Adaptive KI revolutioniert Produktion Die neue Dimension der KI-Steuerung

Anbieter zum Thema

NTT DATA Deutschland SE

Schneider Electric GmbH

PSI Software SE | Business Unit Discrete Manufacturing

Durch qualitatives Labeln und generative Erklärungen wird adaptive KI steuerbar. Erfahren Sie, wie diese Technologie in der Automobil- und Metallindustrie erfolgreich eingesetzt wird.

Adaptive KI-Optimierungen sind eine feste Säule der Software PSIqualicision AI. Die Lösung kommt in den Bereichen Sequenzierung und Scheduling bereits in der Automobil- und Metallindustrie, sowie in der Energiewirtschaft an hunderten von Entscheidungspunkten in Kundengeschäftsprozessen zum Einsatz. Die Adaptivität, das heißt die Fähigkeit sich an veränderte Bedingungen anzupassen, lässt sich durch das selbstlernende und automatisiert ablaufende qualitative Labeln von Daten sowie den internen Zuständen des Optimierungsverfahrens erreichen. Damit wird eine Brücke zwischen Optimierungsverfahren und maschinellem Lernen geschlagen.
 In klassischen KI-Systemen erfolgt das Daten-Labeling (Konnotieren) einmal vorab oder wenige Male manuell und behält dann lange Zeit seine Gültigkeit. Das Labeln von Daten hinsichtlich ihrer Bedeutung (Semantik) für industrielle Geschäftsprozesse benötigt aufgrund der kontinuierlichen Veränderung von Produktionsparametern, wie etwa einem sich täglich veränderten Auftragsmix, eine automatisierte und algorithmische Grundlage. Ein Blick in die Praxis zeigt, dass die KI-basierte Anwendung PSIqualicision AI diese Anforderungen erfüllt und bereits erfolgreich in der Automobilindustrie zum Einsatz kommt. Mehr noch, die nächste Generation dieser Software wird die adaptive KI-Optimierungssoftware mit generativer KI zwecks automatischer Generierung von Erklärungen und neuer sprachlich geführter Interaktionsmöglichkeiten verbinden.

Zusätzlich können Industrieunternehmen die Optimierungen durch sprachlich mitgeteilte Präferenzeinstellungen steuern.

Industrieller Einsatz adaptiver KI-Optimierungssoftware

Das Bild oben zeigt das bisherige Graphical User Interface (GUI) eines PSIqualicision-Sequenzierungssystems, wie es Automotive OEMs industriell nutzen und vom Steuerungspersonal bedient wird. Das System bildet, optimiert und visualisiert Produktionsreihenfolgen in Automobilwerken. Dabei sorgt es für eine gewünschte Verteilung der Aufträge über gewählte Zeiträume (Woche, Tag, Schicht oder die nächsten xx Minuten im Realzeitmodus). Die abgebildete Strichgrafik zeigt zeilenweise die Auftragseigenschaften (Rechtslenker, Cabrio, Panoramadach, Hybridmotor etc.) und spaltenweise die in Sequenz gestellten Aufträge.
 Die hier gelöste Aufgabe gleicht dem Erzeugen einer Reihe von Entscheidungen, die im übertragenen Sinne den Zügen in einem Schachspiel ähneln. Das zu fertigende Auftragsvolumen lässt sich so in die Produktionslinie eintakten, dass die Reihenfolge den technischen und kapazitativen Bedingungen dieser entspricht und dabei betriebswirtschaftliche Ziele (KPIs) optimal erreicht. Das Adaptive an einer solchen KI für die Sequenzierung ist deshalb so wichtig, da sich die Produktionsbedingungen im Werk kontinuierlich ändern. Darum muss der KI-Optimierungsalgorithmus sein Verhalten kontinuierlich anpassen.

Übertragbarkeit und Lernen von Präferenzen

Analog lässt sich die KI-Optimierungssoftware in Scheduling-Szenarien in der Metallproduktion oder beim Fieldforce-Management in der Energiewirtschaft anwenden. Dort erfolgt der Einsatz mittels Gantt-Diagrammen Das Prinzip der adaptiven KI-Optimierungssoftware bleibt dabei das gleiche.Die Adaption des eigenen algorithmischen Verhaltens folgt einer internen maschinellen Lernlogik, die auf qualitativ gelabelten Präferenzverhaltensmustern aufbaut. Werden die Ergebnisse dieser Lernlogik in Verbindung mit den Verhaltensmustern des KI-Optimierungsalgorithmus gespeichert, generiert dieser selbst weitere qualitativ gelabelte Verhaltensdaten, die das Lernen langfristiger Verhaltensmuster ermöglicht.

120 Sekunden bis zur Erkenntnis

KI für zuverlässige OTIF-Performance

Gen-AI-basierte RAG-Anwendungen 

Darauf aufbauend kommt generative KI unter anderem in Chat-orientierter Form auf Large Language Models (LLM) zum Einsatz, um die außerhalb des LLM erzielten Ergebnisse der Optimierung mittels der gelernten Vorhersagemustern zu erklären. Dies erfolgt unter Einbettung dedizierter Dokumente aus dem jeweiligen Anwendungsbereich (RAG) sowie vom LLM als Sprachgenerator (sowohl in einer aktuellen als auch in einer zeitübergreifenden Art und Weise). Hierfür stellt das PSIqualicision AI Framework das Tool PSIqualicision A2 (Ask and Answer) bereit und kombiniert dieses mit LLM s wie beispielsweise Gemini.

Die Abbildung oben zeigt das GUI der Entscheidungssoftware PSIqualicision AI kombiniert mit einer Erklärungskomponente, basierend auf dem Chat- und RAG-System PSIqualicision A2. Das Besondere an diesem Gen-AI-Tool ist seine Konfigurierbarkeit durch den Anwender. Die Konfiguration erfordert kein Data-Science-Know-how und erfolgt mittels aus der Anwendung bereitgestellter (Text-)Dokumente. So entsteht eine Verbindung zwischen der adaptiven KI-Optimierung, einer GenAI-RAG-Software und einer Entscheidungskomponente, die konsistent mit den Inhalten der bereitgestellten Textdokumente ist und die Ergebnisse der KI-Optimierungssoftware sprachlich erklärt.

Generative KI kommt unter anderem in Chat-orientierter Form auf Large Language Models (LLM) zum Einsatz.

Qualitatives Labeln als Grundlage sprachgesteuerter adaptiver KI-Optimierung

Dies gelingt, indem die Ergebnisse des im KI-Optimierungsverfahren eingebetteten qualitativen Labelns in Form von gelernten Informationen über systematische Entscheidungsgrundlagen als Input einem GenAI-RAG-Modell bereitgestellt werden. Damit entsteht eine neue Stufe der Erklärbarkeit. Zusätzlich können Industrieunternehmen die Optimierungen durch sprachlich mitgeteilte Präferenzeinstellungen steuern. Das System bildet die sprachliche Eingabe auf die qualitativ gelabelten Präferenzen ab und parametriert damit automatisch die KI-Optimierungssoftware gemäß den gelernten Präferenzen. So entsteht eine Verbindung von adaptiven KI-Optimierungen mit GenAI-RAG-Modellen, die die Erklärbarkeit der Ergebnisse und die Beherrschbarkeit der Steuerung von KI-Optimierungen auf eine neue Ebene hebt.

Dr. Rudolf Felix ist Chief Artificial Intelligence Officer (CAIO), Central Function Industrial AI bei PSI Software SE.