craftworks-Gründer Jakob Lahmer, Simon Grabher, Michael Hetteger
Das craftworks-Gründerteam: Jakob Lahmer, Simon Grabher, Michael Hettegger (v. li.)
© craftworks

Künstliche Intelligenz: 10 Schritte aus der Krise

Industrie 4.0, künstliche Intelligenz und die digitale Fabrik beschäftigen zunehmend auch die Bauindustrie. Gerade jetzt in der Krise bietet sich damit die Chance, Kosten nachhaltig zu reduzieren. Das Wiener Software- und KI-Unternehmen craftworks hat aus der Erfahrung aus über 20 erfolgreich umgesetzten Projekten einen praxisorientierten Leitfaden entwickelt.

Die Automatisierung von Produktionsprozessen beschäftigt Industrieunternehmen seit vielen Jahren. Der Druck in der derzeitigen Krise Kosten einzusparen, zwingt die heimische Industrie geradezu, die Digitalisierung noch schneller voranzutreiben. Für den Industriestandort Österreich wird durch den Einsatz von künstlicher Intelligenz (KI) – oder Artificial Intelligence (AI) – ein Anstieg um jährlich drei Prozent des Wirtschaftswachstums vorausgesagt, dies geht aus einer Studie von Accenture – Berater für Strategie, Management Consulting, Digitalisierung, Technologie, Outsourcing und Business Transformation – hervor. Dies entspricht einer Verdopplung im Vergleich zum Szenario ohne Einsatz von intelligenten Systemen.

Wichtige Begriffe KI (Glossar)

Doch diese Technologien stellen Unternehmen vor neue Herausforderungen, wie etwa die richtige Datenerfassung. Das 26-köpfige Expertenteam von craftworks entwickelt IT-Infrastrukturen und Lösungen für vorausschauende Wartung und Qualitätssicherung. Zu den Referenzkunden zählen Unternehmen wie Audi, Engel, Wienerberger und Blum.

Craftworks hat sich auf das Thema künstliche Intelligenz in der Industrie spezialisiert und konnte gemeinsam mit Unternehmen aus ganz Europa zeigen, welches Potenzial KI birgt. So konnten KI-Algorithmen etwa Prozess-Instabilitäten beim Metallpressen reduzieren und so mehr Bauteile produziert werden. Bei einem anderen Kunden konnten mangelhafte industrielle Ersatzteile durch visuelle Inspektion richtig klassifiziert werden. In der Ziegelproduktion konnte der Ausschuss um zwei Prozent reduziert werden.

Datengetriebene Prozessoptimierung ist kein Innovationsprojekt, das in Zukunft von einem neuen Trend abgelöst wird. Industrial AI wird zur Grundlage für Marktführerschaft (Michael Hettegger, Mitgründer craftworks)

Um Projektleiter bei der Umsetzung von KI-Prototypen und Rollouts zu unterstützen, hat craftworks einen Guide mit zehn Schritten verfasst, eine praxisorientierte Orientierungshilfe mit Best-Practice-Beispielen sowie Tipps und Tricks für eine erfolgreiche Projektumsetzung vom Prototyp bis zum Rollout:

  1. Vom Use Case zum Business Case: Im ersten Schritt wird festgelegt, in welchem Unternehmensbereich das Pilotprojekt gestartet werden soll. Für ein Industrial AI-Projekt eignen sich Prozesse, die entweder komplex sind, nicht lineares Verhalten aufweisen, durch plötzliche Veränderungen auffallen, signifikante Ausschusskosten verursachen oder durch einen Maschinenausfall hohe Kosten erzeugen.
  2. Die passende Machine-Learning-Methode: Aus einem breiten Methodenset wird der passende Lösungs­ansatz gesucht. Die angewendeten Machine-Learning-Methoden ergeben sich aus der Zielsetzung, den Prozessen und den Daten des Use Cases.
  3. Der „perfekte“ Datensatz: In der dritten Projektphase müssen die Daten für das definierte Industrial AI-Projekt zusammengestellt werden. In einem Daten-Workshop werden gemeinsam mit ausgewählten Experten des Unternehmens geeignete Datensätze definiert. Dabei gilt grundsätzlich: Mehr Daten sind besser als kleine Datenmengen. Die tatsächlich benötigte Datenquantität hängt jedoch stark vom Use Case ab. Unterschiedliche Datenquellen werden miteinander verknüpft. Das Resultat eines Industrial AI-Projekts ist nicht eine einmalige Datenanalyse, sondern die Erstellung eines wiederverwendbaren, prädiktiven Modells.
  4. Der Proof of Concept: Erst wenn mit den Daten produktiv gearbeitet wird, entstehen valide Aussage darüber, wie robust ein Machine Learning-­Modell ist und wie es weiterentwickelt werden kann. Eine Machbarkeitsstudie gibt eine erste Einschätzung zur Realisierbarkeit der AI-Lösung. In der Optimierungsphase werden durch die Einbindung in die Produktivumgebung weitere Optimierungen des Modells und Prototyps durchgeführt. Bei einer erfolgreichen Umsetzung kann die Lösung in der vierten Phase als Ausgangspunkt für weitere Use Cases oder für mehrere Maschinen und Standorte ausgerollt und skaliert werden.
  5. Der Erfolgsfaktor Team: In der Zusammenarbeit wird zwar ein großer Teil des Industrial AI-Projekts ausgelagert, dennoch braucht es regelmäßig unternehmensspezifischen Input, um die Applikation zu entwickeln. Der unternehmensinternen Projektgruppe müssen zumindest zwei Stunden in der Woche zur Verfügung stehen, um auf Fragen und notwendige Aufgaben reagieren zu können.
  6. Die Visualisierung von Ergebnissen: Analyseergebnisse schaffen dann einen Mehrwert, wenn sie für Anwender interpretierbar und nachvollziehbar sind. Dies schafft Vertrauen in eine Technologie, der von Anwendern oft erstmals mit Misstrauen begegnet wird.
  7. Zentrale Entscheidungen rund um den Software-Einsatz: Gearbeitet wird ausschließlich mit Open Source-Technologien. Machine-Learning-Modelle können als Service genutzt werden oder direkt in eine Software-Anwendung integriert werden. AI-Anwendungen können problemlos in der internen Infrastruktur (on-premise) als auch in einer (public) Cloud-Lösung betrieben werden.
  8. Machine-Learning-Modelle laufend verbessern: Die meisten Datenbestände verändern sich mit der Zeit. Dies betrifft auch den industriellen Kontext. Maschinen generieren laufend neue Daten, werden mit zusätzlichen Sensoren ausgestattet und Umgebungszustände verändern sich.
  9. Vom Prototypen zum globalen Rollout: Nach einem erfolgreichen Pilotprojekt, das sich in der Regel auf einige wenige Maschinen oder Prozesse beschränkt, ist der nächste Schritt ein Rollout des Piloten auf weitere Maschinen.
  10. Die Dokumentation als solide Zukunftsbasis: ­Industrial AI ist kein fertiges Produkt oder eine Lösung, die man kauft, sondern eine Prozessentwicklung. Die Ergebnisse des Pilotprojekts werden nicht immer den festgelegten Zielsetzungen entsprechen. Ein professionell durchgeführtes Industrial AI-Projekt ist aber auf jeden Fall mit einer steilen Lernkurve verbunden, die sich positiv auf Folgeprojekte auswirkt.

Quelle:

Download