Künstliche Intelligenz (KI) ist ein vieldiskutiertes Thema, das bisweilen als zweischneidiges Schwert betrachtet wird. Zum einen soll sie die Industrie revolutionieren und gängige Prozesse und Herstellungsverfahren fundamental verbessern. Zugleich wird KI bereits als der große Jobkiller gefürchtet, der Tausende Arbeitskräfte in der Industrie obsolet machen könnte. Wie aber ist der Status quo in Sachen KI wirklich und wo kommt die Technologie bereits zum Einsatz?
Wenn man sich mal umschaut, dann ist KI – ganz unabhängig vom industriellen Kontext – bereits im Alltag der Menschen angekommen, beispielsweise in Form von Sprachassistenten in Smartphones oder Heim-Systemen à la Alexa und Google Home, aber auch bei der intelligenten Routenplanung, die Baustellen und Staus in Echtzeit einbezieht, oder als Produktempfehlungen im E-Commerce.
In der Industrie hingegen wird KI noch lange nicht so häufig eingesetzt, wie man denken würde. Ein Beispiel hierfür ist Predictive Maintenance: Laut einer aktuellen bitkom-Umfrage glauben 15 Prozent der Befragten, dass die vorausschauende Wartung bereits Standard in der Industrie sei. Tatsächlich kommt Predictive Maintenance jedoch derzeit in gerade einmal zwei Prozent der Unternehmen zum Einsatz. Das enorme Potenzial der Künstlichen Intelligenz wird also in der produzierenden Industrie noch lange nicht ausgeschöpft und ihr Einsatz steckt in Deutschland durchaus noch in den Kinderschuhen.
Einigkeit besteht vor allem darin, dass KI eine Zukunftstechnologie von höchster Relevanz und für nachhaltigen Geschäftserfolg unverzichtbar ist. Zu diesen Ergebnissen kommt eine Studie von Deloitte, für die KI-Experten weltweit befragt wurden, darunter auch 200 deutsche Entscheider. Der Wille zum Einsatz von KI ist also da. Es hapert jedoch vielerorts an der Umsetzung. Allen voran mangelt es an fachlichem Know-how und Ressourcen in den Unternehmen. KI-Spezialisten und Fachkräfte wiederum sind rar und auf dem Arbeitsmarkt entsprechend stark umworben.
Einen Ausweg aus dieser Situation bietet der Ansatz von „AI-as-a-Service“ oder auch der Zukauf von bereits einsatzbereiten KI-Lösungen. Sie ermöglichen es, KI-Projekte auch bei geringerem Wissensstand oder wenig Personal im Unternehmen anzugehen und umzusetzen. Der Nachteil dieses Ansatzes: Mit KI “von der Stange” kann nur unzureichend auf die individuellen Rahmenbedingungen und Herausforderungen eines Unternehmens eingegangen werden. Grundsätzlich liegt der Fokus der Unternehmen auf KI-Projekten mit kleinen, machbaren Use Cases, die einen schnellen Mehrwert erbringen. Im Durchschnitt machen sich die Projekte hierzulande innerhalb von 1-2 Jahren bezahlt, und damit schneller als im internationalen Durchschnitt.
Trotz aller positiven Entwicklungen: Ein gewisser Vorbehalt bleibt. Die Technologie könne die Menschen unterjochen statt sie zu unterstützen, befürchten Skeptiker. Tatsächlich aber können dem Menschen repetitive Aufgaben abgenommen werden, wodurch Zeit frei wird, um sich anderen, kreativeren Prozessen zuzuwenden. Von Vorstellungen aus der Science-Fiction-Welt, in denen intelligente Maschinen „die Macht übernehmen“ sind wir in der Realität weit entfernt sind. Zurzeit sieht es in der Regel so aus, dass der KI ein klar festgesteckter Anwendungsrahmen mit genauen Aufgaben und Zielen vorgegeben wird – und davon weicht sie auch nicht ab.
Was aber genau sind aktuelle Anwendungsbereiche für KI in der Industrie? Der bei Weitem häufigste und bekannteste Use Case ist – wie bereits erwähnt – Predictive Maintenance. Dank der vorausschauenden Wartung können technische Fehler und Probleme im Fertigungsprozess erkannt und behoben werden, ehe Maschinen ausfallen und die Produktion still steht.
Ein weiteres häufiges Einsatzfeld ist die Qualitätsprüfung und -sicherung. Hier können mittels intelligenter Bilderkennung optische Inspektionen durch KI-Anwendungen dabei helfen, Fehler- oder Prozessanalysen durchzuführen. Konkrete Beispiele sind Oberflächenprüfung, Vermessung von Größe und Formen, Vollständigkeitsprüfung, Objekterkennung sowie Lage- und Positionserkennung.
Im Industriellen Produktdesign werden mittels komplexer Berechnungen der KI anhand von Big Data beispielsweise Bauteile bereits stark optimiert entworfen, indem schon während der Entwicklungsphase zum Beispiel das Gewicht verringert wird, Rohstoffe optimal eingesetzt und dadurch Kosten von Anfang an eingespart werden.
Wie gut diese und andere KI-Anwendungsfälle in der Praxis jedoch funktionieren, steht und fällt mit den zur Verfügung stehenden Daten, Stichwort Big Data. Denn ohne Daten können die Algorithmen der KI-Anwendungen nicht trainiert werden. Entsprechend großes Potenzial liegt in der systematischen Verknüpfung von IoT und Künstlicher Intelligenz. Auf dieser Erkenntnis baut Device Insight gemeinsam mit dem schwedischen KI-Spezialisten Sentian auf und bietet mit dem gemeinsam Ansatz der “Artificial Intelligence of Things” (AIoT) eine innovative Herangehensweise, um Produktionsprozesse integriert zu optimieren. So können Abweichungen im Produktionsprozess mithilfe von Machine Learning reduziert und Qualität sowie Ertrag insgesamt deutlich erhöht werde.
Das Whitepaper „Warum Predictive Maintenance nicht ausreicht – Intelligente Automatisierung mit AIoT“ liefert einen fundierten Einblick sowie konkrete Praxisbeispiele.
Delivering excellence in IoT. Wir sind ein IoT Solution Provider für Smart Products, Connected Vehicles, Smart City, Smart Energy und Smart Production.
