Blog

Künstliche Intelligenz: Die Fertigung erreicht das nächste Level

Hoher Bedarf an künstlicher Intelligenz

 
December 12, 2018

Künstliche Intelligenz (KI) blickt auf eine unruhige Entwicklungsphase zurück. Heute jedoch ist die Technologie beträchtlich gereift. Diesen Erfolg verdanken wir der rasant gestiegenen Rechenleistung und der Notwendigkeit, in nie dagewesener Geschwindigkeit erzeugte Datenmassen zu verarbeiten. Diese Notwendigkeit nämlich führte zur Entwicklung von Algorithmen, die schnell Informationen aus Daten extrahieren, Muster erkennen und funktionale Beziehungen ableiten können. Produktionsunternehmen sind Vorreiter bei der Einführung entsprechender Technologien und stehen nun kurz davor, die Möglichkeiten von KI auszuschöpfen. Google testet bereits selbstfahrende Autos und Lastwagen, innovative Hersteller wie Audi und Volvo wollen bald Modelle mit fortschrittlichen Selbstfahrfunktionen einführen. Und dann gibt es da noch Unternehmen wie GE und Siemens, die die Leistung ihrer Kraftwerke durch KI optimieren und damit bereits signifikante Erfolge erzielt haben.

Ein Beispiel verdeutlicht das Potenzial von KI.

Künstliche Intelligenz: Eine praktische Anwendung

Für jedes Unternehmen ist es erfolgsentscheidend, die richtigen Lieferanten auszuwählen.

Da sich die Geschäftsnetzwerke heute über Grenzen und Zeitzonen hinweg erstrecken, sind auch die Lieferanten entsprechend weit verteilt, um den globalen Betrieb kostengünstig zu unterstützen. Die meisten Unternehmen wählen ihre Lieferanten nach vier Hauptkriterien aus: Qualität, Kosten, Service und Lieferzeit. Die Entscheidungskriterien variieren jedoch je nach Branche und zuweilen auch je nach Unternehmen. So haben beispielsweise Firmen aus dem Bereich Engineering Procurement Construction (EPC) oft projektbezogene Anforderungen, die kundenspezifische Konstruktionsänderungen erfordern können. Diese Unternehmen brauchen also flexible Lieferanten, die sich schnell auf kundenspezifische Anforderungen einstellen können. Gleiches gilt für Lieferanten im Luftfahrtsektor, in dem individuelle Designänderungen generell sehr spät im Projekt erfolgen. [CS1] Von den Lieferanten wird erwartet, dass sie Änderungen umsetzen, ohne dass die Vorlaufzeit darunter leidet. Und es gibt viele weitere Szenarien, die komplexere Auswahlverfahren erfordern.

KI-Methoden wie Machine Learning (ML) können diese Herausforderung lösen. Ein ML-Modell filtert Lieferanten, die bestimmte Anforderungen nicht erfüllen, präzise heraus und bewertet sie anschließend. Dazu wird zuerst das ML-Modell mit den Kriterienvariablen gefüttert, um es zu trainieren. Basierend auf den Trainingsdaten wird das Modell verfeinert und schließlich in Betrieb genommen. Das Modell lernt kontinuierlich aus den Daten und trifft so immer genauere Vorhersagen. Jede Vorhersage ist jedoch nur so gut wie die zugrundeliegenden Daten, darum ist deren Qualität entscheidend für die Effektivität von ML-Modellen. Den richtigen Algorithmus zu identifizieren ist ein kniffliger Prozess, weil sich ein- und dieselbe Herausforderung je nach dem Verständnis der Modellierer mit unterschiedlichen Ansätzen lösen lässt. Um den richtigen Algorithmus auszuwählen, ist es zudem wichtig, neben dem Datensatz (Größe, Qualität) auch die verfügbare Rechenzeit zu berücksichtigen.

Der Weg in die Zukunft

KI ist für Hersteller in allen Bereichen relevant. Im produzierenden Sektor treiben derzeit vor allem Automobilindustrie und Montagefirmen die Einführung voran. Es bleibt noch Zeit, bis die Technologie zum Mainstream wird. Unternehmen wie GE, Toyota, Tesla und BMW, die proaktiv in KI investiert haben, erzielen jedoch bereits höhere Gewinnmargen.

Vor etwa sechzig Jahren erregte KI dank der Arbeit von Alan Turing große Aufmerksamkeit. Die Technologie fand jedoch nie ihren Weg in den Mainstream und die Fortschritte beschränkten sich auf Forschung, Konzepte und wenige Prototypen. Angesichts des exponentiellen Wachstums digitaler Schlüsseltechnologien wie Cloud, Storage, Analytics und CPU/GPU-Rechenleistung ist dies der beste Zeitpunkt für Unternehmen, den Einsatz von KI in Betracht zu ziehen.

Abhinav Darbari ist Digital Business Consultant for the Europe & Japan Manufacturing Industry Advisory practice (ITG). Er verfügt über rund zehn Jahre an Industrie- und Beratungserfahrung in der Zusammenarbeit mit globalen Kunden aus den Branchen Elektro/Elektronik, Automotive, Energiewirtschaft, Luftfahrt und IT. In seiner jetzigen Funktion unterstützt er Kunden dabei, digitale Strategien und Transformationsroadmaps unter Nutzung von Frameworks und Tools zu entwickeln. Darüber hinaus experimentiert er gerne mit neuen Technologien wie ML und IoT und ist in mehreren DIY-Projekten aktiv. Er ist Maschinenbauingenieur und Absolvent des Indian Institute of Management (IIM), Kalkutta.