten und Still­stän­de ge­hö­ren da­mit qua­si der Ver­gan­gen­heit an.

Für den Kun­den des Ma­schi­nen­bau­ers be­deu­tet dies, dass er un­ter­bre­chungs­frei und da­mit ver­läss­lich, wie ge­plant, pro­du­zie­ren kann. Aber Sen­so­rik in Ver­bin­dung mit Soft­ware er­laubt auch im Sin­ne ei­nes Fein­tu­nings die Ma­schi­nen­ef­fi­zi­enz zu op­ti­mie­ren. Ma­chi­ne Learning er­mög­licht al­so so­wohl für den Ma­schi­nen­bau­er als auch für des­sen Kun­den ei­ne Op­ti­mie­rung sei­ner Pro­zes­se.

Je nach Ein­satz­ge­biet las­sen sich al­so Mehr­wer­te für den An­wen­der und Be­trei­ber der Ma­schi­ne er­zie­len – bes­se­re Aus­las­tung durch ver­kürz­te Rüst­zei­ten, ver­läss­li­che Pro­duk­ti­ons­pla­nung oder die „Null“-feh­ler-fer­ti­gung. Denk­ba­re Ex­per­ten­sys­te­me, als fes­ter Be­stand­teil der Ma­schi­nen, wür­den bei­spiels­wei­se ei­ne schnel­le­re Ei­n­ar­bei­tung und ge­rin­ge­ren Schu­lungs­auf­wand er­mög­li­chen. Letzt­lich könn­te auch die Be­die­nung im lau­fen­den Be­trieb durch ei­ne ent­spre­chen­de Un­ter­stüt­zung ver­ein­facht wer­den.

Der Leit­fa­den des VDMA

Ob­wohl die Vor­tei­le von Ma­chi­ne Learning klar auf der Hand lie­gen, herrscht in ei­ni­gen Ma­schi­nen­bau­un­ter­neh­men noch Un­si­cher­heit dar­über, ob es sich bei Ma­chi­ne Learning um ein ge­schäfts­re­le­van­tes The­ma han­delt. An­sät­ze hier­zu lie­gen aber so­wohl in der Op­ti­mie­rung der ei­ge­nen Pro­zes­se als auch im Er­halt und in der Er­wei­te­rung der Pro­dukt­in­no­va­ti­ons­füh­rer­schaft.

Mit dem Ziel, ei­ne ers­te Hil­fe­stel­lung zur be­triebs­wirt­schaft­li­chen Ein­schät­zung und Re­le­vanz von Ma­chi­ne Learning zu er­mög­li­chen, um ei­ne ei­ge­ne Her­an­ge­hens­wei­se und Stra­te­gie­de­fi­ni­ti­on zu er­mög­li­chen, hat der VDMA ei­nen „Ma­chi­ne Learning Quick­gui­de“her­aus­ge­ge­ben. Die­ser soll bei ei­ner struk­tu­rier­ten Chan­cen-, Nut­zen- und Ri­si­ko­be­trach­tung hel­fen. Bei­spie­le tra­gen da­zu bei, die ein­zel­nen Aspek­te in ei­nen be­triebs­wirt­schaft­li­chen Kon­text zu brin­gen. jbi

Bild: Pop­ti­ka/shut­ter­stock

Ma­chi­ne Learning ver­än­dert nicht nur die War­tung von Ma­schi­nen und An­la­gen, auch Ge­schäfts­mo­del­le und die Be­die­nung wan­deln sich in den Ein­satz­sze­na­ri­en grund­le­gend.

Newspapers in German

Newspapers from Germany

© PressReader. All rights reserved.