Die Suche nach der Killer-App
Für den größtmöglichen Nutzen sollten LLMs in bestehende Produkte, Arbeitsabläufe oder Dienstleistungen integriert werden. Bereits heute gibt es eine Reihe potenzieller Anwendungsfälle mit erheblichen Potential für Effizienzsteigerungen in der Produktion..
Ô Wartungsplanung und Diagnose: Erstellung vorausschauender Wartungspläne basierend auf Maschinenzustandsdaten und historischen Wartungsinformationen.
Ô Fehlerdiagnose & Fehlerbehebung: Analyse von Maschinendaten und Sensormessungen zur Identifikation von Störungen und Vorschlag passender Lösungsansätze.
Ô Produktionsdatenanalyse: Analyse von Produktionsberichten zur Erkennung von Verbesserungspotenzialen oder Anomalien, um den Betrieb zu optimieren.
Ô Qualitätssicherung: Auswertung von Qualitätskontrolldaten zur Identifikation möglicher Qualitätsprobleme durch Mustererkennung in den Produktionsprozessen.
Ô Dokumentation und Wissensmanagement: Automatisierte Erstellung und Aktualisierung technischer Dokumente, Bedienungsanleitungen und Prozessanweisungen.
Ô Prognose und Produktionsplanung: Analyse historischer Daten zur Vorhersage zukünftiger Produktionsanforderungen und Anpassung des Produktionsplans sowie Simulationen zur Optimierung der Produktionskapazitäten.
Ô Echtzeit-Datenabfrage: Mitarbeiterinnen und Mitarbeiter fragen in natürlicher Sprache nach aktuellen Statusberichten, Kennzahlen oder Informationen über Maschinen und Prozesse.
Bestehende Technologien für Trendvorhersage, Anomalieerkennung, Predictive Maintenance und Predictive Quality werden perspektivisch nicht durch LLMs verdrängt. Stattdessen werden LLMs vermehrt als Agenten eingesetzt, die für ihre Aufgaben andere Technologien nutzen.
Aussitzen unmöglich
Die Frage, ob LLMs nur ein Hype oder echte Game Changer sind, lässt sich bereits heute klar beantworten: Die Technologie hat großes Potenzial, die Produktivität zu steigern und neue Möglichkeiten zu eröffnen. Gartner empfiehlt in seinem aktuellen Report ‚Impact Radar for Generative AI 2024‘ ausdrücklich den Einsatz von LLMs für die Entwicklung von Produkten und Dienstleistungen, um wettbewerbsfähig zu bleiben. Allerdings sind KI-Projekte kein Selbstläufer. Laut Gartner bringen erfolgreiche KI-Projekte zwar signifikante Vorteile wie Umsatzsteigerungen (im Schnitt 15,8 Prozent), Kosteneinsparungen (15,2 Prozent) und Produktivitätszuwächse (22,6 Prozent), doch etwa 30 Prozent der Projekte scheitern nach der Proof-of-Concept-Phase. Gründe dafür sind laut Rand Think Tank häufig ungeeignete Datenmanagement- und Betriebsinfrastrukturen, unklare Anforderungen oder Probleme, die die LLMs überfordern. Wenn Firmen bezüglich ihrer eigenen KI-Transformation unsicher ist, kann der Rat von Experten helfen – aussitzen lässt sich die Entwicklung sicher nicht. n und Hendrik Bohlen (Mitglied des Vorstands) sind bei der Werum Software & Systems AG tätig.
www.werum.de
