Daten und Wissen: Die beiden Grundpfeiler der intelligenten Fertigung

Während einer Schulung in der Fertigungshalle sagt ein erfahrener Maschinenbediener zu einem neuen Mitarbeiter: „Sie werden ein Vibrationsgeräusch von der Maschine hören.“
„Ich höre gar nichts“, antwortet der Auszubildende.
„Nein, Sie werden es spüren“, erklärt der Experte. „Das ist eine Intuition, die ich mir in 30 Jahren Arbeit hier angeeignet habe.“

Dieser Austausch, den Siva Lakshmanan, CEO von DeepHow, schildert, spiegelt wider, was derzeit weltweit in den Fertigungshallen geschieht. Einerseits geht jahrzehntelanges betriebliches Fachwissen verloren, da erfahrene Mitarbeiter in den Ruhestand treten. Andererseits Produktionsdaten Berge von Produktionsdaten in isolierten Systemen verborgen und können für die Entscheidungen, auf die es am meisten ankommt, nicht genutzt werden.

Auf Operations Calling kamen Branchenführer von DeepHow, Hexagon und NVIDIA zusammen, um zu erörtern, wie KI intelligente Fabriken verändert. Im Mittelpunkt der Diskussion stand eine entscheidende Lücke: Die meisten Hersteller konzentrieren sich entweder auf die Dateninfrastruktur oder auf die Erfassung von Wissen, selten jedoch auf beides. In diesem Artikel wird untersucht, warum KI nur dann funktioniert, wenn diese Grundlagen gemeinsam geschaffen werden, und wie man damit beginnen kann.

Warum das operative Wissen verloren geht

Bei der Qualifikationslücke im verarbeitenden Gewerbe geht es nicht nur um unbesetzte Stellen, sondern auch um den „Brain Drain“, der durch den Weggang erfahrener Arbeitskräfte entsteht. Branchenprognosen gehen davon aus, dass bis zum Jahr 2030 bis zu 30 Millionen Arbeitsplätze im verarbeitenden Gewerbe unbesetzt bleiben könnten; die tiefgreifendere Krise ist jedoch der Verlust von implizitem Wissen: jahrzehntelang gewonnene praktische Intuition, die nie dokumentiert wurde und oft nicht in Worte zu fassen ist.

Der Zusammenbruch des natürlichen Transfers

Jahrzehntelang wurde Fachwissen im Rahmen langjähriger Lehrlingsausbildungen weitergegeben. Dieses Modell ist aufgrund zweier Faktoren zusammengebrochen:

• Beschäftigungsdauer: Die durchschnittliche Beschäftigungsdauer im verarbeitenden Gewerbe ist auf unter fünf Jahre gesunken, was bedeutet, dass erfahrene Mitarbeiter das Unternehmen verlassen, bevor sie ihre Nachfolger umfassend einarbeiten können.

• Komplexität: Moderne Arbeitsabläufe erfordern engere Toleranzen und komplexere Ausrüstung, wodurch sich die Kluft zwischen der „Einhaltung der Standardarbeitsanweisung“ und der tatsächlichen „korrekten Ausführung“ vergrößert.

Die „Know-how“-Lücke definieren

„Dieses Wissen ist impliziter Natur … es lässt sich nicht einfach niederschreiben oder gar leicht erklären.“ – Siva Lakshmanan, CEO von DeepHow

Wissen findet man nicht in einem Handbuch; es ist die betriebliche Intuition, die erforderlich ist, um den Produktionsfluss aufrechtzuerhalten:

• Sensorische Hinweise: Das Erkennen einer Vibration, die auf ein Problem hinweist, noch bevor ein Sensor anspricht.

• Maschinentechnik: Die spezifischen Einrichtungsabläufe beherrschen, die dafür sorgen, dass eine launische Maschine reibungslos läuft.

• Praktische Tipps: Erfahren Sie, welche Fehlercodes wirklich von Bedeutung sind und welche Workarounds wiederkehrende Probleme lösen.

Man kann es zum Beispiel damit vergleichen, einem Kind das Fahrradfahren beizubringen: Man kann die physikalischen Zusammenhänge erklären, aber das Kind muss es sehen und spüren, um es zu verstehen.

„Wissen ist das, was man im Kopf hat“, erklärte er. „Know-how ist, wenn man es weitergibt, und das ist keineswegs eine leichte Aufgabe.“ – Siva Lakshmanan, CEO von DeepHow

Ohne eine systematische Methode zur Erfassung dieses „Know-hows“ geht das Fachwissen, dessen Aufbau 30 Jahre gedauert hat, im Rahmen eines einzigen Austrittsgesprächs praktisch verloren.

In der Fertigung fallen Daten in einer schier unvorstellbaren Vielfalt an, von SPS-Signalen und Zeitreihen bis hin zu Videostreams und Sensorwerten. Dieses Datenvolumen bleibt jedoch aufgrund mehrerer wesentlicher Hindernisse oft ungenutzt:

• Das Silo-Problem: Daten sind häufig in bestimmten Abteilungen isoliert, was eher zu einer punktuellen Zusammenarbeit als zu einer einheitlichen Strategie führt.

• Die Wertlücke: Daten zu besitzen ist nicht dasselbe wie sie zu nutzen; Wert entsteht erst dann, wenn Daten in Erkenntnisse umgewandelt werden, die in andere Fachbereiche einfließen.

• Die Kontextkrise: Generischer KI fehlt das spezifische „Know-how“ über Ihre lokalen Fabrikprozesse und Maschinen.

• Garbage In, Garbage Out: Hochleistungs-GPUs und Rechenzentren sind nutzlos, wenn sie nicht mit hochwertigen, relevanten Daten gefüttert werden.

„Wir erfassen eine enorme Menge an Daten, sei es über unsere Software oder über die Geräte, die wir in der Fertigung einsetzen … Es ist eine Sache, über die Daten zu verfügen, und eine ganz andere, diese Daten auch nutzen zu können.“ — Hiren Kumbhojkar, Leiter Produktmanagement, Fertigungssoftware-Portfolio, Hexagon

Die Lösung: Das Ziel besteht darin, über die reine Datenerfassung hinauszugehen und eine Datenstrategie zu entwickeln, bei der Informationen so strukturiert, zugänglich und kontextuell aussagekräftig sind, dass sie Entscheidungen in Echtzeit ermöglichen

Die Hersteller, die die größten Fortschritte erzielen, streben keine radikale Umgestaltung an, sondern setzen gezielte Ansätze ein, die das Wissen der Mitarbeiter an vorderster Front auf praktische und skalierbare Weise mit Betriebsdaten verknüpfen.

So sieht das aus:

Modell 1: Das Wissen der Mitarbeiter während der Arbeit erfassen

Das Spielbuch:

• Erfassen Sie die tatsächlichen Arbeitsabläufe in Echtzeit, wie z. B. Rüstvorgänge, Umrüstungen, Fehlerbehebung und Inspektionen

• Nutzen Sie KI, um unstrukturierte Inhalte (Video, Sprache, Gesten) in strukturierte Anweisungen umzuwandeln

• Wandeln Sie implizites Know-how in durchsuchbare, reproduzierbare digitale Anleitungen um

• Integrieren Sie Überprüfungen, Übersetzungen und Inline-Unterstützung, damit neue Mitarbeiter das Gelernte sofort anwenden können

Das Ergebnis:

• Wissen wird sichtbar und nutzbar, ohne dass Experten von ihren Aufgaben abgezogen werden müssen

• Anstelle einer einmaligen Schulung erhalten die Teams eine integrierte Anleitung, auf die sie jederzeit zugreifen können

• Das Fachwissen lässt sich über Schichten, Funktionen und Standorte hinweg nutzen, ohne dass es zu Engpässen bei der Dokumentation kommt
  
  

Modell 2: Datenströme in Echtzeit-Entscheidungshilfen umwandeln

Das Spielbuch:

• Führen Sie multimodale Daten wie Maschineneinstellungen, Kamerabilder und Qualitätsprotokolle in einer einzigen Informationsebene zusammen

• Trainieren Sie die KI anhand Ihrer eigenen historischen Daten (Programme, Inspektionen, Ergebnisse), um Muster zu erkennen

• Bieten Sie Echtzeit-Unterstützung genau dort, wo Entscheidungen getroffen werden: „Hier ist die Lösung“, nicht nur „Hier ist das Problem“

• Nutzen Sie diese Erkenntnisse, um die Bediener zu unterstützen, nicht um sie zu ersetzen, und fördern Sie so Arbeitsabläufe, bei denen der Mensch im Regelkreis bleibt

„Einblicke müssen in Echtzeit vorliegen, nicht wahr? Zwei Tage auf einen Bericht zu warten … das ist kein greifbarer geschäftlicher Nutzen.“ – Alvin Clark, Global Developer Relations Manager für Fertigung und Industrie, NVIDIA

Das Ergebnis:

• Die Mitarbeiter erhalten relevante, kontextbezogene Unterstützung direkt im Moment und nicht erst Stunden später

• Ingenieure erhalten schnellere Wege zur Ermittlung der Grundursache und solidere Ausgangsbasis für kontinuierlicher Verbesserungsprozess

• Ihre Systeme beschränken sich nicht mehr darauf, lediglich über die Leistung zu berichten, sondern tragen dazu bei, diese zu verbessern
  
  

Der rote Faden

Diese Ansätze mögen an unterschiedlichen Punkten ansetzen, doch sie funktionieren aus demselben Grund:

• Sie stützen sich auf den lokalen Kontext und nicht auf allgemeine Modelle

• Sie machen Wissen sichtbar und Daten nutzbar

• Sie integrieren intelligente Lösungen genau dort, wo die Arbeit stattfindet

• Und sie halten die Menschen auf dem Laufenden und schließen sie nicht aus

Auf diese Weise setzen Hersteller KI in die Praxis um, indem sie die Grundlagen, über die sie bereits verfügen, miteinander verknüpfen.

Sie benötigen weder perfekte Daten noch eine vollständige Erfassung aller Informationen, um loszulegen. Beginnen Sie mit einem konkreten, immer wiederkehrenden Problem und bauen Sie dann beide Grundlagen parallel dazu auf. Die meisten Hersteller verfolgen einen einfachen Ansatz:

• Ermitteln Sie Ihre Defizite hinsichtlich der Datenzugänglichkeit und des nicht dokumentierten Know-hows

• Wählen Sie einen besonders wichtigen Anwendungsfall Umrüstungen, Fehlerbehebung oder Schulungen

• Erfassen Sie Wissen und verknüpfen Sie Daten im Rahmen eines einheitlichen Arbeitsablaufs

• Geben Sie den Teams klare Zuständigkeiten und die notwendigen Rahmenbedingungen, um schnell voranzukommen. Wenn die Mitarbeiter ihr Fachwissen in den von ihnen genutzten Systemen wiedererkennen, erfolgt die Akzeptanz ganz von selbst, und Verbesserungen folgen von selbst.

Tulip Daten und Wissen auf einer einzigen Plattform, die speziell auf die Anforderungen des operativen Tagesgeschäfts zugeschnitten ist.

Mit Tulip Composer können Teams statische Standardarbeitsanweisungen und implizites Wissen innerhalb weniger Minuten in interaktive, digitale Arbeitsanweisungen umwandeln, ohne dass Programmierkenntnisse erforderlich sind. Laden Sie ein Dokument hoch, und das System extrahiert die Schritte, Bilder und Logik, die zur Erstellung einer funktionsfähigen App benötigt werden. Dies ist eine schnelle und wiederholbare Methode, um jedem Mitarbeiter den Zugriff auf fachkundige Arbeitsabläufe zu ermöglichen.

In Kombination mit „AI Agent“, dem integrierten KI-Assistenten Tulip, erhalten Bediener bei Bedarf direkt im Arbeitsablauf Antworten. Ganz gleich, ob sie nach Drehmomentwerten fragen, eine Maschine reparieren oder vergangene Leistungsdaten überprüfen – Copilot liefert sofort das richtige Wissen, indem es auf Ihre tatsächlichen Arbeitsanweisungen, Handbücher und Produktionsdaten zurückgreift.

Zusammen bilden diese Tools einen geschlossenen Kreislauf: Wissen wird erfasst, in Anwendungen umgesetzt, mit Echtzeitdaten angereichert und genau dort verfügbar gemacht, wo es benötigt wird. Und da Tulip Teil eines umfassenderen Fertigungsökosystems Tulip , reicht diese Intelligenz über eine einzelne Plattform hinaus. Durch Partnerschaften mit innovativen Unternehmen wie DeepHow, Hexagon und NVIDIA können Hersteller die Erfassung von Expertenwissen, fortschrittliche Simulations- und Digital-Twin-Funktionen sowie eine beschleunigte KI-Infrastruktur in ein und denselben betrieblichen Arbeitsablauf integrieren.

Tulip die Grundlage für eine stärker vernetzte, intelligente Fabrik, in der künstliche Intelligenz sowohl Menschen als auch Prozesse unterstützt und ein offenes Ökosystem es ermöglicht, diese Intelligenz auf alle Betriebsabläufe auszuweiten.