Erfolgsfaktoren für KI und Data Mining in der Produktion

Trotzdem haben viele Unternehmen Schwierigkeiten damit, KI Anwendungen gewinnbringend einzusetzen. Das liegt unter anderem daran, dass der Begriff KI ein breites Spektrum an Anwendungen abdeckt. Oftmals stehen insbesondere kleine und mittelständische Unternehmen (KMU) vor der Herausforderung, die passende KI-Anwendung in ihrer Produktion zu implementieren. Aufgrund geringer Ressourcen und teilweise fehlender Expertise treten oft schon am Anfang des Umsetzungsprozesses Schwierigkeiten und Unklarheiten auf.

Trotzdem bietet KI bei richtiger Umsetzung hohe Potenziale für mittelständische Unternehmen, bspw. durch die Voraussage der Kundennachfrage, der automatisierten Bereinigung und Standardisierung von Stammdaten oder in der Qualitätssicherung durch die Anomalieerkennung in Fertigungsprozessen. Ziel dieses Artikels ist daher die Erläuterung zentraler Anwendungsbereiche der KI in der Produktion. Darüber hinaus werden die fünf wichtigsten Erfolgsfaktoren für die Umsetzung von KI-Projekten in der Produktion erläutert.

KI in der Produktion – Vorteile und Anwendungsbeispiele

Die Begriffe KI, maschinelles Lernen und Data Mining werden häufig synonym verwendet. Zum Verständnis der Unterschiede eignet sich eine zielorientierte Betrachtung. Künstliche Intelligenz bezeichnet alle Methoden, die Computer zu menschlichem und rationalem Handeln sowie „Denken“ befähigen. Dieser Werkzeugkoffer ermöglicht unterschiedliche Anwendungsfälle wie selbstfahrende Autos oder Chat-Bots auf Webseiten. Zu den Methoden gehören unter anderem das Maschinelle Lernen und das Data Mining. Als Teilgebiete der KI entstammen sie der Idee, Computern die menschliche Eigenschaft der Lernfähigkeit nahezubringen.

Maschinelles Lernen dagegen verbessert die Problemlösungsfähigkeit von Computern mit dem Ziel, Probleme deutlich schneller und effizienter zu lösen, als es der Menschen könnte. Dabei handelt es sich um die Lösung deutlich spezifischerer Problemstellungen als bei dem allgemeinen Verständnis von KI. Auf der Grundlage von Beispieldaten werden automatisch Zusammenhänge erschlossen und diese genutzt, damit Systeme selbständig Entscheidungen treffen können. Mögliche Beispiele sind die Bild- und Spracherkennung.

In Bezug auf das bereits genannte Beispiel des Autonomen Fahrens betrifft die Anwendung des Maschinellen Lernens unter anderem das Erkennen von bspw. Stoppschildern. Ein anderes Werkzeug aus dem Bereich der KI ist das Data Mining, welches dazu dient, Muster, Trends und Zusammenhänge in großen Datenmengen zu erkennen und diese verständlich darzustellen. Anwendung findet Data Mining bspw. bei der Warenkorbanalyse, wie sie bei Amazon durchgeführt wird, um Produktvorschläge für den jeweiligen Kunden anzubieten. Dabei „lernt“ der Data Mining Algorithmus auf der Grundlage der Kaufgewohnheiten aller Kunden, bekannte Muster in den neuen Daten wiederzuerkennen.

Data Mining eignet sich besonders gut für den Einstieg in das Thema KI in der Produktion, da hier die gleichen Voraussetzungen hinsichtlich Datenerfassung und -strukturierung benötigt werden wie bei anderen KI-Methoden. Jedoch benötigt Data Mining im Vergleich zu neuronalen Netzen und den sonstigen KI-Methoden eine kleinere Datenmenge. Sind eine Datengrundlage und eine IT- Landschaft, die das Verfahren möglich machen, geschaffen, können diese in weiteren Schritten vergleichsweise einfach für größere KI- Anwendungen skaliert werden.

Welche Faktoren erlauben die erfolgreiche Nutzung in Produktionsunternehmen?

Im Rahmen verschiedener Projekte des Werkzeugmaschinenlabors (WZL) der RWTH Aachen und dem vom Bundesministerium für Wirtschaft und Energie geförderten Kompetenzzentrums „Digital in NRW“ konnten, wie in Bild 1 dargestellt, fünf zentrale Erfolgsfaktoren für die Anwendung von KI bei kleinen und mittelständischen Unternehmen identifiziert werden.

Bereits vor dem Beginn und während der Durchführung jedes Projekts sollte geprüft werden, ob alle Faktoren adressiert und erfüllt werden. Ist dies nicht der Fall, kann das Defizit im Projektverlauf nur schwer ausgeglichen werden. Es sollten zeitnah Maßnahmen zur Korrektur eingeleitet werden. Im Folgenden werden die fünf Erfolgsfaktoren detaillierter erläutert.

Erfolgsfaktor 1: Strategische Betrachtung von Investitionen in die notwendige Infrastruktur

Aufgrund der schweren Vorhersehbarkeit der Ergebnisse von KI-Anwendungen und der Bemessung von deren Nutzen vor Projektstart, ist eine a priori-Abschätzung des Return-On-Investment schwierig. Ob tatsächlich unbekannte Muster oder Trends in der Datenmenge durch die Analyse gewonnen werden können, ist naturgemäß vor der Analyse unbekannt. Der Erfolg kann somit nur im Nachhinein beurteilt werden.

Die Investitionen in die IT-Infrastruktur und in den Aufbau von Expertise müssen als strategische Entscheidung behandelt werden und dürfen nicht an einzelne Anwendungsfälle gekoppelt sein. Nur selten kann ein einzelnes Projekt die notwendigen Investitionen alleine tragen. Die Erwartungen an KI-Projekte sind aufgrund der Aufmerksamkeit in der allgemeinen und der Fachpresse sehr hoch. Jedoch zeigt eine Studie des WZL, dass wenige produzierende Unternehmen bereits einen signifikanten Mehrwert durch solche Projekte generieren konnten. Wie die Statistik in Bild 2 veranschaulicht, hat sogar mit 59 Prozent der befragten Unternehmen die Mehrheit noch keine KI- Projekte implementiert. Lediglich 14 Prozent der befragen Unternehmen berichten, dass sie bereits größtenteils den durch KI erwünschten Mehrwert erzielt haben.

Diese Einschätzung über den Mehrwert von KI-Projekten macht den strategischen Charakter von derartigen Vorhaben deutlich. Aktuell gibt es noch keine „Plug&Play“-Lösungen, die kurzfristig deutlichen Mehrwert bringen. Es sollte jedoch nicht vernachlässigt werden, dass sich auch außerhalb der eigentlichen Anwendung von KI-Algorithmen eine Investition in strategische KI- Projekte lohnen kann. Wie bereits im „CRISP-DM-Standard“ erwähnt, fließt ein Großteil der Arbeit in die Verbesserung der Datenintegrität und -qualität. Eine bessere Datenqualität kommt nicht nur der jeweiligen KI-Anwendung zugute, sondern bietet Vorteile für alle Unternehmensbereiche, die mit den jeweiligen Daten arbeiten müssen.

Erfolgsfaktor 2: Entwicklung von Anwendungsfällen nach dem Industrie 4.0-Reifegradmodell

Um eine hohe Erfolgswahrscheinlichkeit bei der Entwicklung der Anwendung zu erzielen, ist eine stufenweise Steigerung der Anwendungskomplexität vielversprechend. Vorteile dieses Vorgehens sind die stetigen Erfolge, die geringeren Umsetzungsbarrieren sowie die Möglichkeit, neue Projekte auf den Strukturen der vorherigen aufzubauen.

Eine passende Referenz, die bei der Auswahl und Bewertung von Ansätzen helfen kann, ist das Industrie 4.0 Reifegradmodell, welches in Bild 3 vorgestellt wird. Dieses Modell zeigt einen generischen Entwicklungspfad für die Einführung von datenbasierten Lösungen in der Produktion. Um dem Reifegradmodell zu folgen, müssen zu allererst die Grundvoraussetzungen für mögliche Anwendungen geschaffen werden. Diese sind die Digitalisierung von Fertigungsanlagen und den zugehörigen Verwaltungsprozessen sowie die Vernetzung der einzelnen Entitäten. Sobald diese Voraussetzungen geschaffen sind, können Lösungen aus dem Kontext der Industrie 4.0 und dem Bereich der KI implementiert werden.

Zu den einfachen Anwendungen gehören die verständliche, zeitnahe Darstellung und Visualisierung von Vorgängen in der Produktion. Solche Anwendungen können mit wenigen Anpassungen auch der nächst höheren Stufe dienen. Mit dem Ziel, die Transparenz zu erhöhen, wird auch ein besseres Verständnis für Wirkungszusammenhänge aufgebaut. Sobald diese eindeutig identifiziert wurden, können sie für die nächste Stufe der Entwicklung genutzt werden: der Vorhersage von zukünftigen Zuständen. Wurden eine oder mehrere Verursachungsreaktionen erkannt, kann folglich die Reaktion antizipiert werden.

Die letzte und darauf basierende Entwicklung des Industrie 4.0-Reifegradmodells stellt die autonome Adaptierbarkeit des gesamten Produktionssystems dar. Da Ursache und Wirkung bekannt sind, kann ein Produktionssystem unter bestimmten Umständen in der Lage sein, eigene Lösungsmaßnahmen zu identifizieren und zu implementieren. Es ist nicht ratsam, mit KI-Anwendungsfällen direkt auf diese letzte Stufe zu zielen. KI bildet eine mögliche Lösung auf dem Weg zu dieser Stufe, setzt die Beherrschung der vorherigen Schritte allerdings voraus.

Erfolgsfaktor 3: Systematische Umsetzung des Projekts auf Grundlage eines Standardvorgehens

Durch das Befolgen eines Standardvorgehens zur Realisierung eines Data Mining Projekts erhöht sich die Erfolgswahrscheinlichkeit der Umsetzung erheblich. Fehler, die von anderen bereits begangen wurden, können somit vermieden werden. Dadurch kann auch bei geringer Erfahrung in dem Themengebiet sichergestellt werden, dass keine essenziellen Schritte vergessen werden. Dabei ist zu beachten, dass branchenübergreifende Standards weniger spezifisch, dafür aber sehr erprobt sind und zu weniger Komplikationen führen als die Nutzung eines branchenfremden Standards. Der weltweit am häufigsten verwendete Standard ist der „Cross Industry Standard Process for Data Mining“ (CRISP-DM). Dieser Standard wurde von einem Gremium, bestehend aus Forschungsvertretern und Industrieunternehmen, entwickelt. Durch die Berücksichtigung der Geschäftssicht und des Nutzens des Projekts für das Kerngeschäft ist der CRISP-DM in seiner Anwendung sehr erfolgreich. Das Vorgehen ist iterativ zu verstehen, das heißt vorgelagerte Schritte können erneut durchlaufen werden, falls in den nachfolgenden Schritten Komplikationen erkannt werden. Dabei besteht die Möglichkeit, neue oder andere Daten in die Betrachtung einzubeziehen. Das genaue Vorgehen ist in Bild 4 dargestellt.

Als erster Prozessschritt im CRISP-DM muss das Verständnis für das jeweilige Geschäft der anwendenden Organisation aufgebaut werden. Es ist zu prüfen, welche Informationen einen Mehrwert bieten können und wie diese Informationen im Unternehmen generiert werden. Das gewonnene Prozesswissen stellt eine essentielle Grundlage für alle nachfolgenden Schritte dar.

Der nächste Schritt dient dem Aufbau eines Datenverständnisses. Die identifizierten Daten werden aus unterschiedlichen IT-Systemen abgerufen und zu einem auswertbaren Datensatz vereinigt. Dabei wird gleichzeitig die Datenqualität geprüft, da nur korrekte und vollständige Daten eine ausreichende Basis für ein Data Mining Projekt bieten. Zudem kann eine erste Datenexploration erfolgen, die bereits kleinere Hypothesen bezüglich möglichen Mustern und Trends überprüft. Danach folgt die Datenvorbereitung, welche u.a. die Integration, Formatierung sowie bei numerischen Daten auch die Skalierung und Normalisierung mit einschließt. Dieser Schritt verursacht in der Regel den größten Aufwand in Data Mining Projekten, welcher allerdings bei einer guten Vorarbeit und guten IT-Strukturen erheblich verringert werden kann.

Die passend vorbereiteten Daten können anschließend zur Modellierung genutzt werden, dem Herzstück des Vorgehens. Erst hier beginnt die Anwendung des eigentlichen Data Minings. Hierbei sollte in jedem Fall spezifisches Produktionswissen miteinfließen, damit passende Verfahren und Optimierungsansätze ausgewählt werden können. Die Ergebnisse der Modellierung sollen im nächsten Schritt bewertet werden. Die Überprüfung durch die Mitarbeiter dient zum einen der Bewertung der Plausibilität, zum anderen der Akzeptanz der Ergebnisse. Diese Plausibilitätsprüfung durch erfahrende Mitarbeiter ist wichtig, um Vertrauen in und Akzeptanz von KI-Lösungen zu schaffen. Kommt es zum Fall, dass während der Bewertung ein Aspekt des Geschäfts entdeckt wird, der nicht in der Datenvorbereitung und Modellierung berücksichtigt wurde, sollte dies korrigiert werden. Wurden hingegen im Ergebnis der Modellierung neue Erkenntnisse über die Geschäftsprozesse generiert, muss das Geschäftsverständnis erneut überdacht werden. Abschließend führen die gewonnenen Erkenntnisse zu konkreten Umsetzungsmaßnahmen. Dafür sind ein Projektmanagement und eine Verstetigung der Untersuchungen notwendig.

Erfolgsfaktor 4: Integration von produktionsnahen Mitarbeitern und deren Wissen

Je früher Mitarbeitende aus den betroffenen, produktionsnahen Bereichen in das Projekt eingebunden werden, desto größer ist die Wahrscheinlichkeit, dass die Qualität der Projektergebnisse steigt, diese von den Mitarbeitenden akzeptiert sind und im Anschluss „verstetigt“ werden können. Die Berücksichtigung von Fachwissen und -erfahrungen in Projekten mit Datenbezug kann besonders bei einer geringen Datenausgangslage zu einem bedeutenden Mehrwert führen und somit zum entscheidenden Erfolgsfaktor werden. Je weniger Daten verfügbar sind, desto mehr muss dieses Defizit über eine bessere Modellierung durch Hintergrundwissen über die betrachteten Prozesse ausgeglichen werden. Dieser Faktor ist von großer Relevanz, da selbst in größeren Produktionsbetrieben Big Data-Anwendungen im Maßstab, wie sie die Internetkonzerne wie bspw. Google oder Amazon praktizieren, sehr selten sind. Häufige Gründe dafür sind die teilweise manuelle Aufnahme der Daten sowie ein Mangel an Datenaufnahmepunkten. Eine Verbesserung dieser Punkte kann auch zu Vorteilen außerhalb der visierten KI-Projekte führen.

Veranschaulicht wird der Wert der Nutzung von Fachwissen der Mitarbeitenden anhand eines Projektes mit einem mittelständischen Maschinenbauunternehmen. In Abbildung 5 ist der Prognosefehler für die Vorhersage von Auftragsdurchlaufzeiten für drei verschiedene Szenarien aufgeführt. Wird diese Prognose von Auftragsdurchlaufzeiten rein auf der Basis von Rohdaten des Unternehmens durchgeführt, weichen die prognostizierten Durchlaufzeiten im Mittel zwei Tage vom korrekten Wert ab. Nach der datenbasierten Optimierung der Verfahren lässt sich der Prognosefehler um 24 Prozent reduzieren. Im Projekt konnte gezeigt werden, dass die KI-basierte Prognose von Auftragsdurchlaufzeiten um zusätzliche 13 Prozent verbessert wurde, wenn das Fachwissen neben einem optimierten Modellierungsverfahren berücksichtigt wurde.

Erfolgsfaktor 5: Innerbetriebliche Expertise durch Einbeziehung externer Unterstützung entwickeln

Investitionen in KI-Expertise sollten als strategische Entscheidung betrachtet werden, weshalb es sich in den meisten Fällen anbietet, diese Expertise auch im eigenen Unternehmen aufzubauen. Für eine schnellere und effizientere Entwicklung des KI-Wissens bietet es sich an, externe Unterstützung einzubinden. Das interne Wissen kann somit auf der Grundlage von Erfahrungen externer Partner aufgebaut werden.

Eine 2020 vom WZL der RWTH Aachen durchgeführte Studie hat ergeben, dass 56 Prozent der befragten Unternehmen bereits externe Unterstützung wahrgenommen haben. Weitere 28 Prozent benötigen externe Unterstützung und lediglich 16 Prozent der befragten Unternehmen haben KI-Projekte ohne externe Unterstützung intern umgesetzt. Mit einem Wert von 67 aus 123 befragten Firmen sind Universitäten und Hochschulen die am häufigsten genannten externen Partner zur Unterstützung von Unternehmen. Sie bieten durch die Nähe zur wissenschaftlichen Forschung hohe Kompetenz, betreffend die neuesten Entwicklungen in den jeweiligen Bereichen der Informatik und Produktionstechnik. Insbesondere werden in interdisziplinären Projekten häufig neue Anwendungsmöglichkeiten gesucht und erforscht. Die detaillierten Ergebnisse der Studie werden in Bild 6 vorgestellt.

Das Global Production Management Center (GPMC) am RWTH Aachen Campus bietet als Kompetenznetzwerk eine Austauschumgebung für renommierte Unternehmen und Forschungsinstitute wie dem WZL der RWTH Aachen an. In unterschiedlichen Communities arbeiten Vertreter von Forschung und Industrie zusammen an praktischen Fragestellungen der produzierenden Industrie. Die „Production Analytics Community“ (PAC) beschäftigt sich dabei explizit mit der Industrialisierung von Künstlicher Intelligenz, bietet Austausch für interessierte Unternehmen und unterstützt auf dem Weg der Einführung von KI.

Zusammenfassung

Die Anwendung von KI kann in KMU erfolgreich umgesetzt werden und somit die Realisierung von Projekten unterstützen. Bereits kleine Datenmengen reichen aus, wenn die genannten Erfolgsfaktoren berücksichtigt werden. Dazu gehört die systematische Umsetzung des Projektes durch das Befolgen eines Standardvorgehens. Als einer der bekanntesten Standards ist CRISP-DM zu nennen. Um Anwendungsfälle der KI in der Produktion sukzessive aufzubauen, sollte das Industrie 4.0-Reifegradmodell als Orientierung dienen. Durch die Schritt-für-Schritt-Entwicklung können Projekte aufeinander aufgebaut werden. Die Investitionen in die IT-Infrastruktur und in den Aufbau von Expertise zur Umsetzung von KI-Projekten müssen als strategische Entscheidung behandelt werden und dürfen nicht an einzelne Anwendungsfälle gekoppelt sein.

Ein Mehrwert aus KI-Projekten kann bisher bei wenigen Unternehmen gemessen werden, jedoch trägt die Implementierung von KI-Anwendungen auch zur Datenqualität und -integrität des Unternehmens bei. Die Integration von Mitarbeiterwissen in das Projekt kann das Fehlen von Daten ausgleichen. Dies ist besonders für KMU mit kleiner Datengrundlage von Bedeutung. Zusätzlich zur innerbetrieblichen Expertise ist es von Vorteil, externe Unterstützung heranzuziehen.

Das könnte Sie auch interessieren:

Wie Daten das produzierende Gewerbe nach vorne bringen

Sensoren und Künstliche Intelligenz für den 3D-Druck

Cloud – so gelingt der Schritt in die digitale Zukunft

Maschinelles Lernen unterstützt die Qualitätskontrolle