Der Use-Case-First-Ansatz zum Einsatz von Künstlicher Intelligenz in der Produktion

Motivation

Laut einer Studie des VDW äußern 60 Prozent der teilnehmenden Unternehmen eine hohe Erwartungshaltung an KI-Lösungen [1], was das große Potenzial für die Produktion unterstreicht. Jedoch setzen 2023 laut einer Studie des Digitalverbands Bitkom nur ca. 15 Prozent der Unternehmen in Deutschland Künstliche Intelligenz (KI) bereits ein [2]. Im verarbeitenden Gewerbe sind es laut ifo-Institut im gleichen Jahr 17,3 Prozent der Unternehmen [3]. Die Fördermaßnahme „Demonstrations- und Transfernetzwerk KI in der Produktion (ProKI-Netz)“, gefördert durch das Bundesministerium für Bildung und Forschung (BMBF), hat das Ziel, den Transfer von KI-Lösungen aus der Forschung in die Industrie zu verstärken. Der Einsatz von KI in der Produktion in deutschen Unternehmen scheitert laut dem VDW oft an Problemen bei der Bewertung des wirtschaftlichen Nutzens (64 %) und Bedenken bei der Anwendbarkeit im eigenen Kontext (64 %) [1]. Der Aachener ProKI-Standort hat mit insgesamt elf Unternehmen im Rahmen der Fördermaßnahme ein Konsortialprojekt durchgeführt, in dem die genannten Hemmnisse durch einen Use-Case-First-Ansatz adressiert wurden.

Vorgehensweise und Struktur des Projekts

Der angewandte Use-Case-First-Ansatz für den Einsatz von KI in der Produktion ist in drei Stufen aufgebaut (Bild 1) und orientiert an dem CRISP-DM-Modell, welches seit seiner Entwicklung im Jahr 2000 nach wie vor als Standard für die Umsetzung von Data-Mining-Projekten gilt [4]. Um geeignete Anwendungsfälle in den Unternehmen zu identifizieren, wurden zunächst in Workshops zwischen den Fachexpert:innen aus den Unternehmen und den KI-Expert:innen des WZL und des MTI der RWTH Aachen die aktuellen Herausforderungen der Unternehmen diskutiert. Dabei wurden viele Parallelen zwischen den Unternehmen identifiziert, die sich beispielsweise mit einem wachsenden Wettbewerbsdruck oder einem zunehmenden Fachkräftemangel konfrontiert sehen. In den Diskussionen wurden spezifische Herausforderungen innerhalb der einzelnen Unternehmen herausgearbeitet, auf deren Basis im späteren Verlauf konkrete Anwendungsfälle identifiziert werden konnten, die für die Nutzung von KI-Algorithmen geeignet sind. Im nächsten Schritt erfolgt eine Bewertung der Potenziale und Herausforderungen. Die Ausgestaltung der Roadmap wird an den sechs Phasen des CRISP-DM angelehnt und gibt den Unternehmen somit einen Ausblick auf die Umsetzung ihrer konkreten KI-Projekte.

Bild 1

Vorgehen der Use-Case-First-Methodik zur Bewertung und Planung von KI-Projekten

Potenziale der identifizierten Use Cases

In Anlehnung an den Leitfaden des Fraunhofer IAO [5] werden fünf zentrale Dimensionen (Bild 2) definiert, die eine möglichst ganzheitliche Abschätzung der potenziellen Auswirkungen ermöglichen:

Bild 2

Bewertungsmatrizen für die Beurteilung der Potenziale und Herausforderungen der Use Cases

1. Einsparungen

   Diese Dimension bewertet das Potenzial für Kosteneinsparungen durch die Lösung des Problems, einschließlich direkter (z. B. Rohstoff- und Energiekosten) sowie indirekter Einsparungen, besserer Ressourcennutzung und Ausschuss. Die Bewertung gibt Aufschluss darüber, ob die Kosten für die Einführung und den Betrieb der KI durch die zu erwartenden Einsparungen gerechtfertigt sind. Im betrachteten Use Case werden die Einsparungspotenziale als sehr hoch eingestuft, indem vor allem Konstruktionsaufwände reduziert und Sensorik eingespart werden kann.

2. Produktivität

   Analysiert wird, wie stark die KI zur Effizienzsteigerung beiträgt. Dies umfasst sowohl die Steigerung des Outputs als auch die Reduktion des Aufwands (Arbeitszeit, Maschinenlaufzeit). Langfristige Produktivitätssteigerungen können etwa verkürzte Durchlaufzeiten oder weniger Ausfallzeiten sein. Hier wird eine mittlere Produktivitätssteigerung erwartet, die ebenfalls mit den reduzierten Konstruktionsaufwänden und der nicht mehr erforderlichen Auslegung der Sensorik begründet wird.

   Diese Dimension untersucht die Verbesserung der Produkt- oder Prozessqualität durch KI, z. B. durch Reduktion von Fehlern und bessere Einhaltung von Standards. Dazu zählen auch die prädiktive Überwachung und Vorhersage von Abweichungen im Produktionsprozess. Durch die Integration des intelligenten Features zur Bauteillokalisierung erhalten die Maschinen einen Marktvorteil, sodass die Produktqualität stark gesteigert wird.

3. Kundenmehrwert

   Betrachtet wird der Nutzen für Kunden, wie z. B. höhere Produktzuverlässigkeit, schnellere Markteinführung oder bessere Anpassung an Kundenanforderungen. Ein höherer Kundenmehrwert steigert die Kundenzufriedenheit und die Marktposition des Unternehmens. Dem Kunden steht ein flexibles und intelligentes System zur Verfügung, sodass ein signifikanter Kundenmehrwert erkennbar ist.

4. Flexibilität

   Bewertet wird die Anpassbarkeit an Änderungen, etwa bei Produktvariationen, Produktionsmenge oder Lieferzeiten. Ein flexibler Produktionsprozess ermöglicht eine schnellere Reaktion auf Marktveränderungen und sichert die Wettbewerbsfähigkeit. Das Unternehmen sieht ein starkes Potenzial hinsichtlich Flexibilitätssteigerungen durch die Verwendung einer Standard-Pipeline, die für die unterschiedlichen Maschinen adaptiert wird.

Herausforderungen der Use Cases

Analog zum Verfahren bei der Bewertung der Potenziale werden die Herausforderungen bei der Umsetzung einer KI-Lö-sung bewertet (Bild 2). Die Bewertung des vorgestellten Use Case ist in der Abbildung mit einem roten Kasten markiert. Folgende Dimensionen werden definiert und qualitativ in Bewertungsstufen unterteilt:

1. Zeit

   Diese Dimension bewertet den zeitlichen Aufwand für die Entwicklung und Implementierung der KI-Lösung, einschließlich möglicher Verzögerungen durch Abhängigkeiten und Genehmigungen. Längere Projekte bringen oft höhere Planungsanforderungen und Unsicherheiten mit sich. Da das Unternehmen gute Kenntnisse in der Sensorintegration und Datenanbindung hat, sieht es einen mittleren zeitlichen Aufwand für die Implementierung eines Prototyps.

2. Umsetzungskapazität

   Bewertet werden die internen Ressourcen, wie z. B. verfügbares Personal und Fachwissen, um das Projekt umzusetzen. Engpässe oder begrenzte Ressourcen stellen eine Herausforderung dar, ebenso wie die Flexibilität, Mitarbeitende für das Projekt bereitzustellen. Das Projekt kann unternehmensintern umgesetzt werden, jedoch wäre initial eine geringe externe Unterstützung notwendig.

3. Zusätzliche Infrastruktur

   Betrachtet wird die vorhandene technische Infrastruktur, wie IT-Systeme und Datenplattformen, die für die KI-Lösung erforderlich ist. Bei Bedarf sind Investitionen und Anpassungen zur Unterstützung der Lösung notwendig. Hier führt der erforderliche Invest in zusätzliche Rechenkapazitäten zu einer geringen Anpassung der Infrastruktur.

4. Qualifizierungsmaßnahmen

   Hier wird der Schulungsbedarf bewertet, damit das Personal die notwendigen KI-Kompetenzen erlangt. Qualifizierungen können den Aufwand und die Projektdauer erhöhen, sind jedoch für den Erfolg und die Akzeptanz der Lösung entscheidend. Hinsichtlich der unternehmensinternen Umsetzung sieht das Unternehmen mittleren Qualifizierungsbedarf.

5. Kosten

   Bewertet werden die erwarteten Kosten für Hardware, Software, externe Dienstleistungen und Schulungen. Die Höhe der Kosten zeigt den Ressourcenbedarf und kann besonders herausfordernd sein, wenn das Budget begrenzt ist. Die Implementierungskosten müssen jeweils individuell im Vergleich zum Status quo evaluiert werden, daher wird hier erstmal die Bewertung „mittel“ vorgenommen.

Datenbedarf der Use Cases

Da eine geeignete Datengrundlage als Grundvoraussetzung für den Einsatz von KI gilt, sind die Datenbedarfe und die bestehenden Dateninfrastrukturen ausschlaggebend für die Umsetzbarkeit eines Use Cases. Neben der allgemeinen Verfügbarkeit wird eine grobe Einschätzung hinsichtlich der Datenqualität vorgenommen. Diese wird gemeinsam mit den Herausforderungen und Potenzialen genutzt, um einen Eindruck über die technische Machbarkeit der Use Cases zu entwickeln.

Zur Aggregation der relevanten Informationen wurde ein Template entworfen. Dabei werden die potenziell erforderlichen Daten in sechs Kategorien geclustert. Die technischen Daten werden dabei in den Kategorien Maschinen-, Produktions- und Fehlerdaten detailliert, wohingegen die organisatorischen Daten über die Kategorien Auftrags-, ERP- und Messdaten abgebildet werden. ERP-Daten umfassen dann zum Beispiel Bestelldaten, Preise, Auftragsdaten, Werkzeugmanagement, Materialdaten und Wartungsplanungen. Das Template dient als Diskussionsgrundlage und wird dann im Rahmen der Diskussion der einzelnen Use Cases spezifiziert. Es erfolgte eine Bewertung hinsichtlich der Frage, wie relevant die Daten für die Umsetzung der KI-Lösung sind und inwiefern sie in der erforderlichen Menge vorhanden sind.

Neben der Menge ist auch die Qualität der Daten zu untersuchen. In Bild 3 werden die Bewertungsdimensionen vorgestellt und der Beispiel-Use-Case rot markiert. In diesem Zusammenhang sind die Dimensionen Verfügbarkeit, Korrektheit, Vollständigkeit, Aktualität und Einheitlichkeit für die bestehenden Daten diskutiert worden, um die Aufwände, die zu späteren Zeitpunkten in der Datenvorbereitung auftreten können, abschätzen zu können. Aufgrund des hohen Aufwandes, Daten für jedes neue Bauteil aufzunehmen und händisch zu labeln, wird hier der Ansatz der synthetischen Datenerzeugung mittels der Technologien des Industrial Metaverse gewählt [6]. Aufgrund dessen können beliebig viele Daten in der erforderlichen Qualität erzeugt werden.

Bild 3

Bewertungsmatrizen für die Beurteilung der Datenqualität der Use Cases

Roadmap-Entwicklung

Die Roadmap stellt die Überlegungen, die im Rahmen der Planung der Projektphasen nach CRISP-DM anzustellen sind, für die einzelnen Use Cases der Unternehmen zusammen. Die Darstellung des Modells als Zyklus (Bild 4) verdeutlicht, dass solche Projekte kontinuierlich weiterentwickelt werden können bzw. müssen. Dieses Modell ist in sechs Phasen gegliedert, welche nicht strikt sequenziell ablaufen, sondern einen iterativen Charakter aufweisen [7].

Bild 4

Ableitung der Roadmap aus den Phasen des CRISP-DM-Modells

Ergebnisse

Insgesamt zeigten sich Überschneidungen hinsichtlich der Anwendungen, in welchen die Unternehmen Optimierungspotenziale durch den Einsatz von KI-Algorithmen sahen. Besonders stachen dabei die Bereiche der Arbeitsvorbereitung, beispielsweise zur KI-basierten Arbeitsplanerstellung oder der Bereich der Qualitätssicherung, zum Beispiel die Gut-Schlecht-Teil-Klassifikation genannt, hervor. Die Herausforderungen, die sich im Zusammenhang mit der Umsetzung von KI-Algorithmen ergeben, wurden überwiegend als mittel bis hoch eingestuft. Hinsichtlich der Potenziale, die Unternehmen bei der Umsetzung für die Umsetzung von KI-Projekten sehen, wurden ca. die Hälfte der Projekte als mittel bis hoch eingestuft. Der vorgestellte Use Case ist in Bild 5 rot markiert.

Bild 5

Überblick über Use Cases des Konsortiums, bewertet im Hinblick auf Herausforderungen und Potenziale und eingeordnet nach Themengebieten

Zusammenfassung und Ausblick

Der präsentierte Ansatz soll als Blaupause für die Entwicklung weiterer KI-Lösungen in der Produktion dienen. Idee und Vorgehen wurden in dem Projekt ProKI am Standort Aachen mit elf Unternehmen umgesetzt und erprobt. In der Arbeit wurde gezeigt, dass durch die Adressierung realer Herausforderungen in der Produktion, die Motivation für den Einsatz von KI steigt. In den nächsten Monaten werden die Unternehmen die Use-Cases eigenständig weiterverfolgen. Der ProKI-Standort Aachen bietet auch nach dem Projektende Ende 2024 weiter Informationen und Unterstützung für die Umsetzung von KI in der Produktion an.