Voraussetzungen schaffen
Wie der Mittelstand fit für den KI-Einsatz wird
Zwar treiben viele Unternehmen KI-Initiativen voran. Doch die mittelständische Fertigungsindustrie hält sich noch oft zurück. Dies hat verschiedene Gründe, etwa fehlendes Knowhow. Doch die Einstiegshürde lässt sich senken.
Der Einsatz von künstlicher Intelligenz ist im Mittelstand – gerade auch in Fertigungsunternehmen – oft noch nicht sehr weit verbreitet. Dies hat mehrere Gründe: Zum einen wissen die Unternehmen zu wenig über die Möglichkeiten künstlicher Intelligenz. Zudem mangelt es an qualifizierten Fachkräften, die in der Lage sind, KI-Projekte zu implementieren und zu betreuen. Auch herrschen Bedenken hinsichtlich der Integrationsmöglichkeiten in vorhandene Systeme und Prozesse oder in Bezug auf die Gewährleistung der Datensicherheit in KI-Anwendungen. Diese Vorbehalte sind, mit der richtigen Implementierung, unbegründet. Unternehmen sollten daher einige Grundvoraussetzungen für den KI-Einsatz zu beachten.
Eine Basis schaffen
Die Basis für den KI-Einsatz bilden die Daten aus den Maschinen und Anlagen. Mit Sensoren werden Parameter wie etwa Temperatur, Druck, Feuchtigkeit, Staub oder Vibrationen ausgelesen. Die Daten sind in vielen Fällen zwar vorhanden, werden aber oft nicht genutzt. In einem KI-Szenario werden aus ihnen jedoch Datenmodellen generiert und Anwendungen wie etwa Predictive Maintenance entwickelt. Die Datenmodelle sollten dabei in enger Kooperation von Prozessverantwortlichen und KI-Experten konzipiert und auf Adaptierbarkeit ausgelegt werden. Auch wenn in einem ersten Schritt nur einzelne Auswertungen wie Qualitätsanalysen im Vordergrund stehen, sind flexible Anpassungsmöglichkeiten auf künftige Use Cases von Vorteil, etwa im Hinblick auf Reporting-Anforderungen im Kontext des neuen Lieferkettengesetzes.
Die Infrastruktur
Als Schnittstelle zwischen den Sensoren und dem Netzwerk dienen IoT-Gateways. Diese sammeln Daten von Maschinen und Sensoren übertragen diese an zentrale Server oder in die Cloud. Für eine reibungslose Datentransformation zwischen Sensoren, Gateways, Servern und Endanwendern ist eine robuste Netzwerkinfrastruktur erforderlich. Die Verarbeitung und Speicherung der Daten erfolgt dann auf Servern entweder on-premises oder in der Cloud. Für die Cloud sperchen unter anderem Rechenleistung sowie vielfältige Analyse- und Vergleichsmöglichkeiten oder vordefinierte Use Cases und Applikationen. Für viele Szenarien eignet allerdings auch eine hybride Infrastruktur, in der Echtzeit-Auswertungen vor Ort und größere zeitunkritische Analysen in der Cloud erfolgen.
Der Faktor Mensch
Beim KI-Einsatz gilt es, nicht ausschließlich technische Aspekte zu berücksichtigen. Auch der Faktor Mensch muss Beachtung finden. Führungskräfte und Mitarbeiter sollten das Potenzial von KI beziehungsweise deren positive Effekte kennen. Unternehmen können hier in die Schulung und Weiterbildung ihrer Mitarbeiter investieren. Da KI auch Auswirkungen auf die Arbeitsweise hat, spielt auch das Change Management eine Rolle. Wo es bisher üblich war, Maschienendaten mit Excel-Tabellen auszuwerten, werden durch die KI nun Entscheidungen viel näher am Prozess bzw. an der Maschine selbst getroffen. Von diesen Veränderungen sind sowohl Management als auch die Mitarbeiter betroffen.
Viele Möglichkeiten
Sind Grundvoraussetzungen erfüllt, sind bereits einfache Datenauswertungen möglich, etwa um Fehler in den Produktionsabläufen frühzeitig zu erkennen und zu beheben. Durch die Analyse von historischen Datenströmen können Unternehmen auch Muster erkennen, etwa als Störungen oder Qualitäts- und Leistungsschwankungen auftraten. Diese Mustererkennung und Event-Korrelation, die Zusammenhänge zwischen Fehlern und Ursachen herstellt, ist dann die Basis für die Fehlerbehebung. Spezifischen Use Cases erfordern KI-Training. Der Zeitaufwand hierfür reicht, abhängig vom Use Case, von wenigen Tagen bis hin zu einem halben Jahr.
Ein Beispiel: Für den schwedischen Stahlhersteller Uddeholm hat CGI eine Machine Learning-Lösung konzipiert, die Produktionsfehler erkennt und die damit verbundenen Prozesse optimiert. Das ML-Modell sagt mit einer Genauigkeit von mehr als 70 Prozent Ort und Zeitpunkt von Rissbildungen in Stahlprodukten vorher. Uddeholm gelang es so, den mit Rissen verbundenen Ausschuss entscheidend zu reduzieren.
KI-Potenzial nutzen
KI-Anwendungen lassen sich oft in wenigen Wochen implementieren, sofern die Infrastruktur vorhanden ist. Die zeitintensivste Aufgabe besteht in der Anbindung von Maschinen und Sensoren. Mit Quick Wins lassen sich in kurzer Zeit erste Resultate erzielen. Ausgehend von der Strategiedefinition werden die erfolgversprechendsten Use Cases identifiziert, die dann umgesetzt werden. Nach Erfahrungswerten von CGI sollten vorrangig Themen und Projekte adressiert werden, die sich nach spätestens 18 Monaten amortisieren.
Nutzen für den Mittelstand
Zu den Zielen eines Fertigers gehört immer auch die Erhöhung der Gesamtanlageneffektivität (OEE – Overall Equipment Effectiveness), also die Optimierung der Produktion. Künstliche Intelligenz hilft Unternehmen dabei, ihre Arbeitsabläufe, Services und Produkte weiterzuentwickeln – auch im Mittelstand.
