Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Beitrag drucken

Blaupause der KI-Strategie

Schritt für Schritt die KI ins Haus holen

Wer mit maschinellem Lernen jede Produktionsstraße automatisieren möchte, erwartet zuviel von künstlicher Intelligenz. Wird jedoch ein konkreter Nutzen in den Mittelpunkt eines Projektes gestellt, ist die passende Technologie schnell gefunden – und Ergebnisse, auf denen sich aufbauen lässt.

Robot on laptop, 3D Rendering (Bild: ©Westend61/gettyimages.com)

(Bild: ©Westend61/gettyimages.com)

Der IT-Branchenverband Bitkom betrachtet künstliche Intelligenz (KI) als den wichtigsten Treiber der Digitalisierung. Die Technologie wird das Herzstück der digitalen Wirtschaft bilden, prognostiziert der Verband. Damit sich das Identifizieren und Anwenden von Mustern aus Datensätzen über statistische Korrelationen sowie das Schlussfolgern aufgrund von semantischen Beziehungen stärker als bisher verbreitet, muss allerdings noch einiges passieren. Auf diesen beiden Prinzipien beruht die Fähigkeit von Maschinen, Texte, Sprache und Bilder zu erkennen. Zudem definiert sich KI als ein System aus Hard- und Software, das auf seine Umgebung reagiert, selbstständig lernt und handeln kann.

Basis wird geschaffen

Die Bitkom-Prognose lässt sich als Auftrag verstehen, den Abstand zu den führenden Nationen USA und China zu verkürzen. In diesem Kontext betonen KI-Experten und Analysten, dass KI-Technologie Unternehmen die Chance eröffnet, über Automatisierung Prozesse zu verbessern. Genau das streben viele Unternehmen in Deutschland an, die sich mit KI-Systemen beschäftigen. Ihr Ziel ist eine höhere Wertschöpfung. Allerdings erweist sich das Zusammenspiel von KI und einem Roboter oder einer Maschine in komplexen Produktionsanlagen als herausfordernd. Jedoch lässt sich in der Praxis beobachten, dass viele produzierende Firmen gerade eine Basis schaffen, um KI in die Informationen zwischen Maschinen, Materialien, Produkten sowie Mitarbeitern stärker einzubinden und so erweiterte Analyse-, Unterstützungs- und Automatisierungsmöglichkeiten zu nutzen. Wie in anderen Branchen auch, konzentrieren sich Unternehmen in der Fertigungsindustrie auf die KI-Teildisziplin maschinelles Lernen (Machine Learning, ML), das sich technologisch von Schlussfolgern (Reasoning), Spracherkennung und -verarbeitung (Natural Language Processing, NLP) sowie automatisiertem Planen (Planning) abgrenzt. Allerdings sind die Übergänge dabei fließend. Bei ML nutzt ein digitales System einen Algorithmus, der in Iterationen mit Daten trainiert wird, in der Folge lernt und Erkenntnisse liefert. Abhängig von den vorhandenen Datensätzen werden Algorithmen für überwachte, unüberwachte oder spezielle Lernverfahren eingesetzt. Für komplexe Lernsituationen eignen sich beispielsweise die Deep Learning Ansätze.

Viel Rechenleistung nötig

Maschinelles Lernen mit sogenannten neuronalen Netzen erfordert viel Rechenleistung. Die Trainingsdatensätze müssen einen entsprechenden Umfang haben, die Netze werden für realistische Erkennungsaufgaben schnell sehr groß. Bei Deep Learning werden Schichten neuronaler Netze aufgebaut, die auf bestimmte Teilaufgaben trainiert werden und früher mangels ausreichender Rechenleistung nicht effizient eingesetzt werden konnten. Bei gestaffelten, tiefen neuronalen Netzen wird über Cluster aus Grafikkarten gerechnet, die teilweise bereits spezielle, sogenannte Tensor-Cores für Lernalgorithmen mitbringen. Googles Open Source Framework TensorFlow für maschinelles Lernen unterstützt solch ein GPU (Graphics Processing Unit)-Computing. Ultraskalierbare Hochleistungsserver decken diesen Bedarf ebenfalls ab, indem sie leistungsstarke Prozessoren (CPU) und Grafikprozessoren (GPU) sowie Speicher- und Rechner-Module kombinieren. Unter diesen Voraussetzungen können Unternehmen geschäftskritische Workloads schnell bereitstellen, die sich über zusätzliche Grafikprozessoren um Maschinenlernen- und KI-Kapazität erweitern lassen. Für den Einsatz von Deep-Learning-Algorithmen können Unternehmen Grafikprozessoren heute bei unterschiedlichen Cloudanbietern als virtuelle Maschine (VM) ordern. Auch für KI-Anwendungen erweist sich die Cloud meist als flexibelste und skalierbarste Lösung. Die Frage nach der Technologie und IT-Infrastruktur für die Umsetzung stellt sich jedoch erst, wenn der Business Case steht. Unternehmen müssen daher zunächst den Anwendungsfall für den KI-Einsatz definieren. Dabei hat es sich bewährt, mit einem einfachen und zunächst unkritischen Anwendungsszenario erste Erfahrungen zu sammeln. Der Erfolg hängt jedoch von unterschiedlichen Faktoren ab. Entscheidenden Einfluss haben beispielsweise Datenqualität und -relevanz. Um mit den relevanten Daten Maschinen richtig zu trainieren, wird KI-Wissen benötigt, welches sich Unternehmen u.a. durch Kooperationen mit anderen Unternehmen, Hochschulen oder Startups ins Haus holen können. Zudem stehen Unternehmen vor der Aufgabe, intern eine KI-Kultur zu schaffen. Diese fängt damit an, Bedenken der Mitarbeiter ernst zu nehmen und etwaige Vorbehalte offen anzusprechen und auszuräumen.

Verschiedene Ansatzpunkte

In der Fertigungsbranche gibt es heute verschiedene Ansatzpunkte, bei denen KI Echtzeit-Informationen verarbeitet. In Frage kommen dabei u.a. Produkttests und Qualitätskontrolle, ein verbesserter Mitarbeitereinsatz und der optimierte Betrieb von Systemen und Anlagen. Perspektivisch gewinnen Innovationen auf der Prozessebene an Bedeutung. Künstliche Intelligenz kann dabei interne Abläufe verbessern sowie Produkte miteinander verknüpfen und erweitern. Klar abgegrenzte Anwendungsfälle lassen sich schnell realisieren und stellen rasch ihren Nutzen unter Beweis. Daraus können sich Unternehmen eine Blaupause für weitere Projekte schaffen. n in der Innovationsabteilung Atos C-LAB und Mitglied der Atos Scientific Community


Das könnte Sie auch interessieren:

Die 16. FMB – Zuliefermesse Maschinenbau findet vom 10. bis 12. November 2021 im Messezentrum Bad Salzuflen statt. Zu den Topthemen kürte Veranstalter Easyfairs die Oberflächentechnik und Digitalisierung.‣ weiterlesen

Produktionsunternehmen sollen mit den neuen IoTmaxx-Mobilfunk-Gateways Maschinendaten besonders schnell in die AnyViz-Cloud übertragen können.‣ weiterlesen

Self-Service-Technologie, digitale Assistenten, künstliche Intelligenz - die Digitalwerkzeuge fürs Kundenbeziehungsmanagement werden immer ausgefeilter. Sind CRM- und ERP-System gut integriert, lassen sich im Sinn des xRM-Ansatzes auch leicht die Beziehungen zu Geschäftspartnern IT-gestützt pflegen.‣ weiterlesen

Vor allem KMU befürchten häufig, bei der IT-gestützten Prozessoptimierung im Vergleich zu Großkonzernen nicht mithalten zu können. Die beiden Technologieprojekte IIP Ecosphere und FabOS, die im Rahmen des KI-Innovationswettbewerbs vom BMWi gefördert werden, wollen diesen Firmen den Zugang zu KI-Anwendungen erleichtern.‣ weiterlesen

Emerson hat die Einführung der Software Plantweb Optics Data Lake bekanntgegeben. Die Datenmanagement-Lösung identifiziert, erfasst und kontextualisiert unterschiedliche Daten in großem Maßstab entweder vor Ort in industriellen Anlagen oder mithilfe von Cloud-Technologie.‣ weiterlesen

Im September 2021 erscheint die Richtlinie VDI/VDE 2185 Blatt 2 'Funkgestützte Kommunikation in der Automatisierungstechnik - Koexistenzmanagement von Funksystemen'. Wenn unterschiedliche Funksysteme bei Automatisierungsaufgaben unterstützen, ist mit einer gegenseitigen Beeinflussung der Systeme zu rechnen.‣ weiterlesen

Klare Sicht auf das Werksgeschehen und die Rückverfolgbarkeit von Produkten und Prozessen sind zunehmend wichtige Erfolgsfaktoren. Mit dem MES Valeris will WSW Software gerade mittelständischen Fertigern helfen, diese Ziele zu erreichen. Das System soll schnell und günstig einsatzfähig sein, konfiguriert wird es in Eigenregie.‣ weiterlesen

Unternehmen verwalten heute mehr als zehn Mal so große Datenmengen wie noch vor fünf Jahren. Dabei befürchteten 62 % der Befragten in einer aktuellen Untersuchung von Dell Technologies, ihre Maßnahmen zur Datensicherung könnten nicht ausreichend vor Malware-Attacken schützen. 74 % der Umfrageteilnehmer gaben zudem an, dass mit der steigenden Anzahl an Home-Office-Mitarbeitern das Risiko von Datenverlust ansteige.‣ weiterlesen

Der MES-Anbieter Proxia Software kapselt Funktionen seiner Software, um Anwendern mehr Flexibilität beim Cloud-Betrieb ihres Produktionssteuerungssystems zu ermöglichen. Eine Datenvorverarbeitung im sogenannten Fog Layer soll durch eine geringere Anzahl an Transaktionen für mehr IT-Sicherheit und reduzierte Transaktionskosten sorgen.‣ weiterlesen

Thin Clients sind meist robust und wartungsarm. Mit ihrer Hardware-reduzierten Ausstattung eignen sie sich für Fabriken und Büros gleichermaßen. Wo die schlanken Geräte noch punkten, schreibt Ulrich Metz, Geschäftsführer bei Rangee.‣ weiterlesen

Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige