Leitfaden Künstliche Intelligenz - Potenziale und Umsetzungen im Mittelstand - VDMA
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Leitfaden Künstliche Intelligenz –
Potenziale und Umsetzungen im Mittelstand
in Kooperation mit
IGCV
Bayern
Inhalt Vorwort des Staatsministers Hubert Aiwanger, MdL 4 Die Chancen der Digitalisierung nutzen Vorwort der Forschungsinstitute 5 Vorwort des VDMA 6 Künstliche Intelligenz im bayerischen Mittelstand Management Summary 7 Künstliche Intelligenz – alte Versprechen oder neue Möglichkeiten? 8 Aufbau des Leitfadens 10 Die wichtigsten Begriffe 12 Fähigkeiten und industrielle Anwendung von Künstlicher Intelligenz 14 KI-Potenziale im eigenen Unternehmen identifizieren 30 KI-Projekte erfolgreich umsetzen 35 KI-Projekte dokumentieren 47 Zusammenfassung und Ausblick 51 Projektpartner / Impressum 52 Weitere Ressourcen
4 VORWORT DES STAATSMINISTERS HUBERT AIWANGER, MDL
Die Chancen der Digitalisierung nutzen
Sehr geehrte Leserinnen, mit eingebunden werden, denn nur wenn Veränderun-
Sehr geehrte Leser, gen von Mitarbeiterinnen und Mitarbeitern angenom-
men werden, haben sie langfristigen Erfolg.
die Digitalisierung verändert nachhal-
tig die Art und Weise, wie wir leben Diesen Transformationsprozess zu begleiten und zu
und arbeiten. Eine der Schlüsseltech- stärken, ist ausdrückliches Ziel der Bayerischen Staatsre-
Staatsminister
nologien dieser Veränderungen gierung. Bayern soll auch weiterhin ein attraktiver Wirt-
Hubert Aiwanger
(MdL) stellt die Künstliche Intelligenz dar. schafts- sowie Innovationsstandort sein. Im Bereich
Die Schaffung von Mehrwerten aus Industrie 4.0 stellen die industrienahen Kooperations-
großen Datensätzen – den „Big Data“ – ist von zentraler projekte einen zentralen Baustein der bayerischen
Bedeutung für die Entwicklung neuer, innovativer Förderpolitik dar. Mit dem vom Bayerischen Staatsmi-
Geschäftsmodelle. Ihre Anwendbarkeit bietet gerade im nisterium für Wirtschaft, Landesentwicklung und Ener-
Verarbeitenden Gewerbe ein enormes Innovationspo- gie geförderten Projekt „Industrie 4.0 – Daten basierter
tenzial. Für Bayern ist – mit einem Anteil des Verarbei- Wandel im Mittelstand“ hat der VDMA Bayern eine
tenden Gewerbes von 25 % an der gesamten Brutto- zentrale Anlaufstelle geschaffen, bei der sich bayerische
wertschöpfung – eine erfolgreiche Transformation Unternehmen über neue Technologien und Anwendun-
daher von existenzieller Bedeutung für Wohlstand, gen aus dem Bereich Industrie 4.0 informieren, insbe-
Wachstum und Innovationskraft. Das Potenzial dieser sondere aber mit anderen Unternehmen über die
Technologien, egal ob in Konstruktion, Vertrieb oder der gemachten Erfahrungen auf regionaler und überregio-
vorausschauenden Wartung, ist riesig. So können etwa naler Ebene austauschen können. Mit dem „Leitfaden
Anlagen- und Maschinenbauer bei der Qualitätskont- Künstliche Intelligenz – Potenziale und Umsetzungen
rolle auf KI-gesteuerte Bilderkennung zurückgreifen im Mittelstand“ bietet der VDMA Bayern nun eine
oder lernfähige Algorithmen anwenden, die aus Daten weitere wichtige Handlungsanleitung zur Stärkung
wie Hitze, Lärm, Schwingungen oder Stromverbrauch des Transformationsprozesses der Digitalisierung und
den Verschleiß von Maschinen schlussfolgern. Zentrales der Anwendbarkeit von Künstlicher Intelligenz im
Stichwort ist hier die Predictive Maintenance, die vor- bayerischen Mittelstand. Hierfür möchte ich mich im
ausschauende Instandhaltung. Namen der Bayerischen Staatsregierung ganz herzlich
bedanken!
Erfreulicherweise halten Anwendungen mit Künstlicher
Intelligenz schon heute in immer mehr Bereichen der Ich bin überzeugt, dass dieser Leitfaden Sie, liebe Lese-
Industrie Einzug. Gleichzeitig sind die Anforderungen rinnen und Leser, dabei unterstützen kann, Potenziale
gerade an die kleinen und mittleren Unternehmen nach für Künstliche Intelligenz in Ihrem Unternehmen zu
wie vor groß. Vorhandene Maschinen sind meist in kom- identifizieren und Ihnen die notwendigen Schritte für
plexe Produktionsabläufe eingebunden. Der Einsatz von die Umsetzung zu veranschaulichen.
Künstlicher Intelligenz erfordert daher, neben oftmals
erheblichen Investitionen, auch einen raschen Erwerb
der Qualifikation und eine Umstellung der Organisation In diesem Sinne wünsche ich Ihnen alles Gute beim
in den Unternehmen. Hierzu muss die Belegschaft eng Ergreifen dieser Chancen!
Staatsminister Hubert Aiwanger, MdL
Stv. Ministerpräsident
VORWORT DER FORSCHUNGSINSTITUTE 5
Künstliche Intelligenz (KI) als und ist ein wichtiger Innovationstreiber in Bereichen
wissenschaftliches Fachge- wie Digitalisierung der Produktion, ressourcenscho-
biet existiert seit Mitte der nende Produktion und Energieeffizienz. Diese füh-
1950er Jahre. Da jedoch viele rende Position ist auch im Hinblick auf die neue
KI-Technologien zur Datener- technologische Innovation, nämlich die Umsetzung
fassung und -verarbeitung der KI-Technologie in der Produktion, zu bewahren.
Gunther Reinhart Michael F. Zäh
extrem leistungsfähige Rech- Die Anwendung der KI-Technologie hat bereits
ner, große Datenspeicher einige Perspektiven aufgezeigt, um die Effizienz
und schnelle Netzwerke benötigen, dauerte es und Qualität zu steigern, die Mitarbeitenden bei der
Jahrzehnte, bis die ersten Anwendungen den täglichen Arbeit zu unterstützen oder sogar neue
Weg in die wirtschaftliche Nutzung und damit in Handlungsfelder zu erschließen. Zudem drängen
die produzierende Industrie gefunden haben. mit den großen IT-Konzernen auch neue Wettbewer-
ber auf den Markt. Der Einbindung der Künstlichen
Der exponenzielle Fortschritt der Rechnertechnik Intelligenz in moderne Maschinen und Anlagen
in den vergangenen zehn Jahren hat es nun er- kommt damit in näherer Zukunft eine fundamentale
möglicht, immer leistungsstärkere Algorithmen Bedeutung zu.
zu entwickeln, die für spezifische Aufgaben
zunehmend mit menschlichen Fähigkeiten Aufgrund der teils anspruchsvollen Entwicklung der
mithalten können oder diese sogar schon über- zugrunde liegenden Algorithmen stellen die
treffen. Dies gilt insbesondere dann, wenn bereits Identifikation geeigneter Einstiegslösungen und
große Datenmengen verfügbar sind, die durch deren Umsetzung viele Maschinen- und Anlagen-
uns Menschen nicht mehr effizient gesichtet hersteller jedoch vor besondere Herausforderungen.
und analysiert werden können. Durch die Die deutschen Maschinen- und Anlagenbauer
beeindruckenden Entwicklungen im Bereich verfügen über jahrzehntelang aufgebaute Erfah-
der sogenannten Industrie 4.0., die uns eine rungen und technisches Know-how. Kombiniert
umfassende Datensammlung aus unseren mit den modernen Technologien von Industrie 4.0
Produktionsanlagen erlauben, erlangen die haben sie die idealen Voraussetzungen, um Metho-
Fähigkeiten der Informationsverarbeitung den der Künstlichen Intelligenz gewinnbringend
immer größere Bedeutung. einzusetzen.
Mit Deutschland als drittgrößtem Maschinen- Der vorliegende Leitfaden dient als Orientie-
und Anlagenproduzenten weltweit gilt der rungshilfe, um diese Voraussetzungen gezielt für
Maschinen- und Anlagenbau hierzulande als ein die Anwendung der KI-Technologie zu nutzen,
führender Export- und Innovationssektor. Die individuell geeignete Potenziale zu identifizieren,
stark mittelständisch geprägte Branche ist das KI-Projekte erfolgreich durchzuführen und die
Rückgrat der deutschen Industrie, spiegelt deren Methoden der Künstlichen Intelligenz wirtschaftlich
gesamtes Spektrum an Leistungsfähigkeit wider einsetzbar zu gestalten.
Prof. Dr.-Ing. Gunther Reinhart Prof. Dr.-Ing. Michael F. Zäh
Fraunhofer-Institut für Gießerei-, Institut für Werkzeugmaschinen und
Composite- und Verarbeitungstechnik Betriebswissenschaften (iwb)
(IGCV) Technische Universität München
6 VORWORT DES VDMA
Künstliche Intelligenz im bayerischen Mittelstand
Künstliche Intelligenz (KI) beherrscht mittlerweile nicht nur
unseren Alltag, sondern ist auch aus der Industrie nicht mehr
wegzudenken. Die Potenziale sind den meisten Unternehmen
bekannt und trotzdem gestalten sich die ersten Schritte in
konkreten Projekten für viele noch als Herausforderung. Gerade
für den Mittelstand im Maschinen- und Anlagenbau ist es oftmals
Elgar Straub Michael Schalk nicht einfach, Projekte im Bereich der Künstlichen Intelligenz zur
Verbesserung von Prozessen in Unternehmen, aber auch für neue
Geschäftsmodelle zu identifizieren und danach in die Umsetzung zu kommen.
Den Herausforderungen gilt es sich zu stellen, damit KI kein Thema für einzelne
Unternehmen bleibt, sondern in die DNA des breit aufgestellten Mittelstands übergeht.
Wichtig ist es dabei nicht zu vergessen, auch im Kleinen Potenziale zu erkennen und
diese umzusetzen. KI soll kein Buzzword bleiben, sondern soll sich als fester Bestandteil
im Unternehmensalltag etablieren und die Wettbewerbsfähigkeit des bayerischen
und deutschen Mittelstands erhalten und sogar ausbauen.
Der vorliegende Leitfaden hat zum Ziel, ein gemeinsames Verständnis zu Künstlicher
Intelligenz und deren Umsetzung im Unternehmen zu schaffen. Er soll praxisorientiert
dabei helfen, vielversprechende KI-Projekte im eigenen Betrieb zu erkennen.
Der Leitfaden ist im Rahmen des Projekts „Industrie 4.0 – Daten basierter Wandel im
Mittelstand“, das vom Bayerischen Staatsministerium für Wirtschaft, Landesentwick-
lung und Energie gefördert ist, entstanden. Der Dank für die Ausarbeitung gilt
der Fraunhofer Gesellschaft und der Technischen Universität München sowie selbst-
verständlich den vielen Unternehmen, die im Rahmen einer Projektgruppe diesen
Leitfaden gestaltet haben.
Darüber hinaus können Sie unter folgendem QR-Code weitere zahlreiche Infos rund um
das Thema KI finden.
Wir wünschen Ihnen eine spannende Lektüre!
Elgar Straub Michael Schalk
Geschäftsführer VDMA Bayern Projektmanager Industrie 4.0 Bayern
MANAGEMENT SUMMARY 7
Management Summary
Für die deutsche Investitionsgüterindustrie Die Zielgruppe des Leitfadens sind Entschei-
ergeben sich durch Ansätze der Künstlichen dungsträger*innen, welche die Chancen und
Intelligenz (KI) neue Möglichkeiten, unter- Risiken von KI abschätzen möchten, wobei auf
nehmensinterne Prozesse zu optimieren oder den Erfahrungen der im Folgenden genannten
neue Geschäftsmodelle zu entwickeln. Doch Unternehmen aufgebaut werden kann:
so vielfältig die Anwendungsmöglichkeiten
sind, so schwierig ist es auch, die ersten • asimovero.AI
Schritte zu wagen und gewinnbringende • Baumüller Anlagen-Systemtechnik
Projekte zu identifizieren und umzusetzen. GmbH & Co. KG
• Chr. Mayr GmbH + Co. KG
Ziel des Leitfadens Künstliche Intelligenz ist es, • DEPRAG SCHULZ GMBH u. CO.
deutsche Unternehmen bei diesen ersten • iteratec GmbH
Schritten zu unterstützen. Hierzu wurden inner- • Kiefel GmbH
halb der Projektgruppe „Künstliche Intelligenz“ • KraussMaffei Technologies GmbH
des VDMA Bayern die Erfahrungen von KI- • Martin GmbH für Umwelt- und Energietechnik
Expert*innen und Unternehmen, welche diese • MVTec Software GmbH
ersten Schritte bereits gegangen sind, gesam- • Siemens AG
melt. In den folgenden Kapiteln sind die Ergeb- • Technologisches Institut für angewandte
nisse zusammengetragen, um Unternehmen Künstliche Intelligenz GmbH
ein Werkzeug zur Verfügung zu stellen, • The MathWorks GmbH
das ihnen erlaubt, sich mit diesem noch sehr • XITASO GmbH
abstrakten und komplexen Thema auseinander-
zusetzen. Der vorliegende Leitfaden ist das Ergebnis eines
intensiven Austauschs innerhalb der Projekt-
Zu Beginn sollen eine kurze Einführung in die gruppe „Künstliche Intelligenz“, deren Mitglieder
Begriffswelt und eine repräsentative Samm- in mehreren Arbeitstreffen die im Folgenden
lung konkreter Anwendungsfälle klären, was behandelten Themen, Herausforderungen aus
sich hinter Künstlicher Intelligenz verbirgt und vergangenen Projekten sowie Lösungsansätze
welche neuen Möglichkeiten sich für Unterneh- diskutiert haben.
men eröffnen. Anschließend werden die
wesentlichen Schritte aufgezeigt, um Potenzi-
ale für den Einsatz von KI im eigenen Unter-
nehmen zu identifizieren und entsprechende
Projekte gemeinsam mit externen Expert*innen
oder zukünftig auch selbstständig umzusetzen.
8 KÜNSTLICHE INTELLIGENZ - ALTE VERSPRECHEN ODER NEUE MÖGLICHKEITEN?
Künstliche Intelligenz –
alte Versprechen oder neue Möglichkeiten?
Im Zuge der allgegenwärtigen Digitalisierung Intelligente Systeme – gestern und heute
von Maschinen- und Anlagenstrukturen bietet
eine stetig wachsende Daten- und Informati- Die Abgrenzung, wann ein System als Künstliche
onsfülle die Möglichkeit, das bestehende Intelligenz bezeichnet wird, kann nicht trenn-
System- und Prozessverständnis zu erweitern. scharf getroffen werden. Eine gängige Definition
Oft übersteigt die Datenmenge jedoch die Leis- der Künstlichen Intelligenz wurde bereits 1983
tungsfähigkeit des Menschen, die Informatio- von Elaine Rich prägnant formuliert:
nen semantisch sinnhaft zu ordnen, deduktive
und induktive Schlussfolgerungen abzuleiten
sowie die Informationen gewinnbringend zur Künstliche Intelligenz ist die Untersuchung dessen,
Lösung akuter Problemstellungen oder im Sinne wie man Computer dazu bringt, Dinge zu tun,
gänzlich neuer Geschäftsmodelle einzusetzen.
bei denen die Menschen im Moment besser sind.
Eine Vielzahl neuer, alltagstauglicher Tools,
wie beispielsweise die digitalen Assistenten Siri,
Cortana und Alexa, die maschinelle Überset- Die Erforschung der Künstlichen Intelligenz
zung von DeepL oder die adaptive Routenfüh- datiert zurück bis in die 1930er Jahre. Große
rung von Google Maps zeigen, dass insbeson- Bekanntheit erlangten die Entwicklungen in
dere Methoden der Künstlichen Intelligenz (KI) diesem Fachgebiet erstmals in den späten 1940er
komplexe Zusammenhänge und Relationen und 1950er Jahren durch aufsehenerregende
in Datensätzen automatisiert identifizieren, Forschungsarbeiten von Alan Turing und Johann
verarbeiten und verwerten können. Die von Neumann. Die Grenzen der damaligen
zugrunde liegenden Algorithmen sind in der Algorithmen und künstlicher neuronaler Netz-
Lage, eigenständig Lösungen zur Identifikation strukturen traten Anfang der 1970er Jahre
dieser Zusammenhänge zu suchen sowie den zutage, was heute oft als der erste KI-Winter
Lösungsweg autonom zu planen und zu bezeichnet wird. In den 1980er Jahren beflügel-
optimieren. Im spielerischen Kräftemessen ten sogenannte Expertensysteme die Entwick-
von menschlicher und Künstlicher Intelligenz lungen. Anfang der 1990er Jahre verloren die
beweisen IBMs Watson und DeepMinds Expertensysteme durch ihre enorme Komplexität
AlphaGo Zero eindrucksvoll, dass die digitalen an Popularität, was üblicherweise als der zweite
Systeme auf Veränderungen ihrer Umwelt KI-Winter bezeichnet wird.
geeignet reagieren und die eigene Strategie
selbstständig und weitsichtig anpassen können.
KÜNSTLICHE INTELLIGENZ - ALTE VERSPRECHEN ODER NEUE MÖGLICHKEITEN? 9
Durch die aktuellen Errungenschaften moderner, Der folgende Leitfaden zum Themenbereich
maschineller Lernverfahren auf Basis äußerst kos- Künstliche Intelligenz soll Entscheidungs-
tengünstig verfügbarer Rechenleistung werden träger*innen befähigen, vielversprechende
derzeit wieder vermehrt enorme Hoffnungen und Problemstellungen zum Einsatz moderner
Erwartungen in unterschiedlichste Anwendungs- Algorithmen zu identifizieren, geeignete
felder der Künstlichen Intelligenz gesetzt. Lösungskonzepte selbstständig zu erarbeiten
und Chancen und Risiken qualifiziert beurteilen
zu können. Der Leitfaden adressiert neben den
Wozu dient der Leitfaden? technischen Umsetzungsmöglichkeiten
insbesondere die organisatorischen Herausfor-
Die Identifikation geeigneter Problemstellungen, derungen, die mit der Einführung von Methoden
die softwaretechnische Implementierung und die der Künstlichen Intelligenz einhergehen.
kontinuierliche Nutzung der Algorithmen der
Künstlichen Intelligenz stellen Unternehmen vor
technische und insbesondere organisatorische
Herausforderungen.
10 AUFBAU DES LEITFADENS
Aufbau des Leitfadens
Wie im vorangegangenen Kapitel dargestellt, Schritt für Schritt im ersten KI-Projekt
umfasst der Begriff Künstliche Intelligenz (KI)
ein breites und auf den ersten Blick unüber- Im Anschluss an die Anwendungsbeispiele
sichtliches Feld. Der vorliegende Leitfaden wird anhand eines exemplarischen Vorgehens
vermittelt daher einerseits Grundlagenwissen Schritt für Schritt erklärt, wie KI-Potenziale
zur industriellen Anwendung von KI-Methoden, im Unternehmen gefunden und KI-Projekte
andererseits wird eine anschauliche Schritt- strukturiert umgesetzt werden können.
für-Schritt-Hilfestellung für die Planung und
Durchführung eines ersten KI-Projekts gegeben. Im Kapitel KI-Potenziale im eigenen Unterneh-
men identifizieren lernen die Leser*innen, wie
KI-Potenziale systematisch im Rahmen von
Die Grundlagen: Was ist KI? Was kann KI? Workshops identifiziert und auf ihren Nutzen
sowie ihre Umsetzbarkeit hin bewertet werden
Um den Leser*innen den Einstieg in die können (siehe Abbildung 1). Zu diesem Zweck
Thematik zu erleichtern, stellt das folgende geht der Leitfaden an dieser Stelle auch auf
Kapitel kurz wesentliche Begrifflichkeiten vor. die wesentlichen Aspekte zur Beurteilung der
Das daran anschließende Kapitel Fähigkeiten verfügbaren Datenbasis ein.
und industrielle Anwendung von KI dient dazu,
die Möglichkeiten von KI-Werkzeugen und die
daraus entstehenden Mehrwerte für Unterneh-
men zu veranschaulichen. Ein Überblick über
Anwendungen in verschiedenen Unterneh-
mensbereichen und eine Sammlung konkreter
Anwendungsfälle schaffen eine Grundlage für
die Identifikation von Potenzialen im eigenen
Unternehmen.
Machbarkeit
Daten
Date n
Kompetenz
Abbildung 1: Das Kapitel KI-Potenziale im eigenen Unternehmen
identifizieren gibt Hilfestellungen für PotenzialworkshopsAUFBAU DES LEITFADENS 11
8
Wartung
1
6 Geschäfts-
Bereitstellung verständnis
2
5 7
Daten- Datenverständnis
Auswertung sammlung
3
4 Datenvorbereitung
Modellierung
Legende: Dynamische Projektphasen Statischer Projektdurchlauf
Abbildung 2: Das Kapitel KI-Projekte erfolgreich umsetzen geht ausführlich auf
die wichtigsten Phasen eines KI-Projekts ein
Das Kapitel KI-Projekte erfolgreich umsetzen Ist ein Projekt abgeschlossen, gilt es, zurückzu-
stellt grundlegende Projektphasen in der Umset- blicken und gewonnene Erkenntnisse zu sichern,
zung von KI-Anwendungen dar – vom Projekt- Erfahrungen auszutauschen sowie einen Blick
start bis zum laufenden Betrieb der entwickelten nach vorn zu wagen und nächste mögliche
KI-Lösung (siehe Abbildung 2). Leitfragen bieten Schritte anzugehen. Das Kapitel Dokumentation
eine Hilfestellung, welche Expertise in den jewei- von KI-Projekten stellt dazu eine Projekt-Kurzdo-
ligen Phasen notwendig ist und welche Themen kumentation zur Reflexion und Kommunikation
berücksichtigt werden sollten. von Projektergebnissen bereit (siehe Abbildung 3).
VDMA – Leitfaden Künstliche Intelligenz Vorlage Projektdokumentation VDMA – Leitfaden Künstliche Intelligenz Vorlage Projektdokumentation
Projektname Durchführung Einordnung des Projekts
Kurze Beschreibung des Projektfortschritts anhand des
Umsetzungsvorhabens für jede Phase im Laufe des Projekts
Projektlaufzeit
von …………. bis ………….
Ausgefülltes Business Model Canvas
Projektbudget
………………. €
Besetzte Projektrollen
Projektleiter*in:
Technologie-Expert*in:
KI-Expert*in:
MLOps-Ingenieur*in: Gewonnene Erkenntnisse
Kurze Beschreibung der Herausforderungen, der daraus gewonnenen Erkenntnisse sowie des Verbesserungspotenzials im Hinblick
auf Folgeprojekte
Ausgangssituation und Zielsetzung Ergebnisse
Kurze Beschreibung der Ausgangssituation, Motivation und Kurze Beschreibung der Ergebnisse, Rückblick auf die
Zielsetzung Ausgangssituation sowie Bewertung des Nutzens, der durch
das Projekt erreicht wurde
Zusammenfassung und Ausblick
Zusammenfassung des Projekts in Fakten und Zahlen und Beschreibung möglicher nächster Schritte (ggf. Folgeprojekte)
Abbildung 3: Zur Kommunikation von Projekten beinhaltet das Kapitel Dokumentation von KI-Projekten
die Vorlage für eine Kurzdokumentation12 DIE WICHTIGSTEN BEGRIFFE
Die wichtigsten Begriffe
Bevor erläutert wird, wie Projekte im Bereich der Beim unüberwachten Lernen erzeugt der Algo-
Künstlichen Intelligenz (KI) zur Verbesserung von rithmus für eine gegebene Menge von Eingaben
Prozessen in Unternehmen identifiziert und ein Modell, das die Eingaben beschreibt und
umgesetzt werden können, ist es wichtig, rele- Vorhersagen ermöglicht. Bestärkendes Lernen
vante Begrifflichkeiten zu definieren und ein stellt eine Methode des Maschinellen Lernens
grundlegendes Verständnis zu diesen zu schaffen. dar, in der ein Algorithmus durch Belohnung und
Der Begriff Künstliche Intelligenz bezieht sich auf Bestrafung eine Taktik erlernt, selbstständig
Maschinen, die menschliche kognitive Fähigkei- innerhalb des gegebenen Kontextes zu agieren.
ten nachahmen, die etwa Sprache und strategi- Jede Lösung wird dabei typischerweise mit einer
sches Denken erfordern. KI-Anwendungen Punktzahl bewertet. Belohnung wird durch die
ermöglichen damit Maschinen, Aufgaben zu Erhöhung der Punktzahl und Bestrafung durch
übernehmen, die bisher nur von Menschen aus- die Verringerung angegeben. Der Algorithmus
geführt werden konnten. versucht durch die Anpassung seiner Taktik die
Punktzahl zu steigern. Ein detaillierterer Einblick
Der Begriff Maschinelles Lernen (ML) wird häufig in das Thema Maschinelles Lernen findet sich in
synonym zu KI verwendet. Jedoch beschreibt er dem vom VDMA herausgegebenen „Quick Guide
eine eigenständige Disziplin, die ein Teilgebiet Machine Learning“ [1].
der KI darstellt. Beim Maschinellen Lernen han-
delt es sich um eine Klasse von Algorithmen Ein weiterer Terminus, der in den letzten Jahren
und Verfahren, die Daten interpretieren und aus im Zusammenhang mit KI verstärkt verwendet
diesen lernen. Die erlernten Informationen wurde, ist das sogenannte Deep Learning (mehr-
werden dann verwendet, um fundierte und schichtiges oder tiefes Lernen). Deep Learning
genaue Entscheidungen zu treffen. Maschinelles (DL) ist eine spezielle Methode der Informations-
Lernen lässt sich generell in drei Kategorien verarbeitung und ein Teilbereich des Maschi-
einteilen: überwachtes Lernen, unüberwachtes nellen Lernens. Hierbei werden Künstliche Neuro-
Lernen und bestärkendes Lernen. Beim über- nale Netze eingesetzt, um die Zusammenhänge
wachten Lernen lernt das Modell eine Funktion in extrem großen Datenmengen zu erlernen. Die
aus gegebenen Beispielen von Ein- und Aus- Lernmethoden orientieren sich an der Funktions-
gaben. Dieser Lernvorgang wird überwacht weise des menschlichen Gehirns, das im Grunde
genannt, da für jede Eingabe die richtige Ausgabe aus miteinander verbundenen Neuronen besteht.
bekannt ist und man das Modell bei falschen Diese einzelnen Neuronen führen einfache, ele-
Vorhersagen korrigieren kann. Mithilfe des mentare Operationen aus. Ein Netz aus Tausen-
überwachten Lernens lassen sich Vorhersagen den oder Millionen Neuronen kann sehr kom-
zu unbekannten oder künftigen Daten treffen – plexe Zusammenhänge abbilden. Abbildung 4
dies wird prädiktive Modellierung genannt. stellt die Einordnung und den groben zeitlichen
Entwicklungsrahmen für KI, ML und DL dar.DIE WICHTIGSTEN BEGRIFFE 13
Künstliche Intelligenz (KI)
Sämtliche Computer-
Technologien zur
Nachahmung menschlicher Maschinelles Lernen (ML)
Intelligenz
Maschinen erlernen
mithilfe von großen
Datenmengen Deep Learning (DL)
selbstständig Aufgaben
zu lösen. Maschinen trainieren sich
mithilfe von mehrschichtigen
Künstlichen Neuronalen
Netzen und extrem großen
Datenmengen selbst.
1940 – 1970 1980 – 2010 2019 – 2020
Abbildung 4: Einordnung von KI, ML und DL
Zu Beginn einer näheren Beschäftigung mit sich selbst zu optimieren. Schwache Künstliche
Künstlicher Intelligenz muss eine weitere, Intelligenz wird bereits in vielen Bereichen einge-
wesentliche Unterscheidung getroffen werden, setzt. Einige Beispiele hierfür sind Bilderkennung,
die in erster Linie begrifflicher Natur ist. Oft wird Spracherkennung und automatisierte Überset-
zwar die Bezeichnung Künstliche Intelligenz zungen.
verwendet, aber im Grunde genommen sind
damit zwei sehr unterschiedliche Teilbereiche Das Ziel einer starken Künstlichen Intelligenz
gemeint. Künstliche Intelligenz kann demnach in (engl.: strong AI oder general AI) hingegen ist es,
starke und schwache Ausprägungen unterteilt die gleichen intellektuellen Fertigkeiten wie ein
werden. Mensch zu erlangen oder diese zu übertreffen.
In Zukunft – so die Vision der Forschung – werden
Schwache Künstliche Intelligenz (engl.: weak damit alle Aufgaben erfüllt werden können, die
Artificial Intelligence (AI) oder narrow AI) bezieht heute nur ein Mensch bewältigen kann. Bis jetzt
sich auf Systeme, die sich auf die Lösung konkre- ist es jedoch noch nicht gelungen, eine starke
ter Problemstellungen fokussieren. Die Problem- Künstliche Intelligenz zu entwickeln. Zudem ist
lösung erfolgt hierbei auf Basis von Methoden die Frage, ob die Entwicklung einer solchen Intel-
der Mathematik und Informatik, die für die jewei- ligenz überhaupt möglich ist, nicht abschließend
ligen Anforderungen entwickelt und optimiert geklärt.
werden. Das resultierende System kann dazu in
der Lage sein,14 FÄHIGKEITEN UND INDUSTRIELLE ANWENDUNG VON KÜNSTLICHER INTELLIGENZ
Fähigkeiten und industrielle Anwendung von
Künstlicher Intelligenz
Systeme auf der Basis Künstlicher Intelligenz (KI) werden – abhängig von den technischen
lassen sich beispielsweise nach ihren Fähigkeiten Möglichkeiten und dem angestrebten Grad der
einteilen. Diese Fähigkeiten können unterschied- Autonomie des Systems – oftmals nur einzelne
lich detailliert beschrieben werden. Dadurch, dass dieser Fähigkeiten mithilfe von Algorithmen
das Feld der KI kontinuierlich wächst, ergeben des Maschinellen Lernens umgesetzt. Die verblei-
sich stetig neue Fähigkeiten und Anwendungs- benden Funktionen können mithilfe von vor-
möglichkeiten. Bei einer zu detaillierten Eintei- definierten Regeln ausgeführt werden. So kann
lung besteht daher die Gefahr, neue Entwicklun- beispielsweise die durch entsprechende Bilder-
gen aus dem Auge zu verlieren. Zudem würde verarbeitung durchgeführte Klassifikation eines
dadurch die Verständlichkeit und Übersichtlich- Bauteils als Ausschuss ein direktes Auswerfen des
keit erschwert werden. Der vorliegende Leitfaden fehlerhaften Bauteils einleiten. Doch in den meis-
fokussiert daher die grundlegenden Fähigkeiten ten Anwendungsfällen bleibt noch der Mensch in
eines KI-Systems – Beurteilen, Schlussfolgern und der Verantwortung, um aus den Beurteilungen
Reagieren – und zeigt Anwendungsbeispiele für und Schlüssen der KI-Systeme Handlungsent-
Unternehmen auf. scheidungen abzuleiten und entsprechend zu
reagieren.
Eine übliche Darstellung von KI-Systemen ist in
Abbildung 5 zu sehen. Ähnlich wie der Mensch Auf der folgenden Seite werden die drei grund-
nimmt ein Softwareagent, dem ein KI-System legenden Fähigkeiten mit beispielhaften
zugrunde liegt, seine Umwelt wahr und schließt Anwendungen abgebildet und entsprechenden
hieraus auf geeignete Aktionen, um eine Unternehmensbereichen zugeordnet (siehe
spezifische Aufgabe zu erfüllen. KI-Methoden Abbildung 6).
können hierbei eingesetzt werden, um Beobach-
tungen zu beurteilen, Schlüsse zu ziehen oder
direkt Aktionen abzuleiten und auszuführen.
In der praktischen Umsetzung von KI-Systemen
Wahrnehmung
Umwelt KI-System
Sensorik, Beurteilen Was nehme ich wahr?
ERP, CRM
…
Schlussfolgern Was kann ich ableiten?
www
Internet
Reagieren Wie muss ich reagieren?
Aktion
Abbildung 5: An Stuart Russel [2] und die High-Level Expert Group der Europäischen Kommission [3] angelehnte Darstellung
eines KI-Systems und seiner Fähigkeiten (ERP: Enterprise-Resource-Planning, CRM: Customer-Relationship-Management)Marketing, Supply Chain Produktions-
Vertrieb & Produkt- steuerung & Produktions- Qualitäts- Bereichs-
Management &
Service entwicklung Intralogistik prozess sicherung übergreifend
Einkauf
Optische
Sicherheits-
Einlesen Autom. systeme Automatische
handschriftl. Wareneingangs- Qualitäts- Klassifikation
Dokumente kontrolle Anomalien- sicherung von Berichten
Beurteilen
erkennung
Softsensoren
Optimierung Predictive
der Maintenance
Preisindikation Unterstützung Absatz- Produktions-
Predictive Intelligente
für der Produkt- vorhersage steuerung
Quality Ansprech-
Neuaufträge konfiguration
Lager- partnersuche
Schlussfolgern
optimierung Parameter-
optimierung
Autonome
Fahrerlose Robotersysteme Robotic Process
Chatbots Transport-
Abbildung 6: Übersicht beispielhafter KI-Anwendungen und ihrer primären Unternehmensbereiche;
Intelligente Automation
systeme
Regelungs- (RPA)
Reagieren
(FTS)
verfahren
Relevanz: gering mittel hoch
Abschätzung der Relevanz der Fähigkeiten in spezifischen Unternehmensbereichen auf Basis bestehender Anwendungsfälle
FÄHIGKEITEN UND INDUSTRIELLE ANWENDUNG VON KÜNSTLICHER INTELLIGENZ
1516 FÄHIGKEITEN UND INDUSTRIELLE ANWENDUNG VON KÜNSTLICHER INTELLIGENZ
Beurteilen Beispielhafte Anwendungen
Eine wesentliche Fähigkeit von KI-Systemen • Einlesen handschriftlicher Dokumente:
besteht darin, auf Basis von Daten Rückschlüsse Dokumente wie beispielweise neue Aufträge
auf den Zustand der Umwelt ziehen zu können werden oftmals noch handschriftlich
(siehe Abbildung 7). Dies kann genutzt werden, ausgefüllt. Durch automatisches Einlesen
um den Menschen bei repetitiven Arbeiten zu dieser Dokumente kann das Personal bei
unterstützen. So lassen sich durch KI-Methoden der Auftragsannahme unterstützt werden.
viele Krankheitsfälle in Röntgenbildern bereits • Autom. Wareneingangskontrolle / Autom.
zuverlässiger erkennen als durch das menschliche Qualitätssicherung: Durch Methoden der
Auge des ärztlichen Personals. Doch leisten Bilderkennung ist es möglich, automatische
Ärzt*innen mehr, als Anomalien auf Röntgen- Sichtprüfungen von Bauteilen auf Fehlerhaf-
bildern zu erkennen. Es bleibt die Aufgabe des tigkeit in vor- und nachgelagerten Prozessen
Menschen, aus den Informationen den Krank- der Produktion durchzuführen.
heitszustand der Patient*innen und notwendige • Anomalienerkennung: Bei der Vielzahl an
Handlungen abzuleiten. Auch im produzierenden Echtzeitdaten in der Produktion ist es für den
Gewerbe können die Mitarbeitenden durch Menschen oftmals schwer zu erkennen, ob
diese KI-Methoden unterstützt werden. sich Werte außerhalb der Norm bewegen.
Maschinelle Lernverfahren können helfen, zu
beurteilen, ob Werte sich kritischen Grenzen
nähern.
• Softsensoren / Virtual Sensors: Wichtige
Messgrößen können teilweise nicht oder
nur mit hohem finanziellen Aufwand über
entsprechende Sensorik aufgenommen
werden. Durch Korrelationen mit anderen
Messgrößen können diese aber dennoch
über entsprechende KI-Methoden abgeleitet
werden.
„Zahnrad“
Bild Zeitreihe Sensor- A B C D
wert Beurteilen 1 8 X 0
A
1
B
8
C
X
D
0
2
1
4
8
Y
Y
1
0
! Anomalie
2 8 Y 1
1 8 Y 0
Tabelle Dokument … …
Abbildung 7: Auf Basis von Daten erkennen, was in der Umwelt geschieht (Beurteilen), zum Beispiel durch die
semantische Interpretation von Bildern oder die Anomalieerkennung in TabellenFÄHIGKEITEN UND INDUSTRIELLE ANWENDUNG VON KÜNSTLICHER INTELLIGENZ 17
Anwendungsfall 1
Intelligenter NIR-Sensor zur
Identifikation transparenter Folien
Kiefel GmbH
Ausgangssituation/Zielsetzung Ergebnis
Fehlbeladungen bei der Herstellung Mit einem inline integrierten NIR-Sensor
von Produkten aus transparenten Folien und der Support-Vector-Network-Auswer-
können zu umfangreichen Produktions- tung kann eine 100%ige Qualitätskon-
ausfällen führen. Eine integrierte Quali- trolle des Materials während der Produk-
tätskontrolle der Folien soll eine stabile tion, beispielsweise von medizinischen
Produktion gewährleisten. Beuteln, ermöglicht werden.
Umsetzung
Um unterschiedliche Folienparameter
wie z. B. Materialtyp, Dicke oder Chargen-
unterschiede identifizieren zu können,
wurde ein mehrstufiges System aus
verschiedenen trainierten Support Vector
Machines (SVM) aufgebaut. Grundlage
für das Training waren Messdaten eines
Standard-Nahinfrarotspektroskopie- Abbildung 8: NIR-Sensor mit KI-Auswertung
(Kiefel GmbH)
sensors (NIR) für einige hundert üblicher-
weise verwendeter Folien.18 FÄHIGKEITEN UND INDUSTRIELLE ANWENDUNG VON KÜNSTLICHER INTELLIGENZ
Anwendungsfall 2
Qualitätsprüfung
in der Lebensmittelindustrie
MVTec Software GmbH
Ausgangssituation/Zielsetzung Ergebnis
Aufgrund der variablen Morphologie Deep Learning hat den Vorteil, dass die
von handgefertigten Erzeugnissen sind erfahrungsbasierte Entscheidung, ob eine
regelbasierte Ansätze der Bildverar- Backware zu stark oder zu schwach
beitung nicht zur automatisierten gebräunt ist, durch die vorgelagerte Anno-
Qualitätsprüfung von Backwaren wie tation auf die automatisierte Entschei-
beispielsweise Blätterteigstangen dungsfindung übertragen werden kann.
nutzbar. Dadurch gelingt auch die Qualitätsprü-
fung von Objekten mit variabler Größe,
Form, Struktur und variablem Hinter-
Umsetzung grund.
69 Backwaren laufen pro Blech unter einer
Zeilenkamera hindurch. Mit der Bildver-
arbeitungsbibliothek MVTec HALCON wird
zunächst eine Deep-Learning-basierte
Object Detection durchgeführt und die
detektierten Objekte werden vermessen.
Im Anschluss werden die Backwaren
von einem Deep Neural Network nach
Bräunungsgrad und Gleichförmigkeit der
Zutaten klassifiziert.
Abbildung 9: Backwarenprüfung mit MVTec
HALCON und Deep Learning: Die Höhe der
Bounding Box der detektierten Objekte dient als
Maß für die Länge. Rot: Klassifiziert als zu starker
Bräunungsgrad. Gelb: Klassifiziert als mit zu
wenig Käse versehen (MVTec Software GmbH)FÄHIGKEITEN UND INDUSTRIELLE ANWENDUNG VON KÜNSTLICHER INTELLIGENZ 19
Anwendungsfall 3
Teileerkennung und Qualitätssicherung mittels Image Recognition
und Deep Learning am Beispiel von Schraubenmuttern
The MathWorks GmbH
Ausgangssituation/Zielsetzung Ergebnis
Die visuelle Qualitätssicherung von losen Durch den Einsatz von KI-Methoden
und in großen Stückzahlen produzierten kann die Sichtprüfung durch eine auto-
Teilen wie Schraubenmuttern ist mit matisierte Inspektion ersetzt werden.
herkömmlichen technischen Mitteln nur Dadurch ist es möglich, visuelle Qualitäts-
schwer umsetzbar. KI soll dabei helfen, sicherung flexibel auf unterschiedliche
die Teile in verschiedenster Ausrichtung Produkte umzustellen und eine große
zu detektieren und auf Qualitätsmerk- Anzahl an Teilen in kurzer Zeit zu über-
male hin zu überprüfen. prüfen.
Umsetzung
Die Muttern wurden mit einer Digitalka-
mera erfasst, im Tool MATLAB eingelesen
und mittels Computer Vision detektiert.
Ein Deep-Learning-Algorithmus wurde
dann mithilfe einer großen Anzahl von
intakten und beschädigten Muttern
darauf trainiert, zerkratzte von unbe-
schädigten Teilen zu unterscheiden. Abbildung 10: Automatisierter visueller Qualitäts-
check der Schraubenmuttern mit einem auf einem
Embedded Device implementierten Neuronalen
Netz (The MathWorks GmbH)20 FÄHIGKEITEN UND INDUSTRIELLE ANWENDUNG VON KÜNSTLICHER INTELLIGENZ
Anwendungsfall 4
Physikalisch inspirierte Softsensoren
Siemens AG
Ausgangssituation/Zielsetzung Ergebnis
In großen elektrischen Maschinen sind Durch die genaue Kenntnis nicht direkt
kaum Sensordaten zur Innentemperatur messbarer Betriebszustände können
vorhanden. Basierend auf dem im Ent- sowohl ein zu konservativer Betrieb als
wicklungsprozess entstandenen Wissen auch Stillstandszeiten durch hitzebe-
aus Simulationen sollen Rotor-Temperatu- dingte Schädigungen vermieden werden,
ren in Form von virtuellen Sensordaten welche Kosten von bis zu 200 000 €/h
für die Temperaturregelung zur Verfügung bei großen elektrischen Motoren in
gestellt werden. der Öl- und Gas-Industrie verursachen
können.
Umsetzung
Auf Basis von Simulationen mit unter-
schiedlichen thermischen Lasten wurden
mittels Dimensionsreduktion und
speziellen physikalisch inspirierten
Neuronalen Netzen effiziente thermische Abbildung 11: Eine 1000-fach beschleunigte
Simulation mittels physikalisch inspirierter
Ersatzmodelle realisiert. Diese können Neuronaler Netze erlaubt es, räumliche Tem-
betriebssynchron Temperaturen im peraturverteilungen in elektrischen Maschinen
gesamten Motor schätzen und eine parallel zum Betrieb kontinuierlich zu bestimmen
(Siemens AG)
drohende Überhitzung frühzeitig
erkennen.FÄHIGKEITEN UND INDUSTRIELLE ANWENDUNG VON KÜNSTLICHER INTELLIGENZ 21
Schlussfolgern Beispielhafte Anwendungen
Neben der Beurteilung der Umwelt können • Absatzvorhersage: Die Vorhersage von Absatz-
datenbasierte Methoden auch dazu genutzt zahlen kann dazu genutzt werden, Einkäufe
werden, neue Erkenntnisse zu gewinnen und zielgerichteter an zukünftige Nachfragewerte
dem Menschen zusätzliche Informationen anzupassen.
zur Entscheidungsunterstützung zu liefern • Vorausschauende Wartung / Predictive
(siehe Abbildung 12). So können Daten aus Maintenance: Auf Basis vergangener Verläufe
der Vergangenheit ausgewertet werden, von Sensorwerten und korrelierender Maschi-
um Prognosen für zukünftige Wertverläufe zu nenausfälle ist es möglich, zukünftige Ausfälle
erstellen oder Lösungsvorschläge zu generieren. vorherzusagen und somit die Wartung zu
Auf Basis der Schlussfolgerungen wäre es optimieren.
oftmals möglich, direkt Aktionen abzuleiten. • Predictive Quality: Durch die Erkennung von
Im industriellen Einsatz steht allerdings zumeist Korrelationen zwischen Sensorwerten und
noch der Mensch vor der eigentlichen Entschei- Ergebnissen aus der Qualitätssicherung kön-
dung, welche Aktionen durchgeführt werden nen mögliche Produktfehler bereits während
sollen. Hierdurch können KI-Systeme bei der des Prozesses erkannt werden. Neben dem
Unterstützung des Menschen einen Nutzen Zustand des Produkts werden hierbei zumeist
bringen, ohne die Risiken eines vollautonomen auch Handlungsempfehlungen zu Betriebs-
Systems in sich zu bergen. werten der Maschine abgeleitet.
• Parameteroptimierung: Datenbasierte
Methoden können zum Einsatz kommen,
um auf Basis vergangener Konfigurationen
und Leistungsindikatoren wie der Taktzeit
Handlungsempfehlungen für die Maschinen-
bedienperson abzuleiten.
Prognose
Bild Zeitreihe Sensor-
wert Schlussfolgern Lösungs-
A B C D
1
2
8
8
X
Y
0
1
vorschläge
1 8 Y 0
Tabelle Dokument … …
Abbildung 12: Auf Basis von Daten auf relevante Erkenntnisse schließen (Schlussfolgern)22 FÄHIGKEITEN UND INDUSTRIELLE ANWENDUNG VON KÜNSTLICHER INTELLIGENZ
Anwendungsfall 5
Intelligente Suche nach Expert*innen
iteratec GmbH
Ausgangssituation/Zielsetzung Mithilfe einer Feedback-Funktion lernt das
System die Gewichtung zwischen den
Die unternehmensinterne Suche unterschiedlichen Datenquellen aus den
nach Expert*innen zu einem bestimmten Interaktionen der Anwender*innen.
Thema soll deutlich schneller und
einfacher sein.
Ergebnis
Umsetzung Ansprechpartner*innen zu speziellen
Themen lassen sich schneller und einfa-
Die Suche wertet Datenquellen wie eine cher finden. Dadurch können Mails oder
Skilldatenbank, Chats oder Projektbe- Anfragen „An alle“ vermieden werden.
schreibungen mit Methoden des Natural Dank der flexiblen Architektur können
Language Processing aus und empfiehlt neue Informationsquellen leicht in das
Expert*innen. Zusätzlich werden anhand System integriert werden.
eines Abgleichs mit Schlagwörtern von
der Internetplattform Stack Overflow und
Abbildung 13: Screenshot von der Plattform,
semantischer Ähnlichkeiten verwandte in der Expert*innen mit Stichworten gefunden
Themen vorgeschlagen. und über Contact Group angeschrieben werden
können (iteratec GmbH)FÄHIGKEITEN UND INDUSTRIELLE ANWENDUNG VON KÜNSTLICHER INTELLIGENZ 23
Anwendungsfall 6
Fehlervorhersage unter Einbeziehung von Expert*innenwissen
am Beispiel additiv gefertigter Werkstücke
XITASO GmbH
Ausgangssituation/Zielsetzung Ergebnis
Bei additiv gefertigten Bauteilen sollen im Durch die Integration von Expert*innen-
FDM-Prozess (Fused Deposition Modeling) wissen konnte die Vorhersagegenauigkeit
auftretende Fehler, wie Verwindungen trotz der geringen Menge an Trainings-
oder fehlerhaft platziertes Material, auf daten enorm verbessert werden.
Basis von Daten zu Prozess- und Umge- Die Vorhersagegenauigkeit stieg im unter-
bungsparametern, wie Extrusionstempe- suchten Beispiel durch Hinzunahme des
ratur, Materiallieferant und Umgebungs- Expert*innenwissens von 9 % auf 95 %.
temperatur, vorhergesagt werden.
Aufgrund der geringen Datenmenge
konnte allein mit Methoden des
Maschinellen Lernens keine zuverlässige
Fehlervorhersage getroffen werden.
Umsetzung
Als Ausgangspunkte dienten ein mit vor-
handenen Daten trainiertes Neuronales
Netz und das in Entscheidungsbäumen Abbildung 14: Unerwünschte Fadenbildung
(XITASO GmbH)
abgebildete Expert*innenwissen.
Mittels Active Learning wurde das in den
Entscheidungsbäumen hinterlegte Wissen
anschließend in das Neuronale Netz
übertragen.24 FÄHIGKEITEN UND INDUSTRIELLE ANWENDUNG VON KÜNSTLICHER INTELLIGENZ
Anwendungsfall 7
Vorausschauende Wartung (Predictive Maintenance)
in der Folienherstellung
The MathWorks GmbH
Ausgangssituation/Zielsetzung fassen. Das auf der Grundlage dieser
Technik entwickelte Modell sagt insbe-
Bei Anlagen zur Folienherstellung zeich- sondere potenzielle Folienrisse vorher.
nen die Industriesteuerungen Daten von Der Algorithmus wurde in die bestehende
bis zu 400 unterschiedlichen Sensoren IT-Infrastruktur integriert und zeigt über
auf. Diese Daten sollen verwendet wer- eine Bedienoberfläche an, ob ein Eingriff
den, um Probleme frühzeitig zu erkennen notwendig ist.
und Produktionsausfälle zu vermeiden.
Ergebnis
Umsetzung
Durch den Einsatz von KI-Methoden für
Aus den kontinuierlich aufgezeichneten die vorausschauende Wartung können
und aufbereiteten Sensordaten erkennt signifikante Einsparungen durch Vermei-
ein Bagged-Decision-Trees-Modell die dung von Maschinenstillständen erzielt
Produktqualität der Kunststofffolie. Das werden. Die Applikation wurde in das
Bagging ist eine Ensemble-Methode und bestehende IT-System integriert und läuft
wird im Bereich des Maschinellen Lernens 24/7, um das Bedienpersonal bei der
eingesetzt, um mehrere einzelne Modelle Sicherstellung der Produktionsqualität zu
(hier Decision Trees bzw. Entscheidungs- unterstützen.
bäume) zu einem Modell zusammenzu-
Abbildung 15: Eine MATLAB-basierte
Benutzeroberfläche informiert
Bediener*innen über potenzielle
Störungen, die an der Anlage zu
erwarten sind (The MathWorks GmbH)FÄHIGKEITEN UND INDUSTRIELLE ANWENDUNG VON KÜNSTLICHER INTELLIGENZ 25
Anwendungsfall 8
Vorausschauende Wartung (Predictive Maintenance)
mit Condition Monitoring für Frässpindeln
Siemens AG
Ausgangssituation/Zielsetzung Ergebnis
Ein KI-Algorithmus soll Anomalien in Durch den rechtzeitigen Spindeltausch
den Rohdaten erkennen und eine auto- wird ein ungeplanter Stillstand der
matisierte Mail an die Bediener*innen Fräsmaschine und der nachfolgenden
auslösen, damit diese die Spindel recht- Systeme verhindert.
zeitig wechseln.
Umsetzung
Zwei analoge Signale (Strom und Dreh-
zahl) werden mit einem Edge-Gerät von
einem Regler der Spindel abgegriffen
und vorverarbeitet. Anschließend werden
die Rohdaten mit einem Algorithmus
verarbeitet. Wenn eine Anomalie auftritt,
soll die Spindel getauscht werden.
Abbildung 16: Spindel im Fräsvorgang
(Siemens AG)26 FÄHIGKEITEN UND INDUSTRIELLE ANWENDUNG VON KÜNSTLICHER INTELLIGENZ
Reagieren Beispielhafte Anwendungen
Durch direkte Interaktion mit der Umwelt können • Chatbots: Chatbots lernen die natürliche Spra-
KI-Systeme lernen, welchen Einfluss ihre durch- che menschlicher Anfragen zu interpretieren
geführten Aktionen haben und welche Aktionen und auf diese Weise Service-Leistungen zu
in Zukunft ausgeführt werden müssen, um ein automatisieren. Durch neue menschliche
bestimmtes Ziel zu erreichen (siehe Abbildung Anfragen und Antworten von Service-Mitar-
17). So erlernte der Algorithmus AlphaGo als ein beiter*innen können diese Systeme weiterler-
Computerprogramm mit den Techniken des nen und ihre Präzision bei der Beantwortung
Maschinellen Lernens, alleine durch die Ausfüh- von Fragen verbessern.
rung von Spielzügen und aus dem Feedback • Fahrerlose Transportsysteme (FTS): Ähnliche
gewonnener bzw. verlorener Spiele das Brettspiel Methoden wie beim autonomen Fahren
Go zu meistern und besiegte 2016 sogar den können in der Intralogistik eingesetzt werden,
Weltmeister Lee Sedol. Auf ähnliche Weise wer- um FTS selbstständig durch Produktionshallen
den Methoden für den Finanzmarkt entwickelt, und Lager fahren und Bauteile transportieren
um Aktienkäufe bzw. -verkäufe zu optimieren. zu lassen.
Die Fähigkeit eines KI-Systems, direkt mit der • Autonome Robotersysteme: Durch entspre-
Umwelt zu interagieren und aus den Erfahrungen chende Kamerasysteme können Roboter den
zu lernen, kann auch in verschiedenen Unter- Zustand ihrer Umwelt erkennen (z. B. unter-
nehmensbereichen genutzt werden. schiedliche Bauteilpositionen) und so auch
unter variierenden Umgebungsbedingungen
ihre Aufgabe durchführen.
• Robotic Process Automation (RPA): Bei RPA
werden die oftmals repetitiven Arbeiten am
Computer durch entsprechende Algorithmen
analysiert und automatisiert. Selbstlernende
RPA-Systeme sind darüber hinaus in der Lage,
weiterzulernen und sich selbst zu optimieren.
Kauf/
Verkauf
Bild Zeitreihe Sensor-
wert Reagieren
A B C D Aktorik
1 8 X 0
2 8 Y 1
1 8 Y 0
Tabelle Dokument … …
Abbildung 17: Auf Basis von Daten direkten Einfluss auf die Umwelt ausüben (Reagieren)FÄHIGKEITEN UND INDUSTRIELLE ANWENDUNG VON KÜNSTLICHER INTELLIGENZ 27
Anwendungsfall 9
KI und Wissensgraphen
für die flexible und effiziente Fertigung
Siemens AG
Ausgangssituation/Zielsetzung Ergebnis
Eine steigende Anzahl von Varianten, Fabriken erhalten einen einfachen Zugang
kürzere Produktlebenszyklen und schwan- zur Automatisierung basierend auf Skills
kende Nachfrage stellen Fabriken zuneh- und behalten dadurch ihre Produktivität
mend vor große Herausforderungen. bei gleichzeitiger Erhöhung der Flexibili-
Mittels KI soll die erforderliche Flexibilität tät. Die Produktion für den tatsächlichen
in Konstruktion und Produktion erreicht Bedarf erhöht zudem die Nachhaltigkeit.
werden.
Umsetzung
Durch KI-basierte Ansätze zur Automa-
tisierung sollen Maschinen künftig auto-
nom agieren und ihre Fähigkeiten als
sogenannte Skills anbieten. Die Skills
werden in einer cloudbasierten Entwick-
lungsumgebung erstellt. Mithilfe eines
Wissensgraphen werden die benötigten Abbildung 18: Produzierbarkeits-Check und
Orchestrierung autonomer Maschinen im
Skills mit den verfügbaren Skills der Shopfloor (Siemens AG)
Maschinen abgeglichen, um die Produ-
zierbarkeit des Bauteils zu prüfen.
Die Produktionsausführung erfolgt über
optimales Scheduling der Skillaufrufe.28 FÄHIGKEITEN UND INDUSTRIELLE ANWENDUNG VON KÜNSTLICHER INTELLIGENZ
Anwendungsfall 10
KI-basierte Objekterkennung und -aufnahme durch einen
Pick-&-Place-Roboter
The MathWorks GmbH
Ausgangssituation/Zielsetzung Ergebnis
Das Erkennen und Aufnehmen von KI-Methoden können genutzt werden,
Objekten durch Pick-&-Place-Roboter um das Erkennen und Aufnehmen von
muss bei herkömmlicher Anwendung neu hinzugekommenen Objekten mittels
durch einen Operator trainiert werden. Pick-&-Place-Roboter zu ermöglichen.
In den Trainingsdaten nicht enthaltene
Objekte, wie etwa neue Produkte, müssen
dem System zeitaufwändig angelernt
werden. KI-Methoden sollen den Roboter
dazu befähigen, bisher unbekannte
Objekte zu detektieren und aufzunehmen.
Umsetzung
Der zusätzlich mit einer Kamera ausgerüs-
tete Roboterarm wird im Tool MATLAB Abbildung 19: Ein Roboterarm wird mithilfe von
KI-Methoden eingesetzt, um flexibel unterschied-
mittels Bilderkennung und Deep Learning liche Objekte in einem Lager zu detektieren und
auf eine Anzahl unterschiedlicher Objekte aufzugreifen (The MathWorks GmbH)
trainiert, sodass er diese selbstständig
erkennen und aufnehmen kann.
Neu hinzugefügte ähnliche Objekte
können mit geringem zusätzlichen
Trainingsaufwand ebenfalls erkannt
und aufgenommen werden.FÄHIGKEITEN UND INDUSTRIELLE ANWENDUNG VON KÜNSTLICHER INTELLIGENZ 29
Anwendungsfall 11
Erkennen optimaler Greifpunkte
an unbekannten Objekten
Siemens AG
Ausgangssituation/Zielsetzung Objekte generalisiert. Für die effiziente
Ausführung wurde der Algorithmus an
Das Greifen von Teilen durch Roboter der speicherprogrammierbaren Steuerung
erfordert bislang, dass die Objekte (SPS) auf einem industriellen KI-Modul
bekannt sind und in fester Position und integriert, welches die Greifpunkte direkt
Orientierung liegen. Die Greifpunkte zur Steuerung des Roboterarms weiterlei-
werden in diesem Fall für jedes Objekt tet.
explizit programmiert. Durch den Einsatz
von KI soll es ermöglicht werden, auch
unbekannte Objekte zu greifen. Ergebnis
Es wurde eine Basis für viele Anwen-
Umsetzung dungsfälle in der flexiblen Fertigung
geschaffen, die durch eine automatisierte
Anhand eines Datensatzes mit diversen Erzeugung und Bewertung potenzieller
Objekten wurde ein Künstliches Neuro- Greifpunktpaare eine wirtschaftliche
nales Netz trainiert, das optimale Greif- Produktion in Losgröße 1 im Kontext von
punkte bestimmt und für unbekannte Industrie 4.0 ermöglicht.
Abbildung 20: Die Neural Processing
Unit in der Steuerung generiert
Greifpunktpaare an senkrechten
Flanken des Objektes und bewertet
diese mithilfe eines Künstlichen
Neuronalen Netzes (Siemens AG)30 KI-POTENZIALE IM EIGENEN UNTERNEHMEN IDENTIFIZIEREN
KI-Potenziale
im eigenen Unternehmen identifizieren
Ohne Vorerfahrung im Bereich Künstliche Intelli- Prozess mit einbezogen werden, da sich ein
genz (KI) ist es schwer abschätzbar, wo im KI-Projekt für mehrere Partner entlang der
Unternehmen das größte Potenzial für den Ein- Wertschöpfungskette bezahlt machen kann.
satz von KI besteht und mit welchem Aufwand Um Ideen für mögliche KI-Anwendungsfälle
ein Umsetzungsprojekt verbunden sein wird. Das im Unternehmen finden zu können, ist zudem
richtige Vorgehen zur Identifikation geeigneter ein gewisses Grundverständnis zu KI wichtig.
Anwendungsfälle hängt zudem stark von den Die vorherigen Kapitel des Leitfadens dienen hier
Rahmenbedingungen des Unternehmens ab als Orientierungshilfe, um Basiswissen zu den
(betrachtete Unternehmensbereiche, zeitlicher Möglichkeiten von KI zu vermitteln. Weiterfüh-
Rahmen usw.). Die wesentlichen Phasen und rend können auch externe Expert*innen oder der
ihre KI-spezifischen Charakteristika lassen sich VDMA-Quick-Guide „Machine Learning im
allerdings verallgemeinern. In der Projektgruppe Maschinen- und Anlagenbau“ [1] herangezogen
„Künstliche Intelligenz“ des VDMA wurden die werden.
Erfahrungen mehrerer Unternehmen gesammelt
und für den Leitfaden zusammengefasst (siehe
Abbildung 21). Ideenfindung
In der Phase der Ideenfindung soll zunächst eine
Vorbereitung Vielzahl an Vorschlägen für mögliche KI-Anwen-
dungsfälle gesammelt werden. Wie in jedem
Vor einem Workshop stellt sich zunächst die Kreativworkshop ist es auch hier wichtig, eine
Frage, wer daran teilnehmen sollte, um Ideen gewisse Offenheit gegenüber verschiedenen
zur Anwendung von KI generieren und bewerten Ideen zu wahren und unter den Teilnehmenden
zu können. Neben Geschäftsführer*innen und eine disziplinierte und respektvolle Arbeitsatmo-
Entscheidungsträger*innen sind hier auch die sphäre zu fördern. Neben dem herkömmlichen
Mitarbeitenden wichtig, welche einzelne Pro- Brainstorming können auch andere Methoden in
zesse und Bereiche im Unternehmen am besten Betracht gezogen werden. Bei der Kärtchen-Tech-
kennen (Domänen-Expert*innen), sowie die nik schreiben bspw. alle ihre Ideen zunächst auf
möglichen Nutzenden von KI-Anwendungen. eigene Kärtchen, welche gesammelt und
Auch können Lieferanten oder Kunden in den anschließend in der Gruppe diskutiert werden.
Machbarkeit
Daten Buy
Kompetenz
Ausarbeitung Bewertung &
Vorbereitung Ideenfindung der Use Cases Entscheidung
Teilnehmer Ideensammlung Nutzen Make, Buy
Wissensbasis Vorauswahl Daten oder Wait
Abbildung 21: Vier Phasen zur Identifikation geeigneter KI-Anwendungsfälle im eigenen UnternehmenSie können auch lesen
