KI in der Produktion: vielversprechend, aber schwer umzusetzen

Das Potenzial von KI-Verfahren in der industriellen Produktion ist erheblich. Groß sind jedoch auch die Schwierigkeiten bei der Einführung. Neue Ansätze aus der Wissenschaft sollen die Planung und Umsetzung erleichtern.

Mit dem Einsatz von Künstlicher Intelligenz (KI) in der industriellen Produktion verbinden sich viele Hoffnungen. Von deutlich gesteigerter Produktivität ist die Rede, von vollautomatisierten Fertigungsabläufen oder sich eigenständig instandsetzenden Maschinen. Nach Einschätzung der Wissenschaftlichen Gesellschaft für Produktionstechnik (WGP) wie auch der Fraunhofer-Gesellschaft bieten KI-Verfahren ein erhebliches Potenzial, um die Wettbewerbsfähigkeit des Standorts Deutschland zu stärken.

Die Realität in der industriellen Praxis sieht dagegen ernüchternd aus. In der Produktion kommen KI-Verfahren bislang zumeist nicht über den Status eines Pilotprojekts unter Beteiligung eines Forschungspartners hinaus. Laut einer Bitkom-Umfrage aus dem Jahr 2022 setzen bislang nur 9 % der befragten Unternehmen KI ein, davon aber immerhin 54 % in der Produktion. Auch der Ausblick rückt die Erwartungen an KI-Verfahren für die Produktion in den Fokus; denn von den Unternehmen, die bislang noch keine KI einsetzen, halten 80 % einen zukünftigen Einsatz in der Produktion für wahrscheinlich.

Was den KI-Einsatz erschwert

Dass der Einsatz von KI-Verfahren in der Produktion deswegen jedoch unmittelbar vor dem Durchbruch steht, darf bezweifelt werden. Zu schwierig ist derzeit noch der Aufbau und der langfristige Betrieb entsprechender Konzepte. Die Gründe dafür sind vielfältig. Zum einen fehlt es den Betrieben an praktischer Erfahrung mit KI-Methoden. Zudem verfügen die meisten Produktions- und Automatisierungsingenieure nicht über tiefgreifende KI-Expertise. KI-Experten wiederum fehlt oftmals das Verständnis über die Spezifika der industriellen Domäne. Dazu kommt, dass der konkrete Nutzen einer KI in der Produktion für viele Unternehmen schleierhaft ist, denn die Frage, ob produzierende Unternehmen vom Einsatz einer KI profitieren, lässt sich nicht pauschal beantworten.

Laut Christoph Haag und Nicolas Pyschny von der Technischen Hochschule Köln hängt der Nutzwert, der sich durch den KI-Einsatz erzielen lässt, von drei Faktoren ab, wie sie im Kapitel Künstliche Intelligenz für die industrielle Produktion – Ein kontextorientierter Bewertungsrahmen des Buchs Digitalisierung erläutern:

• von der Unternehmensspezifität, die sich zum Beispiel aus der Art des Geschäfts- und Wertschöpfungsmodells, den jeweiligen Marktmechanismen oder dem angewandten Fertigungsprinzip ergibt
• vom konkreten Prozesskontext; ob es also etwa um die Produktionsplanung, die Maschinenüberwachung oder um After Sales Service geht
• vom Komplexitätsgrad der Managementaufgabe, der von Anzahl und Veränderlichkeit der Variablen abhängt, die für eine Entscheidung berücksichtigt werden müssen.

In welcher Fertigung sich der KI-Einsatz lohnt

Erstrebenswert ist die KI-gestützte Datenverarbeitung laut Haag und Pyschny besonders in Prozessen, in denen die Relevanz der Datenverarbeitung hoch ist und komplexe Entscheidungen zu treffen sind. Lohnen würde sich eine KI damit beispielsweise für ein Unternehmen des Sondermaschinenbaus, das Unikatprodukte in Einzelteilfertigung herstellt und Bearbeitungszeiten und den Bedarf an Vormaterialien erst nach Auftragseingang abschätzen kann. In solch einem Unternehmen lässt sich die Produktionsplanung nicht ohne weiteres algorithmisch abbilden. Das theoretische Nutzenpotenzial einer KI wäre hier sehr hoch.

Weniger eindeutig wäre der Nutzen einer KI für ein Unternehmen, das bereits bekannte Produkte in Kleinserien und in Losfertigung herstellt. Hier ließen sich Planungsaufgaben Haag und Pyschny zufolge algorithmieren und auf digitalen Systemen programmieren.

Umsetzung ist betriebswirtschaftlich herausfordernd

In jedem Fall sollte man sich in Unternehmen aber darüber bewusst sein, an welchen Stellen in der eigenen Wertschöpfung digitale Mittel wie eine KI überhaupt einen Mehrwert bringen könnten. Ansatzpunkte liefern beispielsweise Engpässe im Wertstrom oder für die Durchlaufzeit kritische Prozesse sowie Maschinen mit höchsten Anforderungen an die Verfügbarkeit.

Doch selbst wenn am theoretischen Nutzwert einer KI für die eigene Produktion kein Zweifel besteht, bleibt die Umsetzung herausfordernd – und zwar aus technischer, organisatorischer und betriebswirtschaftlicher Sicht. Beispielsweise müssen bestehende Anlagen angepasst oder modifiziert werden, wobei die Inbetriebnahme zu kostspieligen Stillstandszeiten führt. Dazu kommt, dass sich die Kosten für die Entwicklung, die Inbetriebnahme und den Betrieb solcher Systeme oftmals schwer abschätzen lässt.

Produktion unterscheidet sich von anderen KI-Anwendungen

Unterstützung bei der Einführung von KI-Methoden in Produktionsanlagen verspricht nun ein Verbund von sechs Fraunhofer-Instituten. Im Projekt ­­­­­­­­­­­­­­­­­­­­­Machine Learning for Production (ML4P)  haben sie eine toolgestützte Vorgehensweise entwickelt, das interessierten Unternehmen einen strukturierenden Rahmen für die Organisation und die Durchführung von KI-Projekten in der Produktion bieten. Dabei konzentrieren sie sich auf das Machine Learning (ML), der am häufigsten angewendeten KI-Methode.

Christian Frey und Lars Wessels vom Fraunhofer IOSB stellen das Vorgehen im Artikel Maschinelles Lernen in der Produktion in der maschinenbau 6/22 vor. Mit der Entwicklung adressieren die Forschenden insbesondere die produktionsspezifischen Probleme bei der Einführung einer KI. Zum einen sind die industriellen Produktionsprozesse nicht nur komplex sondern auch stark heterogen, zum anderen hat man es im industriellen Kontext – im Gegensatz zu vielen anderen Anwendungsdomänen des maschinellen Lernens – mit deutlich kleineren Datenmengen zu tun. Dafür spielt in der Produktion wiederum Expertenwissen eine größere Rolle.

Wissen von Anlagenexperten im Modell berücksichtigt

Die Softwaretools sollen Unternehmen insbesondere im Bereich des Wissensmanagements, bei der Organisation der Projektteams und bei der Vereinheitlichung der verwendeten Werkzeuge Hilfe leisten. Von der Zieldefinition über die Systemspezifikation bis zum Betrieb eines KI Systems unterteilt sich das Vorgehen in sechs Phasen, die sowohl agiles als auch lineares Entwickeln erlauben und die durch eine virtuelle Prozessakte und ein Pipeline-Diagramm durchgehend unterstützt werden.

Die zugehörigen Softwaretools decken beispielsweise die Datenerfassung, die interaktive Analyse, das Modelllernen und den dauerhaften Betrieb des ML-Systems ab. Neben Prozessdaten lässt sich darüber auch das Wissen von Anlagen- und Prozessexperten in strukturierter Form speichern und nutzbar machen. Wie die Autoren außerdem schreiben, wurde das entwickelte Vorgehensmodell bereits in verschiedenen industriellen Anwendungen erprobt, beispielsweise in der Blechumformung, im Glasbiegen oder in der Produktion von Membranfiltern. Dabei habe sich gezeigt, dass sich diese Prozesse mithilfe der ML-Ansätze systematisch optimieren lassen.