Firmen im Artikel
Inhaltsverzeichnis
1. Einsatzbereiche
2. Vorausschauende Wartung
3. Qualitätskontrolle
4. Kollaborative Robotik
5. Intralogistik und Autonomes Fahren
6. Die ersten Schritte
7. Lohnt der Aufwand?
8. Was ist Künstliche Intelligenz?
9. Was sind neuronale Netze?
Mit dem Einsatz von KI lassen sich laut McKinsey allein in Deutschland 160 Mrd. Euro an zusätzlicher Wertschöpfung erzielen. In „Notes from the frontier: Modeling impact of AI on the world economy“ prognostizieren die Berater, dass sich die neue Technologie zuerst in fünf Bereichen durchsetzen wird: Automatische Bilderkennung, Spracherkennung und -ausgabe, virtuelle Assistenten, Roboter-basierte Prozessautomatisierung und fortgeschrittenes maschinelles Lernen. Bis 2030 werden circa 70 % aller Unternehmen weltweit mindestens eine der genannten KI-Technologien nutzen – so die Voraussage von McKinsey. Ähnlich optimistisch ist die Consultingfirma Accenture: Sie rechnet damit, dass dank KI die Gewinne bis 2035 um bis zu 38 % steigen. Freilich muss man bei der Bewertung dieser Zahlen berücksichtigen, dass die Berater bei der Integration neuer Technologien am Erfolg partizipieren. Andere Experten sind vorsichtiger: Prof. Martin Ruskowski, Vorstandsvorsitzender der SmartFactory-KL weist auf die Kosten-/Nutzenbetrachtung hin: „Zielrichtung von Industrie 4.0 ist die Herstellung individualisierter Produkte, möglichst in Echtzeit. Aber kein Mensch stellt die Frage nach den Kosten einer so hochgradigen Automatisierung. Der Mensch ist und bleibt im Produktionsablauf eine universelle und intelligente Maschine.“
Einsatzbereiche
Streng genommen hat sich Künstliche Intelligenz bereits in allen Unternehmen etabliert – wer bei der Suche nach C-Teilen Google nutzt, greift auf KI zurück. Ähnliches gilt für die Spracherkennung der Autonavigation oder bei der Nutzung des Sprachassistenten Cortana innerhalb von Windows. Die Nutzung individueller Systeme im Bereich von Planung, Produktion oder Logistik ist naturgemäß deutlich beschränkter. Erst 4 % der deutschen Unternehmen setzen KI ein, weitere 2 % arbeiten an der Implementierung. 17 % planen oder testen derzeit KI-Projekte und 28 % halten das Thema zumindest für relevant – so eine Studie von PricewaterhouseCoopers. Knapp die Hälfte der 500 Befragten hält das Thema für nicht relevant.
Mögliche Einsatzbereiche ergeben sich für alle Bereiche, in denen viele Daten anfallen: beispielsweise im Rahmen der Produktionsplanung, in der eigentlichen Produktion sowie entlang der gesamten Logistikkette. Von wachsender Bedeutung ist die Datensicherheit – immerhin einer der Bereiche, die umfassende Industrie 4.0-Konzepte bisher am nachhaltigsten ausbremst. KI-Wächter entdecken schnell und zuverlässig Anomalien in Transaktionen und Prozessen, erkennen Bestechungsversuche und schützen effektiv vor Hackern.
Vorausschauende Wartung
Predictive Maintenance ist der Bereich, in dem sich KI-Systeme in der Produktion bisher am weitesten verbreitet haben. Das hat zwei Gründe: Solche Testprojekte sind abgrenzbar und zweitens kann dabei schnell ein sichtbarer ROI erzielt werden. Wenn Algorithmen den Betrieb von Maschinen überwachen, erkennen sie nicht nur, ob Anlagen und Werkzeuge fehlerfrei funktionieren, sondern auch ob die Gefahr eines Ausfalls besteht. KI ersetzt in diesem Fall starre Wartungspläne, was die Inspektionskosten um 25 %, die gesamten Wartungskosten um bis zu 10 % senken kann. Zudem können Unternehmen mit vorausschauender Wartung diese in planbare Zeitfenster schieben. Die Schaeffler-Gruppe bietet beispielsweise für Teile ihres Maschinenangebotes bereits selbststeuernde Überwachungstools an. Sensoren analysieren dabei in Echtzeit relevante Daten wie den Schmierzustand, auftretende Kräfte, Temperatur oder Schwingungen. Damit wird ein virtuelles Abbild des aktuellen Maschinen- und Prozesszustands erzeugt und automatisierte Wartungsaktivitäten eingeleitet – zum Beispiel den Einsatz von mehr Schmierstoff. Verbessert sich der Systemzustand daraufhin nicht, werden andersartige Fehlerquellen angenommen und automatisch eine Servicekraft informiert.
Qualitätskontrolle
KI im Bereich Qualitätssicherung beschränkt sich nicht nur auf Zwischen- und Endkontrollen. Der Vorteil intelligenter Systeme liegt vielmehr in der Optimierung des gesamten Produktionsprozesses. In vernetzten Umgebungen schlagen Rechner schon Alarm, wenn kritische Parameter ihre Sollgrenzen verlassen und ein fehlerhaftes Produkt hergestellt werden könnte. Dabei lassen sich auch bisher vernachlässigte Korrelationen einbinden: beispielsweise die Auswirkungen des Luftdrucks oder der Luftfeuchtigkeit, die Tageszeit, die Laufzeit einer Maschine oder der Verlauf innerhalb einer Losgröße. Entsprechende Lösungen bietet beispielsweise IBM mit „Watson“ an. Dieses Deep Learning-System stellt Algorithmen zur Verfügung, welche die Produktionsprozesse immer besser lernen und verstehen.
Kollaborative Robotik
Konventionelle Roboter führen nur vorab festgelegte Arbeitsabläufe aus. Auf Zwischenfälle sind sie nicht programmiert. Das macht eine enge Zusammenarbeit von Mensch und Maschine schwierig, denn menschliche Aktionen laufen nie gleich ab; ganz zu schweigen von Fehlern. KI kann dieses Hindernis überwinden, indem sie in Echtzeit Kamerabilder auswertet und adäquate Reaktionen berechnet. Darüber hinaus reduzieren KI-Systeme die notwendige Programmierung des Roboters auf ein Minimum – das erweitert deren Einsatzgebiete. Diese Systeme können durch Demonstrationen, überwachtes Training oder aus eigener Erfahrung lernen. Zu den Kennzeichen dieses Marktes zählt, dass neben den großen Anbietern wie Kuka, ABB, Fanuc oder Yaskawa immer mehr Start-ups und KMUs auf den Markt kommen. Ihr Portfolio umfasst dabei vor allem kleinere Modelle mit begrenzter Tragkraft und geringer Reichweite.
Intralogistik und Autonomes Fahren
In der Extralogistik hat sich zumindest im dicht befahrenen Europa Autonomes Fahren noch nicht durchgesetzt. Dessen Domäne ist bislang die Intralogistik. Schon vor dem Transport kommunizieren KI-gesteuerte Flurförderfahrzeuge miteinander, wer welchen Auftrag übernimmt und berechnen eigenständig die jeweils optimale Route – inklusive notwendiger Umwege, wenn mal wieder ein störender Mensch im Weg steht. Zalando hat beispielsweise ein neuronales Netz (siehe Kasten) trainiert, um die Zusammenarbeit zwischen den Mitarbeitern optimal aufzuteilen und darüber hinaus auch die kürzesten Pickrouten zu ermitteln. Dabei werden aktuelle Hindernisse wie abgestellte Paletten und Fahrzeuge berücksichtigt. Unterm Strich wurden damit die Wegzeiten um elf Prozent verringert.
Die ersten Schritte
Künstliche Intelligenz braucht Menschen und Daten. Menschen, die wissen, wie man Big Data aufbereiten und mit Computermodellen umgehen muss. Solche Data Scientists sind aktuell heiß umkämpft und in KMUs eher selten zu finden. Das macht den Einsatz externer Berater unabdingbar. Die zweite Grundvoraussetzung sind Daten. Sie sind im Industrie 4.0-Umfeld meist reichlich vorhanden, allerdings oft nicht konsistent gespeichert. Die Datenaufbereitung sollte nicht punktuell für jedes Projekt neu betrieben werden, sondern im Zuge der Digitalisierung unternehmensübergreifend organisiert werden. Das Fraunhofer IAIS empfiehlt als nächsten Schritt „Innovationsworkshops“, in denen Ideen gesammelt und erfolgversprechende Use Cases identifiziert und priorisiert werden. Wichtig ist dabei die frühzeitige Einbindung aller Beteiligten auch auf Shopfloor-Ebene. Erstens um deren Erfahrungen und Erwartungen einzubinden, zweitens um Vorbehalte schon im Vorfeld ausräumen zu können. Denn gerade Künstlicher Intelligenz gegenüber bestehen zahlreiche Vorbehalte – nicht nur von Frontline-Workern, sondern auch im Management. Für die Umsetzung eines Prototypen kommen dann maschinelle Lernverfahren ins Spiel. Diese können auf Machine Learning-Software basieren, auf Cloud-Anwendungen as a Service oder die Entwicklung eines Technologiepartners sein. In der folgenden Umsetzungsphase muss die eigene IT-Infrastruktur die Daten in Echtzeit verarbeiten und zur Verfügung stellen, was nicht selten eine schnellere und komplexere IT-Infrastruktur erfordert.
Lohnt der Aufwand?
Darauf gibt es für Unternehmen zwei Antworten: Noch nicht, sofern echtes intelligentes Verhalten gemeint ist. Neuronale Netze kommen in der Produktion erst in ausgesuchten Projekten der Global Players zum Einsatz; beispielsweise in der Qualitätskontrolle der Chiphersteller. Antwort zwei: Ja, sofern Machine-Learning-Anwendungen gemeint sind, die Daten dafür bereitstehen und der digitale Reifegrad der Menschen und des Unternehmens hoch genug sind.
Was ist Künstliche Intelligenz?
Es existiert keine eindeutige Definition von KI. Oft sind komplexe Algorithmen gemeint – zum Beispiel unternehmensweite Prozesssteuerungen oder Marktprognosen auf Basis großer Datenmengen. Streng genommen sind das keine KI-Systeme: Der Computer tut ausschließlich das, wofür er vorab programmiert wurde. Er arbeitet nach dem das Grundprinzip aller EDV Systeme: Eingabe – Verarbeitung – Ausgabe. KI-Systeme im engeren Sinn besitzen darüber hinaus eine weitere Fähigkeit: Sie lernen und gewinnen im Laufe der Zeit eigenständige Erkenntnisse. Mit Machine Learning können IT-Systeme auf Basis vorhandener Datenbestände und Algorithmen Muster und Gesetzmäßigkeiten erkennen und daraufhin gezielte Lösungen entwickeln. Aus Erfahrung wird quasi künstliches Wissen. Technologisch noch weiter geht Deep Learning auf Basis neuronaler Netze (siehe Kasten „Neuronale Netze“).
Was sind neuronale Netze?
Künstliche Intelligenz im Wortsinn basiert auf neuronalen Netzen. Diese Netze sind strukturell dem menschlichen Gehirn nachempfunden: Milliarden Speicher und Transistoren sind nicht statisch verbunden, sondern geben ihre Information erst beim Erreichen eines bestimmten Schwellenwertes an die nächsthöhere Ebene weiter. Diese Schwellenwerte werden vom System selbst verwaltet – deshalb können völlig unerwartete Verknüpfungen und Resultate entstehen. Ein neuronales Netz besteht aus mehreren Schichten. Die erste dient beispielsweise bei der Bilderkennung als Eingangslayer für empfangene Sensordaten. Der zweite Layer analysiert die Hell-Dunkel-Kontraste des Motivs. Der nächste Layer analysiert die Zahl und die Orientierung der Kanten. Die jeweils folgende Ebene kombiniert die Ergebnisse der vorangegangenen. Je höher der Layer, desto komplexer die untersuchten Strukturen. Die letzte Ebene dient zur Informationsausgabe – an den Monitor oder den Menschen. Stand heute werden weltweit neuronale Netze vor allem in der Sprach- und Bilderkennung eingesetzt. Die Akteure sind die bekannten Global Player, allen voran Google, IBM, Microsoft, Amazon und Facebook.
Serie Industrie 4.0
Wir begleiten Sie mit unserer Serie auf dem Weg zur Digitalisierung. In dieser Ausgabe beleuchten wir das Thema Künstliche Intelligenz. Alle Beiträge finden Sie auch online auf www.industrieanzeiger.de.
Dr. Christian Müller, Spezialist für „Agenten und Simulierte Realität“ am DFKI. Bild: Katrin BinnerNachgefragt
Herr Dr. Müller, wo steht Deutschland bei der Erforschung der Künstlichen Intelligenz?
Die Forschungs- und Wissenschaftslandschaft ist hierzulande gut ausgeprägt und weltweit führend – Seite an Seite mit den USA. Allerdings sind KI und Autonome Systeme strategische Projekte der chinesischen Regierung. Wir sind in der Forschung gut, aber in der Akzeptanz und Umsetzung sind uns die Asiaten voraus. Von dort aus wird in ein paar Jahren meiner Einschätzung nach nicht nur Tesla starke Konkurrenz bekommen. Die asiatischen Märkte sind riesig, die Regierungen subventionieren, das Kapital ist vorhanden und die Menschen bereit.
Prof. Dr.-Ing. Martin Ruskowski, Vorstandsvorsitzender der SmartFactory-KLNachgefragt
Prof. Ruskowski, was kann Künstliche Intelligenz besser als der Mensch?
KI kann den Menschen nicht ersetzen, jedoch seine Fähigkeiten ergänzen und ihm Fleißarbeit abnehmen. In unserer zunehmend digitalen Welt sind wir Menschen mit unseren klassischen Sinnen meist überfordert. Wir sind nicht in der Lage, große Datenmengen aufzunehmen oder komplexe Entscheidungen zu treffen, die viele Randbedingungen berücksichtigen müssen. KI-Systeme können uns hier unterstützen, indem sie beispielsweise Bilder erkennen, Messdaten analysieren oder Entscheidungsgrundlagen geben und dabei auf gelerntes und trainiertes Wissen der Vergangenheit zurückgreifen können. Je spezialisierter die Aufgabe ist, um so einfacher kann sie von einem KI-System übernommen werden. Es gibt jedoch nicht die eine KI. Es handelt sich vielmehr um einen großen Methodenbaukasten der Informatik, aus dem für den jeweiligen Anwendungsfall die richtigen Komponenten ausgewählt werden müssen.
Michael Grupp freier Journalist in StuttgartDie Roboter kommen
Die Vorteile Künstlicher Intelligenz sind derart überzeugend, dass es nur eine Frage der Zeit – sprich der Kosten – ist, bis sie sich großflächig auch in industrielle Prozesse einklinken wird. KI ist aber nicht nur eine technologische, sondern auch eine gesellschaftliche Herausforderung.
Leider hinkt die Politik der technologischen Entwicklung meilenweit hinterher. Darin liegt die wahre Bedrohung für Mitarbeiter und Unternehmen.
