Der 30. November 2022 ist ein Meilenstein der KI-Entwicklung: Der damals vorgestellte Bot ChatGPT ist die populärste Errungenschaft des dritten KI-Frühlings, einer Phase, in der KI umfassende Entwicklungsfortschritte erzielt und Anwendungen auf neuem Niveau und in einer bis jetzt unbekannten Breite ermöglicht. Entsprechend euphorisch sind die Prognosen rund um den KI-Einsatz. So beziffert PricewaterhouseCoopers das Wachstum des Bruttoinlandsprodukts allein in Deutschland bis 2030 durch KI mit elf Prozent oder 430 Mrd. Euro.
Seit etwa zehn Jahren kommt dreierlei zusammen, was die massiven Fortschritte auch schon vor ChatGPT ermöglicht hat: die Digitalisierung, die Vernetzung von Produktionsmaschinen im Kontext von Industrie 4.0 sowie leistungsstarke Sensoren und hohe Rechenkapazität, sodass die großen Datenmengen auch verarbeitet und ausgewertet werden können. Denn Daten sind der Schlüssel für den Erfolg des maschinellen Lernens (ML), also des KI-Teilgebiets, das aktuell am meisten verbreitet ist. ML ist ein Oberbegriff von Verfahren, die Modelle anhand von Daten und darin identifizierten Mustern lernen. Das daraus resultierende Wissen setzen sie für eine bestimmte Ausgabe ein. Was früher aufwendig programmiert werden musste, wird jetzt automatisch generiert. Gelernt wird anhand von meist vielen Beispielen oder Lerndaten und oft in Simulationsumgebungen. Das spart Ressourcen und die reale Anwendung ist schneller umsetzbar.
Viele Einsatzfelder
Auch wenn aktuell ein ziemlicher Hype um ML besteht, ist die Technologie kein Selbstzweck und eignet sich nicht für alle Probleme und Anwendungskontexte. Und doch gibt es ein breites Einsatzspektrum für ML, sofern die unternehmens- und anwendungsspezifischen Rahmenbedingungen geeignet sind. Beispielhafte Einsatzfelder in der Produktion können sein:
- Eine automatisierte visuelle Qualitätsprüfung erkennt eine beschädigte Lieferung.
- Die Parameter eines Produktionsprozesses wie bspw. beim Lackieren können verbessert werden.
- Bei den Produktionsschritten kann eine KI prädiktive Diagnosen etwa hinsichtlich des Werkzeugverschleißes stellen und auch Anomalien wie Prozessabweichungen erkennen.
- Die Handhabung von Halbzeugen und Produkten lässt sich mit kognitiven Robotern wie etwa beim Griff-in-die-Kiste automatisieren.
- Routen für die intralogistischen Abläufe sind besser planbar.
- Und schließlich kann KI die Endprüfung unterstützen und beispielsweise Fehlerursachen erkennen.
KI für die Bearbeitung
In aktuellen Forschungsprojekten spielt KI auch für die Metallbearbeitung eine immer wichtigere Rolle. So entstehen aktuell gemeinsam mit der Firma Trumpf zwei KI-Anwendungen. Eine nutzt KI für eine visuelle Qualitätskontrolle, um thermische Schnittkanten zu prüfen. Die zweite aus dem Projekt „de:karb“ nutzt KI, um das Nesting-Problem zu lösen, also um Aufträge auf einem Blech so passend zu platzieren, dass weniger Verschnitt entsteht. In einem DFG-Projekt soll KI für das Gesenkschmieden genutzt werden, sodass bspw. aus den Prozessdaten auf die Qualität des Schmiedeteils geschlossen werden kann. Und schließlich ging letztes Jahr das Projekt „RoboGrind“ zu Ende. Darin wurde ein flexibles und hochautomatisiertes KI-System zur Oberflächenbearbeitung mit Robotern entwickelt, um die Wiederaufbereitung von Gerätekomponenten gegenüber der Neuproduktion wirtschaftlich zu machen.
Erfolgreich einsteigen
Aus den vielen KI-Projekten am Fraunhofer IPA lassen sich ‚Learnings‘ bzw. Handlungsempfehlungen ableiten, wie ein Unternehmen gut in KI einsteigen kann:
- Klein anfangen, groß denken: Der Einstieg über einzelne Prozessschritte fällt üblicherweise leichter. Kleine Erfolge verhelfen zu Kenntnissen über ML und sorgen für mehr Vertrauen in die Technologie.
- Zeitig starten: Kurze Entwicklungszyklen für nützliche Anwendungsfälle bringen schnell einen ersten Prototyp.
- Nutzenzentriert arbeiten: Der KI-Einstieg ist meist mehr ein Thema für die Fachabteilung als für die IT und die Fachabteilung erkennt schnell mögliche Mehrwerte.
- KI geht alle an: Es gilt, das Vertrauen und die Bereitschaft der Belegschaft zu stärken und diese mitzunehmen, denn wenn nicht alle an einem Strang ziehen, kann es unnötige Blockaden im Projekt geben.
Fraunhofer IPA
ipa.fraunhofer.de/cci
Der Autor
Prof.
Marco Huber
Abteilungsleiter
Fraunhofer IPA
