4 Machine Learning Beispiele für den leichten Einstieg

Anbieter zum Thema

NTT DATA

PSI Software SE | Business Unit Discrete Manufacturing

becos gmbH

Gerade in der Industrie wird noch ein geringer Teil der gesammelten Daten in produktive Information verwandelt. In vier Bereichen lässt sich in die Welt des maschinellen Lernens relativ einfach einsteigen.

Machine Learning Beispiele: Tag für Tag erfassen Unternehmen quer durch alle Branchen Unmengen von Daten und speichern sie in der Cloud. Mithilfe von maschinellem Lernen lassen sich daraus neue Erkenntnisse gewinnen, die fundierte und schnelle Entscheidungen ermöglichen. ML-gestützte Verfahren können viele Arbeitsabläufe in der industriellen Fertigung verbessern – von Konstruktion und Design über die Optimierung von Maschinen und Anlagen bis hin zu Lieferketten-Management und Qualitätskontrolle.

Machine Learning Beispiele: So leicht kann es sein

Ob Dampfmaschine, Elektrizität oder die mit dem Ford Model T eingeführte Massenproduktion: Die industrielle Revolution hat eine Vielzahl innovativer Prozesse ermöglicht und auf diese Weise disruptive Erfindungen hervorgebracht. Auch heute kommen immer wieder neue Verfahren in der industriellen Fertigung zum Einsatz – etwa um Maschinen und Anlagen effizienter zu warten oder Lieferketten zu optimieren.

Solche Neuerungen werden auch dringend gebraucht, denn die industriellen Fertigungsabläufe nehmen in Zeiten der Globalisierung an Umfang und Komplexität ständig zu. Vor allem die Konvergenz von Daten und maschinellem Lernen (ML) kann Unternehmen helfen, die damit verbundenen Herausforderungen zu bewältigen.

Derzeit gibt es im Wesentlichen vier verschiedene Möglichkeiten, maschinelles Lernen für die Optimierung industrieller Prozesse zu nutzen. Hier die 4 Machine Learning Beispiele.

1. Vorausschauende Wartungen bei GE

Industrie- und Fertigungsunternehmen müssen ihre Maschinen und Anlagen permanent überprüfen und warten. Bislang erfolgte die Wartung oftmals noch reaktiv – also nachdem eine Maschine oder Anlage ausgefallen war – oder präventiv (in regelmäßigen Zyklen). Beide Verfahren sind allerdings kostenintensiv und ineffizient. Daher nutzen immer mehr Hersteller Technologien, die auf Basis von Maschinendaten exakt vorhersagen, wann die nächste Wartung fällig wird (Predictive Maintenance). Noch weiter geht die sogenannte präskriptive Wartung, bei der zusätzlich zur Vorhersage eines Problems Schritte zu dessen Lösung eingeleitet werden.

Vielen Unternehmen fehlt das Personal und Fachwissen, um solche Lösungen entwickeln zu können. Es gibt aber Predictive-Maintenance-Verfahren, die weder ML- noch Cloud-Kenntnisse erfordern, wie ein Beispiel beim Energiekonzern GE Power zeigt: Das Unternehmen nutzt End-to-End-Systeme, die mithilfe von Sensoren und ML in der Lage sind, Anomalien zu erkennen – etwa ungewöhnliche Vibrationen oder Temperaturschwankungen bei einer Maschine oder Anlage.

Um eine prädiktive und präskriptive Wartung einzuführen, mussten Sensoren nachgerüstet und mit Echtzeitanalysen in der Cloud verbunden werden. Dafür benötigten die Verantwortlichen kein spezielles Wissen, auch die Wartung und Aktualisierung der Sensorflotten laufen remote und ohne physischen Kontakt ab.

2. Computer Vision für hochwertige Pizzen

Neben einem reibungslosen Betrieb von Maschinen und Anlagen kommt es in der Fertigung vor allem auf die Sicherung der Produktqualität an. Die visuelle Inspektion durch Mitarbeiter ist allerdings zeitaufwändig. Abhilfe schaffen sogenannte Computer-Vision-Systeme, die Störungen und Anomalien anhand von digitalen Fotos oder Videos aufzeigen. Es gibt heute bereits kostengünstige Lösungen, die Tausende von Bildern pro Stunde verarbeiten können und dadurch in der Lage sind, Defekte und Fehler schnell und treffgenau zu identifizieren.

Der schwedische Lebensmittelhersteller Dafgards beispielsweise nutzte bislang eine maschinelle Bildverarbeitung, um den Käsebelag von Pizza zu überprüfen. Allerdings scheiterte die Fehlererkennung an Pizzen mit mehreren Belägen. Mithilfe von Computer Vision auf Basis von maschinellem Sehen ist es dem Unternehmen gelungen, seine Inspektionskapazitäten ohne großen Aufwand zu erweitern. Das Projekt war so erfolgreich, dass das ML-gestützte Computer-Vision-Verfahren mittlerweile auch bei den Hamburgern und Quiches von Dafgards zum Einsatz kommt.

3. Computer Vision in weiteren Prozessen

Durch den Einsatz von Computer Vision lassen sich aber noch weitere Betriebsabläufe verbessern. Unternehmen können anhand von Videoaufnahmen Zugänge zu Industriestandorten authentifizieren oder Lieferungen überprüfen, etwa um Leckagen oder andere gefährliche Situationen schnell zu erkennen. So will der Energiekonzern BP seine rund 18.000 Tankstellen weltweit mit Computer Vision ausstatten, um die Ein- und Ausfahrten von Tankwagen zu automatisieren und Bestellungen schneller zu kontrollieren. Darüber hinaus kann die Technologie Arbeiter vor Kollisionen warnen, Fremdkörper in Sperrzonen identifizieren und Öllecks erkennen.

Solche Informationen in Echtzeit zu erfassen, ist allerdings mit hohem Aufwand verbunden. Zudem ist die Fehleranfälligkeit relativ hoch. Auch wenn moderne Smart-Kameras mittlerweile über ausreichend Rechenleistung für das Ausführen von Computer-Vision-Modellen verfügen, kommt es immer wieder zu hohen Latenzzeiten und Ungenauigkeiten. Abhilfe schaffen Hardware-Appliances, mit denen sich die Kameras um Bildverarbeitungsfunktionen erweitern lassen. Diese Nachrüstung ist sogar mit speziellen Software-Development-Kits möglich. Damit sind Smart Kameras in der Lage, aussagekräftige Bildverarbeitungsmodelle vor Ort auszuführen.

4. Genaue Prognosen verbessern die Lieferkette

Heutige Lieferketten sind komplexe Gebilde aus globalen Herstellern, Zulieferern, Logistikern und Einzelhändlern, die von zahlreichen Faktoren bestimmt werden – etwa der Kundennachfrage und Schwankungen in der Rohstoffverfügbarkeit – oder von externen Einflüssen wie Feiertagen und sogar dem Wetter. Ungenaue Vorhersagen können leicht zu Über- oder Unterkapazitäten führen, negative Kundenerfahrungen auslösen und hohe Kosten verursachen. Mit ML-Lösungen, die in der Lage sind, Zeitreihendaten zu analysieren, lassen sich dagegen exakte Prognosen aufstellen. Auf dieser Basis können Unternehmen Ineffizienzen im Betrieb reduzieren, die Ressourcen- und Produktverfügbarkeit erhöhen, Produkte schneller ausliefern und ihre Kosten im Griff behalten.

Wie sich genaue Vorhersagen auf den Betrieb auswirken können, zeigt das Beispiel des US-amerikanischen Elektronikherstellers Foxconn: Die Pandemie hatte zu einer hohen Volatilität von Kundennachfragen, Lieferungen und Kapazitäten geführt. Um den Umfang der Nettoaufträge genauer prognostizieren zu können, entwickelte das Unternehmen gemeinsam mit dem Machine Learning Solutions Lab von AWS ein Modell zur Nachfrageprognose für seine Fabrik in Mexiko. Damit wurde die Vorhersagegenauigkeit um acht Prozent gesteigert, und der Elektronikhersteller spart heute pro Werk 553.000 US-Dollar im Jahr ein.

Machine Learning Beispiele: Ein Fazit

Ob Industrie und Fertigung oder Logistik und Lieferkette: Immer mehr Unternehmen entdecken das Potenzial, das maschinelles Lernen bietet, um Prozesse einfacher, schneller und genauer umzusetzen. Mit der Kombination aus Echtzeit-Datenanalysen in der Cloud und ML am Rande der Wertschöpfungskette sind die Weichen für die nächste industrielle Revolution gestellt.

Der Autor Swami Sivasubramanian ist Vice President Amazon Machine Learning bei AWS.

Lesen Sie auch: Cybersecurity-Lösungen für smarte Geräte: Darauf kommt es an