Wie sich der Einsatz von KI in der Fertigung auszahlt

Die Hersteller standen in diesem Jahr unter dem Druck, KI in ihre Betriebsabläufe zu integrieren und deren Nutzen nachzuweisen. Da die Margen geringer sind, erfolgen Investitionen eher schrittweise als in Form eines einmaligen Transformationsbudgets, und von jedem einzelnen Schritt wird erwartet, dass er zu einem messbaren Ergebnis führt.

Die Ergebnisse fielen uneinheitlich aus, und zwar nicht, weil die Technologie hinter den Erwartungen zurückblieb. Die Erstellung einer ersten Version einer Lösung geht mittlerweile schneller vonstatten. Die Überprüfung dieser Lösung, ihre Anbindung an Daten, denen das Team vertraut, und die Bereitstellung an einem zweiten Standort erfordern jedoch nach wie vor denselben Aufwand wie zuvor. Das bedeutet, dass sich die Frage geändert hat. Es geht nicht mehr darum, ob KI etwas entwickeln kann, sondern darum, welche Voraussetzungen erfüllt sein müssen, damit das, was sie entwickelt, vertrauenswürdig ist, geprüft werden kann und an mehr als einem Standort eingesetzt werden kann.

Drei Herausforderungen bestimmen die Agenda der Führungskräfte im operativen Bereich, mit denen wir zusammenarbeiten.

Kapital fließt schneller in neue Produktionslinien, als die IT diese unterstützen kann. Daher nimmt eine Produktionslinie oft bereits die Produktion auf, bevor die Systeme, die für ihren Betrieb vorgesehen sind, bereitstehen.

Die Produktivität muss von dem bereits vorhandenen Team ausgehen. Nicht durch eine Aufstockung des Personalbestands und auch nicht durch eine umfangreiche Anschaffung von Software oder Hardware.

Die meisten Hersteller wissen bereits, was sich ändern muss. Messbar besser dazustehen, ist ein anderes Problem, und in diesem Jahr ist es genau dieses, das finanziell gefördert wird.

Für eine Führungskraft im operativen Bereich stellt sich nicht mehr die Frage, ob KI eine Lösung entwerfen oder einen Datensatz auswerten kann. Die Frage lautet vielmehr: Was muss vorhanden sein, bevor man den von ihr erzeugten Ergebnissen vertrauen, diese prüfen und an mehr als einem Standort einsetzen kann?

Eine Lösung zu entwickeln bedeutet, das Wissen des Betriebs in etwas umzuwandeln, das er ausführen kann: die Schritte, die Logik, die Datenverbindungen und die Prüfungen, die die Einhaltung der Vorschriften gewährleisten. Diese Arbeit hing schon immer von den Mitarbeitern ab, die den Prozess verstehen, und der Großteil ihres Arbeitstages entfiel auf „ Montage “ statt auf Ermessensentscheidungen. KI übernimmt einen Großteil der „ Montage “ und belässt die Ermessensentscheidungen dort, wo sie waren. Sie hat den Output gesteigert, ohne zu ändern, wer die Ergebnisse überprüfen muss.

Den Betrieb zu leiten bedeutet, auf Daten zu reagieren, die in Systemen gespeichert sind, die für unterschiedliche Aufgaben konzipiert wurden. Ein Planungssystem enthält die ursprünglichen Pläne, eine Maschinensteuerung die tatsächlich ausgeführten Vorgänge, eine Papierdokumentation die Beobachtungen des Bedieners und eine Tabellenkalkulation die daraufhin getroffenen Entscheidungen. Da keines dieser Systeme Daten mit den anderen austauscht, verbleibt das Wissen dort, wo es entstanden ist, und die Mitarbeiter müssen die Daten manuell abgleichen, bevor überhaupt eine Entscheidung getroffen werden kann.

Genau dieser Abgleich ist der Teil, der der Automatisierung nicht standhält. Ein Mensch kann zwei Systeme miteinander abgleichen, deren Daten voneinander abweichen, da er weiß, welcher Quelle er vertrauen kann. Ein System kann dies nicht. Es verweigert entweder die Antwort oder gibt eine sichere Antwort zurück, die falsch ist.

Skalierung bedeutet, eine an einem Standort bewährte Lösung auf das gesamte Netzwerk auszuweiten. Eine in einem Werk validierte Korrektur gelangt oft nie zu den anderen Standorten, sodass dasselbe Problem an fünf verschiedenen Orten fünfmal gelöst wird. Und ohne Aufzeichnungen darüber, woher die einzelnen Kopien stammen, kann ein zentrales Team zwar bestätigen, dass an einem Standort etwas läuft, jedoch nicht, ob es sich dabei um die aktuelle Version handelt.

Warum die einschlägige Erfahrung keine Erfahrung im Bereich der KI ist

Keines dieser drei Probleme betrifft die KI selbst. Bei jedem handelt es sich um eine Frage, die das Umfeld der KI betrifft: Wer hat sie genehmigt, welche Daten hat sie ausgewertet und welche Version wird wo ausgeführt?

Tulip hat mehr als ein Jahrzehnt in Bereichen verbracht, in denen Fehler schwerwiegende Folgen haben, wie beispielsweise in der Arzneimittel-, Medizinprodukte- und Rüstungsindustrie. Berechtigungen, Genehmigungen und Prüfpfade wurden bereits lange vor der Einführung eines Verwaltungsagenten in die Plattform integriert. Das bedeutet, dass die KI in das Kontrollsystem eingebunden ist, unter dessen Rahmenbedingungen Ihr Team bereits arbeitet, anstatt parallel dazu zu funktionieren. Nichts im bestehenden System wird ersetzt.

Entstehungsprozess: von „ Montage “ bis zum Urteil

Ingenieure und Bauunternehmer haben schon immer die Werkzeuge eingesetzt, mit denen sich ihre Probleme am besten lösen lassen – sei es Papier, Tabellenkalkulationen oder schließlich digitale Anwendungen. Die KI ist der nächste Schritt, der dieselbe Aufgabe erfüllt.

Unabhängig vom jeweiligen Tool haben sich jene Prozesse durchgesetzt, die von denjenigen entwickelt wurden, die ihre eigenen Abläufe am besten verstanden haben. Um Engpässe zwischen dem Zugang zu Tools und dem betrieblichen Wissen zu beseitigen, haben wir den „Authoring Agent“ entwickelt. Der „Authoring Agent“ arbeitet innerhalb des Anwendungseditors, erstellt anhand der bereits im Betrieb vorhandenen Dokumente – darunter SOPs und Arbeitsanweisungen – einen Entwurf für eine funktionsfähige Lösung und überarbeitet diesen Entwurf auf Anfrage.

Was sich ändert, ist die Art und Weise, wie der Arbeitstag des Experten verläuft. Anstatt Schritte, Logik, Datenverknüpfungen und Konformitätsprüfungen manuell zusammenzustellen, legen die mit dem Prozess vertrauten Mitarbeiter fest, was die Lösung leisten soll. Wenn ein Entwurf bereits nahezu den Anforderungen entspricht, ändern sie das Feld selbst, anstatt eine Anfrage zu stellen und auf freie Kapazitäten zu warten.

Je schneller Lösungen entwickelt werden, desto zahlreicher werden sie, und eine Änderung an einer Lösung kann eine andere außer Betrieb setzen, bevor jemand bemerkt, dass beide miteinander verbunden waren.

Im Rahmen von Projekten wird das gesamte System entworfen, anstatt jeweils nur eine einzelne App. Die Apps, Datenstrukturen, Automatisierungen und Verbindungen, die einem bestimmten „ Anwendungsfall “ dienen, werden zusammengeführt und dem physischen Bereich zugeordnet, den sie unterstützen, sodass die Beziehungen zwischen den Anwendungsfällen explizit dargestellt werden und nicht nur angenommen werden. Eine Änderung kann im Kontext des Systems bewertet werden, zu dem sie gehört. Und eine einmal bewährte Lösung wird als eine einzige, versionierte Einheit übertragen, anstatt als eine Sammlung von Teilen, die am nächsten Standort von jemandem neu zusammengesetzt werden muss.

Ausführung auf einem einzelnen Datensatz

Das Planungssystem, die Maschinensteuerung, der Papierstapel und die Tabellenkalkulation werden erst dann zu einem einzigen Datensatz, wenn etwas sie auf eine gemeinsame Grundlage stellt.

TulipDie industrielle Konnektivitätsfunktion verbindet Geräte und Unternehmenssysteme nativ über industrielle Standardprotokolle. Anschließend werden deren Ausgabedaten auf eine einheitliche Basis gebracht, sodass ein „ Arbeitsauftrag “, ein Maschinenzustand, eine Charge und eine Bedieneraktion in jeder App, jedem „ dashboard “ und jedem Agenten dieselbe Definition haben. Maschinendaten können dann anhand von Auftragsdatensätzen, Fehlercodes und Stationsaktivitäten abgefragt werden. Auf diese Weise kann ein Team Ausschuss mit Umrüstungen oder Fehler mit einer Schicht oder einer Materialcharge in Zusammenhang bringen, ohne zuvor eine Integration erstellen zu müssen. Hochfrequente Messwerte werden am Rand aggregiert, bevor sie den Standort verlassen, sodass nur die für die Analyse erforderlichen Daten übertragen werden.

„Factory Playback“ nutzt die bereits in einer Produktionshalle installierten Kameras als operative Datenquelle. Das Bildmaterial wird auf dieselbe Zeitachse wie Maschinen- und Auftragsdaten abgestimmt, sodass eine Untersuchung nicht auf der Grundlage von Erinnerungslücken, sondern anhand des dem Datensatz zugeordneten Videos beginnt. Es ist möglich, die Vergangenheit nach Ereignissen zu durchsuchen, für die niemand eine Warnmeldung konfiguriert hat, da ein Bildverarbeitungsmodell interpretiert, was sich im Bildausschnitt befindet, anstatt einen Abgleich mit einer vorab festgelegten Regel vorzunehmen. Dieselben Kameras beantworten neue Fragen, ohne dass neue Hardware erforderlich ist: Zählungen an einem Arbeitstisch, Verweildauer in einem Bereich, ob eine Station aktiv oder im Leerlauf ist.

Die Mitarbeiter handeln auf der Grundlage dieser gesammelten Daten. Sie beantworten Fragen anhand dieser Daten, erstellen auf Anfrage eine Analyse und arbeiten nach einem festgelegten Zeitplan, anstatt darauf zu warten, dass sie dazu aufgefordert werden. Die Organisation legt fest, welche Maßnahmen ein Mitarbeiter eigenständig ergreifen darf, welche einer Genehmigung bedürfen und welche untersagt sind. Die Personen, die mit dem Prozess vertraut sind, bringen ihre Erfahrung in die Entscheidungsfindung ein, anstatt sich mit der Abstimmung zu befassen.

Skalierung unter Beibehaltung der Kontrolle

Governance erfüllt drei Aufgaben: Transparenz, Kontrolle und Vertrauen.

OpsMoto sorgt für Transparenz. Es bündelt Bereitstellungen, Anwendungen, Automatisierungen und Benutzeraktivitäten aller Standorte und Instanzen in einer einzigen Ansicht und dokumentiert die Herkunft jeder Lösung. Ein zentrales Team kann so feststellen, auf welchen Standorten welche Version läuft und wo Abweichungen bestehen. Um sich diesen Überblick anderweitig zu verschaffen, müsste man sich nacheinander bei jeder einzelnen Instanz anmelden.

OpsMoto läuft zudem unabhängig vom Release-Zyklus der Kernplattform, was bedeutet, dass die Einführung und Aktualisierung des Systems nicht dazu führt, dass ein bereits validiertes System erneut validiert werden muss.

Enterprise Library sorgt für Kontrolle. Ein zentrales Team veröffentlicht eine genehmigte Lösung einmalig, und jeder Standort installiert die aktuelle Version aus einem durchsuchbaren Katalog, anstatt eine Datei zu erhalten, die manuell importiert werden muss. Eine einmal geprüfte Korrektur wird im gesamten Netzwerk bereitgestellt. Und jeder Standort kann die installierte Lösung an die lokalen Abläufe anpassen, ohne die Verknüpfung zur Vorlage zu verlieren, sodass die lokale Anpassung nicht mehr auf Kosten der zentralen Übersichtlichkeit geht.

Vertrauen ist kein Produkt. Es ist die Rahmenbedingung, unter der alles andere abläuft: wo Daten gespeichert werden, wie sie gesichert werden und was KI tun darf. Das sind die Kontrollmechanismen, auf die sich der Betrieb bereits in regulierten und sicheren Umgebungen stützt – und nicht ein separater Regelkatalog, der speziell für KI erstellt wurde.

Zwei Tage mit Herstellern, die bereits jetzt von KI profitieren und Ihnen berichten werden, welche Kosten damit verbunden waren. Sie können Ihre Idee jemandem vorstellen, der sie bereits ausprobiert hat, und erfahren, wo es nicht funktioniert hat.

Im Demobereich können Sie alle drei Bereiche selbst ausprobieren. Sie erstellen eine Lösung auf der Grundlage eines SOP. Sie arbeiten mit vernetzten Maschinen und Videodaten. Sie übertragen eine Lösung zwischen Standorten und sehen, was das zentrale Team sieht.

Die Sitzungen folgen alle demselben Ablauf: Teams, die sich mitten in einer Einführung befinden, zentrale Teams, die ein Netzwerk verwalten, sowie die technischen Arbeiten zum Einsatz von KI in einer realen Produktionsumgebung.

Operations Calling findet vom 6. bis 7. Oktober in Somerville und vom 3. bis 4. November in Lyon statt. Wir werden Ihnen die Leistungsmerkmale vorstellen. Was die Hersteller vor Ort zu bieten haben, erfahren Sie von ihnen selbst. Sichern Sie sich noch heute Ihre Eintrittskarte!