Herr Dommermuth, Sie werden in Ihrem Vortrag auf dem Smart Factory Summit über KI im Fertigungsumfeld sprechen. Wo sehen Sie die größten Potenziale für KI?
Die KI bietet vorneweg vielschichtige Potenziale. Hierfür haben wir eigens eine Studie gemeinsam mit IDC durchgeführt, um zu ermitteln, wie Unternehmen ihrerseits bereits KI-Anwendungsfälle umgesetzt oder geplant haben. Eine der Fragestellungen an die beteiligten Unternehmen aus verschiedenen Fertigungsbranchen war, wo die Unternehmen die wichtigsten Anwendungsfälle für KI sehen. In meinem Vortrag werde ich die elf meistgenannten Anwendungsfälle der Studie vorstellen und vertiefend erläutern. Diese reichen von kontinuierlicher Überwachung von Produktionsanlagen über die Zusammenarbeit mit Lieferanten bis hin zu anspruchsvollen Lösungen zum autonomen Fahren oder etwa den digitalen Zwilling. Grundsätzlich kann man sagen: Dort, wo viele Daten zusammenkommen und ausgewertet werden müssen, bieten sich für KI große Potenziale. Das gleiche gilt für Bereiche, in denen Prozesse automatisiert werden sollen. In solchen Anwendungen ermöglicht es KI, Produktionsprozesse zu optimieren, um beispielsweise Ausfall- und Rüstzeiten zu reduzieren oder Kosten zu senken.
Künstliche Intelligenz ist ja zur Zeit ein großer Hype-Begriff. Aber konkret geht es in den meisten Fällen um Machine Learning, richtig?
Bei einem großen Teil von Anwendungsfällen im Fertigungsumfeld wird von KI gesprochen, wenn eigentlich Machine Learning dahintersteckt. Machine Learning ist fachlich ein Teilbereich der KI. Beim Machine Learning werden auf Basis von statistischen Daten Muster erkannt und auf dieser Basis durch das System Entscheidungen getroffen. Je mehr Daten dafür zur Verfügung stehen, desto besser und genauer können Ergebnisse und Prognosen daraus gezogen werden. In den komplexeren Bereichen wie Anomalienerkennung und digitalem Zwilling werden allerdings zusätzlich zum Machine Learnung Teilbereiche der KI wie etwa neuronale Netze genutzt.
Predictive Maintenance – also eine vorausschauende Instandhaltung – ist die Anwendung, die immer wieder genannt wird, wenn von KI in der Fertigung gesprochen wird.
Es ist ganz klar, dass viele produzierende Unternehmen Predictive Maintenance oder erweiterte Formen von Predictive Maintenance nutzen wollen. Es geht darum, dass Machine-Learning-Algorithmen aufgrund der ermittelten Sensordaten erkennen, wenn ein Teil droht auszufallen, sodass diese Maschine gewartet wird, ehe sie gänzlich versagt. Das Condition Monitoring ist eine Teildisziplin der Predictive Maintenance, hier werden Teile einer Maschine ausgetauscht, wenn diese den höchsten Punkt der Produktivität überschritten haben, und nicht, weil sie laut Plan alle zwei Jahre ausgetauscht werden müssten. Dafür benötigt man Echtzeitdaten, eine Plattform zur Persistierung der Daten und Machine-Learning-Algorithmen, um auswerten zu können, wann der richtige Zeitpunkt zur Wartung ist. Bei diesen Beispielen zeigt sich auch deutlich der Mehrwert von ML und KI: Prozesse werden optimiert, Ausfallzeiten und -folgen minimiert.
Predictive Maintenance ist also deshalb eine beliebte KI-Anwendung, weil man dort den Nutzen sofort sieht?
Der Nutzen lässt sich bei den anderen Anwendungen genauso erkennen. Aber bei Predictive Maintenance benötigt man im Prinzip „nur“ die Maschinendaten und wenn man das weiter ausbauen möchte, noch die Anbindung an ein MES und/oder ERP-System. Mit dem notwendigen Know-how und der technischen Voraussetzung – wie etwa Sensorik, Connectivity, Datenplattform – ist dies im Vergleich mit den komplexeren KI-Anwendungsfällen relativ zügig umsetzbar. Wenn man jedoch im Zusammenhang mit einem digitalen Zwilling oder autonomen Transportfahrzeugen KI nutzen möchte, benötigt man einen Datenbestand, der sich aus verschiedensten Bereichen speist. Je höher die Komplexität der Daten ist, je mehr Silos eingebunden werden sollen, je mehr Informationen von außen zusammengeführt werden müssen, desto komplexer wird dementsprechend die Umsetzung. Dazu fehlen in den Unternehmen oft notwendige Technologien für Datenmanagement sowie die Ressourcen.
Was meinen Sie mit Ressourcen?
Hierbei geht es zuvorderst um Fachkräfte im Bereich Data Science und Entwicklung. Es ist derzeit so, dass Data Scientists auf dem Markt gesucht werden. Das gilt auch für Software-Entwickler im Bereich der KI. Generell sind Mitarbeiter, die KI-Modelle entwickeln und diese verstehen, sehr begehrt. Ein Beispiel aus der Automobilindustrie verdeutlich dies. Hier etabliert ein führender Autobauer einen eigenen Unternehmensbereich mit über 4.000 Mitarbeitern, die KI-Projekte umsetzen. Hieran sieht man, dass Unternehmen bereits erkannt haben, wie wichtig gute Mitarbeiter sind, um zukünftige Ziele der digitalen Transformation zu erreichen. Aber nicht nur die Großkonzerne haben den Wandel der Zeit erkannt, sondern auch der Mittelstand greift das Thema auf und denkt aktiv über die Neuausrichtung seiner Fachkräfte nach.
Und der Mittelstand hat das Nachsehen.
Der Mittelstand hat es in diesem Fall teilweise schwerer, an diese Fachkräfte zu kommen. Aber er kann sich mit der Auswahl der richtigen Technologie gut wappnen und seine eigenen Ressourcen für kommende Aufgaben in KI/ML-Anwendungsfällen damit ausbauen. Ein Ergebnis unserer eingangs erwähnten Studie ist, dass 58 Prozent aller Befragten gerne in KI investieren würden, aber schlicht und einfach die Fachkenntnisse und Ressourcen fehlen. Das ist aus meiner Sicht eine Aussage, die zeigt, dass alternative Vorgehensweisen erforderlich sind. Die richtigen Technologien und externe Unterstützung in Teilbereichen der fehlenden Ressourcen können diese Unterschiede wieder ausgleichen.
Das sind dann zum Beispiel Anbieter wie Intersystems.
Intersystems ist primär ein Technologielieferant. Die Datenplattform, die wir bieten, unterstützt die Unternehmen, wenn es um den Ausgleich fehlender Ressourcen geht – beispielsweise Interoperabilität durch frei konfigurierbare Schnittstellen und Datenworkflow statt Schnittstellenentwicklung. Hier können fehlende Ressourcen durch den Einsatz der richtigen Technologie ausgeglichen werden. Mit unserer Datenplattform Intersystems IRIS bieten wir darüber hinaus die Möglichkeit, Machine-Learning-Algorithmen zu erzeugen, ohne dass dafür umfassende Expertise notwendig ist. Es reichen SQL-Kenntnisse, die oft in den Unternehmen vorhanden sind. Die Partner erhalten durch die Datenplattform bereits sehr viel aus einer Hand und können die vorhandenen Ressourcen optimiert einsetzen.
Das heißt, der Einsatz von KI ergibt grundsätzlich auch für kleine und mittlere Unternehmen einen Sinn?
Ja, das ist ein ganz wichtiger Punkt. Es gilt, die vorhandene Menge an Wissen und Ressourcen optimal zu nutzen und gleichzeitig die Möglichkeit der Skalierung zu bieten. Denn kleine Unternehmen müssen klein und bedarfsgerecht starten können. Sie sollten mit umsetzbaren Anwendungsfällen starten. Für diese ist es wichtig, dass die Technologie schrittweise und nach den Anforderungen des Unternehmens erweitert und skaliert werden kann.
Also klein beginnen und dann langsam wachsen.
Dies ist das Ideal, ja. Denn selbst wenn Anlagen mit Sensorik ausgestattet sind, können die dort generierten Daten wegen der fehlenden Interoperabilität häufig nicht zusammengeführt oder wegen der fehlenden Analysemöglichkeit nicht ausgewertet werden. Schlussendlich führt kein Weg daran vorbei, sich mit einer passenden Lösung im Datenmanagement auseinanderzusetzen. Diese bildet das Fundament für das darauffolgende. Eine Plattformlösung, die mit den entsprechenden Funktionen wie Integrated-ML und Adaptive Analytics ausgestattet ist, hilft den Unternehmen, die Mitarbeiterressourcen so einzusetzen, dass diese die Aufgaben der eigentlich höher spezialisierten Fachkräfte übernehmen können. Mit der richtigen Datenplattform und entsprechend geschulten Mitarbeitern können KI-Anwendungsfälle in der für das Unternehmen passenden Agilität aufgesetzt werden.
Wie weit sind die Unternehmen schon, wenn es um die Umsetzung der verschiedenen Anwendungsfälle geht?
In keinem der genannten Anwendungsfälle haben laut unserer Studie mehr als 50 Prozent der befragten Unternehmen entsprechende KI-Anwendungen umgesetzt. Viele Unternehmen möchten zwar in verschiedene KI-Lösungen investieren, aber begonnen hat damit nicht einmal die Hälfte der befragten Unternehmen.
Zur Person
Peter Dommermuth ist bei Intersystems im Vertrieb für das Datenplattform-Geschäft zuständig – speziell im Bereich Manufacturing. Einen besonderen Fokus setzt er hier auf die Bereiche Künstliche Intelligenz und Machine Learning.
Das Unternehmen
Intersystems ist Anbieter von Datentechnologie für hochsensible Daten im Gesundheitswesen, in der Finanzbranche, der Fertigungsindustrie und in der Logistik. Mit seinen Cloud-first-Datenplattformen unterstützen die Experten Unternehmen in aller Welt bei der Lösung ihrer Herausforderungen in den Bereichen Skalierbarkeit, Interoperabilität und Geschwindigkeit. Intersystems bietet seinen Kunden und Partnern in mehr als 80 Ländern Rund-um-die-Uhr-Support. Das 1978 gegründete Unternehmen mit Hauptsitz in Cambridge, Massachusetts (USA) ist mit 25 Niederlassungen rund um den Globus vertreten.
