Industrie 4.0 ist auf dem Weg, Standard für das produzierende Gewerbe zu werden. Hierbei spielt das Thema Internet of Things (IoT) in Verbindung mit Künstlicher Intelligenz (KI) und maschinellem Lernen (ML) eine kritische Rolle für den Erfolg dieser Unternehmung. Dabei zeigt sich, dass die Wissensfelder IT und Engineering immer weiter zusammenwachsen und gerade für den Einsatz von KI-gestützten Systemen ist die Kombination dieser Kompetenzen entscheidend.

Ist das noch Zukunftsmusik?

Eine vollautomatisierte Fabrik mit makelloser KI klingt für viele noch nach Science-Fiction, doch richtig aufgesetzt, sind KI-basierte Systeme schon heute Effizienz- und Produktivitäts-Garanten. Dabei gibt es jedoch einiges zu beachten. Was, das lesen Sie in diesem Artikel.

Die Prognose und ihre Tücken

Planbarkeit ist eine Tugend des klassischen Engineerings. Bereits in der Entwurfsphase wissen die Entwickler, wie sich das Gesamtsystem, als Summe aller einzelnen Komponenten, im fertigen Zustand verhalten wird. Da sich Systeme mit KI oder ML datengetrieben hauptsächlich während ihrer Laufzeit weiterentwickeln, zeigen diese erst im Betrieb ihre finale Funktionalität. Das hat zur Folge, dass die Systeme schwer auf Ausnahmesituationen einstellbar sind und der wirtschaftliche Nutzen kaum im vornherein beziffert werden kann. Durch das Wegfallen dieser Planbarkeit erschwert sich die Implementierung dieser intelligenten Systeme. Um dem entgegenzuwirken, bedarf es neuer Herangehensweisen.

Regelwerk

Wie gelingt es also, selbstlernende Systeme planbarer zu machen? Hier kommt das Expertenwissen Ihrer Ingenieure zum Einsatz. Mithilfe eines „Regelwerks“, bestehend aus Expertenwissen, lässt sich die ideale Grundlage für KI- und ML-getriebene Systeme erschaffen. Die intelligenten Computer sind zwar sehr gut darin, künftige Werte vorherzusagen, haben allerdings große Schwierigkeiten darin, auf nie dagewesene bzw. ihnen unbekannte Störungen zu reagieren.
Diese Problematik lässt sich durch Regelwerke, mit denen die KI arbeitet, entschärfen. So hat das System eine Grundlage, auf der es Entscheidungen treffen kann, wodurch eine sofortige und validierte Reaktion auf Störungen gewährleistet wird.

Ein Beispiel: Moderne Produktionsstraßen sind mit unzähligen Sensoren ausgestattet, die der KI Daten in Echtzeit zuspielen. So weiß das System einerseits, wie viele Teile pro Stunde verarbeitet werden und kann darauf basierend die Logistik und das Supply Management steuern sowie optimieren. Auf der anderen Seite sind spezielle Sensoren für den reibungslosen Produktionsablauf zuständig. Bei Veränderungen kann die KI vorausschauend prognostizieren, wann es zu einem Ausfall kommt und so komplexere Folgeschäden verhindern. Dazu wird die KI mittels eines Regelwerks bereits vorab angelernt, welche Parameter dafür notwendig sind. Ohne diese Regeln würde die KI einen Ausfall erst zulassen, um zu lernen, wie sie damit umgehen soll. Die Folgen wären Schäden an den Produkten und im schlimmsten Fall an den Maschinen.

Zeit ist relativ

Die KI hat also Schwierigkeiten mit unvorhersehbaren Störungen. Ein Regelwerk kann bereits eine solide Grundlage schaffen, um das System besser darauf vorzubereiten. Doch auch hier gibt es Grenzen, da KI und ML immer auf trainierten Modellen basieren. Fehlt also nun ein Szenario für das Training im Regelwerk, so bleibt auch die Lösung aus.

Doch im digitalen Zeitalter kann man einen entscheidenden Vorteil der KI für sich nutzen: Die Zeit- und Ortsunabhängigkeit. Je höher die Rechenleistung ist, desto schneller kann ein Computer die verschiedensten Optionen durchspielen – wofür ein Mensch zehn Jahre brauchen würde, schafft ein leistungsstarker Computer innerhalb weniger Wochen. Dank Cloud-Computing benötigen die Rechner im Unternehmen heutzutage lediglich eine schnelle Internetverbindung, um auf schier endlose Ressourcen zurückzugreifen. Dadurch gewinnt das Konzept Digital Twin in der Industrie 4.0 immer mehr an Bedeutung.

Maschine trainiert Maschine

Ein Digital Twin ist eine exakte Kopie einer realen Sache in der digitalen Welt, wie beispielsweise eine Produktionsstraße. Man könnte den exakten Aufbau eines Digital Twins nun bis ins Detail erklären, was allerdings den Rahmen dieses Artikels sprengen würde. Für uns ist in erster Linie wichtig zu wissen, dass wir mithilfe dieser Technik den finalen Betrieb nachstellen können. So können Fehler vor der Implementierung simuliert und das System trainiert werden, was den Vorteil in sich birgt, dass reale Ausfallzeiten ausbleiben. In der Theorie lässt sich also mithilfe eines Digital Twins jedes x-beliebige Szenario simulieren, sodass die KI eine Lösung dafür entwickeln kann.

Da Künstliche Intelligenz jedoch ein relativ junges Feld ist, wird bis zur Perfektion dieser Systeme noch viel geforscht werden müssen. Dennoch ist ein Digital Twin schon heute die beste Alternative für derartige Simulationen.

Der Mensch bleibt ein wichtiger Bestandteil

Abschließend lässt sich festhalten, dass KI und ML bereits heute zu enormer Produktivitäts- und Effizienzsteigerung beitragen können, jedoch längst nicht makellos sind. Entscheidend bleiben die Menschen hinter den Systemen, die diese kalkulierbar und wiederholbar machen. Um dies zu erreichen muss ein Expertenteam, bestehend aus IT- und Engineering-Profis, für diese Projekte etabliert werden.
Doch gerade im KI-Bereich fehlt es an Fachkräften, explizit an Nachwuchskräften. Das bestätigten zuletzt die Sachverständigen der Enquete-Kommission der Bundesregierung. Dieser Fakt macht die Aufgabe, ein Experten-Team auf die Beine zu stellen, noch anspruchsvoller als ohnehin schon. Die Tugend der Stunde lautet hier, seine eigenen Mitarbeiter in diese Projekte einzubinden und mit KI-Experten auf Zeit zu ergänzen. So erhalten Sie das nötige Know-how, erhöhen die Kompetenz der eigenen Mannschaft und ihre Mitarbeiter im Tagesgeschäft werden entlastet. So können auch komplexe Projekte in einem vernünftigen zeitlichen Rahmen umgesetzt werden, was früher die Produktivität erhöht.