Technologiepartnerschaften
Wie aus Daten ein Geschäftsmodell wird
1. Wertschöpfungsnetzwerke und Ökosysteme
Trotz starker hausinterner Kompetenzen im Umfeld des Maschinen- und Anlagenbaus verfügen derzeit nur wenige produzierende Unternehmen über ein ausreichendes Wissen im Umgang mit KI. Durch Kooperation mit geeigneten Partnern wird dieser Bedarf oft gedeckt. Bei einer geschickten Partnerauswahl und einer strategisch angelegten Zusammenarbeit, können nicht nur nachhaltig Kompetenzen im eigenen Unternehmen aufgebaut werden, sondern die Partner können auch gemeinsam an Kunden herantreten. Ein Beispiel hierfür ist ein Maschinenhersteller, der zusätzlich zur verkauften Maschine eine Dienstleistung für vorausschauende Wartung oder die Maschinenlaufzeit als Leistung im Verbund mit einem Softwarehersteller anbietet. Wichtig beim Aufbau eines Wertschöpfungsnetzwerks sind Transparenz, ein klar formuliertes Nutzenversprechen für alle Partner, langfristige Beziehungen gepaart mit Agilität in der Erstellung und Anpassung des Produktes sowie eine gemeinsame Strategie im Umgang mit Daten.
2. Umgang mit Daten
Ohne Zweck gesammelte Daten nutzen kaum etwas und große Mengen von ihnen können sogar signifikante Kosten verursachen. Wer sich im Rahmen eines Wertschöpfungsnetzwerks auf eine gemeinsame Datenbasis einigt, sollte in erster Linie Kriterien und Methoden für das Erfassen der Daten definieren. So bleiben die Datenmengen und die daraus resultierenden Kosten für die IT-Infrastruktur verhältnismäßig gering. Dazu legt man Regeln für einen nachvollziehbaren Umgang mit Daten unter den Partnern fest, insbesondere bei sensiblen Daten, welche auch einen Einfluss auf die Auswahl passender Technologien für Datenverarbeitung haben. In der Produktion ist zunehmend der hybride Ansatz der Datenverarbeitung (Edge und Cloud) beliebt. Bei diesem Ansatz wird ein Teil der Daten an der Maschine direkt analysiert und nicht an weitere Netzwerkpartner übermittelt. Neben einer einfacheren Kontrolle der Datensicherheit und der Reduktion der Kosten für Datenspeicherung bietet dieser Ansatz auch eine höhere Reaktivität der Anwendung. Im Falle eines selbstlernenden hybriden Monitorings findet das Training etwa für ein KI-Modell in der Cloud statt, die Erkennung der Anomalien erfolgt direkt auf den Edge-Geräten beinahe in Echtzeit. Die Entscheidungen rund um die Datenhandhabung haben einen direkten Einfluss auf die Auswahl der Technologien und damit verbundenen Infrastrukturen. Die neunte Ausgabe von Rockwell Automations „State of Smart Manufacturing“ Report liefert Einblicke in Trends und Herausforderungen für Hersteller. Dazu wurden über 1.500 Fertigungsunternehmen befragt, knapp 100 der befragten Unternehmen kommen aus Deutschland. ‣ weiterlesen
KI in Fertigungsbranche vorn
3. Technologien und Infrastrukturen
Kaufen oder selber bauen? Intern betreiben oder auslagern? Hier stehen Wirtschaftlichkeit und Haftungsfragen im Vordergrund. Datengetriebene Anwendungen auf eigene Faust rechtskonform zu entwickeln und zu betreiben, bedeutet neben einer hohen Investition gegebenenfalls auch eine längere Vorlaufzeit vor der Einführung der Lösung. In vielen Fällen ist es vorteilhafter, sich auf existierende Anwendungen und Technologien zu verlassen, sei es von kommerziellen Herstellern oder Open Source. Diese befolgen gängige Architekturen und Standards, konsolidieren Erfahrungen von unterschiedlichen Kunden, haben viele technische Herausforderungen bereits überwunden und arbeiten häufiger mit dem dem aktuellen Stand der Technik. Das gleiche gilt für Infrastrukturen. In jedem Partnernetzwerk sollte eine gemeinsame Strategie für die Einrichtung und Nutzung der technischen Infrastruktur erwogen werden, so dass nach außen eine gemeinsame Plattform und nicht mehrere Insellösungen sichtbar werden. Der Aufwand für die Entwicklung und den Betrieb datengetriebener Anwendungen, insbesondere im Fall der Anwendung des maschinellen Lernens, ist so groß, dass dieser Aufwand im Partnerverbund nur dann erbracht wird, wenn entweder ein wirtschaftliches Abhängigkeitsverhältnis besteht oder ein direkter Mehrwert vorliegt. Der Thin[gk]athon, veranstaltet vom Smart Systems Hub, vereint kollaborative Intelligenz und Industrie-Expertise, um in einem dreitägigen Hackathon innovative Lösungsansätze für komplexe Fragestellungen zu generieren. ‣ weiterlesen
Innovationstreiber Thin[gk]athon: Kollaborative Intelligenz trifft auf Industrie-Expertise
Innovation beschleunigen
Die zentrale Herausforderung für Groß- oder Kleinunternehmen auf dem Weg zur Wertschöpfung der Daten bleibt das Knowhow zu Anwendungsfällen, Big Data und KI. Digitale datengetriebene Wertschöpfungsnetzwerke und Verbunde zwischen technologieaffinen Start-ups, Forschungseinrichtungen und den produzierenden Unternehmen können die Innovation beschleunigen.
