Daten sind der Schlüssel für maschinelles Lernen

Künstliche Intelligenz und Machine Learning bieten großes Potenzial für die Fertigung. Wie Unternehmen das maschinelle Lernen in der Produktion am besten angehen können, erläutert Marco Huber, Leiter des Zentrums für Cyber Cognitive Intelligence (CCI) am Fraunhofer IPA und Professor für kognitive Produktionssysteme an der Universität Stuttgart.

Wo die größten Potenziale für den Einsatz von maschinellem Lernen (ML) in der Produktion liegen? Huber verweist zunächst auf das Thema Predictive Maintenance. „Durch das frühzeitige Erkennen von Verschleiß oder Defekten in Bauteilen kommt es gar nicht erst zum Qualitätsverlust oder gar Ausfall.“ Darüber hinaus würden mit Smart Services auch ganz neue datenbasierte Dienstleistungen möglich: „Unternehmen können beispielsweise Maschinen hinsichtlich ihrer Performance vergleichen und diese bei Bedarf optimieren.“

Und der Aftersales-Bereich profitiere, weil er Maschinenkomponenten anbieten kann, wenn bei einer Produktionsmaschine ein verändertes Nutzungsprofil zu beobachten ist. Doch damit nicht genug: „Auch die Produktionsplanung und -optimierung profitieren von maschinellem Lernen. Im Offline-Modus ist planbar, welche Produktionsmaschine wo für die Fertigung genutzt wird. Online können Unternehmen dann den Material- und Produktfluss durch die Produktion optimal steuern.“

Am leichtesten ist der Einstieg dort, wo bereits
viele Daten vorhanden sind

Stellt sich die Frage, wo es sich für Machine-Learning-Newcomer lohnt, einzusteigen. „Am leichtesten ist der Einstieg sicher dort, wo bereits ein einfacher Zugang zu vielen Daten vorhanden ist, also Produktionsmaschinen bereits vernetzt sind und eine durchdachte Datenhaltung erfolgt“, rät Huber. „Denn Daten sind der Schlüssel für maschinelles Lernen.“

Grundsätzlich lohne sich aber ein Einstieg überall dort, wo der größte Nutzen oder das größte Wertversprechen für ein Unternehmen ist. Huber: „Wie üblich zählen Zeit, Qualität und Geld. Kann ich also die Produktion optimieren und einen höheren OEE erreichen? Verbessert sich die Produktqualität und habe ich weniger Ausschuss?“ Wichtig sei nicht zuletzt die Frage: Eröffnet mir das maschinelle Lernen neue Geschäftsmodelle? „Gerade hier sehe ich für den deutschen Mittelstand noch Nachholbedarf, besonders im Vergleich zu den USA.“

Vor allem aber rät der KI-Experte, sich nicht mit langen Planungen zu verzetteln: „Bevor man sich zu sehr in der Konzeption verliert, rate ich, einfach mal anzufangen.“ Gerade Konzepte der agilen Softwareentwicklung wie Scrum seien auch für ML-Projekte eine gute Vorgehensweise.

Cyber Cognitive Intelligence: Zentrum am IPA
gibt Hilfestellung

Hilfestellung beim Einstieg ins maschinelle Lernen in der Produktion gibt auch das Zentrum für Cyber Cognitive Intelligence (CCI) am Fraunhofer IPA. „Das CCI unterstützt besonders den Mittelstand beim maschinellen Lernen für die Produktion“, sagt Huber. Dabei biete man verschiedene Formen der Zusammenarbeit. „Ein Quick Check ist eine Machbarkeitsanalyse von etwa einem Monat, in der wir untersuchen, inwieweit eine Fragestellung aus der Produktion mit maschinellem Lernen lösbar ist. Ein Exploring Project dauert etwa drei Monate und dient dazu, eine Umsetzungsstrategie auszuarbeiten und eine erste prototypische Lösung zu realisieren. Das Enterprise Lab ist eine langfristige Zusammenarbeit, in der wir mehrere Fragestellungen parallel untersuchen.“ Und natürlich gibt es auch Schulungen zu Themen wie Data Science, maschinelles Lernen und künstliche Intelligenz.

Konkret arbeitet das CCI mit Mittelständlern bereits an zahlreichen Projekten zur Qualitätssicherung, bei denen mithilfe maschineller Lernverfahren Bilddaten ausgewertet werden. „Hier gilt es beispielsweise, gute Produkte von fehlerhaften zu unterscheiden oder Anomalien und Auffälligkeiten wie etwa Defekte zu identifizieren.“ Außerdem bearbeite man Projekte zur Objekterkennung anhand von Bilddaten. „Es geht zum Beispiel darum, die Lage von 3D-geformten Bauteilen in Bearbeitungsmaschinen zu erkennen oder Pakete für die Palettierung.“

Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA
www.ipa.fraunhofer.de

Vier goldene Regeln

Marco Huber empfiehlt vier Regeln beim Einstieg ins maschinelle Lernen:

Klein beginnen, groß denken: „Arbeiten Sie zunächst an einzelnen Prozessschritten. Kleine Fortschritte bringen Ihnen erste Kenntnisse über maschinelles Lernen, Vertrauen in die Technologie und somit auch Argumentationshilfen im Unternehmen. Mit dieser Erfahrung gehen Sie dann an größere Herausforderungen.“
Früh anfangen: „Identifizieren Sie frühzeitig nützliche Anwendungsfälle. Nutzen Sie kurze Entwicklungszyklen, um schnell voranzukommen und um bei Schwierigkeiten agil gegensteuern zu können. So erhalten Sie schnell Prototypen.“
Auf den Nutzen achten: „Damit steht und fällt letztlich ein ML-Projekt. Es muss für das Unternehmen einen Mehrwert bieten. Lassen Sie die Fachabteilung das Thema vorantreiben und nicht unbedingt die IT.“
Alle mitnehmen: „Vergessen Sie bei dem Projekt nicht die Mitarbeiter. Wenn Sie sie vom Nutzen eines ML-Projekts überzeugen können, verhindert dies unnötige Blockaden.“

Unsere Webinar-Empfehlung