Künstliche Intelligenz (KI) stellt die Weichen für die Wettbewerbsfähigkeit von morgen. Doch wie lässt sich dieses Potenzial gewinnbringend nutzen? Und welche Voraussetzungen müssen Produktionsleiter schaffen, um ihre Fertigung erfolgreich aufzustellen? Darauf sollten Sie achten.
Bild zVg von MPDV, Quelle AdobeStock
Nur neun Prozent der Schweizer Unternehmen verwenden KI. So steht es im aktuellen KI-Readiness-Index von Cisco. Das Potenzial wird zwar erkannt, doch es stockt bei der Umsetzung. Dem Swiss AI Impact Report zufolge liegt es an mangelnder strategischer Orientierung, fehlender Zeit und an den Zuständigkeiten.
KI – Schritt für Schritt implementieren
Produktionsunternehmen, die KI in der Fertigung etablieren möchten, stossen einen Transformationsprozess an, der strategisch geplant und verlässlich umgesetzt werden muss. Nur so kann KI valide Ergebnisse liefern. Diese Abläufe und Aspekte sind massgeblich:
Daten – die Basis für KI
- Verfügbarkeit: Um Daten auszuwerten, müssen sie von Maschinen und Prozessen erfasst werden können. Meistens werden dafür IoT-Sensoren verwendet.
- Datenqualität und -konsistenz: Daten müssen fehlerfrei und in einem einheitlichen auslesbaren Format vorhanden sein.
- Historische Daten: Um Muster erkennen, sind grosse Mengen an Betriebsdaten nötig – idealerweise in einheitlichen Datenformaten.
- Zentrale Datenplattform: Damit Daten aus verschiedenen Systemen wie MES (Manufacturing Execution System) oder ERP (Enterprise Ressource Planning), nutzbar sind, sollten sie an einem zentralen Ort zusammengeführt und für KI zugänglich sein.
Technologie – die IT-Infrastruktur
Ohne eine moderne IT-Infrastruktur geht nichts. Sie ist nötig, um die KI-Modelle zu betreiben und zu integrieren. Diese Voraussetzungen sollten sie erfüllen:
- Vernetzung und Anbindung: Maschinen und Systeme müssen über stabile Netzwerke (lokales Netzwerk, Edge Computing) verbunden sein, um Daten in Echtzeit zu übertragen.
- Rechenleistung: Für das Training komplexer KI-Modelle ist erhebliche Rechenleistung (lokal oder in der Cloud) erforderlich.
- Systemintegration: Das neue KI-Modul muss nahtlos in bestehende Betriebssysteme integriert werden, insbesondere in das MES und APS (Advanced Planning and Scheduling System), um Handlungsempfehlungen direkt umzusetzen.
- Datensicherheit und -schutz: Da Produktionsdaten oft geschäftskritisch sind (z. B. Rezepturen, Prozess-Know-how), müssen hohe Sicherheitsstandards gelten.
Organisation – strategische Voraussetzungen
KI in der Fertigung einzuführen, erfordert Commitment und Change-Prozesse. Vernachlässigen Sie deshalb nicht folgende Aspekte:
- Klare Strategie und Anwendungsfälle: Das Unternehmen muss definieren, welche konkreten Probleme KI lösen sollen (z. B. Reduktion des Maschinenausfalls um 15 %, Erhöhung der Qualität um 5 %). Ein Pilotprojekt umzusetzen, kann sich lohnen.
- Engagement des Top-Managements: Da die Einführung von KI eine strategische Entscheidung ist, braucht es die Unterstützung der Geschäftsführung. Denn die Implementierung bringt Investitionen und Veränderung von Prozessen mit sich.
- Change-Management: Mitarbeitende müssen aktiv in den Prozess eingebunden werden. Ängste vor Verlust des Arbeitsplatzes oder Überwachung sollten durch eine klare Kommunikation und Schulungen ausgeräumt werden.
Personal – Aufbau von Know-how
Die Mitarbeitenden sind für den Betrieb und die Weiterentwicklung der KI-Systeme entscheidend. Wichtig ist, sie für den Umgang mit KI zu befähigen.
- KI-Kompetenz: Das Unternehmen benötigt entweder interne Experten (Data Scientists, KI-Ingenieure) oder Zugriff auf externe Dienstleister, um Modelle zu entwickeln und zu verfeinern.
- Digitales Grundverständnis aufbauen: Mitarbeitende, die mit dem MES oder mit Maschinen arbeiten, müssen lernen, KI-Vorschläge zu verstehen, zu bewerten und umzusetzen.
- Neue Rollen: Es entstehen neue Aufgabenprofile an der Schnittstelle von IT und Fertigung, z. B. Positionen wie KI-Anwendungsmanager oder Data Engineer.
Die Einführung von KI in der Fertigung lässt sich nicht als Plug-and-Play-Lösung umsetzen, wenn sie mit Daten trainiert werden muss, bevor sie einsatzfähig ist. Meistens wird für das Training der KI das Standard-Modell für Data Mining verwendet. Es ist jedoch zeit-, ressourcen- und kostenintensiv, da Spezialisten nötig sind.
Mit Standard zu KI-Plug-and Play
Wer dieses Investment scheut, sollte eine Standardlösung wie die von MPDV in Erwägung ziehen. Der IT-Fertigungs-Spezialist hat dazu in der AI Suite eine Sammlung von mApps (Manufacturing Applikationen) zusammengestellt, die auf die Bedürfnisse von Produktionsunternehmen abgestimmt ist und 13 Anwendungen umfasst – aus den Bereichen:
- Planung: Kosten und Personal
- Maschinenüberwachung: Analyse, Auslastung, Nutzgrade und Rüstgrad
- Analysen: Betriebsmittelkonten, Ausschussgründe, Produktivitätssteigerung, Fehlerarten im Qualitätsmanagement, Performance
- Vorhersagen: Produktqualität
Sie erweitern das MES wie auch das APS und greifen auf bereits gesammelte, strukturierte Produktionsdaten zu. Sie benötigen kein langwieriges Daten-Training. Dafür hat der Produktions-IT-Experte ein offenes Ökosystem konzipiert, das ein einheitliches Abbild der heterogenen Fertigungs-IT schafft – auf Basis der MIP (Manufacturing Integration Platform). Damit sind mApps herstellerunabhängig integrierbar – und eben auch KI-Apps.
Die Autorin
Christiane Manow-Le Ruyet ist Presseverantwortliche und Marketing-Manager bei MPDV