KI-Einstieg im deutschen Mittelstand in fünf Schritten

Adaptive Algorithmen bieten im Rahmen der Industrie 4.0 erforderlichen Weiterentwicklungen wie Predictive Maintenance ein enormes Potenzial. KI kann in diesem Zusammenhang helfen, die Gesamtanlageneffektivität (OEE) zu erhöhen und so Kosten zu reduzieren sowie die Produktivität zu erhöhen.

Das Problem: Viele der am Markt beworbenen, oft Cloud-basierten KI-Lösungen, stellen enorme Anforderungen an Infrastruktur und IT. Hinzu kommt, dass diese Lösungen mit einer gewaltigen Menge an Daten arbeiten, die mühsam in der Vorbereitung und Bearbeitung sind. Außerdem sind Systemkonzepte für den Maschinenbau häufig komplex und speziell auf die jeweiligen Anforderungen abgestimmt. Ein verlässlicher Einsatz typischer KI-Algorithmen ist nur durch umfassende Tests, stete Optimierung und häufig auch Überdimensionierung möglich – ein großer Aufwand, vor dem viele zurückschrecken.

Mit großen Datenmengen und fortschrittlichen Algorithmen arbeiten

Robotik- und Automatisierungsanbieter wie Omron entwickeln derzeit KI-Integratoren, die insbesondere kleine und mittelständische Unternehmen dabei unterstützen, künstliche Intelligenz praktisch und effizient einzusetzen.

Die folgenden Tipps unterstützen den KI-Einstieg:

1. Daten-Know how erweitern

Produzierende Unternehmen sind häufig eher abwartend, wenn es um neue Technologien geht. Denn sie arbeiten mit Maschinen, die 20 und mehr Jahre laufen müssen. Das bedeutet aber nicht, dass sie in Sachen KI das Nachsehen haben müssen. Es wird Zeit, dass sie ihre Scheu überwinden und sich intensiver mit den Chancen innovativer Technologien beschäftigen. Um diese Möglichkeiten optimal zu nutzen, sollten Unternehmen sicherstellen, dass sie mit großen Datenmengen und fortschrittlichen Algorithmen – den zwei Grundpfeilern der künstlichen Intelligenz – arbeiten können. Sowohl Firmenlenker als auch Mitarbeiter stehen in der Pflicht, sich diesbezüglich weiterzubilden.

2. Strategische Fragen klären

Die zentralen Fragen zu Beginn eines KI-Projektes lauten: Welche Herausforderung soll angegangen werden? Welche Strategie und Technologie eignen sich am besten und sind diese anpassbar? Welche Führungskräfte und Mitarbeiter sollen mit an Bord geholt werden? Gibt es die notwendige Expertise im eigenen Unternehmen oder müssen externe Experten involviert werden? Wie lässt sich eine neue Maschine mit integriertem Data Science-Ansatz planen und realisieren?

3. Messbare Verbesserung der OEE anvisieren

Oberstes Ziel des KI-Einsatzes sind Qualitäts- und Prozesseffizienzsteigerungen, beispielsweise durch eine verbesserte Predictive Maintenance zur Vermeidung von Maschinenstillständen. Die auf KI-basierende Lösung sollte daher auf mess- und spürbare Verbesserungen der Gesamtanlageneffektivität (OEE) abzielen. Bereits eine Optimierung um nur wenige Prozentpunkte kann zu erheblichen Effizienzsteigerungen und Kostensenkungen führen. KI in der Maschineninstandhaltung hilft, das Risiko von Geräteschäden und Stillstandzeiten zu reduzieren: Probleme lassen sich frühzeitig erkennen und sofort Maßnahmen zu deren Beseitigung einleiten. Ohne Automatisierung müssten Maschinenentwickler und -bediener eigene Analyse- und Optimierungslösungen kreieren oder kostspielige Cloud-Lösungen nutzen.

4. Auf „KI at the Edge“ setzen

Anstatt eine riesige Menge an Daten nach Mustern zu durchsuchen, ist eine Technologie vonnöten, die Dinge anders angeht: Idealerweise sind die erforderlichen Algorithmen hierbei in die Maschinensteuerung integriert und schaffen so den Rahmen für Echtzeitoptimierung „at the Edge“ (auf Maschinenlevel). Produktionslinien und Maschinen werden hierbei mit Echtzeitsensoren überwacht, die Daten gesammelt und auf Auffälligkeiten überprüft. Es wird keine Internetverbindung benötigt, IoT-Protokolle sind verlässlich integriert. Firmen sind so nicht länger auf Cloud Computing angewiesen.

5. Auf problemlose Implementierung achten

Zudem sollte sich die KI-Lösung einfach und zügig implementieren lassen. Bei „KI at the Edge“ werden Steuerungsfunktionen von Fertigungslinien mit einer auf KI basierenden Datenverarbeitung in Echtzeit kombiniert. Unternehmen können unvorhergesehene Situationen verlässlich und immer aktuell erkennen und schnell reagieren. Außerdem gestattet es diese Technologie, die Qualität zu steigern, Wartungszyklen und Lebenszyklus von Maschinen zu verbessern sowie bei Bedarf zu skalieren. Die Prozesse gewinnen an Intelligenz auf der Grundlage bisheriger Erkenntnisse und Verbesserungen.

Autor: Juliana Pfeiffer

(c)2019
Vogel Communications Group