Künstliche Intelligenz zur Umsetzung von Industrie 4.0 im Mittelstand - Leitfaden zur Expertise des Forschungsbeirats der Plattform Industrie 4.0
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
FORSCHUNGSBEIRAT Leitfaden zur Expertise des Forschungsbeirats der Plattform Industrie 4.0 Künstliche Intelligenz zur Umsetzung von Industrie 4.0 im Mittelstand
Impressum Herausgeber Forschungsbeirat der Plattform Industrie 4.0 / acatech – Deutsche Akademie der Technikwissenschaften Projektbüro acatech – Deutsche Akademie der Technikwissenschaften Geschäftsstelle Karolinenplatz 4 80333 München Autorinnen und Autoren Institut für Produktionsmanagement, Technologie und Werkzeugmaschinen (PTW) an der Technischen Universität Darmstadt: Prof. Dr.-Ing. Joachim Metternich, Tobias Biegel, Beatriz Bretones Cassoli, Felix Hoffmann, Nicolas Jourdan, Jannik Rosemeyer, Patrick Stanula, Amina Ziegenbein Koordination Dr. Anna Frey, acatech Plattform Industrie 4.0 acatech – Deutsche Akademie Lisa Hubrecht, acatech der Technikwissenschaften Simon Litsche, acatech Redaktion und Lektorat Karola Klatt, Berlin Gestaltung und Produktion PRpetuum GmbH, München Bildnachweis Adobe Stock/ Blue Planet Studio (Titel) Abbildungen: PTW der TU Darmstadt, Laserline GmbH, Polierscheibenfabrik Spaeth e. K., Arno Arnold GmbH, Sensitec GmbH, b_digital UG, OmegaLambdaTec GmbH, WZL RWTH Aachen Stand August 2021
Der Forschungsbeirat der Plattform Industrie 4.0 berät als strategisches und unabhängiges Gremium die Plattform Industrie 4.0, ihre Arbeitsgruppen und die beteiligten Bundesminis terien, insbesondere das Bundesministerium für Bildung und Forschung (BMBF). Als Sensor von Entwicklungsströmungen beobachtet und bewertet der Forschungsbeirat die Leistungsprofilentwicklung von Industrie 4.0 und versteht sich als Impulsgeber für künftige Forschungsthemen und Begleiter beziehungsweise Berater zur Umsetzung von Industrie 4.0. Dabei konzentriert sich der Forschungsbeirat inhaltlich auf folgende Themenfelder im Kontext von Industrie 4.0: • Wertschöpfungsnetzwerke • Technologische Wegbereiter • Neue Methoden und Werkzeuge • Arbeit und Gesellschaft Hier setzen die Expertisen des Forschungsbeirats an. Vor dem Hintergrund der Themenfelder werden klar umrissene Problemstellungen aufgezeigt, Forschungs- und Entwicklungsbedarfe definiert und Handlungsoptionen für eine erfolgreiche Gestaltung von Industrie 4.0 abgeleitet. Die Expertisen liegen in der inhaltlichen Verantwortung der jeweiligen Autorinnen und Autoren. Alle bisher erschienenen Publikationen des Forschungsbeirats stehen unter www.acatech.de/projekt/forschungsbeirat-industrie-4-0/ zur Verfügung.
2
Inhalt
1 Einleitung..................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................3
2 Haupterkenntnisse der begleitenden Expertise.................................................................................................................................................................................................................................................................................................................................................4
3 SWOT-Analyse............................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................5
4 Leitfaden zur erfolgreichen Einführung von KI im Produktionsumfeld.............................................................................................................................................................................................................................6
5 Best Practice-Beispiele................................................................................................................................................................................................................................................................................................................................................................................................................................................................ 14
6 Zusammenfassung.................................................................................................................................................................................................................................................................................................................................................................................................................................................................................. 20
Abbildungen............................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................... 22
Literatur................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................... 21
Autorinnen und Autoren..................................................................................................................................................................................................................................................................................................................................................................................................................................................... 23
Befragte Expertinnen und Experten................................................................................................................................................................................................................................................................................................................................................................................................ 23
Mitglieder des Forschungsbeirats............................................................................................................................................................................................................................................................................................................................................................................................................ 24
L E I T FA D E N : K I Z U R U M S E T Z U N G V O N I N D U S T R I E 4 . 0 I M M I T T E L S TA N D 3
1 Einleitung
Mehr als 65 Jahre nachdem die Bezeichnung Künstliche telt Bitkom Research in einer Umfrage von 2020 für den
Intelligenz erstmalig verwendet wurde1, zeigt sich vor allem deutschen Markt.8 Bitkom hebt unter anderem hervor, dass
in den letzten Jahren ein starker Anstieg der Anwendung die Einstellung gegenüber KI auch von der Unternehmens-
von KI-Lösungen in Forschung und Unternehmenspraxis.2 größe abhängig sei: Je kleiner die Unternehmen wären, desto
Dieser ist unter anderem bedingt durch schnellere Hard- kritischer ständen sie KI-Technologien gegenüber.
waresysteme und die gesteigerte Verfügbarkeit von Daten.3
Es ist zu erwarten, dass die Kombination von Daten, Algo- Doch auch für kleine und mittlere Unternehmen (KMU)
rithmen und Rechenleistung bestehende Wertketten effizi- können KI-Anwendungen effizienzsteigernd wirken oder
enter gestaltet und traditionelle Abläufe durch neue ersetzt. neue Leistungen ermöglichen und damit eine Schlüssel-
Dies ist insbesondere in den produktionsunterstützenden technologie sein, um Wettbewerbsvorteile zu erlangen.9 Als
Bereichen (Qualitätsmanagement, Instandhaltung und Katalysator dient die in den letzten Jahren zunehmende Ver
Arbeitsvorbereitung) zu erwarten. Darüber hinaus erlauben breitung cyber-physischer Systeme im Rahmen von Indust-
KI-Technologien neue Anwendungen und Dienstleistungen rie 4.0. Immerhin, so zeigt eine Publikation des Forschungs-
und weisen damit ein hohes Disruptionspotenzial auf. So beirats der Plattform Industrie 4.0, ist das Thema Industrie
erlauben KI-Technologien Erweiterungen des Produktleis- 4.0 in KMU Gegenstand vieler aktueller Projekte.10 Im Kon-
tungsspektrums und ermöglichen neue Geschäftsmodelle. trast zu großen Unternehmen (GU) weist die Wertschöp-
Werden diese Möglichkeiten zielgerichtet genutzt, dann fungsstruktur von KMU jedoch einige Besonderheiten auf.
versprechen KI-Anwendungen große Potenziale für Unter- Kleinere Stückzahlen und eine höhere Produktindividuali-
nehmen und ganze Wirtschaftsstandorte. Für das deutsche tät erschweren Lern- und Skaleneffekte. Gleichzeitig stehen
Bruttoinlandsprodukt prognostiziert die Unternehmensbe- weniger Ressourcen – ob finanzieller oder personeller Art –
ratung PricewaterhouseCoopers GmbH (PwC) beispielsweise zur Verfügung, sodass Unternehmensleitungen von KMU
eine Steigerung von 11,3 Prozent oder 430 Milliarden Euro insbesondere bei risikobehafteten Projekten vor der Frage-
bis 2030 durch den Einsatz von KI.4 stellung stehen, ob sich durch diese ein unmittelbarer Mehr-
wert für den Kunden oder für das eigene Geschäft bietet.11
KI-Systeme sind heutzutage bereits in einer Vielzahl von
Anwendungen im praktischen Einsatz – ob sichtbar oder Mit dem vorliegenden Leitfaden soll mittelständischen Un
unsichtbar. Für produzierende Unternehmen bietet sich ternehmen die grundlegenden Schritte zur Einführung und
der Einsatz KI-basierter Anwendungen beispielsweise in Umsetzung von KI-Technologien aufzeigt werden. Der Leit-
Form einer selbststeuernden Lagerüberwachung, einer selbst faden stellt Rahmenbedingungen zur erfolgreichen Einfüh-
lernenden Qualitätsüberwachung, eines automatisierten rung von KI-Anwendungen im produzierenden Mittelstand
Erstellens von Prozessmodellen und des Durchführens von dar. Zu Beginn des Leitfadens wird eine SWOT-Analyse durch-
Ursachenanalysen an.5 Obwohl die Machbarkeit dieser geführt, die die verschiedenen relevanten Aspekte von KI-
Anwendungen in einer Vielzahl von Forschungsprojekten Technologien aus Sicht des produzierenden Mittelstandes
bereits nachgewiesen ist und erste marktfähige Produkte systematisch aufarbeitet. Die hierin dargestellten Aspekte
erhältlich sind, legt die Unternehmenspraxis ihren Fokus basieren auf einer vorangegangenen Studie des Forschungs-
auf die Auswertung von Daten mit dem Ziel, ihre Produkte beirats der Plattform Industrie 4.0 (gefördert vom Bundes-
aufzuwerten, den Kundenservice zu verbessern und das ministerium für Bildung und Forschung, beauftragt von
Marketing zielgerichteter und aufwandsärmer zu gestalten.6 acatech – Deutsche Akademie der Technikwissenschaften),
welche von Mitarbeiterinnen und Mitarbeitern des Instituts
Wenngleich die Erwartungen an KI-Anwendungen groß sind, für Produktionsmanagement, Technologie und Werkzeug-
entspricht die wirtschaftliche Nutzung bei Weitem nicht maschinen (PTW) der TU Darmstadt und mit Unterstützung
dieser Erwartungshaltung. Nach einer globalen Studie der des VDMA durchgeführt wurde.12 Anschließend beleuchtet
Boston Consulting Group (BCG) aus dem Jahr 2017 verspre- der Leitfaden sowohl geschäftsmodellrelevante, organisato-
chen sich zwar 85 Prozent der befragten Expertinnen und rische als auch technische Aspekte bei der Einführung von
Experten Potenziale durch KI-Anwendungen, doch lediglich KI-Technologien. Praktische Beispiele aus der Industrie
rund 5 Prozent der Unternehmen haben entsprechende ergänzen den Leitfaden abschließend inhaltlich um ein rea-
Anwendungen bereits im Einsatz.7 Ein ähnliches Bild ermit- litätsnahes Bild.
1 Vgl. McCarthy et al. 2006. 7 Vgl. MIT Sloan Management Review and BCG 2017.
2 Vgl. Web of Science 2021. 8 Vgl. Bitkom 2020.
3 Vgl. Russell et al. 2016, S. 27. 9 Vgl. Lundborg/Märkel 2019.
4 Vgl. PwC 2018. 10 Vgl. Forschungsbeirat/acatech 2019a.
5 Vgl. Hatiboglu et al. 2019. 11 Vgl. Pfohl et al. 2021, S. 158-159.
6 Vgl. Bauer et al. 2019, S. 31. 12 Vgl. Forschungsbeirat/acatech 2021.
4 L E I T FA D E N : K I Z U R U M S E T Z U N G V O N I N D U S T R I E 4 . 0 I M M I T T E L S TA N D
2 Haupterkenntnisse der begleitenden
Expertise
Die Expertise wirft ein Schlaglicht auf den Einsatz von KI in Da KMU die Potenziale des Einsatzes von KI-Lösungen
produzierenden KMU. Sie untersucht den Umfang der einge- durchaus realisieren, sollten die identifizierten Hemmnisse
setzten KI-Lösungen sowie Potenziale und Hemmnisse einer entsprechend adressiert werden, um die Verbreitung von KI
Ausweitung des KI-Einsatzes. Als Basis des Vergleichs dienen im deutschen Mittelstand weiterzuentwickeln. Während
dabei große Unternehmen, die ebenso befragt wurden. die Förderinitiativen zur KI-Entwicklung bundesweit im
Rahmen der KI-Strategie der Bundesregierung in den letz-
Es überrascht nicht, das KMU KI insgesamt weniger einset- ten Jahren deutlich erweitert wurden, gibt es dennoch
zen als GU, sowohl in internen als auch externen Prozessen. Potenziale im Bereich von Erfahrungsaustausch und Pra-
Bemerkenswert ist dennoch das Ausmaß, in dem KMU im xisbezug sowie Qualifizierung im Mittelstand. Um diesen
Rückstand sind. Eine wichtige Erkenntnis ist es, dass in vie- zu begegnen, sollen auch zukünftig flankierende Förder-
len KMU die digitalen Grundlagen für den Einsatz von KI maßnahmen, wie bspw. die Mittelstand 4.0-Kompetenzzent-
schlicht noch nicht geschaffen wurden. Während große Un ren, angeboten werden. Diese Art der Förderung bietet –
ternehmen hier bereits Fortschritte aufgrund umfassender über konkret beantragte Förderprojekte hinaus – den
Digitalisierungsmaßnahmen gemacht haben, die eine auto- Vorteil, dass fehlende Kompetenzen im Unternehmen
matisierte Datenaufnahme ermöglichen, erfolgt die Daten identifiziert, kurzfristig durch Expertinnen und Experten
erfassung in KMU häufig immer noch manuell. KI-Initia überbrückt und anschließend durch langfristige Maßnah-
tiven in KMU – egal welcher Art – müssen daher meist auch men wie Neueinstellung oder Weiterbildung zielgerichtet
mit dem Schaffen einer digitalen Infrastruktur verbunden adressiert werden können. Soll KI im Mittelstand in der
sein. Problematisch sind vor allem die signifikanten Unter- Breite zur Anwendung kommen, braucht es eine Plug-and-
schiede in den Bereichen der strategischen Verankerung und Play-Hardware, die bereits mit leicht konfigurierbaren
der Wahrnehmung von Chancen durch KI für das eigene Algorithmen ausgestattet ist. Die Notwendigkeit einer
Geschäftsmodell. Denn hierin liegt die Gefahr, dass Markt- erklärungsarmen, leicht verständlichen KI, die ohne erwei-
chancen nicht erkannt oder Bedrohungen nicht wahrge- terte programmiertechnische Kenntnisse auf einen Anwen-
nommen werden. Konsequenterweise priorisieren KMU dungsfall angepasst werden kann, wird von vielen der
auch deutlich seltener einen systematischen Kompeten- befragten Expertinnen und Experten hervorgehoben. Dar-
zaufbau in ihren Belegschaften zum Thema KI. über hinaus kann forschungsseitig das Problem weniger
beziehungsweise mangelhafter Daten durch die Entwick-
Hervorzuheben ist die Tatsache, dass Unternehmen, die lung datenarmer KI oder synthetischer Daten adressiert
bereits KI-basierte Anwendungen im Einsatz haben – dar- werden. Die praxisnahe Forschung im ingenieurwissen-
unter auch einige wenige KMU – von sehr positiven Erfah- schaftlichen Bereich kann dies leisten und stellt ein wichti-
rungen berichten. Dort wo KI angewendet wird, erzeugt sie ges Bindeglied zwischen der Entwicklung abstrakter Algo-
mehrheitlich einen wirtschaftlichen Nutzen. Bemerkens- rithmen und dem Einsatz in der produzierenden Praxis dar.
wert ist auch die Erkenntnis, dass viele Unternehmen neue Diese Brücke zu schlagen, ist das definierte Ziel aktueller
KI-Anwendungen in einer Pilotierungsphase haben. Es wird und zukünftiger Produktionsforschung.
spannend sein zu beobachten, wie sich dies in den kom-
menden Jahren in Prozessen und Produkten niederschlägt.
L E I T FA D E N : K I Z U R U M S E T Z U N G V O N I N D U S T R I E 4 . 0 I M M I T T E L S TA N D 5
3 SWOT-Analyse
Die durchgeführte SWOT-Analyse betrachtet aus Perspek- im Umfeld identifiziert und analysiert.14 In einer Matrix
tive der KMU systematisch die verschiedenen relevanten werden anschließend die internen Stärken und Schwächen
Aspekte von KI im Kontext von Industrie 4.0. Das SWOT- und die externen Chancen und Risiken miteinander kon-
Framework (Strengths, Weaknesses, Opportunities and Thre- frontiert, um strategische Handlungsoptionen zu erken-
ats; auf Deutsch: Stärken, Schwächen, Chancen und Risiken) nen.15 Die SWOT-Matrix (Abbildung 1) zeigt beispielhaft
wird als Hilfsmittel für die Strategieformulierung und Ent- auf, wie Stärken zur Nutzung von Chancen und zur Abwehr
scheidungsfindung des Managements verwendet.13 Die von Risiken eingesetzt werden können. Zudem wird ermit-
SWOT-Analyse listet die Stärken und Schwächen einer telt, wie der Abbau von Schwächen zur Nutzung von Chan-
Organisation auf, indem sie ihre Ressourcen und Fähigkei- cen und zur Vermeidung von Risiken erfolgen kann.
ten analysiert. Gleichzeitig werden Chancen und Risiken
Abbildung 1: SWOT-Matrix zur Nutzung von KI im Mittelstand
Chancen Risiken
• Produkt als Kommunikationsplattform • Fehlendes Bewusstsein für Einsatzmög-
mit dem Kunden nutzen lichkeiten von KI führt zur Vernachlässi-
• Vernetzte Produkte als Datenlieferanten gung bei strategischer Planung
einsetzen • Fehlende KI-Aktivität birgt Gefahr, dass
• Wertsteigernde, datenbasierte Dienstleis- Anschluss an GU und Mitbewerber aus
tungen anbieten dem Ausland verloren wird
• KI in internen Schlüsselprozessen der
• KI wird nicht als Kernkompetenz angese-
Wertkette gezielt einsetzen hen, sodass kein Aufbau von internem
Know-how stattfindet
Stärken Einsatz von Stärken zur Nutzung von Einsatz von Stärken zur Abwehr von Risiken
• Umfangreiches Domänenwissen und Chancen KMU haben kurze Entscheidungswege, sind fle-
Produkt-Know-how in KMU KMU haben tiefes Domänenwissen (v. a. über xibel und schnell in der Umsetzung. Im lokalen
Produkttechnologie und Wirkzusammenhänge) Ökosystem aus Hochschulen, Technologiepart-
• Gutes Verständnis von Kundenanforde- nern und Fördermittelgebern sollten Leuchtturm
und einen intensiven Kundenkontakt. Dieses
rungen und -problemen Wissen ist zu verwenden, um KI für die Steige- projekte rasch umgesetzt werden, um Erfahrung
• Große Kompetenz in der Erstellung rung des Produktnutzens einzusetzen bzw. zu sammeln und die Machbarkeit zu prüfen. Die
individueller Lösungen Kunden neue Problemlösungen zu bieten. Übertragbarkeit auf das eigene Unternehmen,
wird durch die hohe Produkt- und Technologie-
• KMU haben kurze Entscheidungswege.
kompetenz unterstützt.
Sie sind flexibel und schnell in der Umset-
zung
Schwächen Abbau der Schwächen zur Nutzung von Abbau der Schwächen zur Vermeidung von
• Fehlendes KI-Know-how und fehlende Chancen Risiken
Fachkräfte im Unternehmen Datenverfügbarkeit ist eine Grundvorausset- Das Know-how zum komplexen Zusammenspiel
zung des Einsatzes von KI. Kurzfristig sollten von Prozessen, Sensorik, digitaler Technologie
• Mangelnde Datenbasis/Datenqualität
KI-Lösungen bevorzugt werden, die im Paket und KI-Methoden ist in vielen KMU eher schwach
erschwert den Einsatz von KI-Algorith- mit der IT-Lösung angeboten werden. Wird KI ausgeprägt. Daher sind KI-Projekte zum Kompe-
men als strategisches Thema vertieft, ist eine eigene tenzaufbau bei den eigenen Beschäftigten zu nut-
• Unzureichende digitale Infrastruktur IT-Infrastruktur aufzubauen, um langfristig zen. Ein Zukauf bietet nicht die Voraussetzung,
eigene KI-Anwendungen zu betreiben und ihre KI-Lösungen aus eigener Kraft zu betreiben und
Weiterentwicklung zu ermöglichen. weiterzuentwickeln. Wird KI als strategisches Ins-
trument gesehen, sollten Kompetenzen durch
Einstellung von Experten oder Weiterbildung auf-
gebaut werden.
Quelle: eigene Darstellung
13 Vgl. Pickton/Wright 1998.
14 Vgl. Helms/Nixon 2010.
15 Vgl. Sarsby 2016.6 L E I T FA D E N : K I Z U R U M S E T Z U N G V O N I N D U S T R I E 4 . 0 I M M I T T E L S TA N D
4 Leitfaden zur erfolgreichen Einführung von
KI im Produktionsumfeld
Die geringe Verbreitung von KI-Anwendungen in KMU ist und zeigt dabei grundlegende Schritte sowie die notwendi-
in vielen Fällen der fehlenden Orientierung seitens der gen Erwägungen und Kompetenzen bei der Durchführung
Unternehmensleitung auf dem Themengebiet geschuldet. von KI-Projekten auf. Eine strukturierte Vorgehensweise
Ein verhältnismäßig niedriger Digitalisierungsgrad sowie bei der Einführung neuer Technologien in produzierenden
mangelnde Kompetenzen im Umgang mit KI können zu Unternehmen gilt als Schlüsselfaktor für deren Erfolg. Die
dem als verstärkende Faktoren für das unzureichende Besonderheit von KI-Anwendungen im Produktionsumfeld
Bewusstsein über den Nutzen von KI-Anwendungen in der liegt im hohen Grad der Interdisziplinarität bei der Zusam-
Produktion und dem damit verbundenen Aufwand angese- menarbeit der Beteiligten sowie im hohen Bedarf an strate-
hen werden. Die daraus resultierende, fehlende Einbindung gischen Ressourcen für die Umsetzung und den Betrieb.16
von KI in die strategische Unternehmensplanung birgt die Besonders für KMU gilt es daher zunächst abzuwägen, für
Gefahr, dass KMU zunehmend den Anschluss im in- und welche Anwendungsfälle in der Produktion ein Einsatz
ausländischen Wettbewerb verlieren. Ein erster Schritt zur sinnvoll ist (siehe Breakout-Kasten a).
breiteren Akzeptanz und schnelleren Verbreitung von KI in
KMU ist es also, die Führungskräfte für diese Technologie Nachfolgend wird modellhaft ein Vorgehen dargestellt, das
zu sensibilisieren. Nur durch entsprechende Bekenntnisse auf Grundlage der praktischen Erfahrungen aus Forschungs-
und das Hinzufügen von KI zu den Kernkompetenzen eines und Industrieprojekten am PTW entwickelt wurde.17 Mit-
Unternehmens kann nachhaltig internes Know-how im hilfe dieses Modells können geeignete Problemstellungen
Unternehmen aufgebaut und somit die Wettbewerbsfähig- identifiziert und durch Anwendung von KI gelöst werden
keit verbessert werden. Vor allem aufgrund der starken (siehe Abbildung 2). Dabei handelt es sich um einen drei
Produkt- und Dienstleistungsorientierung der KMU kommt stufigen Prozess, für den mehrere Ausfallpunkte definiert
KI ein hoher Stellenwert in Bezug auf ihre Zukunftsfähig- sind. An diesen Ausfallpunkten wird unter anderem geprüft,
keit zu. ob eine Anwendung von KI aus technischer und finanzieller
Perspektive möglich ist. Der Prozess teilt sich in die Stufen
Der folgende Leitfaden richtet sich im Besonderen an das Problemselektion, Lösungsentwurf und Lösungsentwick-
Führungspersonal in KMU des Maschinen- und Anlagen- lung auf. Ausgangspunkt ist eine Menge zuvor identifizierter,
baus (zum Beispiel Geschäftsführung, Abteilungsleitung) unternehmens- oder kundenspezifischer Probleme sowie
KI-geeignete Probleme und strategische Ressourcen (Breakout-Kasten a)
Ein KI-geeignetes Problem liegt vor, wenn es
• wirtschaftlich relevant ist (entweder aus Effizienz- oder aus Marktperspektive),
• nicht durch klassische modell- oder wissensbasierte Verfahren gelöst werden kann,
• durch Daten messbar und damit quantifizierbar ist,
• Hypothesen über Wirkzusammenhänge zwischen Prozessverhalten und Prozessergebnis gibt, sodass dieses Problem
mithilfe eines mathematischen Modells gelöst werden kann, das auf problemspezifischen Daten trainiert wird.
Analog zu anderen Technologien des Internet of Things (IoT) ist die Anwendung von KI in einem Unternehmen gekenn-
zeichnet durch entsprechende infrastrukturelle Anforderungen. Für die notwendige Datenaufnahme, -speicherung und -ver-
arbeitung muss eine geeignete digitale Infrastruktur vorhanden sein oder geschaffen werden. Dies kann entweder in Eigen-
leistung erfolgen oder mittels geeigneter Partnerunternehmen aus dem IoT- beziehungsweise KI-Bereich. Trotz sinkender
Kosten für die Datenspeicherung und -verarbeitung ist der Aufbau einer ganzheitlichen Infrastruktur für den industriellen
Bereich weiterhin mit einem erheblichen finanziellen und zeitlichen Aufwand verbunden. Entsprechende Planungen sollten
daher auf strategischer Ebene erfolgen.18
16 Vgl. Stanula et al. 2018.
17 Vgl. Biegel et al. 2021.
18 Vgl. Kaufmann/Servatius 2020.L E I T FA D E N : K I Z U R U M S E T Z U N G V O N I N D U S T R I E 4 . 0 I M M I T T E L S TA N D 7
Abbildung 2: Prozess von der Problemauswahl bis zur Lösungsimplementierung
1. Problemselektion 2. Lösungsentwurf 3. Lösungsentwicklung
2.1 Problemverständnis 3.1 Projektdefinition
und Anforderungsliste 3.2 Datenaufnahme und -verständnis
2.2 Soll-Zustand und 3.3 Prototyping
Soll-Ist-Vergleich 3.4 Umsetzung
Projektteam
Komplexität
2.1 2.2 3.1 3.2 3.3 3.4
Probleme
KI-Lösung
Relevanz
Gate 1: KI-Eignung Gate 2: Finanzielle Bewertung
Quelle: eigene Darstellung
ein interdisziplinäres Projektteam (siehe Breakout-Kasten b), gen. Ziel der Problemselektion ist es, die vorhandenen Pro-
das den Prozess gemeinsam durchläuft. duktions- oder Kundenprobleme hinsichtlich unterschied-
licher Kriterien (unter anderem Relevanz und Komplexität)
Die Problemselektion leitet den Prozess ein. Aufgrund der gegeneinander abzuwägen und schließlich auf eine Prob-
geringen Verfügbarkeit von Informationen zu Beginn eines lemstellung zu reduzieren. In der anschließenden Phase des
KI-Vorhabens ist diese Phase geprägt durch ein hohes Maß Lösungsentwurfs wird der vorhandene Ist-Zustand visuali-
an Unsicherheit bezüglich der zu treffenden Entscheidun- siert und ein möglicher Soll-Zustand entworfen.
Projektteam (Breakout-Kasten b)
Das Ziel bei der Zusammenstellung eines Projektteams ist es, geeignete Kräfte zu identifizieren und die Verantwortlichkei-
ten hervorzuheben, die jede Person während des Projekts übernimmt. Dabei werden folgende Rollen unterschieden19,
wobei es möglich ist, dass eine Person mehr als eine Rolle übernehmen kann: Der/die Projektsponsor/-sponsorin sorgt
dafür, dass das Projekt über genügend Ressourcen und Sichtbarkeit innerhalb des Unternehmens verfügt und stellt sicher,
dass es mit der Strategie des Unternehmens konform ist. Aufgrund der hierfür benötigten Führungs- und Entscheidungs-
kompetenz sollte diese Person Teil des Top-Managements sein.20
Der/die Domänenexperte/-expertin arbeitet produktionsnah und ist mit dem Betrieb, den Prozessen und dem Anwen-
dungsfall vertraut. Diese Person ist verantwortlich für die Erläuterung des Anwendungsfalls und die Identifizierung relevan-
ter Datenquellen. Letztendlich bringt sie die Hypothesen über Zusammenhänge in das Projekt ein. Dadurch kann der/die
Data Scientist deutlich zielgerichteter vorgehen.21
Der/die Data Scientist kann Daten für Geschäftsentscheidungen untersuchen und kennt Datenanalysemethoden und deren
Einsatzmöglichkeiten. Diese Person verfügt über Kenntnisse zur Implementierung von Algorithmen, ist auf dem neuesten
Stand der Forschung und kann Ideen aus akademischen Veröffentlichungen umsetzen.
Der/die Softwareingenieur/-ingenieurin ist für die Operationalisierung des KI-Modells verantwortlich. Diese Person kennt
die IT-Infrastruktur des Unternehmens und verfügt über Kenntnisse in den Bereichen API-Entwicklung, Webentwicklung
und Cloud-Computing. Sie erfüllt außerdem die Rolle des Bindeglieds zur IT-Abteilung. Die IT-Abteilung übernimmt wich-
tige Supportaufgaben bezüglich der Umsetzung und des Betriebs der KI-Lösung.
19 Vgl. Bretones Cassoli et al. 2021. 21 Vgl. Roscher et al. 2020.
20 Vgl. MIT Sloan Management Review and BCG 2019.8 L E I T FA D E N : K I Z U R U M S E T Z U N G V O N I N D U S T R I E 4 . 0 I M M I T T E L S TA N D
Durch Gegenüberstellung der beiden Zustände werden Die Relevanz einer Problemstellung kann anhand
notwendige Maßnahmen identifiziert und eine finanzielle
• monetärer Effekte, wie zum Beispiel Höhe des Einspar-
Bewertung ermöglicht. Im Falle einer positiven Bewertung
beziehungsweise Gewinnpotenzials, oder
wird der Lösungsentwurf in der abschließenden Phase der
Lösungsentwicklung bearbeitet. Ziel ist hier, nach Durchlau- • nichtmonetärer Effekte, beispielsweise Differenzierungs-
fen der Entwicklungsschritte, die resultierende Lösung merkmale im Markt,
umzusetzen. gesteigert werden. Für die Ermittlung der beiden Dimensi-
onen bieten sich bewährte Methoden wie die Nutzwertana-
1. Problemselektion lyse an. Zur Gegenüberstellung können die so bewerteten
Problemstellungen in einer Portfoliomatrix eingeordnet
Zu Beginn der Problemselektion werden die identifizierten werden. In Abbildung 3 sind zwei Probleme beispielhaft in
Problemstellungen des Unternehmens hinsichtlich ihrer der Matrix eingetragen, sowohl die prozessparallele Quali-
Relevanz und Komplexität bewertet und klassifiziert. tätssicherung als auch die Restlebensdaueranzeige besitzen
Als treibende Faktoren für die Komplexität gelten in diesem eine hohe Relevanz. Das Letztere weist im Beispiel eine
Kontext geringere Komplexität auf, da Zusammenhänge bekannt
• die Anzahl der Beteiligten, sind und die erforderlichen Daten bereits erfasst werden. In
diesem Beispiel ist das Vorhaben mit einer hohen Relevanz
• die notwendigen Ressourcen,
bei gleichzeitig geringer Komplexität zu priorisieren. Vor-
• das erforderliche Maß an Interdisziplinarität zur Lösung haben mit geringer Relevanz und hoher Komplexität soll-
des Problems und ten vermieden werden.
• die Komplexität der Datenbeschaffung.
Abbildung 3: Portfoliomatrix für die Problemselektion
Beispiel: Prozessparallele Qualitätssicherung
Hohe Komplexität:
• Mehrere Abteilungen sind involviert
• Datenspeicherkonzept fehlt
hoch
• Interdisziplinäres Team
• Maschinen sind nicht vernetzt
Komplexität
Hohe Relevanz:
• Einsparpotenziale durch automatisierte
Prozesse in der Qualitätssicherung
• Kunden höhere Qualität garantieren
Beispiel: Restlebensdaueranzeige an Komponente
gering
Geringe Komplexität:
• F&E/Konstruktion
• Steuerung nimmt Daten bereits auf
• Bekanntes, eingespieltes Team
gering hoch
• Datenquellen sind bekannt und bereits vernetzt
Hohe Relevanz:
Relevanz • Höheres Gewinnpotenzial
• Differenzierung am Markt
Probleme:
hohe Relevanz und geringe Komplexität
geringe Relevanz und hohe Komplexität
hohe Relevanz und hohe Komplexität
(geringe Relevanz und geringe Komplexität)
Quelle: eigene DarstellungL E I T FA D E N : K I Z U R U M S E T Z U N G V O N I N D U S T R I E 4 . 0 I M M I T T E L S TA N D 9
Gate 1: KI-Eignung einer Anforderungsliste erfasst. Auf der Grundlage der
erkannten Ursache-Wirkungs-Zusammenhänge lässt sich
Im weiteren Verlauf des Prozesses muss geprüft werden, ob die Erfüllbarkeit funktionaler und infrastruktureller Anfor-
eine so priorisierte Problemstellung für die Anwendung derungen überprüfen.
von KI-Methoden geeignet ist. Bei dieser Bewertung sind
• Funktionale Anforderungen:
folgende Kriterien zu beachten.
✓ Kundenanforderungen (intern/extern) sind definiert
und können erfüllt werden
• Grundlegende organisatorische Voraussetzungen:
✓ Finanzieller Nutzen ist vorhanden
✓ Prozessstandards sind beschrieben
✓ KI-Anwendung liefert absehbar ausreichende Güte
✓ Normalzustand ist beschreibbar
✓ Unternehmensinterne Leistungskennzahlen – Overall
• Rechtliche Aspekte: Equipment Effectiveness (OEE), Return on Invest-
✓ Datenschutz kann gewährleistet werden ment (ROI) und andere – werden erfüllt
✓ Vertragliche Vereinbarungen, beispielsweise zum
• Infrastrukturelle Anforderungen:
Recht an den Daten, können festgelegt werden
✓ Notwendige technische Infrastruktur ist definiert
• Technische und infrastrukturelle Voraussetzungen: ✓ Ressourcen für den Betrieb der KI-Anwendung sind
✓ Datenerfassung ist im Problemkontext möglich vorhanden oder können beschafft werden
✓ Technische Infrastruktur zur Erhebung, Speicherung
und Verarbeitung von Daten ist vorhanden oder 2.2 Soll-Zustand und Soll-Ist-Vergleich
kann implementiert werden
✓ Defizite in der digitalen Infrastruktur sind kompen- Der Schritt Soll-Zustand und Soll-Ist-Vergleich ermöglicht
sierbar eine Übersicht über die notwendigen Maßnahmen hin-
✓ Problemrelevante Daten sind in ausreichender Menge sichtlich Datenfluss, Schnittstellen und Ressourcen zur
generierbar Lösung der vorhandenen Problemstellung mit KI. Zur
strukturierten Abbildung des Ist-Zustands und der Erarbei-
• Alternative Lösungen:
tung des Soll-Zustands bietet sich die Verwendung eines
✓ Problem ist nicht durch konventionelle Ansätze
Visualisierungstools an (siehe Breakout-Kasten c). Hierbei
technisch und/oder wirtschaftlich lösbar
soll das Bewusstsein des Projektteams dafür geschärft wer-
2. Lösungsentwurf den, wie die einzelnen Elemente des betrachteten Systems
interagieren. Auf dieser Grundlage kann ermittelt werden,
Nach der Ermittlung einer geeigneten Problemstellung gilt welche Komponenten oder Veränderungen im Datenfluss
es, einen entsprechenden Lösungsentwurf zu entwickeln. notwendig sind, um die funktionalen und infrastrukturel-
Während des Entwurfsprozesses müssen mehrere aufein- len Anforderungen zu erfüllen. Es ist zu beachten, dass es
ander aufbauende Schritte durchlaufen werden, die sich unterschiedliche Lösungsmöglichkeiten geben kann, die zu
wie folgt aufteilen lassen: einem zufriedenstellenden Ergebnis führen, beispielsweise
die Auswahl von Sensoren oder Algorithmen des maschi-
• Aufbau eines tieferen Problemverständnisses und
nellen Lernens.
Erstellen einer Anforderungsliste
• Entwicklung des Soll-Zustands und Anstellen Gate 2: Finanzielle Bewertung
eines Soll-Ist-Vergleichs
Die so entwickelte Architektur muss schließlich noch einer
• Finanzielle Bewertung der notwendigen Maßnahmen
finanziellen Bewertung unterzogen werden. Ziel dieses
zur Erreichung des Soll-Zustands
Schritts ist es, den erwarteten Nutzen den anstehenden
Kosten gegenüberzustellen und zu entscheiden, ob das Pro-
2.1 Problemverständnis und Anforderungsliste
blem in die Lösungsentwicklungsphase übergeht. Mithilfe
Der Schritt Problemverständnis und Anforderungsliste bein- der bereits erlangten Kenntnisse ist es möglich, notwendige
haltet eine tiefergehende Analyse der betrachteten Prob- Investitionen abzuschätzen und zu ermitteln, ob sie im Ver-
lemstellung. Durch eine intensive Diskussion zwischen den hältnis zum erwarteten Nutzen angemessen sind. Hierzu
unterschiedlichen Anspruchsgruppen wird ein detailliertes bieten sich
Verständnis über die zugrundeliegenden Ursache-Wir- • Return on Investment (ROI),
kungs-Zusammenhänge erlangt. Hier ist vor allem das spe- • Amortisationszeit und
zifische Wissen der Domänenexpertinnen und -experten • Kapitalwert
relevant. Zur Erfassung der notwendigen Informationen an.
bietet es sich an, dass das KI-Team die Anforderungen in10 L E I T FA D E N : K I Z U R U M S E T Z U N G V O N I N D U S T R I E 4 . 0 I M M I T T E L S TA N D
Aufgrund der verbleibenden Unsicherheit zu diesem Zeit-
punkt der Planungsphase ist eine Pro-/Contra-Entschei-
dung stets auch von der Risikoaversion des Führungsperso-
nals abhängig.
Soll-Ist-Vergleich mit Zustandskarten (Breakout-Kasten c)
Zur Visualisierung der Ist- und Soll-Zustände wird ein Satz standardisierter Symbole verwendet, um Datenspeicher,
Ressourcen, Schnittstellen, Kunden, Datenfluss und Systemgrenzen zu identifizieren (siehe hierzu Abbildung 4):
• Der Datenspeicher repräsentiert jede Instanz, in der Daten gespeichert werden, zum Beispiel Datenbanken.
• Eine Ressource ist ein allgemeines und flexibles Symbol, das zur Darstellung von datenerzeugenden Quellen, wie
zum Beispiel Maschinen, verwendet wird.
• Die Schnittstelle stellt die Punkte im System dar, an denen eine Kommunikation und Interaktion mit infrastrukturellen
Ressourcen oder Endnutzerinnen und -nutzern erforderlich ist.
• Der Kunde repräsentiert die Endnutzerinnen und -nutzer, die mit der KI-Lösung interagieren und deren Ergebnisse
nutzen werden.
• Der Datenfluss zeigt den Austausch von Daten zwischen den Elementen des Systems.
• Die Systemgrenze grenzt das System ab und ermöglicht unter anderem die Unterscheidung zwischen lokalen und
externen Servern.
Abbildung 4: Zustandskarten-Symbole
Datenspeicher Ressource Schnittstelle Kunde Datenfluss Systemgrenze
Quelle: eigene Darstellung
Beispiele für Zustandskarten sind in Abbildung 5 und Abbildung 6 dargestellt. Sie ermöglichen die Visualisierung des
Ist-Zustands und der notwendigen Entwicklungen zum Erreichen des gewünschten Soll-Zustands, in dem die KI-Lösung
umgesetzt ist.L E I T FA D E N : K I Z U R U M S E T Z U N G V O N I N D U S T R I E 4 . 0 I M M I T T E L S TA N D 11
Abbildung 5: Ist-Zustand in der Zustandskarte
Daten werden gespeichert, aber nicht ausgewertet
Datenspeicher
Sensorwerte Sensorwerte
ungefiltert gefiltert
OPC UA-Server Maschine Dashboard Kunde
Quelle: eigene Darstellung
Ziel des Vorgehens ist es, den Soll-Zustand für die KI-Lösung auf Basis des Ist-Zustands und der im Problemverständnis
gesammelten initialen Anforderungen zu konzipieren. Das KI-Team identifiziert dabei, welche Komponenten notwendig
sind, um die im Problemverständnis abgeleiteten funktionalen und infrastrukturellen Anforderungen zu erfüllen. So müssen
Datenspeicher, Ressourcen (zum Beispiel Maschinen), Schnittstellen, Kunden, Datenflüsse und Systemgrenzen geändert,
entfernt oder hinzugefügt werden. Abbildung 6 zeigt ein Beispiel für einen Soll-Zustand eines cloudbasierten KI-Modells
für die vorausschauende Instandhaltung. Der Ist-Zustand in Abbildung 5 zeigt, dass Daten von einer Maschine erfasst, in
einem Dashboard angezeigt und in einem Datenspeicher bevorratet werden. Eine Verwendung für weitergehende Analysen
ist nicht vorgesehen. Im Soll-Zustand in Abbildung 6 werden zusätzliche Schnittstellen zur Implementierung einer Lösung
zur vorausschauenden Instandhaltung hinzugefügt. Das KI-Modell wird in der Cloud, außerhalb der Unternehmensserver,
gespeichert. Die Vorhersagen werden den Personen, die die Maschinen bedienen, in einem Dashboard angezeigt.
Abbildung 6: Soll-Zustand in der Zustandskarte
Außerhalb des Unternehmens
Logbücher für
Wartungs-
maßnahmen
Modell
Datenspeicher
Innerhalb des Unternehmens
Vorhersagen
Sensorwerte Sensorwerte
ungefiltert gefiltert
OPC UA-Server Maschine Dashboard Kunde
Quelle: eigene Darstellung12 L E I T FA D E N : K I Z U R U M S E T Z U N G V O N I N D U S T R I E 4 . 0 I M M I T T E L S TA N D
3. Lösungsentwicklung 3.1 Projektdefinition
Die Lösungsentwicklung hat zum Ziel, den Soll-Zustand zu In der Projektdefinition ordnet das Projektteam die funktio-
erreichen. Sie umfasst eine erste Projektdefinition, die nalen und infrastrukturellen Anforderungen den Projekt-
Datenaufnahme und das -verständnis, das Prototyping und meilensteinen zu. Die Ergebnisse der Projektdefinition sind
die Umsetzung. Jedem der vier Schritte werden Aufgaben in Abbildung 8 beispielhaft dargestellt.
zugeordnet, die das Projektteam abschließen muss. Die
Übersicht über die Lösungsentwicklung, inklusive einer
Checkliste der Aufgaben, ist in Abbildung 7 dargestellt.
Abbildung 7: Lösungsentwicklung bestehend aus vier Schritten inklusive Checkliste
1 Projektdefinition 2 Datenaufnahme 3 Prototyping 4 Umsetzung
und-verständnis
Projektsponsor/-in X X X X
Domänenexpert/-in X X X
Softwareingenieur/-in X X X
Data Scientist X X X X
Meilenstein 1: Meilenstein 2: Meilenstein 3: Meilenstein 4:
Projekt Kick-off Datensätze werden erzeugt Modell erfüllt Ziel-KPIs Modell ist umgesetzt
Abhängigkeiten sind klar
Projektteam versteht die Erfolgsversprechende Modell ist in die
Projektteam ist zusammengestellt
Domäne inkl. IT-Infrastruktur Algorithmen sind definiert IT-Infrastruktur integriert
Problem ist relevant und Notwendige Daten lassen sich Datenvorbereitung ist Modellanforderungen sind bei
Komplexität beherrschbar erfassen (Infrastruktur) abgeschlossen neuen Daten weiterhin erfüllt
(Testabschluss)
Datensätze lassen sich generieren, Modell erfüllt funktionale Überwachungs- und
Problem ist KI-geeignet
speichern und abrufen Anforderungen (Kennzahlen) Aktualisierungsstrategie
Explorative Erkenntnisse und Modell erfüllt weitere Bewertungs- ist implementiert
Alle Beteiligten verstehen
Abhängigkeiten der Daten lassen kriterien (z. B. Rechenzeit)
das Problem der Domäne
sich generieren
Anforderungen sind den Datenqualität kann Modell ist nach Training,
Meilensteinen zugeordnet Testen und Validierung für
die sichergestellt werden
die Umsetzung vorbereitet
Finanziell vorteilhafter
Soll-Zustand ist definiert
Quelle: eigene Darstellung
Abbildung 8: Beispielhafte Darstellung der Projektdefinition
Meilenstein 1: Meilenstein 3:
Projekt Kick-off Modell erfüllt die Ziel-KPIs
Vorhersagegenauigkeit der Restnutzungsdauer > 95 %
Meilenstein 2:
Daten können aufgenommen werden, Datensätze sind generiert, Ungeplante Ausfallzeiten werden um 50 % reduziert
Abhängigkeiten sind klar
Meilenstein 4:
Maschine ist mit erforderlichen Sensoren ausgestattet Modell ist umgesetzt
Sensoren sind mit einem Steuerungssystem verbunden Anwendung kann Daten in Echtzeit verarbeiten
Sensordaten können über die PCs abgerufen werden Modell ist leicht wartbar
Datensätze können mit den Sensordaten erstellt werden Anwendung bietet visuelle Darstellung an
Die Anwendung ist benutzerfreundlich
Quelle: eigene DarstellungL E I T FA D E N : K I Z U R U M S E T Z U N G V O N I N D U S T R I E 4 . 0 I M M I T T E L S TA N D 13
3.2 Datenaufnahme und Datenverständnis • Auswahl des besten Modells anhand von Bewertungs-
metriken sowie weiterer Faktoren (zum Beispiel Rechen-
Nach der Projektdefinition beginnen Datenaufnahme und zeit, Latenzzeit)
Datenverständnis. Dabei sind zwei Schritte zu berücksichti-
• Vorbereitung des ausgewählten Modells nach Training,
gen:
Testen und Validierung für die Umsetzung
• Domänenverständnis: Domänenexpertinnen und
• Das Prototyping sollte iterativ durchgeführt werden,
-experten erklären den Data Scientists den Prozess, die
zum Beispiel mit dem agilen Projektmanagementansatz
Datenquellen und Abhängigkeiten für die Definition der
(siehe Breakout-Kasten d).
IT-Infrastruktur (einschließlich der erforderlichen Sen-
sorik). Anschließend erfolgt die Datenerfassung.
3.4 Umsetzung
• Explorative Datenanalyse: Erste Erkenntnisse über die
Daten und ihre Qualität sind bekannt, Datensätze wer- Im Rahmen der Umsetzung wird folgendes Vorgehen vor-
den zusammengefasst, die Datenverteilung visualisiert, geschlagen:
Ausreißer identifiziert und behandelt.
• Integration des Modells in die IT-Infrastruktur: Das inte-
grierte Modell wird getestet und parallel ausgeführt.
3.3 Prototyping
• Abschluss des Testens, sobald das Modell neue, unbe-
Durch das Prototyping lässt sich feststellen, ob die verfüg- kannte Daten erhält und seine Ergebnisse genauso gut
baren Daten und entwickelten Modelle das Problem lösen sind wie diejenigen, die beim Prototyping erzeugt wur-
können. Hier ist folgendes Vorgehen sinnvoll: den.
• Vorauswahl von Algorithmen • Überwachung und Aktualisierung sind Aufgaben, die
während des laufenden Betriebs des Modells kontinuier-
• Durchführen der Datenvorbereitung
lich durchgeführt werden müssen.
• Bewerten der Modellierung sowie der ausgewählten
Algorithmen anhand der zuvor definierten Leistungs-
kennzahlen
Agiles Projektmanagement (Breakout-Kasten d)
Der agile Projektmanagement-Ansatz wird für das Prototyping und die Umsetzung aus zwei Hauptgründen empfohlen:
Erstens helfen die kurzen Iterationszyklen und klar definierten Ergebnisse, Risiken zu minimieren und mehrere Lösungs-
wege vorzusehen. Zweitens spart die direkte Kommunikation mit internen Partnern (zum Beispiel Domänenexpertinnen
und -experten) Zeit bei der Projektdokumentation und ermöglicht dem Team eine schnelle Anpassung an sich ändernde
Anforderungen.22 Der bekannteste agile Ansatz ist Scrum und nutzt kurze, sich wiederholende Iterationen (auch „Sprints“
genannt, die meist zwei Wochen dauern), um lange Entwicklungsprojekte zu untergliedern.23 Dies erlaubt ein schnelles
Feedback, einen intensiven Austausch zwischen Mitarbeitenden und eine übersichtliche, flexible Projektsteuerung, bei-
spielsweise durch Kanban-Boards.
Im Prototyping ist im agilen Ansatz darauf zu achten, dass die kreative Lösungsfindung nicht durch standardisierte und
strikt nach Zeit organisierte Sprints behindert wird. Dieser Schritt ist durch einen offenen Forschungscharakter gekenn-
zeichnet, in dem die Lösungsfindung großen Unsicherheiten unterliegt (beispielsweise unsichere Datenqualität oder
Aussagekraft vorhandener Daten).
22 Vgl. Cooper/Sommer 2018.
23 Vgl. Cervone 2011.14 L E I T FA D E N : K I Z U R U M S E T Z U N G V O N I N D U S T R I E 4 . 0 I M M I T T E L S TA N D
5 Best Practice-Beispiele
In diesem Abschnitt werden Beispiele für die erfolgreiche Die aufgeführten Projekte zeigen, dass der Fokus des Einsat-
Durchführung von KI-Projekten in KMU in Form von Steck- zes von KI in KMU auf eigenen Produkten und Dienstleis-
briefen dargestellt. Diese Erfolgsgeschichten illustrieren tungen liegt und resultierende Lösungen häufig noch nicht
sowohl identifizierte Hürden als auch Lösungsansätze. Die operativ etabliert sind. Ebenso bestätigt sich, dass eine
Projektdarstellungen wurden von den Projektbeteiligten mangelnde Datenbasis und nicht ausreichende Datenquali-
verfasst. Die Auswahl dieser Best Practice-Beispiele soll tät in vielen Projekten als Herausforderungen gesehen wur-
einen Einblick in die Vielfalt der Anwendungsbereiche von den. Auch wenn produzierende KMU in Deutschland noch
KI in KMU verschiedener Branchen bieten. Auch hinsicht- ein ganzes Stück von einem flächendeckenden KI-Einsatz
lich der Problemstellungen, der vertikalen Integration im entfernt sind, leben die vorgestellten Unternehmen vor,
Unternehmen und dem Reifegrad der Lösung unterschei- dass der Einsatz auch im Mittelstand erfolgreich möglich ist
den sich die im Folgenden vorgestellten Beispiele. und hieraus neue Geschäftsmodelle entstehen können.
Laserline GmbH
Fraunhofer-Straße 5, 56218 Mülheim-Kärlich
Branche: Produktion von Diodenlasern
Anzahl der Beschäftigten: 340
Ausgangssituation/Problembeschreibung: Die Laserline GmbH wurde 1997 von Dr. Christoph Ullmann und Dipl.-Ing.
Volker Krause gegründet und ist inzwischen einer der führenden Hersteller von Diodenlasern für die industrielle
Materialbearbeitung. Maschinelles Lernen hat in der Produktion mit Bearbeitungslasern, zum Beispiel beim Laser-
strahlschweißen, Laserlöten, Auftragsschweißen oder der Wärmebehandlung in Form von Härten und Entfestigen,
selten bis gar nicht Einzug gehalten. Dabei bietet die aktuelle Produktgeneration der Laserline GmbH die Möglich-
keit, während der Bearbeitungsprozesse Sensordaten via OPC UA, einem Industrie 4.0-konformen Kommunikations
protokoll, zu einem externen System wie einer Datenbank zu transferieren. Mit einer stringenten Analyse dieser
Daten möchte die Laserline GmbH zukünftig Produktionsausfälle und Ausschussraten reduzieren.
Problemlösung: In Workshops zu Anwendungsmöglichkeiten
von KI und durch die Zieldefinition des Unternehmens konn-
ten konkrete Zielsetzungen für die KI-Einführung definiert
werden. Eine explorative Datenanalyse hat das Potenzial der
bis dato aufgenommenen Prozessdaten aufgedeckt.
Erfolgsfaktoren: Für den beschriebenen Anwendungsfall ist
insbesondere die Datenqualität und die Klarheit über die Ziel-
setzung von entscheidender Bedeutung. Die explorative Ana-
lyse hat im Laufe des Projekts die Grenzen und Möglichkeiten
der bestehenden Daten gezeigt. Auf Basis dieser Ergebnisse
konnte eine erweiterte Versuchsplanung initiiert werden. Quelle: Laserline GmbH
Herausforderungen: Die Herausforderung im Rahmen des Projekts war es, die richtigen Daten für die Fragestellung zu
generieren beziehungsweise zu akquirieren. Dies ist insbesondere bei Fragestellungen zur Predictive Maintenance rele-
vant, da hier üblicherweise sehr langfristige Versuche und Datenmonitoring geplant und durchgeführt werden müssen.
Ergebnis: Durch das Projekt konnte das Potenzial der Prozessdaten von Lasersystemen abgeschätzt werden sowie
die Möglichkeiten der Datennutzung für zukünftige Produkte im Rahmen der Anlagenwartung.
Ansprechpartnerin:
Beatriz Bretones Cassoli, M. Sc.
KI-Trainerin Mittelstand 4.0 Kompetenzzentrum Darmstadt
Wissenschaftliche Mitarbeiterin
Institut für Produktionsmanagement, Technologie und
Werkzeugmaschinen (PTW) der TU Darmstadt
b.cassoli@ptw.tu-darmstadt.deL E I T FA D E N : K I Z U R U M S E T Z U N G V O N I N D U S T R I E 4 . 0 I M M I T T E L S TA N D 15 Polierscheibenfabrik Spaeth e. K. Schleckheimer Str. 17, 52076 Aachen Branche: Herstellung von Polierscheiben Anzahl der Beschäftigten: 11 Ausgangssituation/Problembeschreibung: Die Polierscheibenfabrik Spaeth e. K. gehört auf dem Gebiet der Herstel- lung von Polierscheiben zu den ältesten Unternehmen in Deutschland und zählt mit circa elf Mitarbeitenden zu den kleineren Betrieben. Insbesondere in KMU fehlt es an einer strukturierten Erfassung von Unregelmäßigkeiten und erarbeiteten Lösungen, weshalb Fehler nicht systematisch erkannt und anschließend abgestellt werden können. In diesem Projekt wurden die Voraussetzungen für ein auf KI basierendes Fehlermanagement geschaffen. Ziel des Pro- jekts war die Entwicklung einer leicht anzuwendenden und klar zu interpretierenden Fehlererfassung. Problemlösung: Die Fehleraufnahme wird durch eine Webanwendung umgesetzt, die eine Fehlerbeschreibung ent- sprechend bekannter Fehlerbilder zulässt. Über Dropdown-Menüs werden die Fehler- und Ursachenangaben ausge- hend vom betreffenden Arbeitsplatz sukzessive eingeschränkt, sodass in Zukunft nur eine geringe Auswahl möglicher Beschreibungen zur Verfügung stehen wird. Einfache Funktionalität, verständliche Sprache und die Möglichkeit, neue Fehlereinträge zu ergänzen, zeichnen das System aus. Auch Maßnahmen und deren Wirkungen werden hinterlegt. Erfolgsfaktoren: Grundlage war die erfahrungs- basierte Erarbeitung eines Fehlerbaums, der alle bis dato bekannten Fehler, Ursachen sowie mög- liche Sofort- und Langzeitmaßnahmen ein- schließt. Quelle: RWTH Aachen/Polierscheibenfabrik Spaeth e. K. Herausforderungen: Quelle der Prozessdaten sind zehn implementierte Sensoren, die ebenso wie zugehörige 3D-ge- druckte Gehäuse eigens für das Projekt entwickelt wurden. Eine Schwierigkeit lag in der Beschreibung von Fehlerur- sachen. Weitere Herausforderungen bestanden in den umfangreichen Programmieraufwänden, die mit der Entwick- lung der Software verbunden waren, sowie in der Implementierung von Data-Analytics-Methoden. Das lag vor allem an der fehlenden Datenbasis, die noch aufgebaut und über die Projektlaufzeit hinaus erweitert werden muss. Diese soll dann perspektivisch mit Prozessdaten kombiniert werden, um den anschließenden Einsatz von Datenanalyse- und KI-Methoden zu ermöglichen. Ergebnis: Die einheitliche Fehleraufnahme befähigt langfristig zur Durchführung weitreichender Analysen in Form von einfachen Häufigkeitsuntersuchungen bis hin zum selbstständigen Erkennen von Auffälligkeiten innerhalb der verknüpften Prozessdaten oder der Bereitstellung von Ursachen- und Maßnahmeninformationen im Moment der Fehlererkennung. Ansprechpartner: Dr. Sait Başkaya KI-Trainer Kompetenzzentrum Digital in NRW Lehrstuhl für Fertigungsmesstechnik und Qualitätsmanagement am Werkzeugmaschinenlabor (WZL) der RWTH Aachen s.baskaya@wzl.rwth-aachen.de
Sie können auch lesen
