Produktionsdaten aus Edge Devices auf dem Shopfloor zu sammeln und daraus Maschinenverschleiß und Wartungsdauer vorherzusagen, ist nicht Neues. Inzwischen gehen Produktionsunternehmen über solche Predictive-Maintenance-Verfahren hinaus. Sie nutzen Datenerhebungen zusätzlich, um ihre Produktionsplanungssysteme (PPS) zu optimieren oder um technische Dokumentationen user-spezifisch auszugestalten. Generative künstliche Intelligenz verspricht hier Potenzial.
Performancedaten für neue Planungen
Im Szenario der PPS-Optimierung beziehen sich die erhobenen Daten auf einzelne Aufträge mit ihren jeweiligen Charakteristika, die mit minimalem Ausschuss am besten auf einer bestimmten Maschine laufen. Ziel ihrer Analyse ist es, das PPS so auszurichten, dass künftige ähnliche Aufträge analog dazu abgearbeitet werden können. Es geht also weniger um die Effektivität einer Anlage, sondern darum, Performancedaten für neue Planungen zu verwenden. Zu diesem Zweck sind Ähnlichkeitsbezüge zwischen Maschinenbeschreibungen herzustellen. Bislang waren viele Datenanalysten oder Machine-Learning-Engineers erforderlich, die aus Texten eine strukturierte Beschreibung schaffen, um Ähnlichkeitsbeziehungen rein mathematischer Struktur herzustellen. Um 100 (oder auch nur zehn) verschiedene Maschinen in sehr vielen verschiedenen Konfigurationen zu beschreiben, brauchte es also ein aufwändiges Data Engineering – zu einem vertretbaren ROI in der Regel kaum möglich. Hier kann generative KI Abhilfe schaffen, die das Fachwissen aus technischen Dokumentationen automatisiert analysiert.
Spezifischere Handbücher
Ein bereits erprobter Einsatz von GenAI sind technische Dokumentationen. Mittels ChatGPT können etwa Handbücher individuell gestaltet werden. Hier besteht die Aufgabe darin, aus einer Masse an Dokumenten, die sich auf fünf verschiedene Produktionseinheiten in zehn Ausprägungen beziehen, Texte mit unterschiedlicher Schwerpunktsetzung zu erstellen. Entweder für wenige Techniker, die sehr spezielle Anweisungen vorgefertigt bekommen haben müssen, oder aber für sehr viele Personen, die auf Hunderte von Handbüchern in diversen Quellsysteme zugreifen müssen. Diese liegen bislang oft nur Stichwort-getaggt vor und müssen am Einsatzort recherchiert werden. GenAI kann diesen Prozess beschleunigen. Der Thin[gk]athon, veranstaltet vom Smart Systems Hub, vereint kollaborative Intelligenz und Industrie-Expertise, um in einem dreitägigen Hackathon innovative Lösungsansätze für komplexe Fragestellungen zu generieren. ‣ weiterlesen
Innovationstreiber Thin[gk]athon: Kollaborative Intelligenz trifft auf Industrie-Expertise
Retrieval Augmented Generation (RAG)
Die Verbindung zwischen technischer Dokumentation und GenAI wird geschaffen über Retrieval Augmented Generation (RAG). Die KI verleibt sich dabei den Inhalt aller Dokumentationen ein und erstellt daraus einen KI-Index. Das Ergebnis ist ein mathematischer Vektor, der sich auf einen bestimmten Kontext bezieht, etwa eine Seite in der Dokumentation. Somit kann ein Index Tausende von Vektoren beinhalten. Durch das Modell wird anschließend eine Anfrage durchgeführt mit dem Ergebnis eines weiteren Vektors. Der nun folgende Vektorvergleich bringt schnell ein möglichst nahes Ergebnis bzw. die zehn am besten zur Abfrage passenden Dokumentationen. Über einen KI-Index hinaus werden spezielle Informationen bereits vorsortiert und es wird ein Kontext aufgebaut, der die Suchergebnisse bereits spezifiziert.
Nicht immer geeignet
Was die Implementierung von GenAI oft ausbremsen kann, ist zum einen die Erwartungshaltung an die Technologie: So müssen Nutzerinnen und Nutzer erkennen, dass es sich für bestimmte Anfragen lohnen kann, die Technologie nicht zu verwenden – etwa weil genau bekannt ist, auf welcher Seite in der technischen Dokumentation sich die gesuchte Information befindet.
Datenfluss muss stimmen
Zudem mangelt es in Produktionsbetrieben oft am durchgehenden Datenfluss. Es findet sich eine heterogene Datenwelt mit Maschinen unterschiedlichster Generationen. Das erschwert den Einsatz von KI, da diese einen möglichst großen Datenbestand benötigt, um daraus lernen und Muster erkennen zu können. Wenn das System also auf Auftragsdaten, Parameter der Produktionsplanung und CRM-Informationen gleichermaßen zugreifen soll, müssen die Systeme untereinander verknüpft werden.
