KI in der Fertigung: 4 Aspekte für die erfolgreiche Einführung

Ein Betrieb bietet die Fertigung von kundenspezifischen Metallteilen und -gehäusen an. Das Werk verfügt über thermische Schneidmaschinen, Stanzen, Pressen und Schweißanlagen. Das Lager und die Fertigungsstationen sind mittels regelbasierter Automatisierung zu einem reibungslos ineinandergreifenden Prozess verkettet.

Diese Automatisierung wird für das Unternehmen aber zunehmend zum Problem, denn in den letzten Jahren sind die Losgrößen kontinuierlich kleiner geworden. Jedes neue zu fertigende Teil erfordert ein neues Einfahren der Anlagen, für jeden einzelnen Prozessschritt müssen Parameter bestimmt und getestet werden. Die Gesamtanlageneffektivität sinkt.

Es waren solche Szenarien, die die Initiatoren des Industrie-4.0-Konzepts im Sinne hatten. Sie formulierten das Leitbild einer sich selbst steuernden und sich selbst konfigurierenden Produktion, die im Idealfall auch bei Losgröße 1 die Effektivität einer Massenproduktion hat. Damit wurde die künstliche ­Intelligenz (KI) de facto zum Treiber der vierten industriellen Revolution erklärt.

Unterschätzte Herausforderungen der KI-Einführung in der Fertigung

Etliche Jahre und tausende Presseartikel und Analysten­reports später ist die Situation allerdings ernüchternd. Laut einer ­Umfrage von YouGov und Hewlett Packard Enterprise (HPE) ­sagen 85 Prozent der Vorstände und Geschäftsführer in Deutschland, ­Österreich und der Schweiz, dass in ihrem Unter­nehmen ­keine KI-Methodiken zum Einsatz kommen. Ausschlaggebend für den geringen KI-Nutzungsgrad ist, dass viele KI-Projekte nicht über eine Testphase, den so genannten Proof of Concept (PoC), hinauskommen. Die Ursache dafür liegt tiefer als in der fehlenden KI-Expertise oder im fehlenden Budget – in vielen Fällen unterschätzen Fertigungsunternehmen die systematischen Herausforderungen der KI-Einführung.

Die Art und Weise, wie die PoCs aufgesetzt werden, ist dafür nur ein Symptom. Sie finden in der Regel in einer geschützten Umgebung statt. Der Fokus liegt auf der Anwendung und dem Trainieren der KI-Modelle. Aber es wird die Notwendigkeit vernachlässigt, die KI-Lösung in die bereits bestehende Informations- und Fertigungstechnologie und deren Prozesse einzubinden, etwa in das Lebenszyklus-Management von Anwendungen, die Security, betriebliche Planungs- und Steuerungsprozesse und die Betriebs­sicherheit. Damit lässt sich weder die technische Machbarkeit seriös belegen, noch kann man damit einen soliden Business Case kalkulieren.

Ganzheitlicher Ansatz für die KI-Einführung in der Fertigung

Die Einführung von KI in der Fertigung kann nur in einem ganzheitlichen Ansatz erfolgreich sein. Der PoC ist dabei nur die Spitze des Eisbergs – einer der letzten Schritte in einer logischen Folge von Entscheidungen und Projekten: Aus Strate­gien leiten sich Initiativen ab, die sich mittels technischer, organisatorischer und kultureller Transformations-Aktivitäten umsetzen lassen.

Dafür hat HPE eine spezifische Methode entwickelt, die unter anderem die folgenden Aspekte umfasst (eine ausführliche Beschreibung findet sich unter www.hpe.com/de/info/manufacturing):

1. Wertschöpfung – Nutzen- und Kostenanalyse

Die Wertschöpfung beim Einsatz von KI in der Fertigung entsteht durch Informationen, Erkenntnisse und daraus abgeleitete (auto­nome) Handlungen und Prozesse. Die Wertschöpfungsanalyse bewertet einerseits den Nutzen der mithilfe von KI gewonnenen Informationen; anderseits ermittelt sie den Aufwand für die Datenaufbereitung sowie Prozess-, Technologie- und Personalkosten. Das Ergebnis ist der Business Case.

2. Prozess – Entwicklung und Einführung der KI-Anwendung

Kommt die Wertschöpfungsanalyse zu einem positiven Ergebnis, beginnt die Entwicklung und Einführung der KI-Anwendung. Diese sollte einer DevOps-Philosophie folgen, bei der Fertigungs-, KI- und IT-Experten zusammenarbeiten (im KI-Kontext spricht man von MLOps und DataOps). Damit lässt sich sicherstellen, dass die Integration in die IT- und Fertigungs-Prozesse von Anfang an berücksichtigt wird. Das KI-Lösungs-Design legt als erstes die zu verwendende KI-Methode, die zu verwendende Software sowie die Trainingsdaten und deren Aufbereitung fest. Das weitere Vorgehen folgt dann dem in Abbildung 1 dargestellten Kreislauf-Prozess.

3. Technologie – Daten von den Anwendungen entkoppeln

Die zuvor beschriebenen Prozesse finden in IT- und Fertigungs-Umgebungen statt, die in vielen Unternehmen hochgradig fragmentiert sind. Eine solche Umgebung versetzt der KI-Einführung in der Fertigung spätestens nach dem PoC den Todesstoß. Die Grundlage für die Lösung dieses Problems ist die Einführung einer datenzentrischen Architektur. Im Kern entkoppelt sie die Daten von den sie erzeugenden Applikationen, indem sie über eine zentrale Datendrehscheibe (Data Hub) kanalisiert werden. Jede Applikation fungiert als „Produzent“ von Daten für den Data Hub, jede Abfrage ist „Konsument“ des umfassenden, verteilten Datenbestands.

4. Kompetenzen – interdisziplinäre Zusammenarbeit

KI-PoCs sind in vielen Fällen zu eindimensional aufgesetzt, weil sie von Data Scientists ausgeführt werden, die zwar viel von Daten und Modellen verstehen, aber weniger von Systemarchitekturen und IT-Prozessen – und schon gar nichts von den Abläufen in einer Fabrik. Eine erfolgreiche KI-Einführung in der Fertigung erfordert eine richtige Mischung aus Kompetenzen aus verschiedenen Fachbereichen.

KI in der Fertigung: Kontinuierlicher Übergang von Automation zu Autonomie

Die gute Nachricht ist, dass es einen kontinuierlichen Übergang von der Automation zur Autonomie gibt. Das zeigt das Beispiel des zu Beginn genannten Metallverarbeiters. Der Betrieb hat begonnen, seine regelbasierte Automatisierung durch KI-Methoden zu ergänzen und die serielle Kopplung der Verarbeitungsstationen allmählich in ein System von flexibel ansteuerbaren Arbeitsstationen umzuwandeln. Diese sollen in der Lage sein, gleichzeitig verschiedene Aufträge zu bearbeiten, und die Konfiguration soll selbstständig und im Idealfall ohne Testlauf geschehen.

Dazu hat der Betrieb zunächst für ausgewählte Verarbeitungsschritte präskrip­tive Verfahren eingeführt, das heißt Handlungsempfehlungen etwa für die Parameterwahl auf der Grundlage von maschinellem Lernen. Die Empfehlungen werden noch nicht autonom umgesetzt, sondern zunächst von einem Fertigungsmitarbeiter geprüft. In einem nächsten Schritt soll das System nun zu autonomem Handeln befähigt werden. So sollen beispielsweise die Ergebnisse der Qualitätsprüfung, falls notwendig, eine dynamische, selbstständige und anlagenübergreifende Justierung der Parameter auslösen.

Wie für die meisten anderen Unternehmen ist es für diesen Betrieb noch ein weiter Weg bis zur Realisierung einer vollständig autonomen Fertigung. Aller­dings stellt es durch die beschriebene ganzheitliche Vorgehensweise sicher, dass es auf diesem Weg tatsächlich Fortschritte macht.

Der Autor Matthias Roese ist Global Account Director bei Hewlett Packard Enterprise.