Künstliche Intelligenz am Fließband

Die Qual der Wahl

Der Markt für KI- und ML-Produkte boomt, auch produzierende Unternehmen sehen sich schnell einer recht unüberschaubaren Auswahl gegenüber. Bei der Frage, welches Angebot für die eigenen Anforderungen sinnvoll ist, hilft die übergeordnete Frage nach den ausgerufenen Zielen sowie Definition von KPIs. Die Manufacturing-Branche hat darauf viele mögliche Antworten: Produktionsvolumen, Kosten, Downtime der Anlagen oder Mangelware sind dabei nur einige Beispiele für konkrete Zahlen entlang der Fertigungslinie. Mit den verpflichtenden ESG-Reports werden in Zukunft aber auch andere Faktoren immer wichtiger, etwa die Arbeitssicherheit, die Ressourceneffizienz oder der eigene ökologische Fußabdruck. KI und ML können in diesem Bereich unterstützen, etwa mit Lösungen der Anomaly Detection, einem Teilbereich der Predictive Maintenance. Dabei misst die Software verschiedene Parameter, wie Temperatur oder Vibration, und vergleicht sie mit vorgegebenen Normwerten. Entdeckt das System Abweichungen, können Unternehmen zügig Gegenmaßnahmen einleiten, bevor beispielsweise Produktionsanlagen aufgrund von Schäden längere Zeit ausfallen. Damit diese und andere Technologien ihren Weg von der Idee bis in die Produktion schaffen, müssen IT-Abteilungen und zuständige Führungskräfte einige wichtige Entscheidungen treffen.

Fachabteilung und Datenspezialisten im Team

Zum einen ist die Einbindung der Fachseite essentiell, um die Business-Prozesse abzudecken, die Expertise aus dem Tagesgeschäft zu involvieren und Probleme zu identifizieren. In einem nächsten Schritt stellen sich weitere Fragen: Liegen genug Daten vor, um mit ihnen Modelle zu trainieren? Wie ist es um die Qualität der Daten bestellt? Und wie können Unternehmen sicherstellen, dass eine kontinuierliche Datenerhebung realisierbar ist – eine weitere Prämisse, um stetige Trainingsprozesse zu etablieren und Anpassungen an den Modellen vorzunehmen.

Data Scientists oder vortrainierte Modelle?

Eng verbunden ist dabei die Entscheidung, ob das Unternehmen in dieser Phase der Digitalisierung auf Data Scientists angewiesen ist, oder ob es alternative Lösungen gibt. Die kommen zunehmend in Form von vortrainierten Modellen aus der Cloud, an denen Unternehmen nur noch feingranulare Anpassungen vornehmen müssen und sie mit ihren gelabelten Daten füttern. Diese Services sind auch deswegen für die Fertigungsindustrie vielversprechend, weil zahlreiche Anwendungsfälle schon lange bekannt sind und entsprechende Lösungen bereits existieren. Auf diese Weise generierte Modelle sind mit geringem Aufwand trainierbar, um beispielsweise Verschleißmerkmale an den Anlagen zu erkennen oder Produkte auf ihre korrekte Herstellung hin zu überprüfen. Diese durchaus kostengünstigen Cloud-Lösungen machen Data Scientists zwar nicht ihre zentrale Rollen streitig, sie erweitern allerdings das Portfolio an möglichen Alternativen.

Datum:16. November 2023

Autoren:Stefan Bergstein, Principal Chief Architect, Red Hat

Themen: Technik

Webseite: www.redhat.com

Downloads:

Das könnte Sie auch interessieren

Topstory

Generative KI in der Fertigung: Der Mehrwert ist oft noch unklar

3 Prozent der großen Industrieunternehmen setzen GenAI bereits großflächig ein, und rund ein Viertel hat erste Pilotprojekte gestartet. Laut einer Untersuchung der Unternehmensberatung McKinsey kann die Mehrheit der Unternehmen den Mehrwert der Technologie für den Unternehmenserfolg bislang aber noch nicht beziffern.‣ weiterlesen