KI in der Smart Factory: Warum Standardanwendungen besser sind

Wie alles begann

Bei einem Smartphone kann man den integrierten Blitz auf Wunsch zuschalten, um das nähere Umfeld besser auszuleuchten. Aber funktioniert das auch mit Künstlicher Intelligenz? Kann KI ganz einfach zugeschaltet werden, um im Bedarfsfall bessere Ergebnisse zu erzielen?

Der Blick in die Historie gibt wenig Grund zu Optimismus: Das 1996 entwickelte branchenübergreifende Standardverfahren für die Verarbeitung von großen Datenmengen, „Cross Industry Standard Process for Data Mining (CRISP-DM)“ [2], wird auch heute noch in vielen KI-Projekten eingesetzt [3]. Dieses Verfahren beschreibt anwendungsneutral, welche Schritte unternommen werden müssen, um erfolgreich von großen Datenmengen zu profitieren [4]. Es handelt sich um sechs Phasen (Bild 1):

Bild 1

Das Vorgehensmodell Cross Industry Standard Process for Data Mining (CRISP-DM) erklärt, wie man mit großen Datenmengen umgeht (Quelle: MPDV, Adobe Stock, Rawpixel.com, i.A. an Wikipedia)

1. Business Understanding: Anwendungsfall verstehen,

2. Data Understanding: Daten verstehen,

3. Data Preparation: Daten vorbereiten,

4. Modeling: Modell erstellen,

5. Evaluation: Modell evaluieren und

6. Deployment: Modell bereitstellen.

Besonders das Aufbereiten der Daten, also die Schritte 1 bis 3, beansprucht in herkömmlichen KI-Projekten einen erheblichen Anteil an Zeit und Kosten. Ein Data Scientist muss diesen überwiegend manuellen Prozess für jedes einzelne Projekt aufs Neue durchführen. Sobald das KI-Modell fertiggestellt ist, kann es implementiert und verwendet werden. Wenn sich die Umstände stark verändern, kann eine Überarbeitung oder Erweiterung des Modells erforderlich werden. Denn die Künstliche Intelligenz lernt, ähnlich wie bei ChatGPT, nicht automatisch kontinuierlich weiter. Es wäre kostensparender, wenn man sowohl die Erstellung als auch die Erweiterung der KI-Modelle vollständig automatisieren könnte – eine Art „Automated Data Science“. Alternativ könnte man die Daten so bereitstellen, dass die ersten drei Schritte obsolet werden und direkt mit der Modellierung gestartet werden kann.

KI-Standardanwendungen

Daten in geeigneter Form vorzuhalten, ist eine der zentralen Aufgaben der modernen Fertigungs-IT. Begriffe wie „Integrationsplattform“ und „Semantik“ spielen dabei eine wesentliche Rolle. Wenn alle Daten innerhalb einer gemeinsamen Integrationsplattform in einem semantischen Datenmodell strukturiert sind, wird es für KI-Software einfach, auf diese zuzugreifen und sie für die Modellbildung zu nutzen. Kurz erklärt: Ein semantisches Datenmodell ist wie eine Landkarte für Daten, die zeigt, wie verschiedene Informationen miteinander verbunden sind und was sie bedeuten. Es hilft dabei, Daten besser zu verstehen und zu nutzen, indem es die Beziehungen und Bedeutungen der Daten klärt [5].

Ähnlich wie bei der Entwicklung von browserbasierten Computerspielen können stets neue Szenarien erstellt werden, die auf denselben Grundprinzipien basieren. Um bei diesem Vergleich zu bleiben: Für die zugrunde liegende Spiele-Engine ist es unerheblich, ob man eine Raumstation baut und Ressourcen von fremden Planeten sammelt oder ob man einen Bauernhof mit Rinderzucht betreibt. In beiden Szenarien gibt es Rohstoffe, Unterkünfte, Produktionsstätten und eine Währung, mit der man alles handeln kann, was man selbst nicht herstellt. Die zugrunde liegende Datenbasis bleibt identisch, es wird lediglich differenziert, wofür die Daten genutzt werden. Im genannten Beispiel unterschieden sich die Darstellungen Raumstation und Bauernhof nicht aber das Konstrukt dahinter.

Zurück zur Smart Factory: Eine Integrationsplattform stellt umfangreiche Daten bereit, die von verschiedenen Anwendungen genutzt werden können. Ob man analysiert, wie effizient eine Maschine ist oder vorhersagt, wie lange das Rüsten bei einem bestimmten Artikelwechsel dauern wird, ist für die Plattform zunächst unerheblich. Die semantische Strukturierung der Daten gewährleistet, dass jede Anwendung die Daten versteht und für ihren spezifischen Zweck nutzen kann. Dadurch wird der Weg für Standardanwendungen geebnet. Solche Standardanwendungen gibt es bereits auf dem Markt – zum Beispiel von MPDV (siehe Infokasten).

Auch für die KI-Engine ist nicht relevant, welche Art von Daten analysiert wird. Das Prinzip ist immer das Gleiche:

1. Das System analysiert historische Daten.

2. Die KI erkennt Muster und ermittelt Einflussfaktoren.

Anhand dieser Erkenntnisse kann das System Zusammenhänge visualisieren beziehungsweise Ergebnisse oder Ereignisse vorhersagen.

Bild 2

Mit der AI Suite liefert MPDV Standardanwendungen für die Smart Factory (Quelle: MPDV, Adobe Stock, sofi ko14)

Künstliche Intelligenz für die Smart Factory

Der Begriff „Künstliche Intelligenz“ umfasst ein ziemlich großes Feld der Wissenschaft und soll daher zunächst auf ein überschaubares Spektrum eingegrenzt werden. Im Fertigungsumfeld soll die KI den Menschen dabei unterstützen, bestimmte Aufgaben schneller oder auch besser auszuführen. Daher bietet es sich an, das Teilgebiet Machine Learning genauer zu betrachten. Machine Learning bzw. maschinelles Lernen ist ein Oberbegriff für die künstliche Wissensgenerierung: Ein System lernt aus Beispielen und kann diese nach Beendigung der Lernphase verallgemeinern. Dazu bauen Algorithmen beim maschinellen Lernen ein statistisches Modell auf, das auf Trainingsdaten beruht. Machine Learning selbst lässt sich in verschiedene Methoden unterteilen, die je nach Anwendungsfall unterschiedlich wirksam sind. Im Folgenden betrachten wir die drei Bereiche „überwachtes Lernen“, „unüberwachtes Lernen“ und „bestärkendes Lernen“ genauer.

Funktionsweise und Nutzen am Beispiel von Predictive Quality

Predictive Quality beruht auf der Erkenntnis, dass trotz Einhaltung aller Prozessparameter innerhalb der vorgegebenen Toleranzgrenzen Ausschuss oder Nacharbeit entstehen kann. Dies liegt an den komplexen Wechselwirkungen, die mit der Fertigungstechnologie verbunden sind. In der Praxis wird eine Kombination aus verschiedenen Prozesswerten und der Qualitätseinstufung verwendet, um die Wahrscheinlichkeit zu bestimmen, ob das aktuell hergestellte Produkt einwandfrei oder Ausschuss ist. Hierfür ist eine umfassende Sammlung von Daten notwendig, insbesondere ein breites Spektrum an Prozessdaten, die mit entsprechenden Qualitätsdaten korreliert werden können. Dabei ist es entscheidend, dass die erfassten Prozesswerte synchron zu den Qualitätseinstufungen vorliegen. Sowohl die Menge als auch die Vielfalt der erfassten Daten sind für die Zuverlässigkeit der Vorhersagen wichtig. Einfach ausgedrückt: Je mehr die einzelnen Prozesswerte innerhalb ihrer zulässigen Toleranzen variieren und je mehr Kombinationen unterschiedlicher Extremwerte erfasst werden, desto besser.

Aus diesen Daten entwickelt die Künstliche Intelligenz ein Vorhersagemodell, das mit aktuellen Prozessdaten gespeist werden kann. Das Ergebnis ist einerseits eine Qualitätseinstufung und andererseits eine Einschätzung der Wahrscheinlichkeit, dass diese Einstufung korrekt ist (Bild 3). Dann liegt es in der Verantwortung des Menschen zu entscheiden, wie mit den Ergebnissen umgegangen wird. Beispielsweise könnte man alle Teile, die mit mehr als 60 Prozent Wahrscheinlichkeit Ausschuss sind, sofort recyceln oder überprüfen und Teile, die mit über 90 Prozent als „Gutteil“ eingestuft werden, ungeprüft ausliefern. Je nach Branche und Wert der produzierten Artikel könnten die Ergebnisse von Predictive Quality jedoch auch anders genutzt werden. Diese Entscheidung kann die Künstliche Intelligenz nicht treffen – allerdings kann sie die Analyse der Daten und die Vorhersage von Ergebnissen übernehmen.

Bild 3

Predictive Quality kann die Qualitätseinstufung eines Produkts vorhersagen, das aktuell produziert wird (Quelle: MPDV)

Verglichen mit anderen bekannten Standardanwendungen: Excel liefert Tabellen und Diagramme zu jedem Thema, aber die Nutzung dieser Daten bleibt dem Nutzer überlassen. Excel ist gleichgültig gegenüber der Art der analysierten und visualisierten Daten – es bleibt eine Standardanwendung. Dasselbe gilt für KI-basierte Standardanwendungen.

Zusammenfassung und Handlungsempfehlung

Wie in vielen Anwendungsfällen der Industrie 4.0 gilt auch beim Einsatz von Künstlicher Intelligenz in der Fertigungs-IT: Je eher Unternehmen mit der Umsetzung beginnen, desto früher können sie von den bisher ungenutzten Potenzialen profitieren. Der Einsatz moderner Technologie wie Künstlicher Intelligenz steht jedem Produktionsunternehmen zur Verfügung. Nur diejenigen, die zeitnah, aber dennoch mit Bedacht handeln, werden sich im weltweiten Wettbewerb durchsetzen können. Konjunkturelle Schwächen und andere Unwegsamkeiten scheinen vordergründig gegen eine Investition in die Fertigungs-IT zu sprechen. Jedoch ist eine solche Entscheidung gleichzusetzen mit einer Investition in die Zukunft. Der Weg zur Smart Factory ist nicht immer eben und braucht an einigen Stellen auch Mut. Davon sollten sich zukunftsorientierte Fertigungsunternehmen jedoch nicht abschrecken lassen. Die Smart Factory ist und bleibt ein lohnendes Ziel. Für viele Branchen wird sie zudem die einzige Möglichkeit sein, sich am Markt zu halten.

Es bleibt die Frage zu klären, ob man KI in der Smart Factory einsetzen sollte und wenn ja, wofür. Diese Frage muss jedes Fertigungsunternehmen selbst eruieren und diskutieren. Auch bei der Art und Weise des KI-Einsatzes gilt es, die richtigen Entscheidungen zu treffen. Im Falle einer Standardlösung ist KI so einfach wie der integrierte Blitz beim Smartphone. Mit etwas Licht werden Handybilder heller und mit KI kann man mehr aus seinen Fertigungsdaten herausholen. Viel Erfolg!