Datum:
23. Dezember 2022
Autor:
Lesezeit: Minuten

Zwischen Hype und echter Erkenntnis: Künstliche Intelligenz (KI)

Der Einsatz künstlicher Intelligenz (KI) weckt hohe Erwartungen an sich selbstoptimierende Digital Twins oder autonom agierende, adaptive Fabriken in smarten Wertschöpfungsnetzwerken. Jenseits des Hypes steckt KI jedoch noch in den Kinderschuhen, was nicht heißt, dass mit der aktuell noch „schwachen“ KI kein industrieller Mehrwert zu erzielen wäre.

KI ADAMOS

KI – intelligenter als der Mensch?

Eine der berühmtesten Zukunftsthesen stammt aus dem Buch „The Singularity is near: When Humans Transcend Biology" von Raymond Kurzweil aus dem Jahr 2005. Er prophezeite darin eine exponentielle Zunahme der informations-technologischen Entwicklung, in deren Folge bis zum Jahr 2045 die „Singularität“ der künstlichen Intelligenz möglich werden soll – was nichts anderes bedeuten würde, als dass ab diesem Zeitpunkt die Maschinen erstmalig und immerfort intelligenter sein würden als der Mensch.[1]

[1] G. Cisek, „Machtwechsel der Intelligenzen, Die blaue Stunde der Informatik“, Springer Nature 2021, S. 7

Fokus der industriellen Praxis: Effizienzsteigerung

Jenseits der Singularitäts-Frage kann sich die industrielle Praxis also vorerst auf zusätzliche Effizienzsteigerungen durch sogenannte schwache KIs konzentrieren. Als „schwach“ künstlich-intelligent werden in diesem Zusammenhang KI-Systeme bezeichnet, die zwar ein lediglich oberflächliches Intelligenz-Level aufweisen aber kein (eigenes) tieferes Verständnis für das Problem und dessen Lösung haben. Diese Systeme sind jedoch mit der entsprechenden Programmierung sowie auf Basis der passenden Algorithmen in der Lage, sich auf einen speziellen Anwendungsfall hin selbst weiterzuentwickeln und zu optimieren. [2]

[2] www.divis.io/2019/03/ki-fuer-laien-teil-2-klassischer-ki-neuronalen-netzen-und-deep-learning/ (Stand 22.09.2022)

Machine Learning

Das aktuell bekannteste Beispiel für schwache KI ist Machine Learning. Das Fraunhofer-Institut für Kognitive Systeme IKS beschreibt das so:

„Bei maschinellen Lernverfahren erlernt ein Algorithmus durch Wiederholung selbstständig eine Aufgabe zu erfüllen. Die Maschine orientiert sich dabei an einem vorgegebenen Gütekriterium und dem Informationsgehalt der Daten. Anders als bei herkömmlichen Algorithmen wird kein Lösungsweg modelliert...“. 

 www.iks.fraunhofer.de/de/themen/kuenstliche-intelligenz.html (Stand 22.09.2022)

KI in der Industrie 4.0

Klassische Algorithmen basieren auf Logik und Regeln. Sie eignen sich hierdurch nicht für die Beschreibung komplexer Probleme. Machine Learning ist dieser Aufgabe hingegen gewachsen. Entsprechende Algorithmen sind eine Kombination von programmatischen und statistischen Methoden. Soll heißen, sie werden mit Trainingsdaten „angelernt“ und sind dann in der Lage, Muster und Zusammenhänge in Daten zu erkennen. Dieser Prozess kann sowohl von Menschen beaufsichtigt, aber auch unbeaufsichtigt sein. Eine Unterkategorie des Machine Learnings ist das Deep Learning mittels neuronalem Netzwerk, das etwa beim autonomen Fahren oder bei der Bildverarbeitung in der Industrie eine Rolle spielt.

Wie können Maschinenbauer von KI profitieren? 

Für den Maschinenbauer ergibt sich aus dem Geschilderten mehrere konkrete Anwendungsfälle für KI:

 

I. Predictive Maintenance

Der wohl bekannteste Anwendungsfall für maschinelles Lernen im Maschinenbau ist Predictive Maintenance – die vorausschauende Wartung von Maschinen und Anlagen. Bei entsprechenden Ansätzen wird die KI so trainiert, dass sie kritische Zustände und Normabweichungen anhand der Maschinendaten eigenständig erkennt. Tritt solch ein Szenario ein, deutet dies auf eventuell bevorstehende Störungen und Wartungsbedarfe hin. Maschinenbauer und deren Kunden können daraufhin gezielt Maßnahmen ergreifen, um Ausfälle entweder zu verhindern oder zumindest optimal einzuplanen. Sie reduzieren Stillstandzeiten und senken gleichzeitig die Zahl unnötiger Routine-Inspektionen.

II. Predictive Quality

Im Vergleich zu Predictive Maintenance bezieht sich Predictive Quality auf die Prozesse bei der Herstellung. Bei der Sicherung der Prozessqualität geht es darum, Ausschuss zu reduzieren. Datenanalysen erfassen relevante Faktoren, die zu Aussagen über die künftig erwartete Qualität führen – gegebenenfalls können Maßnahmen diese noch verbessern. Dazu decken die Analysen unbekannte Muster und Zusammenhänge auf und die gesammelten Erkenntnisse fließen in Prognosemodelle ein, die Wahrscheinlichkeiten zur Prozess- und Produktqualität berechnen

III. Automatisierung von Simulationen: KI Anwendungen

Möglichkeiten für KI-Anwendungen gibt es auch in der Konstruktion. In diesem Bereich führen Maschinenbauer heute mitunter sehr viele rechen- und zeitintensive Simulationen durch. Durch den Einsatz von Machine Learning lässt sich die Anzahl notwendiger Simulationsvorgänge deutlich reduzieren. Eine ML-Lösung nutzt in diesem Fall verschiedene Ergebnisse und Parameter aus bereits durchgeführten Simulationen. In diesen Daten erkennt sie statistische Zusammenhänge und kann auf dieser Basis den Ausgang bevorstehender Simulationen präzise vorhersagen. Dies reduziert den Personalaufwand, die Energiekosten und auch die Time-to-Market.

IV. Unterstützung und Automatisierung von Geschäftsprozessen

Wenn es um die Automatisierung von Arbeitsabläufen geht, lassen sich vor allem Routinetätigkeiten gut auf KI-Systeme übertragen. Damit sind Tätigkeiten gemeint, die einen vergleichsweise niedrigen kognitiven und kommunikativen Aufwand erfordern und viele unterschiedliche Daten erfordern.

Dabei bleibt eine autonome Organisation und Steuerung sogenannter Light-Out-Fabriken – also autonom- und adaptiv-gesteuerte Werkshallen, die quasi kein Licht mehr brauchen, weil keine Menschen mehr in ihnen arbeiten – für viele Unternehmen erstmal noch eine Zukunftsvision. Aber es bietet sich an, bestehende Prozesse mit Hilfe von KI-basierten Lösungen zu optimieren.

Eine Möglichkeit zur Nutzung von KI im Maschinenbau bieten im Folgenden vorgestellte Beispiele aus dem ADAMOS STORE, in dem sich eine stetig wachsende Zahl von Lösungsbausteinen auch rund um Künstliche Intelligenz findet.

App-Empfehlung

 

App-Empfehlung aus dem ADAMOS STORE

Esprit CAM ermöglicht, einen digitalen Zwillings der Werkzeugmaschine zu nutzen für deren Programmierung, Optimierung und Simulation. Die KI vereinfacht die automatische Auswahl von Prozessen, Bearbeitungsstrategien, Werkzeuge und Schnittbedingungen.
>> Zu Esprit CAM im ADAMOS STORE

 

PwCPwC Factory Intelligence ist eine Zusammenstellung von intelligenten Anwendungen auch zur Predictive Quality für das frühzeitige Erkennen von Qualitätsproblemen durch automatisierte Korrelation von Produktionsparametern und Produktqualität – die Software liefert auch Vorschläge für Korrekturmaßnahmen.
>> Zu PwC Factory Intelligence im ADAMOS STORE

 

Senseye PdMSenseye PdM ist eine KI-Software und generiert automatisch Modelle für das Verhalten von Maschinen und Wartungspersonal. Mittels Optionen lässt sich die Lösung auf das Anwender-Unternehmen anpassen und verspricht dann reduzierte Maschinenstillstandszeiten, erhöhte Nachhaltigkeit und reduzierte Betriebs- und Wartungskosten.
>> Zu Senseye PdM im ADAMOS STORE

 

up2partsup2parts sorgt für mehr Effizienz in Prozessen beispielsweise zur Kalkulation, Angebotserstellung, Auftragsgenerierung und Arbeitsvorbereitung. Der Algorithmus von up2parts calculation nutzt Bauteilinformationen aus vorhandenen 3D-Modellen sowie bestehendes Fertigungs-Know-how. Die KI-basierte Software trainiert kontinuierlich die individuelle künstliche Intelligenz und stimmt sich so auf das Fertigungs-Portfolio des jeweiligen Betriebs ab.
>> Zu up2parts im ADAMOS STORE

 

Workist App IconWorkist verarbeitet mithilfe von KI eingehende Bestelldokumente automatisch und überträgt die Auftragsdaten an das ERP- oder CRM-System. Ist sich die KI unsicher, ob die erfassten Daten korrekt sind, geben menschliche Sachbearbeiter Feedback. Die KI lernt anhand dieses Feedbacks, die Daten künftig häufiger zu erkennen.
>> Zu Workist im ADAMOS STORE




Ähnliche Beiträge